检索结果-南通市图书馆

检索条件"主题词=共享单车需求量预测"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于改进GRU模型的共享单车需求量预测研究

基于改进GRU模型的共享单车需求量预测研究

引用

作者：宋歌北方民族大学

学位级别：硕士

共享单车作为共享经济与单车出租行业的创新性产物,在很大程度上满足了公众对于短距离的出行需求,逐渐成为了居民日常通勤、解决城市出行最后一公里难题的首选方案。但在共享单车产业快速发展的同时,随之而来的是投放量不合理的问题,这... 详细信息

共享单车作为共享经济与单车出租行业的创新性产物,在很大程度上满足了公众对于短距离的出行需求,逐渐成为了居民日常通勤、解决城市出行最后一公里难题的首选方案。但在共享单车产业快速发展的同时,随之而来的是投放量不合理的问题,这无疑给相关企业的经济利益和城市市容带来了负面的影响。因此,共享单车需求量的合理预测,对于改善城市环境、构建慢行交通系统都具有深远的意义。本文的工作如下:(1)本文对共享单车历史数据进行预处理与特性分析。首先对数据进行了异常值检测、数据标准化、数据编码三个步骤的数据预处理。其次从多个视角切入,对数据展开特性分析。最后以特性分析的结果为依据,构造了四个时间特征,为后文模型的学习提供了更多有价值的时间信息。(2)本文搭建了基于循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short-Term Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)的预测模型,同时,为有效地帮助模型找到最优的参数组合,引入了粒子群优化算法(Particle Swarm Optimization,PSO)对上述三个模型进行参数调优。实验结果表明带有两个门控结构的GRU模型的预测性能更为优异。(3)本文引入自注意力机制(Self-Attention Mechanism,SE)和软注意力机制(Soft Attention Mechanism,SO),构建了PSO-SESO-GRU模型。为了探究模型的性能,本文将PSO-SESO-GRU与PSO-GRU、PSO-SE-GRU、PSO-SO-GRU三个模型在共享单车需求量数据集上进行对比实验。实验结果表明,PSO-SESO-GRU模型与原始GRU模型相比,提高了共享单车需求量预测的精度。

关键词：共享单车需求量预测门控循环单元注意力机制粒子群优化算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的共享单车需求量预测模型研究

基于机器学习的共享单车需求量预测模型研究

引用

作者：王立长安大学

学位级别：硕士

自行车一直是城市交通中的一种重要工具,随着移动互联网时代的蓬勃发展,共享单车在城市交通出行中开始盛行,它在方便人们出行的同时也促进了共享经济的发展。但是不合理的投放对单车资源、厂家的经济利益以及城市市容都会造成很大的影... 详细信息

自行车一直是城市交通中的一种重要工具,随着移动互联网时代的蓬勃发展,共享单车在城市交通出行中开始盛行,它在方便人们出行的同时也促进了共享经济的发展。但是不合理的投放对单车资源、厂家的经济利益以及城市市容都会造成很大的影响。本文通过对共享单车使用量的数据进行分析,设计了共享单车需求量的组合预测模型,通过预测单车的需求量指导单车的合理投放。主要的工作包括:对原始数据进行数据预处理并进行可视化分析,初步获得影响单车使用量的影响因素。在此基础上,通过向后移除法筛选特征,并结合可视化分析结论确定了最终构建模型所需要的实验数据。对传统预测算法进行了研究,重点研究了梯度提升(GBDT)算法、随机森林算法和BP神经网络算法,并使用之前确定的实验数据进行了单项预测模型的实践,实验结果表明,同一特征在GBDT预测模型和随机森林预测模型中其重要性是不同的,气温对单车需求量的影响最大,三个单项预测模型的R方值相近,预测准确度都有很大的提升空间。在此基础上,将三个单项预测模型进行组合设计了两种组合预测模型,一种是以预测误差绝对值之和达到最小的线性组合预测模型,另一种是以BP神经网络进行组合的非线性组合预测模型,对模型进行试验发现,两种组合预测模型准确度较单项预测模型都有提高,但非线性组合预测模型的预测效果更好,主要因为线性组合中的线性关系在某种程度上限制了组合模型的优化程度,组合模型中单项预测模型之间的关系具有一定的复杂性,不只是线性关系,而BP神经网络在满足线性关系的同时能够挖掘到其非线性的信息,使得模型的效果更好,其R方值较线性组合预测模型提高了0.02。因此,将以BP神经网络进行组合的非线性组合预测模型作为最终的共享单车需求量预测模型。

关键词：共享单车需求量预测组合预测模型 GBDT 随机森林 BP神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GCN算法的共享单车潮汐点的预测研究

基于GCN算法的共享单车潮汐点的预测研究

引用

作者：李春晖中南财经政法大学

学位级别：硕士

伴随着我国城市化建设进程的推进和经济的飞速发展,城市居民环境友好型交通模式也步入高速发展阶段。共享单车的出行方式被越来越多市民所接受,并成为市民固定的出行选择后,随之出现了重点起点区域共享单车数量不够、市民无车可用的问题... 详细信息

