مقایسه عملکرد شبکه پرسپترون چندلایه، شبکه عصبی بازگشتی و شبکه عصبی با حافظه کوتاه‌مدت ماندگار در پیش‌بینی زمانی مکانی تقاضای تاکسی

پیش‌بینی دقیق تقاضای تاکسی موجب می‌شود راننده‌ها به‌سرعت مسافرها را پیدا کنند و مدت‌زمان انتظار مسافران کاهش یابد. با افزایش محبوبیت خدمات تاکسی اینترنتی، داده‌های زیادی در خصوص میزان تقاضای تاکسی در دسترس قرارگرفته است. نحوه به‌کارگیری این داده‌ها جهت بهبود پیش‌بینی تقاضای تاکسی یکی از مسائل مهم دنیای امروز است. پیشرفت‌های اخیر در حوزه یادگیری عمیق با یادگیری ویژگی‌های پیچیده، کارایی بالایی نسبت به روش‌های سنتی در این زمینه نشان داده‌اند. بااین‌وجود این کار به دلیل وابستگی‌های مکانی و زمانی پیچیده به تقاضای تاکسی چالش‌برانگیز است. در این پژوهش از داده‌های میزان تقاضای تاکسی در شهر تهران که توسط شرکت تپسی در یک بازه یک‌ماهه به‌صورت یک‌ساعته منتشرشده، استفاده‌شده است. برای پیش‌بینی تقاضای تاکسی در شهر تهران از سه شبکه پرسپترون چندلایه، شبکه عصبی بازگشتی و شبکه عصبی با حافظه کوتاه ماندگار استفاده‌شده است. درنهایت این سه روش باهم مقایسه شده‌اند که شبکه پرسپترون چندلایه با میانگین خطای مطلق 0.052 بر روی‌داده‌های آزمایشی بهترین عملکرد را داشته است.