基于长短期记忆神经网络模型的共享单车短时需求量预测

发布时间：2024-02-25 15:11

　　共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。

【文章页数】：6 页

【部分图文】：

图1LSTM网络结构

为了提高计算精度、准确预测每天每小时的纽约市共享单车需求量,其预测方法已由以往的机器学习模型,如随机森林(randomforest,RF)、支持向量机(supportvectormachine,SVM)和人工神经网络(artificialneuralnetwork,AN....

图2气象因子与单车使用量的相关性热力图

共享单车是一种受气象影响显著的交通工具,图2所示为2015—2018年纽约地区共享单车租借总量与4种气象因子的相关性热力分布图。由图2可得,共享单车需求量与4种气象因子之间都存在相关性。温度与租车人数正相关,寒冷抑制租车需求;湿度与租车人数负相关,雨雪天气抑制了单车租借需求;单车....

图3日期与共享单车需求量的折线图

(1)共享单车使用量受时间影响,利用2015—2018年美国纽约地区共享单车项目数据进行时序变化规律分析,结果如图3所示。共享单车使用在2015年1月—2018年12月期间,总体用量逐年上升,每一年从1月开始租车人数就迅速增加,直到6月用车人数最多,随后至10月用车人数缓慢减少,....

图42015—2018年平均每小时共享单车使用量

(2)图4和图5进一步考察了2015—2018年平均每小时和每星期对共享单车的使用量的影响,并绘制折线图和箱线图。图52015—2018年平均每星期共享单车使用量

本文编号：3910493