CN111723990B - 基于双向长短期记忆神经网络的共享单车流量预测方法 - Google Patents
基于双向长短期记忆神经网络的共享单车流量预测方法 Download PDFInfo
- Publication number
- CN111723990B CN111723990B CN202010563853.1A CN202010563853A CN111723990B CN 111723990 B CN111723990 B CN 111723990B CN 202010563853 A CN202010563853 A CN 202010563853A CN 111723990 B CN111723990 B CN 111723990B
- Authority
- CN
- China
- Prior art keywords
- data
- shared bicycle
- blstm
- function
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 17
- 230000015654 memory Effects 0.000 title claims abstract description 11
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims 1
- 230000000306 recurrent effect Effects 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 21
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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。
相较于现有技术,本发明具有以下有益效果:本发明方法能够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。
附图说明
图1浮点型数据散点图。
图2枚举型数据直方图。
图3 BLSTM网络结构图。
图4模型实现流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了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。
以下为本发明的具体实现过程。
本发明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。
具体包含以下设计过程:
(1)对原始数据进行探索并分析影响共享单车使用量的各种属性。对原始数据中的哑变量和冗余变量等进行处理,并进行归一化操作,为建模进行数据准备。
(2)对双向长短期记忆(Bi-directional Long Short-term Memory,BLSTM)预测模型进行研究,在此基础上设计并实现了BLSTM预测模型。为了验证模型的性能,选取人工神经网络(Artificial Neural Network,ANN),循环神经网络(Recurrent NeuralNetwork,RNN)以及长短期记忆(Long Short-term Memory,LSTM)网络作为对比模型。
(3)利用平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(MeanAbsolute Percent Error,MAPE)、均方根误差(Root Mean Squared Error,RMSE)和皮尔逊相关系数(PEARSON)评价函数来检验模型的性能并对预测结果进行误差分析。
以下为具体技术方案:
1、可视化分析:
原始数据是从UCI机器学习库中获取的数据集Bike Sharing Dataset Data Set。其中具有两份数据,一份是以天为单位进行统计的共享单车租赁量数据,一份是以小时为单位进行统计的共享单车租赁量数据。实验使用的数据为以小时为单位进行统计的数据。本发明使用Pandas库中的函数导入数据,该数据的数据类型存在着整型,浮点型以及枚举型。本发明使用matplotlib库中的plot函数绘制租赁量和各个属性的关系图,对数据进行可视化分析,从而挖掘出各属性对租赁量的影响程度。如图1所示,在天气温度、体表温度、湿度散点图中,边缘处存在稀疏点,但全部数据点大都聚集于某个界限中;在风速散点图中可以看出,风速越大,单车租赁量越少。如图2所示,季节直方图显示共享单车租赁数量在秋天时最多;天气类别直方图体现了人们更愿意在天气晴朗的时候租借共享单车;从月份直方图可以看出4-9月共享单车租赁数量较多;小时直方图显示下午时间段共享单车租赁人数相对较多,凌晨共享单车租赁人数最少,而人们在上班高峰时间段的单车租赁量达到最高。
