基于运营系统的出租车出行需求短时预测模型

doi:10.12068/j.issn.1005-3026.2016.09.005

东北大学学报:自然科学版 ›› 2016, Vol. 37 ›› Issue (9): 1235-1240.DOI: 10.12068/j.issn.1005-3026.2016.09.005

基于运营系统的出租车出行需求短时预测模型

林永杰¹，邹难²

(1．美国西北大学土木与环境工程系，美国埃文斯敦60208； 2. 山东大学控制科学与工程学院，山东济南250100)

收稿日期:2015-04-28 修回日期:2015-04-28 出版日期:2016-09-15 发布日期:2016-09-18
通讯作者: 林永杰
作者简介:林永杰(1987-)，男，山东潍坊人，美国西北大学博士后研究人员；邹难(1976-)，男，北京人，山东大学教授，博士生导师.
基金资助:
国家科技支撑计划项目(2014BAG03B04)；中央高校基本科研业务费专项资金资助项目(2014JC036).

Short-Term Prediction Model of Taxi Passenger Demand Based on Operation Systems

LIN Yong-jie¹， ZOU Nan²

1. Department of Civil and Environmental Engineering， Northwestern University， Evanston IL 60208， USA; 2. School of Control Science and Engineering， Shandong University， Jinan 250100， China.

Received:2015-04-28 Revised:2015-04-28 Online:2016-09-15 Published:2016-09-18
Contact: LIN Yong-jie
About author:-
Supported by:
-

摘要/Abstract

摘要： 出租车系统作为城市交通运输系统的重要组成部分，其宏观规划和调度管理的合理性决定了出租车服务质量.本文主要研究出租车乘客出行需求估计及预测，为出租车规划和实时调度提供数据支持.首先，分析了出租车定位系统和计费系统，改进了传统出租车需求网格划分方法，考虑了地形、建筑群和道路网络特征，保持了网格自身出行特性的完整性.其次，根据实时收集的出租车数据，建立了易于计算的出行需求估计方法.最后，以实际数据为基础，对影响短时出行量的主要变量进行了相关性分析，提出了基于人工神经网络的短时需求预测模型，根据相关性分析确定了模型结构.以实际获取的出租车数据为例，验证了提出的需求估计和预测模型.结果证明:相比于传统自回归滑动平均模型，提出的人工神经网络模型其平均绝对误差百分比提高了32%.此外，人工神经网络模型的绝对误差百分比超过50%的概率低于10%，而自回归滑动平均模型高达23%.

关键词: 出租车运营, 乘客需求估计, 网格, 短时预测, 人工神经网络

Abstract: As a critical component of urban transportation systems， the service level of taxis is significantly affected by taxi planning and dispatching. The objective of this study is to estimate and predict taxi passenger demand to support for planning and dispatching. Firstly， the data collection of the in-vehicle taxi GPS system and fare collection system are analyzed in the paper. In terms of data analysis， the traditional grid partition of taxi demand is improved by adding other factors， such as topography， buildings， and road network. The developed partition preserves the completeness of passenger demand in a grid. And then， an easy-to-use estimation method of grid-based demand is presented by the usage of real-time taxi GPS system and fare collection system. Finally， an artificial neural network (ANN) model is developed to predict short-term taxi demand. The structure of the ANN model is designed based on the functional characteristics of the input-output pairing correlation. Taking the field data from taxi operation system as an example， the performance of proposed estimation and prediction models is evaluated and validated. The results reveal that the proposed ANN prediction model significantly outperforms the existing auto-regression-moving-average (ARMA) model in terms of the reduction of 32% on average absolute percentage error. Moreover， the probability of absolute percentage error greater than 50% for both ANN and ARMA models is 10% and 23%， respectively.

Key words: taxi operations, passenger demand estimation model, grid, short-term prediction, artificial neural network(ANN)

中图分类号:

U491.5⁺4

林永杰，邹难. 基于运营系统的出租车出行需求短时预测模型[J]. 东北大学学报:自然科学版, 2016, 37(9): 1235-1240.

LIN Yong-jie， ZOU Nan. Short-Term Prediction Model of Taxi Passenger Demand Based on Operation Systems[J]. Journal of Northeastern University Natural Science, 2016, 37(9): 1235-1240.

