基于機器學習的網約車拼車需求預測研究

摘 要：為了提高拼車需求預測的準確性，提高網約車拼車服務效率，進一步有效緩解交通擁堵問題，該文利用時間特征提取和Kepler優化算法對傳統的決策樹機器學習模型進行優化，提出了一種區域拼車概率預測模型?；谥ゼ痈缇W約車拼車概率數據集進行拼車需求預測的實驗，將該模型與傳統決策樹模型進行比較。結果表明：優化后的模型在預測精度方面優于傳統決策樹模型，平均絕對誤差（MAE）降低了0.044，均方根誤差（RMSE）降低了0.054。優化后的模型相較于傳統決策樹模型在預測拼車需求方面具有更高的準確性。

關鍵詞：共享出行；拼車需求；機器學習；決策樹；Kepler 優化算法

Research on carpooling demand prediction study based on machine learning

Abstract： In order to improve the accuracy of carpooling demand prediction， thereby enhancing the efficiency of ride hailing services and effectively alleviating traffic congestion， a regional carpooling probability prediction model was proposed by optimizing the traditional decision tree machine learning model using time feature extraction and Kepler optimization algorithm. An experiment was conducted to predict carpooling demand based on the Chicago ride hailing probability dataset， and the model was compared with traditional decision tree models. The experimental results show that the optimized model outperforms traditional decision tree models in terms of prediction accuracy， with a decrease of 0.044 in mean absolute error （MAE） and 0.054 in root mean squared error （RMSE）. The optimized model has higher accuracy in predicting carpooling demand compared to traditional decision tree models.

Key words： shared mobility; carpooling demand; machine learning; decision tree; Kepler optimization algorithm

城市化進程加快，帶來交通擁堵和機動車排放嚴重影響空氣質量和人類健康的問題，因此，推動低碳出行、緩解擁堵和減少碳排放成為城市交通發展的重要方向。網約車業務迅速崛起，為提升出行效率和減少碳排放提供了有效解決方案。共享出行逐漸成為城市交通的關鍵部分，拼車出行作為新趨勢，不僅體現共享經濟理念，還提高車輛利用率，降低交通擁堵和燃料消耗，積極響應低碳政策。然而，當前拼車需求仍較低，未能充分發揮緩解交通壓力的潛力，因此準確預測拼車需求至關重要。由于拼車模式的特殊性，傳統交通需求預測模型難以直接應用。此外，拼車服務興起時間較短，數據獲取困難，使得相關研究成果有限。

黃雪原^[1]針對即時拼車需求預測場景，對傳統k-最近鄰（k-nearest neighbors，KNN）算法進行了優化，主要解決類與整體之間分布不均衡問題。2019年，T. Altshuler等^[2]針對拼車需求預測進行了研究，構建了動態交通網絡模型，旨在更精確地捕捉拼車需求的動態變化。這些研究不僅為拼車需求預測的理論體系增添了新的內容，也為實際拼車服務的優化提供了有力的理論支持和實踐指導。龔學輝^[3]提出了一種基于Markov模型的拼車需求預測方法，利用軌跡數據對區域進行初步預測，并進一步結合興趣點（point of interest，POI）信息，依據 POI的類型對區域內的需求位置進行更為精確的預測。 PIAO Yong [4^]提出了一種基于改進KNN的即時拼車預測算法：基于密度可達性的思想，算法能夠有效識別出一組合理的鄰居，從而使后續的投票過程更加準確；考慮了數據在類別內和類別間的分布情況，使噪聲鄰居的檢測準確性受到數據分布不均的影響較小。S. Fuloria [^5]采用指數平滑、多元回歸和 長短期記憶（long short-term memory，LSTM）3種方法來預測短期內的拼車需求，并發現 LSTM 模型在預測效果上表現更佳。LI Xing等^[6]的研究則更為綜合，考慮了網約拼車歷史需求、相鄰地區需求、時間、天氣和POI等多種因素，提出了基于小波變換?快速相關基濾波器-長短時記憶網絡（wavelet transform-fast correlation-based filter-long short-term memory，WT-FCBF-LSTM）的組合預測模型。2021年，毛林冉^[7]構建了一種基于區域相似性的動態集成預測算法：通過挖掘拼車需求在區域間的相似性，成功地提升了預測精度。這一模型不僅顯著提高了預測精度，還成功捕捉了網約車拼車的時空特征。杜明洋^[8]針對帶行程途經點的城市網約車拼車派單問題對帶途經點的網約車拼車問題及其合乘場景進行分析，考慮拼成出發和在途拼單2種共存的拼車形式，建立帶行程途經點的網約車拼車派單問題的整數線性規劃模型。同年，DU Juan等^[9]以芝加哥為案例對芝加哥地區一年的出租車拼車出行數據進行時空分析發現：整體出行次數在一年內保持穩定；人們在周末相對于工作日更傾向于使用出租車拼車，周末每天的拼車次數平均比工作日高出20%。同時通過地理信息系統軟件平臺ArcGIS分析了拼車出行的空間模式。研究結果還顯示：較長的拼車出行與收入、教育水平以及該地區的平均通勤時間等因素更具統計相關性；這些長途拼車出行行為在中心商務區周圍更為集聚，隨著與中心商務區距離的增加，拼車需求逐漸變小。

