《应用数学学报》
文章摘要:浮动单车的准确预测是合理投放与规范停放管理的关键,对此本文开展了关于浮动单车需求量预测研究。以北京市浮动单车为研究对象,从原始数据中筛选出地理位置上均匀分布的虚拟研究区域,利用GPS实时定位数据、天气数据以及地理空间数据,结合Spearman相关性分析方法从空间因素、时间因素、天气因素、骑行因素多角度综合分析浮动单车因素间的相关程度,最终得出8个影响北京市浮动单车使用的显著相关因素;在此基础上,构建了基于LSTM(Long Short-term Memory)网络的单车需求量预测模型,以准确预测出行时段浮动单车在研究区域内的需求量,并与RNN(Recurrent Neural Networks)网络预测模型和GRU(Gated Recurrent Unit)网络预测模型的预测精度相比较验证本文方法的有效性。仿真结果表明:基于LSTM预测模型的均方误差值、均方根误差值、R2值均优于RNN预测模型和GRU预测模型,预测效果更佳,更加适合处理预测这一类的时间序列。
文章关键词: