基于数据场聚类的共享单车需求预测模型

• 全文链接
• 请求原文

作   者：

乔少杰;  韩楠;  岳昆;  易玉根;  黄发良;  元昌安;  丁鹏;  Louis Alberto GUTIERREZ; 

作者机构：

广西教育学院;  成都信息工程大学 软件工程学院;  成都信息工程大学管理学院;  江西师范大学 软件学院;  南宁师范大学 计算机与信息工程学院;  云南大学 信息学院; 

关键词：

LSTM网络;  共享单车系统;  数据场;  单车转移网络;  站点聚类; 

期刊名称：

软件学报

i s s n：

1000-9825

年卷期：

2022 年 33 卷 004 期

页   码：

1451-1476

摘   要：

共享单车系统日益普及,积累了海量的出行轨迹数据.在共享单车系统中,用户的借车和还车行为是随机的,且受天气、时间等动态因素影响,使得共享单车调度不平衡,影响单车用户体验,并给运营商造成巨大经济损失.提出了新型基于站点聚类的共享单车需求预测算法,通过构建单车转移网络计算站点活跃度,充分考虑站点地理位置和单车转移模式因素,基于数据场聚类思想,将距离相近和用车模式相似的站点聚合到一个聚簇中,给出最佳簇中心个数求取方法.充分分析时间和天气因素对站点单车需求的影响,利用皮尔逊相关系数,从真实天气数据中选择相关性最大的天气特征,结合历史聚簇内单车需求量,将其转化为三维向量,利用多特征长短时记忆深度神经网络LSTM(long short-term memory)对向量内的特征信息进行学习和训练,以30分钟为长时间间隔,对每个聚簇内的单车需求量进行预测分析.与传统机器学习算法和当前主流方法进行对比,实验结果表明,所提单车需求模型预测性能得到显著提升.