報(bào)告鏈接：http://tecdat.cn/?p=32161

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

本文通過建立空載率的數(shù)學(xué)模型，幫助客戶來分析出租車的空載率，從而對出租車補(bǔ)貼政策能否提高高峰期的實(shí)載率，緩解打車難問題進(jìn)行了說明。

分析思路

1.利用這么多天的數(shù)據(jù)，按照算法先算出每天的日平今年空載率，繪制成曲線

2 利用一次平滑預(yù)測模型算出這么多天的預(yù)測日平均空載率，其中的平滑常數(shù)分別帶入我假設(shè)的那三種數(shù)值，求出預(yù)測和實(shí)際均方差，最后取均方差最小的那個(gè)對應(yīng)的平滑常數(shù)為我們所要的。

3.利用二次平滑指數(shù)預(yù)測模型，預(yù)測4月25日至5月31日的日平均空載率，繪制成曲線（初始值取4月23日的實(shí)際日平均空載率，平滑常數(shù)為2中所要的那個(gè)）

選擇南京市的三個(gè)地點(diǎn)：鼓樓公園，四牌樓，玄武湖公園，因?yàn)榫嚯x遠(yuǎn)近，交通狀況都差不多，以4月1日到4月30日每天測量這三個(gè)地點(diǎn)的打車需求量，出租車總數(shù)。

數(shù)據(jù)

數(shù)據(jù)以滴滴平臺(tái)獲得：

分析方法

以鼓樓公園為例：

則4月1日的空載率為：

注：不考慮拼車狀況，假設(shè)一輛出租車只能接一單。

以此類推，4月2日，4月3日，4月4日…4月30日空載率分別為：

利用一次平滑指數(shù)公式：

如：4月1日的預(yù)測空載率為k,則4月2日的預(yù)測空載率為

我們采用二次平滑指數(shù)預(yù)測的算法來預(yù)測短期之內(nèi)，不受季節(jié)因素影響的空載率。

二次平滑指數(shù)預(yù)測模型：公式：

求空載率

kongzailv=function(datat){ ? ?? sum(as.numeric(datat[,2]))/sum(as.numeric(datat[,1])) ? }

地區(qū)：鼓樓公園

for(i? in 1:27){ ? ? datat=data[((i-1)*4+1):(i*4),3:4] ?? kongzailvdata[i]=kongzailv(datat)

設(shè)置alpha參數(shù)為0.3

alpha <- 0.3

參看模型參數(shù)

計(jì)算均方差值

RMSE1=mean((model$fitted-model$x)^2)

設(shè)置alpha參數(shù)為0.5

alpha <- 0.5

設(shè)置alpha參數(shù)為0.7

找出最小的RMSE值

min(RMSE1,RMSE2,RMSE3)[1] 0.2712489

因此 采用alpha為0.5 ， 然后使用二次平滑指數(shù)預(yù)測的算法來預(yù)測短期之內(nèi)，不受季節(jié)因素影響的空載率。

參看模型參數(shù)

預(yù)測數(shù)值

預(yù)測圖像

地區(qū)：四牌樓

which.min(c(RMSE1,RMSE2,RMSE3))## [1] 3?###從結(jié)果看出當(dāng)alpaha為0.7的時(shí)候 渠道最小的RMSE值

因此 采用alpha為0.7 ，然后使用二次平滑指數(shù)預(yù)測的算法來預(yù)測短期之內(nèi)，不受季節(jié)因素影響的空載率。

參看模型參數(shù)

地區(qū)：玄武湖公園

#############################找出最小的RMSE值 ??min(RMSE1,RMSE2,RMSE3)## [1] 0.01964692?which.min(c(RMSE1,RMSE2,RMSE3))## [1] 1?###從結(jié)果看出當(dāng)alpaha為0.3的時(shí)候 渠道最小的RMSE值

參看模型參數(shù)

最受歡迎的見解

1.在python中使用lstm和pytorch進(jìn)行時(shí)間序列預(yù)測

2.python中利用長短期記憶模型lstm進(jìn)行時(shí)間序列預(yù)測分析

3.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長期記憶、GRU門循環(huán)單元、回歸和ARIMA對COVID-19新冠疫情新增人數(shù)時(shí)間序列

4.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場價(jià)格時(shí)間序列和MSE評估準(zhǔn)確性

5.r語言copulas和金融時(shí)間序列案例

6.R 語言用RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)間序列長期利率預(yù)測

7.Matlab創(chuàng)建向量自回歸（VAR）模型分析消費(fèi)者價(jià)格指數(shù) (CPI) 和失業(yè)率時(shí)間序列

8.r語言k-shape時(shí)間序列聚類方法對股票價(jià)格時(shí)間序列聚類

9.R語言結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析