2、数据预处理:
根据可视化分析的结果,对各个影响共享单车租赁量的属性进行处理。本发明采用dropna函数对缺失数据进行清洗,即一条记录如有缺失属性,则删除整条记录,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,最后使用drop删除原本数据中的哑变量属性以及对于训练不起任何作用的变量。将预处理后得到的60个属性都作为特征属性,将共享单车租赁量作为目标属性。由于租赁量、临时用户数、注册用户数等属性取值范围从零到几百不等,为了提高模型的精度且加快收敛速度,本发明采用归一化函数,将数据装换成无量纲数据,压缩到0到1之间。归一化函数公式如下。
其中,x表示原始数据,min、max分别表示此属性数据中的最小值和最大值,x*表示归一化之后的无量纲数据。
3、BLSTM神经网络的设计:
作为一种时间循环神经网络,LSTM适宜对时间序列内间隙和延误相应比较大的事项进行预测和处理。LSTM中存在一个鉴定信息是否有效的“处理器”,叫做cell。一个cell中包含输入门、遗忘门和输出门。LSTM得到一个信息后,按照规则判定其有效与否,契合算法认证的将被保留,不相合的将经过遗忘门丢弃。
(1)细胞状态(Ct)
Ct表示t时刻的记忆内容,用来存储关键内容。细胞状态是LSTM的核心,如同传送带一般贯通整个细胞,只存在少量的分支,保障信息不变地穿过整个网络。
(2)遗忘门
首先确定细胞状态应该遗忘哪些内容,这一步操作是利用遗忘门的Sigmoid单元实现的。遗忘门操纵忘记上个时刻细胞状态Ct-1的信息,运用Sigmoid激活函数,以上个时刻的隐藏状态ht-1和本时刻的xt作为输入,输出一个0~1之间的向量表示Ct-1中需要留下和遗忘的信息量。
ft=σ(Wf·[ht-1,xt]+bf)
(3)输入门
其次确定细胞状态应该增添哪些新的内容。输入门对此刻的输入进行处理,然后决断需要更新的内容,最后进行细胞状态的更新。此操作分为两个步骤,首先通过含有Sigmoid层的输入门确定细胞状态需要增添哪些新信息,然后把新信息变换为进入细胞状态所需的形式。其次运用Tanh函数形成新的候选细胞信息
it=σ(Wi·[ht-1,xt]+bi)
(4)输出门
最后考虑细胞状态保留的内容决定细胞的哪些状态特征作为输出,即有取舍地输出细胞状态保留的信息。首先通过输出门的Sigmoid层判断需要输出的内容,其次再经过Tanh层处理细胞状态的内容获得一个值处在-1~1之间的向量,把它们相乘以获得最后的输出。
ot=σ(Wo·[ht-1,xt]+bo)
图3所示为BLSTM网络结构,输出层联结着向前隐藏层和向后隐藏层,其中含有共享权值w1-w6。在输入序列的所有时间步长可用的问题中,BLSTM在输入序列上训练两个而不是一个LSTM。输入序列中的第一个是原样的,第二个是输入序列的反转副本。这可以为网络提供额外的上下文,进行更快、更充分的学习。
在向前隐藏层由时刻1到时刻t正向算一次,获得各个时刻向前隐藏层的输出并将其保存。在向后隐藏层从时刻t到时刻1反向算一次,获取各个时刻向后隐含层的输出并保留。最终于各个时刻将向前隐藏层和向后隐藏层的对应时刻输出的结果相结合从而计算出最后的输出,数学公式表示为:
ht=f(w1xt+w2ht-1)
h′t=f(w3xt+w5h′t+1)
ot=g(w4ht+w6h′t)
其中,ht为t-1时刻隐藏层的正向输出,h′t为t+1时刻隐藏层的反向输出,ot为t时刻最终的输出,f为嵌套LSTM单元函数,g为Relu函数,w1-w6为对应的权重矩阵。
4、BLSTM模型参数的设计:
在构建BLSTM预测模型时,首先构建嵌套LSTM神经单元,然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络。
(1)输入层设置:由于特征属性数量为60,设置输入的形状为(t,60),t为时间步长。
(2)输出层设置:输出层采用全连接的层,由于目标属性数量为1,设置输出维度为1。
(3)隐藏层设置:利用双向层包装LSTM隐藏层,构造两个隐藏层的副本,一个为原本的输入序列,另一个为输入序列反转后的副本,然后连接LSTM的输出。设置两层BLSTM层,每层的神经元个数都为120。
(4)激活函数设置:常用的激活函数有Sigmoid和Tanh函数,然而这两个函数在两端的导数值为零,会导致梯度消失的现象。于是本发明采用Relu函数作为网络的激活函数,其计算公式如下:
Relu=max(0,x)
