关键词:
车辆共乘
组合优化
需求预测
一对多匹配
深度学习
摘要:
针对连续时间窗的车辆共乘匹配问题,建立了一(车主)对多(乘客)模式的最优化模型.该优化模型同时以当前时间窗的共享率和旅程终点的预测需求密度为目标,刻画了旅程的即时效用和潜在效用,从而提升运营周期的总服务率和服务质量.然后提出了一个出行需求预测算法.在算法的特征工程阶段,时间和空间索引特征被提取,并以多个时间间隔生成自序列特征数据.基于深度学习方法构建了时空自序列网络,该网络能够同时处理时空特征和序列特征,提供高精度的需求预测.最后将所提模型与算法应用于真实场景,验证了其有效性.结果表明,相比于传统模型,所建立模型的匹配方案提高了9.57%的服务率,并降低了11.54%的出行距离.与其他预测算法相比,所提出预测算法的预测结果最好,其平均绝对误差为2.84,均方误差为20.35.