這些研究成果雖豐富了拼車需求預測的理論體系，但多集中于整體數據分析或預測，缺乏針對影響因素和區域差異的具體研究。為了全面揭示拼車服務在不同城市區域的運作規律，需要精準預測拼車需求。這將幫助平臺優化車輛調度，提高運營效率，并有效緩解交通擁堵和減少碳排放。因此，結合區域特性進行定制化模型設計顯得尤為重要，這將提升拼車服務效率與用戶體驗，并促進城市交通的綠色發展。

因此，本文提出一種結合時間特征提取與 Kepler優化算法的區域拼車預測模型。既考慮到區域和天氣對網約車拼車概率的影響，在數據集中融入了區域信息以及天氣特征，又考慮到決策樹模型在結構化多特征數據集中無法很好處理時間序列的問題，通過 Transformer 編碼器加入了時間特征提取模塊；并利用芝加哥網約車拼車數據集進行實驗驗證，通過將所提出的區域拼車預測模型與其他模型進行比較，展示了本模型的顯著優勢。

1"" 網約車拼車數據處理

1.1"" 數據來源

芝加哥作為一個擁有龐大人口和繁忙交通網絡的城市，交通擁堵一直是影響居民出行的重要問題，本文的訂單和區域的研究數據都來源于美國芝加哥市的相關開源數據網站。數據集中主要數據特征包括行程起始時間、結束時間、訂單總時間、行駛里程數、上車區域、下車區域、訂單價格、是否請求拼車、每個訂單拼車次數。

從芝加哥原始數據集分析，2019 年前 3 個月拼車訂單數量較多，但因疫情影響后半年的數據存在缺失。為了確保訓練結果的有效性， 本文主要采用芝加哥2019 年 1?2 月的網約車訂單數據進行實驗。

區域信息是影響拼車率的重要因素，本文同樣通過芝加哥市政府開放數據網站 ^{[10] 獲取數據。芝加哥共}有 77 個區域，每個區域的相關信息特征如表 1 所示。同時，天氣也是影響拼車率的因素之一，例如，低溫和降水量大時，網約車訂單量可能增加。本文的天氣數據來源于開源天氣信息網站 ^[11]。

1.2"" 數據預處理

在網約車運營過程中，可能會出現行程時間異常的訂單數據，這些異常的訂單數據對研究的準確性會造成很大的影響，因此需統一處理。這包括剔除重復和無效數據，以減少冗余，確保研究的嚴謹性。處理后，將無異常訂單數據按 77 個區域劃分，形成區域拼車概率數據集。

區域拼車概率數據集是根據原始數據中行程的開始時間進行聚合。由于未請求拼車的數量更多，所以本研究盡可能減少網約車訂單按區域聚合后的拼車率為0的情況，統一將訂單聚合成各個區域每15 min的數據，例如將 2019年1月1日0時0分—2019年1月1日0時15分的數據進行提取，并計算其中行程時間的中位數、行程英里的中位數、行程費用的中位數。由于網約車拼車數據中常見異常值的存在，平均數容易受到這些異常值的影響，從而導致結果偏差。相比之下，中位數不受極端值的干擾，能夠更好地反映數據的中心趨勢。因此，使用中位數可以更準確地代表大多數行程的典型特征。同時，還需要計算每個區域每15 min內拼車訂單的數量與總訂單數量之比，得到拼車的概率。

