R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性

报告链接:http://tecdat.cn/?p=32161

原文出处:拓端数据部落公众号

本文通过建立空载率的数学模型,帮助客户来分析出租车的空载率,从而对出租车补贴政策能否提高高峰期的实载率,缓解打车难问题进行了说明。

分析思路

1.利用这么多天的数据,按照算法先算出每天的日平今年空载率,绘制成曲线

2 利用一次平滑预测模型算出这么多天的预测日平均空载率,其中的平滑常数分别带入我假设的那三种数值,求出预测和实际均方差,最后取均方差最小的那个对应的平滑常数为我们所要的。

3.利用二次平滑指数预测模型,预测4月25日至5月31日的日平均空载率,绘制成曲线(初始值取4月23日的实际日平均空载率,平滑常数为2中所要的那个)

选择南京市的三个地点:鼓楼公园,四牌楼,玄武湖公园,因为距离远近,交通状况都差不多,以4月1日到4月30日每天测量这三个地点的打车需求量,出租车总数。

数据

数据以滴滴平台获得:

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第1张图片

分析方法

以鼓楼公园为例:

image.png

则4月1日的空载率为:

image.png

注:不考虑拼车状况,假设一辆出租车只能接一单。

以此类推,4月2日,4月3日,4月4日…4月30日空载率分别为:

image.png

利用一次平滑指数公式:

image.png

如:4月1日的预测空载率为k,则4月2日的预测空载率为

image.png

我们采用二次平滑指数预测的算法来预测短期之内,不受季节因素影响的空载率。

二次平滑指数预测模型:公式:

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第2张图片

求空载率

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

地区:鼓楼公园

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

设置alpha参数为0.3


alpha <- 0.3 

参看模型参数

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第3张图片

计算均方差值

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

image.png

设置alpha参数为0.5

alpha <- 0.5

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第4张图片

设置alpha参数为0.7

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第5张图片

找出最小的RMSE值

min(RMSE1,RMSE2,RMSE3)

[1] 0.2712489

因此 采用alpha为0.5 , 然后使用二次平滑指数预测的算法来预测短期之内,不受季节因素影响的空载率。

参看模型参数

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第6张图片

预测数值

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第7张图片

预测图像

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第8张图片

地区:四牌楼

which.min(c(RMSE1,RMSE2,RMSE3))

## [1] 3

 ###从结果看出当alpaha为0.7的时候 渠道最小的RMSE值

因此 采用alpha为0.7 ,然后使用二次平滑指数预测的算法来预测短期之内,不受季节因素影响的空载率。

参看模型参数

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第9张图片

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第10张图片

地区:玄武湖公园

#############################找出最小的RMSE值  
 min(RMSE1,RMSE2,RMSE3)

## [1] 0.01964692

 which.min(c(RMSE1,RMSE2,RMSE3))

## [1] 1

 ###从结果看出当alpaha为0.3的时候 渠道最小的RMSE值

参看模型参数

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第11张图片

R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第12张图片


R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性_第13张图片

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.Python用RNN循环神经网络:LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

5.r语言copulas和金融时间序列案例

6.R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测

7.Matlab创建向量自回归(VAR)模型分析消费者价格指数 (CPI) 和失业率时间序列

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.R语言结合新冠疫情COVID-19股票价格预测:ARIMA,KNN和神经网络时间序列分析

你可能感兴趣的:(数据挖掘深度学习人工智能算法)