مقایسه عملکرد شبکه پرسپترون چندلایه، شبکه عصبی بازگشتی و شبکه عصبی با حافظه کوتاه مدت ماندگار در پیش بینی زمانی مکانی تقاضای تاکسی

پیش بینی دقیق تقاضای تاکسی موجب می شود راننده ها به سرعت مسافرها را پیدا کنند و مدت زمان انتظار مسافران کاهش یابد. با افزایش محبوبیت خدمات تاکسی اینترنتی، داده های زیادی در خصوص میزان تقاضای تاکسی در دسترس قرارگرفته است. نحوه به کارگیری این داده ها جهت بهبود پیش بینی تقاضای تاکسی یکی از مسائل مهم دنیای امروز است. پیشرفت های اخیر در حوزه یادگیری عمیق با یادگیری ویژگی های پیچیده، کارایی بالایی نسبت به روش های سنتی در این زمینه نشان داده اند. بااین وجود این کار به دلیل وابستگی های مکانی و زمانی پیچیده به تقاضای تاکسی چالش برانگیز است. در این پژوهش از داده های میزان تقاضای تاکسی در شهر تهران که توسط شرکت تپسی در یک بازه یک ماهه به صورت یک ساعته منتشرشده، استفاده شده است. برای پیش بینی تقاضای تاکسی در شهر تهران از سه شبکه پرسپترون چندلایه، شبکه عصبی بازگشتی و شبکه عصبی با حافظه کوتاه ماندگار استفاده شده است. درنهایت این سه روش باهم مقایسه شده اند که شبکه پرسپترون چندلایه با میانگین خطای مطلق ۰.۰۵۲ بر روی داده های آزمایشی بهترین عملکرد را داشته است.

کلیدواژه ها:

پیش بینی تقاضای تاکسی ، یادگیری عمیق ، شبکه پرسپترون چندلایه ، شبکه عصبی بازگشتی ، شبکه عصبی با حافظه کوتاه مدت ماندگار