另外，為準確分析拼車行為與各種因素的關系，本實驗在劃分區域數據集后融入了天氣信息。通過將天氣、區域和拼車數據關聯，分析其對拼車行為的影響，尋找相關性。盡管芝加哥 77 個區域的天氣情況存在差異，但因位于同一城市內，差異通常較小。因此，本實驗基于整個芝加哥市的天氣數據進行預測。

在獲取天氣數據后，進行了數據清洗和去噪，去除了重復值，并通過插值方法填補了異常值，以確保數據的準確性和可靠性。隨后，將不同的數據單位 （ 如華氏度和英寸 ） 轉換為統一的單位，以便于后續的數據合并和處理?？紤]到雪天和雨天也可能影響拼車需求，將這 2 種天氣標記為1，其余標記為 0。最后，根據天氣與訂單的時間信息對齊，將天氣數據拼接到網約車訂單數據中，如表 2 所示。

最后，將數據集按區域保存為 77 個文件，依次將區域數據循環接入模型進行訓練。這有助于了解不同區域的拼車概率，并找出可能存在的規律和趨勢，以便于全面了解各區域特點，方便后續拼車概率的預測。

2"" 預測模型

2.1"" 基礎算法

隨機森林 （random forest，RF） 作為集成學習領域中的一種重要方法 ^[12]，其核心理念在于通過結合多個弱學習器的預測結果，以獲得更為出色的預測性能。

極端梯度提升算法（eXtreme gradient boosting， XGBoost），是一種基于梯度提決策樹（gradient boosting decision tree，GBDT）的集成學習模型^[13]。XGBoost可以通過分析每個特征在模型中的分裂次數或分裂增益來計算特征的重要性，從而幫助理解模型的預測過程。

輕量梯度提升機 LightGBM（light gradient boosting machine，LGBM） [^{14] 作為微軟開發的一款高效框架，}其核心原理與 XGBoost 相似，都是基于學習算法的決策樹。然而，LightGBM 引入了基于直方圖的決策樹算法。該算法的核心思想是將連續的浮點特征值離散化為 m 個整數，并構建寬度為 m 的直方圖。

類別提升CatBoost（categorical boosting） ^[15]與 XGBoost 均為基于GBDT的算法。CatBoost 通過對稱樹的增強算法、自動處理類別特征和反向梯度修正等技術，提高了模型的訓練速度和泛化能力，減少了過擬合的風險。CatBoost 能夠自動處理分類特征和數值特征，在每次節點分裂時，它會基于對稱樹的學習策略來處理類別特征和數值特征，從而更好地學習特征之間的關系，無需進行獨熱編碼或者標簽編碼。

Bayes 優化算法^[16] 是一種基于 Bayes 理論的參數優化方法，通過在已知的參數值上構建 Gauss 過程模型來估計目標函數的值。Bayes 優化的核心思想是在參數空間中智能地搜索最優解，通過不斷地利用之前觀察到的結果來指導下一次的搜索，從而高效地找到目標函數的全局最優解或局部最優解。將Bayes 優化器與機器學習決策樹模型相結合，可以大幅度提高超參數調優的效率和精度，幫助模型在高維、復雜的參數空間中更快找到最優解，從而提升拼車需求預測的效果，進而優化網約車平臺的服務調度和效率。

所以分別將隨機森林 RF、XGBoost、LightGBM和 CatBoost 機器學習算法與 Bayes 優化器結合形成新的預測模型作為本文的基礎算法。模型的輸入是由每 15 min 按區域聚合的訂單拼車信息、詳細的區域特性以及天氣信息整合而成的多特征數據集。這種精細化的數據處理方式使得模型能夠捕捉到拼車概率隨時間和空間的動態變化，從而提高預測的準確度。區域拼車概率的預測任務算法如圖1 所示。

2.2"" 優化模型

由于隨機森林（ R F）、XGBo ost、Lig ht GBM和CatBoost等決策樹算法都沒有辦法直接處理時間數列，只能將時間數列直接轉換為數值特征進行預測或者是直接刪除，所以在基礎決策樹模型中加入了時間特征提取模塊，主要包括基于Transformer編碼器的時間特征的編碼模塊與主成分分析（principal component analysis，PCA）降維模塊。

