基于QRF-SA-ConvLSTM模型的网约车需求预测方法

李晓梅; 吕斌

交通信息与安全 ›› 2025, Vol. 43 ›› Issue (2) : 127 -135.

李晓梅, 吕斌

作者信息 +

Author information +

文章历史 +

摘要

网约车需求预测中考虑时空特征和不确定性影响对于提升交通系统的效率和稳定性至关重要。研究了融合分位数回归森林（quantile regression forest, QRF）和自注意力卷积长短期记忆网络（self-attention convolutional long short-term memory, SA-ConvLSTM）的预测模型，通过协同优化时空特征学习与概率分布建模，实现高精度需求预测与不确定性估计。首先，模型利用分位数回归森林生成指定概率区间的需求预测分布，并结合注意力机制对原始数据加权融合，构建时空概率矩阵；随后将该矩阵输入SA-ConvLSTM模块，由卷积结构提取局部空间模式，自注意力机制聚焦关键时空节点，LSTM捕捉长期时间依赖；最终通过多任务输出层同步优化点预测与区间估计。该方法同时结合了分位数回归的分布建模能力与深度学习的时空特征提取优势，进而提升预测精度和不确定性量化能力。研究采用滴滴开源的西安市二环内网约车轨迹数据集验证模型的有效性和准确性。结果表明：均值预测中，提出模型的平均绝对误差和均方误差分别较SA-ConvLSTM模型降低了21%和17.2%；不确定性估计中，提出模型在95%置信度下的区间覆盖率相对于线性分位数回归（linear quantile regression,LQR）、QRF和SA-ConvLSTM模型分别提高了5.3%、2.5%、0.9%，同时区间平均宽度分别减少了41.5%、30%、18.5%。以上结论验证了模型的预测精度和可靠性。