2019数学建模c题出租车c

根据引用\[1\]，在2019数学建模C题中，我们使用了ARIMA时间序列模型和LSTM模型来预测出租车的运力需求。首先，我们使用ARIMA模型进行静态预测，收集了上海虹桥机场的航班信息和旅客数量。然后，我们使用LSTM模型解决了运力需求预测问题，并对模型进行了改进以考虑机场客流波动。根据预测结果，我们建议司机在13:00、16:00、19:00和22:00这些高峰时间段内优先选择进入机场候车。至于司机是回市区还是留在机场，主要取决于客流量的大小。

根据引用\[2\]，问题一的本质是通过分析出租车司机去机场等候乘客和返回市区拉客两种情况的收益，建立一个出租车司机选择决策模型。我们使用层次分析法来评估司机的决策影响。结合机场客流量，通过比较相同时间内空车回市区和留在机场等乘客两种方法的利润，我们得出了一个判断准则：当出租车数量大于且4v+6.2t-99＞0时，司机回市区；当出租车数量小于且4v+6.2t-99＜0时，司机留在机场。

根据引用\[3\]，问题三中我们以上海虹桥机场为例，使用单向双通道模型(M/M/2系统)来模拟出租车的上车点选择。我们假设机场满足双通道并行车道，将车辆到达流视为泊松流，并计算出系统内车辆通行强度和平均等待时长等参数。通过对系统的上车点参数进行变换模拟，并综合比较各参数，我们得出结论：当上车点为4时最合理。

综上所述，根据2019数学建模C题的研究，我们使用了ARIMA模型和LSTM模型来预测出租车的运力需求，使用层次分析法来评估司机的决策影响，并使用单向双通道模型来模拟出租车的上车点选择。这些方法可以帮助出租车司机做出更明智的决策。
#### 引用[.reference_title]
- *1* *2* *3* [2019数学建模国赛C题–机场的出租车调度问题](https://blog.csdn.net/weixin_29248653/article/details/117205547)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]