Transformer 模型的核心架構基于編碼器和解碼器 （encoder-decoder） 的結構設計，適用于序列化數據的處理，結構圖如圖2 所示。Transformer 借助自注意力機制，能夠更加精準地捕捉序列中的長距離依賴關系，進一步增強了其處理復雜序列數據的能力。

Transformer 是通過編碼器提取特征， 所以時間特征提取，首先要從數據文件中提取出時間序列，然后將時間序列輸入到分詞器 （Tokenizer） 來對時間特征進行編碼，將時間特征字符串列表為模型可以理解的輸入格式 ^[17]。隨后使用了多層 Transformer 編碼器層 （transformer encoder） 進行特征提取，如圖 3 所示。

由于通過時間特征編碼提取特征后會增加數據維度，加大計算量，所以增加了 PCA ^[18] 模塊降維來整合數據維度。PCA 是一種廣泛應用的降維方法，其核心思想在于利用線性變換技術，將原始的高維特征空間映射到一個新的低維特征空間，進而達到降維的效果。這一過程不僅簡化了數據的復雜性，還保留了數據中的主要信息。

本文所提出的優化模型是先基于 Transformer 編碼器對時間特征進行編碼，然后用 PCA 進行降維。隨后，提取出的時間特征與訂單數據特征、區域信息特征、天氣特征等融合，形成一個新的特征集，該特征集被劃分為訓練集和測試集。在拼車需求預測場景中，Kepler優化算法結合傳統機器學習模型，能夠提供更強的全局搜索能力、快速收斂性和魯棒性，尤其適用于高維和復雜問題。相比于 Bayes 優化，Kepler 優化在處理高維非凸問題時更具效率，計算成本也較低，能夠更有效地提升拼車需求預測模型的性能，為網約車平臺的運營效率提供更好的支持。所以，在模型訓練階段，采用了 Kepler 優化算法對模型的參數進行優化。提出的新的拼車需求預測優化模型如圖 4 所示。

3"" 實驗結果與分析

3.1"" 評價指標

本研究基于評價指標平均絕對誤差（mean absolute error，MAE）、均方誤差（mean squared error，MSE）、均方根誤差（root mean squared error，RMSE）進行實驗結果分析。

平均絕對誤差 （MAE） ：

均方誤差 （MSE） ：

MSE 能夠放大較大的預測誤差，使得模型對極端偏差更為敏感，有助于識別并優化那些產生較大誤差的樣本。

均方根誤差 （root mean squared error，RMSE） ：

RMSE 用于度量預測值與真實值之間的平均偏差，提供了一個直觀、易于解釋的誤差度量標準。

3.2"" 基礎算法預測實驗結果分析

通常情況下，MSE 的數值越低越好， 表示模型預測結果與真實值的差異較小。各模型在不同區域的 MSE 值如圖 5 所示，所有區域 MSE 均在 0.16 以下，說明預測效果較好；同時，CatBoost 的MSE 最低，表明其在各區域的預測效果最佳，XGBoost 的效果相對也比較優秀，隨機森林的誤差較高。

以區域 8 的數據為例，實驗中獲得各模型的概率預測值，如圖 6 所示。對比測試集前 100 個樣本的預測值與真實值，差值越接近零表示模型效果越好。觀察圖形可見：XGBoost 和 CatBoost 在預測效果上表現最佳，其預測值與真實值擬合度高，差值較小。

隨后，獲得了各個模型的評價指標結果，具體如表 3所示。經過對比分析可見：CatBoost模型表現最佳，其準確率明顯高于其他模型；同時在完成預測任務時所消耗的時間最少，進一步證明了其高效性。

從圖 7 可見：CatBoost 模型的殘差分布密度最高，主要集中在零附近，表明預測偏差較??；XGBoost 和 LGBM 的殘差分布較廣，存在一定偏差；而 RF 的殘差分布范圍最廣，密度曲線較窄，預測偏差較大。綜合考慮，CatBoost 的預測效果最佳，其次是 XGBoost，接著是 LGBM，最后是 RF。

同時，隨著模型的迭代過程不斷推進，可以觀察到RMSE 的變化曲線如圖 8 所示。在表現較佳的 3 個模型中，主要展示了前 500 次迭代的情況?？梢钥闯?， CatBoost 和 XGBoost 模型在這段時間內能夠迅速降低 RMSE 值，總體表現優于其他模型。證明了它們在當前問題中的有效性和可靠性，能夠高效擬合數據并減少預測誤差，特別適合處理大規模數據集，展現了顯著的優勢。

