發(fā)布時(shí)間：2024-02-25 15:11

　　共享單車具有很強(qiáng)的流動(dòng)性和高隨機(jī)性,為了更加準(zhǔn)確地預(yù)測(cè)某區(qū)域內(nèi)每小時(shí)的單車使用數(shù)量,通過(guò)爬取紐約市Citi Bike共享單車的天氣特征數(shù)據(jù)信息,并分析時(shí)間因子、氣象因子等對(duì)單車需求量的影響;采用長(zhǎng)短期記憶(long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)共享單車的短期需求量,并與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)和BP(back-propagation)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明:影響單車需求量的主要因素包括溫度、節(jié)假日、季節(jié)以及早晚高峰時(shí)間段等因素;與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法和循環(huán)神經(jīng)網(wǎng)絡(luò)RNN算法相比,LSTM魯棒性高,泛化能力強(qiáng),且預(yù)測(cè)結(jié)果曲線與真實(shí)結(jié)果曲線相吻合;預(yù)測(cè)精度高(精確度為0.860)均方根誤差最小(為0.090),誤差小�？梢�(jiàn)LSTM模型可以用來(lái)對(duì)共享單車的短時(shí)需求量進(jìn)行預(yù)測(cè)。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1LSTM網(wǎng)絡(luò)結(jié)構(gòu)

為了提高計(jì)算精度、準(zhǔn)確預(yù)測(cè)每天每小時(shí)的紐約市共享單車需求量,其預(yù)測(cè)方法已由以往的機(jī)器學(xué)習(xí)模型,如隨機(jī)森林(randomforest,RF)、支持向量機(jī)(supportvectormachine,SVM)和人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork,AN....

圖2氣象因子與單車使用量的相關(guān)性熱力圖

共享單車是一種受氣象影響顯著的交通工具,圖2所示為2015—2018年紐約地區(qū)共享單車租借總量與4種氣象因子的相關(guān)性熱力分布圖。由圖2可得,共享單車需求量與4種氣象因子之間都存在相關(guān)性。溫度與租車人數(shù)正相關(guān),寒冷抑制租車需求;濕度與租車人數(shù)負(fù)相關(guān),雨雪天氣抑制了單車租借需求;單車....

圖3日期與共享單車需求量的折線圖

(1)共享單車使用量受時(shí)間影響,利用2015—2018年美國(guó)紐約地區(qū)共享單車項(xiàng)目數(shù)據(jù)進(jìn)行時(shí)序變化規(guī)律分析,結(jié)果如圖3所示。共享單車使用在2015年1月—2018年12月期間,總體用量逐年上升,每一年從1月開(kāi)始租車人數(shù)就迅速增加,直到6月用車人數(shù)最多,隨后至10月用車人數(shù)緩慢減少,....

圖42015—2018年平均每小時(shí)共享單車使用量

(2)圖4和圖5進(jìn)一步考察了2015—2018年平均每小時(shí)和每星期對(duì)共享單車的使用量的影響,并繪制折線圖和箱線圖。圖52015—2018年平均每星期共享單車使用量

本文編號(hào)：3910493