机构名称：
¥ 1.0
摘要。运输网络公司（TNCS）面临两种典型情况，即需求较高和需求低。在高需求下，TNC使用浪涌乘数或激增率来平衡骑手的高需求，并使用可用的驱动器。驾驶员的意愿，骑手的意愿支付更多和适当的浪涌利率在最大化TNC的利润中起着至关重要的作用。否则，可以通过驾驶员或骑手来删除大量旅行。本文解释了组合分类和回归模型的应用，以进行电涌率预测。在本文中，考虑了26个不同的机器学习（ML）算法进行分类，并且将29个ML算法视为回归。总共考虑了55毫升算法进行涌现的预测。本文表明，旅行的估计距离，旅行价格，获得的日期和时间，旅行的完成时间，旅行的开始时间，搜索半径，基本价格，风速，湿度，湿度，风能，温度等等等。确定是否将应用激发率或浪涌乘数。每分钟的价格适用于当前旅行或分钟价格，基本价格，通货膨胀或通货紧缩后旅行的成本（即旅行价格），对旅行或搜索半径的应用半径搜索，潮湿，旅行的接受日期，日期和时间，气压压力，风速，最低旅行价格，每公里的价格，每公里的价格等等，对激增率进行了讨论的案例研究，以实施案例研究，以实施拟议的algorithm。
激发率预测的机器学习方法
主要关键词
相关文件推荐
