基于置信规则库的出租车乘车概率预测方法

“出租车乘车概率预测的置信规则库推理方法* (2015年)” 本文主要探讨了在出租车乘车概率预测过程中遇到的数据规模大、底层属性类型复杂以及预测信息不确定性的问题。针对这些问题，作者提出了一个创新的解决方案，即利用置信规则库推理方法（RIMER：Belief Rule-Base Inference Methodology using Evidential Reasoning）。这种方法旨在通过离线处理出租车GPS数据和路网数据，将多类型不确定性数据转化为具有置信结构的规则形式，构建出一个置信规则库，然后在此基础上进行在线预测。 文章由杨隆浩、蔡芷铃、黄志鑫等人共同完成，发表于《计算机科学与探索》2015年第9卷第8期，页码为985-994。期刊的ISSN号为1673-9418，CODEN编号为JKYTA8。文章提供了在线预测路网道路上各地点乘车概率的方法实例，以北京市2012年11月某天的出租车GPS数据为数据源。 在预测模型的构建过程中，首先，研究者运用大数据挖掘技术对出租车轨迹数据进行预处理，提取关键特征。这些特征可能包括时间、地点、交通流量、天气条件等因素。其次，将这些特征转换成置信规则，形成规则库，每个规则都带有相应的置信度，表示规则的可靠程度。置信规则库的建立有助于减少预测中的不确定性。 接着，通过RIMER方法，在线推理阶段，系统根据实时输入的路网信息，利用规则库中的规则进行推理，计算出特定地点的乘车概率。这种方法的优势在于，它不仅考虑了单一因素，还综合了各种因素之间的相互影响，提高了预测的准确性。 最后，文章通过实际案例分析验证了该方法的有效性，展示了如何利用这种方法预测北京市出租车乘车概率，并对其性能进行了评估。这种方法对于城市交通管理和规划、出租车调度服务等方面具有重要的应用价值，有助于提高交通效率和服务质量。 这篇论文提出的置信规则库推理方法提供了一种新的处理大规模出租车数据并预测乘车概率的途径，通过将不确定性数据转化为置信规则，提升了预测的精度和可靠性。这种方法对于未来智能交通系统的开发和优化有着重要的理论指导意义。