共享單車具有很強的流動性和高隨機性,為了更加準確地預測某區(qū)域內每小時的單車使用數(shù)量,通過爬取紐約市Citi Bike共享單車的天氣特征數(shù)據(jù)信息,并分析時間因子、氣象因子等對單車需求量的影響;采用長短期記憶(long short-term memory,LSTM)神經(jīng)網(wǎng)絡模型預測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(recurrent neural network,RNN)和BP(back-propagation)神經(jīng)網(wǎng)絡模型預測結果進行比較。實驗結果表明:影響單車需求量的主要因素包括溫度、節(jié)假日、季節(jié)以及早晚高峰時間段等因素;與傳統(tǒng)BP神經(jīng)網(wǎng)絡算法和循環(huán)神經(jīng)網(wǎng)絡RNN算法相比,LSTM魯棒性高,泛化能力強,且預測結果曲線與真實結果曲線相吻合;預測精度高(精確度為0.860)均方根誤差最小(為0.090),誤差小�？梢奓STM模型可以用來對共享單車的短時需求量進行預測。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1LSTM網(wǎng)絡結構

為了提高計算精度、準確預測每天每小時的紐約市共享單車需求量,其預測方法已由以往的機器學習模型,如隨機森林(randomforest,RF)、支持向量機(supportvectormachine,SVM)和人工神經(jīng)網(wǎng)絡(artificialneuralnetwork,AN....

圖2氣象因子與單車使用量的相關性熱力圖

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性。溫度與租車人數(shù)正相關,寒冷抑制租車需求;濕度與租車人數(shù)負相關,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間影響,利用2015—2018年美國紐約地區(qū)共享單車項目數(shù)據(jù)進行時序變化規(guī)律分析,結果如圖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年平均每小時共享單車使用量

(2)圖4和圖5進一步考察了2015—2018年平均每小時和每星期對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：3910493