3.3"" 優化模型實驗結果分析

圖9 展示了4 個模型在各個區域的均方誤差 （MSE）值。可以看出，在 Kepler 優化的作用下，4 個模型在不同區域的 MSE 值均低于 0.06，表明優化后的模型在性能上較基礎模型有了顯著提升。同時通過對比分析，明顯可以觀察到 4 個模型在不同區域上的預測效果存在差異。在前 10 個區域中，各模型的預測效果普遍較好， MSE 值相對較低，表明模型在這些區域上的預測能力較強，其中 CatBoost 與 XGBoost 的誤差較低，效果最佳，穩定性最好。然而，隨著區域編號的增加，模型之間的預測性能出現差異，部分模型的 MSE 值逐漸增加，說明其在某些區域的預測能力相對較弱，可能是由于數據分布的不均勻性或者模型本身的復雜性所導致。

隨著區域的變化，各決策樹模型的預測效果也呈現出不同的變化趨勢。在某些區域，某些模型的預測效果可能優于其他模型，而在另一些區域則可能相反。這種差異可能是由于不同區域的數據分布、特征表現以及拼車需求等因素的不同所導致的。盡管存在預測效果差異，但總體而言，模型對每個區域的預測效果還是相對良好的。這為后續的區域拼車需求預測提供了有價值的參考，并有助于根據具體區域的特點選擇合適的決策樹模型進行預測。

通過優化模型得到了預測結果后，對模型優化前后的實驗評價指標進行比較，以區域 8 為例，具體結果如表 4 所示。從表中的數據可以看出：優化后的 4 個模型預測誤差相較于優化前的預測誤差都有了明顯的減小；CatBoost 和 XGBoost 這 2 個模型上的效果最好， 優化后的 CatBoost 模型上，MAE 降低了 0.044， RMSE 降 低了0.054 ；優化 后的 XGBoost 模 型 上， MAE 降低了0.051，RMSE 降低了0.056。這一結果表明，所采用的 Kepler 優化模塊在提升模型性能方面發揮了顯著的效果。

圖 10 展示了優化后各個模型輸出的概率預測值與真實值的差值對比結果。從圖中可以看出：優化后的 4個模型與真實值之間的誤差主要集中在 -0.2～0.3，而基礎模型的誤差范圍則集中在 -0.6～0.8。這表明，經過優化的模型在準確性上相較于基礎模型有了顯著提升。并且，還是 CatBoost 與 XGBoost 的效果較好。這一結果進一步驗證了實驗所采用的優化方法的有效性，為模型的可靠性和實用性提供了有力支持。

圖 11 的殘差密度圖展示了4 種不同預測模型的殘差分布情況。實驗結果顯示：4 種模型的殘差密度由 0～2.5 提升至 0～10，且優化后的模型殘差更接近于 0，表明經過優化后，模型的性能得到了顯著提升；并且，結果顯示 CatBoost 和 XGBoost 模型的殘差分布密度最高，且主要集中在零附近，可以得出 XGBoost 和 CatBoost 模型的效果較好，預測結果更為可靠和準確。為了進一步探討了模型的 RMSE 在迭代過程中的變化，對不同模型在前 500 個迭代輪次中的性能表現進行對比，如圖 12 所示，可以觀察到：優化后的模型曲線在迭代 100 次后就趨于平穩，而基礎模型迭代500 次才幾乎趨于平穩，顯然優化模型具有更好的性能；在這段迭代過程中，CatBoost 模型展現出了更為優越的性能；CatBoost 的RMSE 指標下降速度更快，擬合數據的速度也更為迅速，進一步證實了CatBoost 模型在處理當前數據集時的有效性和高效性。

3.4"" 消融實驗分析

本研究進一步探究時間特征編碼塊、PCA 降維處理以及 Kepler 優化算法模塊對 XGBoost、LightGBM和 CatBoost 3 種模型性能的影響。在實驗過程中，記錄了模型的 RMSE，結果見表 5。

