基于建成环境的热点区域网约车出行影响因素分析与需求预测

作     者：武书羽 

作者单位：长安大学 

学位级别：硕士

导师姓名：王建军

授予年度：2023年

学科分类：08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：网约车出行 建成环境 长短期记忆网络 地理加权回归模型 空间聚类 

摘      要：网约车作为城市交通的重要组成部分,对居民出行起着重要的作用,在一定程度上缓解了居民出行“打车难的问题,但其供需不均问题依然存在。本文基于西安市网约车订单数据、POI数据与天气数据,挖掘高峰时期载客热点区域,分析出行影响因素,构建网约车出行需求预测模型,有助于网约车平台动态调节车辆供应、优化运营与管理决策,同时能够提升用户出行体验,减少等待时间。本文首先对原始数据进行清洗筛选,利用python和Arc GIS对网约车出行时空特征进行可视化,分析其分布特征。而后,利用基于k-距离的改进DBSCAN空间聚类算法,对工作日和休息日高峰时期载客热点进行挖掘,对热点区具体所在位置进行细化研究。然后,对网约车出行影响因素进行分析。为使研究具有可靠性,将载客热点集中分布范围作为研究区域。以出行需求量作为因变量,多种POI密度反映城市建成环境作为自变量,检验自变量间的多重共线性,利用SPSS软件实现逐步回归,筛选出各高峰时段的解释变量,并分析其空间自相关性,发现所有变量都为空间正相关,符合模型构造条件。构建最小二乘回归模型与地理加权回归模型,对比二者拟合优度,验证了地理加权回归模型用于出行影响因素研究的可行性,以工作日和休息日高峰时段为例,对网约车出行影响因素进行时空异质性分析。最后,在Tensor Flow2.0深度学习框架下,选取吉祥村为典型载客热点区,针对工作日和休息日分别构建基于Bi-LSTM的网约车出行需求预测模型。结合POI影响因素,将其与时间因素、天气因素作为变量输入模型中,对模型进行参数优化,确定模型结构。选取RMSE、MAE与MAPE作为模型评价指标,将Bi-LSTM模型与多个传统模型进行对比研究,显示Bi-LSTM模型预测精度最高,在不同日期属性下预测模型性能表现较为稳定。通过对不同高峰时段的模型误差分析,验证了Bi-LSTM预测性能的有效性与平稳性。