参考文献

[1]Moreira-Matias L，Gama J，Ferreira M，et al.Predicting taxi-passenger demand using streaming data［J］.IEEE Transactions on Intelligent Transportation Systems，2013，14(3):1393-1402.
[2]Arnott R.Taxi travel should be subsidized［J］.Journal of Urban Economics，1996，40(3):316-333.
[3]Liao Z.Taxi dispatching via global positioning systems［J］.IEEE Transactions on Engineering Management，2001，48(3):342-347.
[4]Glaschenko A，Ivaschenko A，Rzevski G，et al.Multi-agent real time scheduling system for taxi companies［C］//8th International Conference on Autonomous Agents and Multiagent Systems.Budapest，2009:29-36.
[5]Wong K I，Wong S C，Bell M G H，et al.Modeling the bilateral micro-searching behavior for urban taxi services using the absorbing Markov chain approach［J］.Journal of Advanced Transportation，2005，39(1):81-104.
[6]李艳红，袁振洲，谢海红，等.基于出租车 OD 数据的出租车出行特征分析［J］.交通运输系统工程与信息，2007，7(5):85-89.(Li Yan-hong，Yuan Zhen-zhou，Xie Hai-hong，et al.Analysis on trips characteristics of taxi in Suzhou based on OD data［J］.Journal of Transportation Systems Engineering and Information Technology，2007，7(5):85-89.)
[7]边扬，王炜，陆建.城市出租车运营网络平衡模型［J］.交通运输工程学报，2007，7(1):93-98.(Bian Yang，Wang Wei，Lu Jian.Equilibrium model of urban taxi service network［J］.Journal of Traffic and Transportation Engineering，2007，7(1):93-98.)
[8]Yang H，Lau Y W，Wong S C，et al.A macroscopic taxi model for passenger demand，taxi utilization and level of services［J］.Transportation，2000，27(3):317-340.
[9]Wong K I，Wong S C，Yang H.Modeling urban taxi services in congested road networks with elastic demand［J］.Transportation Research Part B:Methodological，2001，35(9):819-842.
[10]王昊，王炜，陈峻，等.城市出租车交通分布预测模型［J］.公路交通科技，2006，23(6):145-156.(Wang Hao，Wang Wei，Chen Jun，et al.A forecasting model of trip distribution for urban taxis［J］.Journal of Highway and Transportation Research and Development，2006，23(6):145-156.)
[11]Chang H，Tai Y，Hsu J Y.Context-aware taxi demand hotspots prediction［J］.International Journal of Business Intelligence and Data Mining，2010，5(1):3-18.
[12]Deng Z，Ji M.Spatiotemporal structure of taxi services in Shanghai:using exploratory spatial data analysis［C］//19th International Conference on Geoinformatics IEEE.Shanghai，2011:1-5.
[13]Li X，Pan G，Wu Z，et al.Prediction of urban human mobility using large-scale taxi traces and its applications［J］.Frontiers of Computer Science，2012，6(1):111-121.
[14]Dougherty M.A review of neural networks applied to transport ［J］.Transportation Research Part C:Emerging Technologies，1995，3(4):247-260.
[15]Lin Y J，Yang X F，Zou N，et al.Real time bus arrival prediction:a case study of Jinan China［J］.Journal of Transportation Engineering ASCE，2013，139(11):1134-1140.
[16]李大铭，赵新良，林永杰，等.基于模糊神经网络的短时公交到站时间预测［J］.东北大学学报(自然科学版)，2011，32(3):443-446.(Li Da-ming，Zhao Xin-liang，Lin Yong-jie，et al.Short-term bus arrival time prediction using a fuzzy neural network［J］.Journal of Northeastern University (Natural Science)，2011，32(3):443-446.)
[17]Basheer I A，Hajmeer M.Artificial neural networks:fundamentals，computing，design，and application［J］.Journal of Microbiological Methods，2000，43(1):3-31.

基于运营系统的出租车出行需求短时预测模型

Short-Term Prediction Model of Taxi Passenger Demand Based on Operation Systems

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李宝宽，欧海彬，于洋，李孟臻. 钛渣电弧炉中的多物理场和还原反应模型[J]. 东北大学学报（自然科学版）, 2022, 43(2): 206-213.
[2]	高普阳. 自由界面问题的拉格朗日粒子和流体体积耦合算法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1254-1260.
[3]	张启龙，温涛，宋晓莹，孙伟. 基于自适应直方图修改的网格可逆信息隐藏[J]. 东北大学学报:自然科学版, 2020, 41(3): 316-321.
[4]	王述红，邱伟，高红岩，张紫杉. 数值流形位移法在岩体裂缝扩展中的应用[J]. 东北大学学报:自然科学版, 2019, 40(4): 552-556.
[5]	金燕，刘少军. 基于人工神经网络的航空轴承疲劳可靠性分析[J]. 东北大学学报:自然科学版, 2018, 39(6): 850-855.
[6]	陈颂英，汪超，曲延鹏，王润堃. 基于MRT-LBM的方腔流动局部加密算法[J]. 东北大学学报:自然科学版, 2018, 39(4): 538-542.
[7]	李纯，修占国，王斐笠. 大型基础下含软弱夹层的层状砂土变形计算[J]. 东北大学学报:自然科学版, 2018, 39(4): 579-584.
[8]	李贞妮，李晶皎，王爱侠，张壬申. 一种新型片上网络拓扑结构及其自适应路由算法[J]. 东北大学学报:自然科学版, 2017, 38(9): 1217-1221.
[9]	曹凯，潘懋，孙鹏，张慧. 面向油藏数值模拟的三维网格模型生成方法[J]. 东北大学学报:自然科学版, 2017, 38(9): 1341-1346.
[10]	杨放琼，周卓，徐海良，吴波. 基于结构化网格的两级矿浆泵数值模拟分析[J]. 东北大学学报:自然科学版, 2017, 38(2): 260-264.
[11]	李林敏，李宝宽，刘立超，曹霞. TIG焊流动、传热及界面跟踪动网格数值模拟[J]. 东北大学学报:自然科学版, 2017, 38(10): 1411-1416.
[12]	李明，梁力， GUO Pei-jun，李鑫. 弥散裂缝模型水力压裂数值方法的网格敏感性分析[J]. 东北大学学报:自然科学版, 2015, 36(9): 1337-1341.
[13]	罗周全，张文芬，许士民. 采空区三角网格模型边界剖面线提取方法及其应用[J]. 东北大学学报:自然科学版, 2015, 36(4): 565-570.
[14]	杜小甫，王成恩. 基于等值线数据的一种新的云图算法[J]. 东北大学学报(自然科学版), 2013, 34(5): 624-627.
[15]	王成恩，李海杰. 基于网格的矢量场纹理绘制算法[J]. 东北大学学报（自然科学版）, 2013, 34(11): 1529-1532.