由實驗1、2，使用Ke ple r優化算法優化模型， XGBoost模型的RMSE 降低了0.042 63，LightGBM 模型的RMSE降低了0.063 69，CatBoost 模型的RMSE降低了0.016 68。由實驗 1、3，使用時間特征編碼處理模型，XGBoost模型的RMSE降低了0.046 37，LightGBM模型的RMSE降低了0.067 6，CatBoost模型的RMSE降低了0.020 69。由實驗 1、4，加入時間特征編碼處理模型并使用Kepler優化算法優化模型，XGBoost 模型的 RMSE降低了0.053 51，LightGBM 模型的RMSE降低了0.069 25，CatBoost模型的RMSE降低了0.032 76。由實驗 1、5，加入時間特征編碼處理模型并對模型進行 PCA降維處理，XGBoost 模型的RMSE降低了0.053 67，LightGBM模型的RMSE降低了0.071 38，CatBoost模型的RMSE降低了0.033 07。由實驗 1、6，先對模型加入時間特征編碼，再進行PCA降維處理，最后使用Kepler優化算法對模型進行優化。XGBoost模型的RMSE降低了0.066 77，LightGBM模型的RMSE降低了0.09，CatBoost模型的RMSE降低了0.063 31。

通過對比實驗發現，采用適當的時間特征編碼方法能夠顯著提高模型的預測精度。在實際應用中，高維度的數據往往導致計算復雜度高、模型過擬合等問題。通過 PCA降維處理，能夠有效地降低數據的維度，同時保留關鍵信息，從而提高模型的泛化能力。實驗結果表明，合理的降維處理能夠在一定程度上提升模型的性能。此外，實驗還研究了Kepler優化算法在模型優化過程中的作用。Kepler優化算法作為一種先進的優化算法，旨在通過調整模型參數來提高模型的性能。并且3個模型在同時加入時間特征編碼塊、PCA降維和Kepler優化算法所得到的RMSE的值最低，說明本研究提出的優化模型在網約車拼車需求預測中能更好的提高準確性和可靠性。

4"" 結""" 論

本文結合Bayes優化算法和機器學習中的決策樹模型，預測網約車拼車需求。在融合了訂單、拼車概率、區域和天氣等多特征數據后，構建預測模型。實驗結果顯示，CatBoost模型預測精度上優于其他模型，其MSE值最低，MAE和RMSE指標分別達到0.075 46和0.098 95。證明CatBoost在拼車需求預測上具有最佳表現。

鑒于決策樹算法無法直接處理時間序列數據，本研究引入時間特征提取模塊，并在訓練階段，使用 Kepler優化算法對模型參數進行優化，形成了一個新的預測優化模型。與基礎模型的多維度對比表明，優化模型的預測誤差顯著降低，預測性能得到了顯著提升。 Kepler可優化CatBoost和XGBoost模型，使CatBoost的平均絕對誤差（MAE）和均方根誤差（RMSE）分別降低了0.044和0.054，使XGBoost的MAE和RMSE分別減少了0.051和0.056。

雖然模型的MAE 和 RMSE 指標提升幅度不大，但在大規模應用場景中，這一小幅度的優化非常重要。以每天 10 萬單網約車訂單量為例，其中 10% 為拼車需求。本實驗模型的小幅優化使 MAE 降至 0.032，即單筆預測誤差降至 3.156%，從而將預測失誤訂單數減少到 315 單，比原方案減少了439 單誤差。這一誤差的降低在大規模訂單管理中將顯著提升平臺的運營效率。

本研究采用消融實驗分析法，深入探討了時間特征編碼模塊、主成分分析（PCA）降維策略以及Kepler優化算法對XGBoost、LightGBM和CatBoost模型性能的影響。實驗結果表明3種處理策略不論是單獨應用，還是兩兩組合應用，均能有效降低模型的均方根誤差 （RMSE）。

在未來的研究中，本研究團隊將借助用戶行為數據進行個性化推薦，以提高用戶對拼車服務的滿意度；將運用強化學習和動態路徑規劃算法，對車輛調度和用戶匹配進行優化，提升服務的整體效率。隨著拼車模式的廣泛普及，以及政府與各大平臺的深度合作，有理由相信這將推動城市交通管理朝著更智能化的方向發展。這一發展趨勢不僅有助于減少空駛和碳排放，而且將為全球范圍內的可持續交通發展提供有力支持。