伴随着我国城市化建设进程的推进和经济的飞速发展,城市居民环境友好型交通模式也步入高速发展阶段。共享单车的出行方式被越来越多市民所接受,并成为市民固定的出行选择后,随之出现了重点起点区域共享单车数量不够、市民无车可用的问题,其中尤以早晚高峰时段,共享单车的“一车难寻”、“无处停放”的潮汐问题最为突出,且人类的活动存在白天工作、晚上休息的客观规律,加之办公时段、办公区域集中分布,潮汐现象无法回避。公共交通站点及办公场所附近单车数量出现饱和,大量单车停放堆积也造成一定的城市道路侵占和拥堵现象,以及城市交通安全相关事故伴随发生。因此,针对共享单车在分布区域和骑行需要中具备的明显的潮汐特性,挖掘区域内共享单车骑行数据和停放数据,对共享单车数据综合分析,识别和预测出城市潮汐现象最为严重的区域,研究跨空间跨区域的集中式有效预测,缓解共享单车潮汐点的供需矛盾,解决市民日常出行的用车和停放困扰,优化市民的用车体验。从政府规划和交通监管水平角度,营造高效有序的交通管理环境,解决共享单车在城市出行中所造成停放不当、道路堆积等管理问题,提高共享单车运营车辆使用率,缓解单车区域内过量堆积所造成的资源浪费问题,完善城市基础管理,以期为城市管理部门和共享单车运营方提供预测的有益探索和尝试。挖掘共享单车出行数据建立街道流量聚合模型,通过提取停车点位电子围栏数据,用Geohash库来对订单中出现的经纬度为主编码,依据停车点经纬度范围计算停车点位面积。在实际数据划分中采用聚类思想划分数据簇,完成街道单车量聚合。用K-Nearest Neighbor算法和Geohash算法两种算法完成区域内留存单车密度计算,识别出工作日早高峰时段潮汐现象最突出的区域,选择精度值较高的分类算法作为潮汐区域分类指标,在实际空间距离计算时将常用欧氏距离(Euclidean Distance)替换为精度值更高的球面余弦函数变换公式(Haversine),完成区域分类数据使近似数值分析,能减少多个不相关因素造成的实验误差,进一步实现交通预测方案。在选择预测模型时,建立线性回归模型和随机森林模型作为预测,实验发现机器学习模型在预测中存在一些不足,因此考虑选择深度学习模型,建立图卷积神经网网络模型(Graph Convolutional Network,GCN),提出将图卷积的方法应用在共享单车车量预测领域。图卷积神经网络模型上进行改进,提出了一种基于融合区域分类、地铁距离数值和区域间动态车流的多权重图卷积神经网络模型。提出了提取多图节点和图的融合算法进行卷积实验,以便图卷积神经网络可以同时应用于异质的站点间空预测。由于图卷积神经网络能在图结构中确定更为相关的邻域节点,因此多图融合的图卷积神经网络模型更适合提取时空依赖性,聚合邻居节点的信息来动态更新,并利用相关邻域节点信息来更新节点特征,其聚合器能更好地挖掘空间信息。通过对单车分布点网络建构图结构,利用图结构将空间局部特征进行有效的挖掘和提取,使得需求量预测准确率大幅提高;然后采用时空图卷积神经网络来完成对于历史时空出行订单数据的处理,并关联区域内地体站点相关性等外部因素进行多图卷积,动态计算不同数据图的权重,提取多图节点实现图的融合并进一步进行卷积实验,以便图卷积神经网络可以同时应用于异质的站点空间预测,进一步捕捉共享单车时空特性,以此提升实际预测精度。最后,分别对以上选用相应的数据集进行实验与分析,在评价模型时采用RMSE、MSE、MAE等预测评价指标评估模型的效率。结果表明多图卷积神经网络模型模型能够在预测值上表现出明显优越性。识别潮汐区域并预测出区域内的用车需求量,将有效的解决共享单车时空无序性分布问题,缓解市民实际生活中的日常短途出行的供需矛盾。研究跨空间跨区域的集中式有效预测,从居民日常出行效率和服务体验的角度出发,提供共享单车日常出行需求数据,为管理商在单车投放、运营和后期维护等多个阶段提供参考数据,合理分配区域间的共享单车数量,解决市民日常出行的用车和停放困扰,缓解公共交通压力,提高共享单车的使用效率,并对共享单车集群性能提供有益帮助。从政府规划和交通监管水平角度,预知共享单车潮汐区域和单车使用数量,掌握预测数据的情况下倒逼城市规划和管理,以此来营造高效有序的交通管理环境,解决共享单车在城市出行中所造成停放不当、道路堆积等管理问题,提高共享单车运营车辆使用率,缓解单车区域内过量堆积所造成的资源浪费问题,完善城市基础管理,为城市管理部门和共享单车运营方提供预测的有益探索和尝试。

关键词：共享单车需求量预测 K-Nearest Neighbor 深度学习图卷积神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：