[发明专利]基于双向长短期记忆神经网络的共享单车流量预测方法

说明书

本发明涉及一种基于双向长短期记忆神经网络的共享单车流量预测方法。考虑到共享单车流量是一种时间序列，当前流量与过去和将来的流量具有密切的联系，该方法建立了时间步长为12的双向长短期记忆网络模型，即以过去十二个小时的数据作为输入，预测未来一个小时的共享单车流量数据，以此类推，每次将时间向后平移一个小时，从而预测下一个共享单车流量数据。本发明利用平均绝对误差、平均绝对百分比误差、均方根误差、皮尔逊相关系数对预测结果进行评估。为了验证模型的性能，本发明选取人工神经网络，循环神经网络以及长短期记忆网络作为对比模型。实验结果显示，本发明方法在预测未来的共享单车流量的性能最佳。

技术领域

本发明属于机器学习研究领域，具体涉及一种基于双向长短期记忆神经网络的共享单车流量预测方法。

背景技术

近年来，共享单车产业迅速繁荣，街头巷尾出现了越来越多的共享单车，解决了人们短距离出行的需要。然而，为了抢夺市场份额，企业激进投放大量共享单车，但又疲于进行运维管理，产生了乱停乱放的情况，为城市管制带来了许多新的问题。近年来，深度学习方法越来越多地应用于交通工程的不同领域的研究。除了出行需求预测之外，深度学习方法还被广泛运用于短期交通流量预测和交通速度预测的研究。本文旨在运用深度学习的手段结合两年的共享单车租赁情况的历史数据，对未来共享单车的流量进行预测，用以限制市场上的单车量，达成共享单车的适宜投放。

发明内容

本发明的目的在于提供一种基于双向长短期记忆神经网络的共享单车流量预测方法，对未来共享单车的流量进行预测，用以限制市场上的单车量，达成共享单车的适宜投放。

为实现上述目的，本发明的技术方案是：一种基于双向长短期记忆神经网络的共享单车流量预测方法，包括如下步骤：

步骤S1、采集共享单车租赁量数据，并对共享单车租赁量数据进行可视化分析，挖掘出对共享单车租赁量影响的属性；

步骤S2、依据步骤S1挖掘出的对共享单车租赁量影响的属性，对原始数据的哑变量和冗余变量进行处理，并进行归一化操作；

步骤S3、依据步骤S2处理后的数据，构建BLSTM预测模型，预测未来时间段的共享单车流量数据。

在本发明一实施例中，步骤S1中，共享单车租赁量数据是以小时为单位进行统计的共享单车租赁量数据。

在本发明一实施例中，步骤S1中，对共享单车租赁量数据进行可视化分析，挖掘出对共享单车租赁量影响的属性的实现方式为：使用Pandas库中的函数导入共享单车租赁量数据，而后通过matplotlib库中的plot函数绘制共享单车租赁量和各个属性的关系图，从而挖掘出对共享单车租赁量影响的属性。

在本发明一实施例中，根据步骤S1的可视化分析的结果，对影响共享单车租赁量的属性进行处理，所述步骤S2具体实现方式为：首先采用dropna函数对缺失数据进行清洗，而后运用get_dummies进行哑变量处理，然后使用concat将原数据与处理完的数据进行拼接，再而使用drop删除原数据中的哑变量以及冗余变量，最后采用归一化函数将处理后的数据进行归一化处理转换成无量纲数据。

在本发明一实施例中，步骤S3中，所述BLSTM预测模型为时间步长为12的BLSTM预测模型，将步骤S2处理后得到的数据集以8：2的比例划分为训练集和测试集，将训练集中过去十二个小时的数据作为一个输入，预测一个输出，以此类推，每次将时间向后平移一个小时，按照此规律扩充训练集用以训练时间步长为12的BLSTM预测模型，而后，将测试集中的过去十二个小时的数据作为输入，预测未来一个小时的共享单车流量数据。

在本发明一实施例中，步骤S3中，预测未来时间段的共享单车流量数据时需对BLSTM预测模型预测的结果进行反归一化处理。

在本发明一实施例中，步骤S3之后，利用平均绝对误差、平均绝对百分比误差、均方根误差、皮尔逊相关系数对预测结果进行评估。