相比于Sigmoid和Tanh函数,Relu函数形式更加简单,当x取值低于0的时候,函数值恒为0,神经元不会被激活;当x取值大于0的时候,函数则是一个一次函数。因此,在Relu的作用下,只有部分神经元被激活,促使网络的稀疏性,便于网络的训练。简单的结构使得Relu具有更快的收敛速度且有效的避免了梯度消失问题。
(5)损失函数设置:为了使模型的预测值能够更加接近真实值,采用均方误差作为预测模型的损失函数,其数学表达式如下:
(6)选择合并模式,即在传递到下一层前,组合正向和反向输出的模式。BLSTM层的输出能够采取四种合并模式进行组合:
①sum:输出相加。
②mul:输出相乘。
③concat:输出的连接。
④ave:输出的平均值。
四种合并模式将会产生不一样的模型性能,依照具体序列的预测问题各有差别。由于是进行回归预测,最终只有1个输出,因此本发明采用ave模式。
5、模型的训练和实现:
(1)设置神经网络学习目标:学习目标为最小平方误差、优化方法为adma、评量指针为平均绝对误差。
(2)设置训练参数:迭代次数为200次,一次训练所选取的样本数为16,隐层结点个数为120。
(3)将预处理后得到的新数据集以8:2的比例划分为训练集和测试集,将每十二条数据作为输入,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模型。
(4)在训练时,显示训练过程、训练错误率和神经网络权重,训练结束后用plot函数绘制预测结果图。
(5)将测试数据集代入模型进行预测,并取得预测结果。
具体流程图如图4所示。
6、数据反归一化处理:
为了加快模型的收敛速度,并且提高模型的精度,在数据预处理阶段采用了归一化,将待处理数据统一映射到0~1内进行操作。因此,需要采用反归一化的方式,将数据还原成原本的量纲,以便于后续进行预测结果分析。计算公式如下:
y=x*(max-min)+min
其中,y为反归一化后的数据。
7、评价指标的设计:
为了验证本发明的有效性,利用平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percent Error,MAPE)、均方根误差(Root Mean SquaredError,RMSE)来检验模型的性能并对预测结果进行误差分析,利用皮尔逊相关系数(PEARSON)来评估预测数据集和原始数据集的线性相关程度。计算公式如下所示。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (3)
1.一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,其特征在于,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,对共享单车租赁量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,构建双向长短期记忆神经网络BLSTM预测模型,预测未来时间段的共享单车流量数据;
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函数进行哑变量处理,然后使用concat函数将共享单车租赁量数据与处理完的数据进行拼接,再而使用drop函数删除共享单车租赁量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;
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,按照每次将时间向后平移一个小时的规律扩充训练集用以训练时间步长为12的BLSTM预测模型,再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;
BLSTM预测模型采用BLSTM神经网络构建,BLSTM神经网络中输出层联结着向前隐藏层和向后隐藏层;在向前隐藏层由时刻1到时刻t正向算一次,获得各个时刻向前隐藏层的输出并将其保存;在向后隐藏层从时刻t到时刻1反向算一次,获取各个时刻向后隐藏层的输出并保留;最终于各个时刻将向前隐藏层和向后隐藏层的对应时刻输出的结果相结合从而计算出最后的输出,数学公式表示为:
ht=f(w1xt+w2ht-1)
ht′=f(w3xt+w5ht′+1)
ot=g(w4ht+w6ht′)
其中,ht为t时刻向前隐藏层的正向输出,ht′为t时刻向后隐藏层的反向输出,ot为t时刻最终的输出,f为嵌套LSTM单元函数,g为Relu函数,w1-w6为对应的权重矩阵;
在构建BLSTM预测模型时,首先构建嵌套LSTM单元,然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络;
(1)输入层设置:由于特征属性数量为60,设置输入的形状为(t,60),t为时间步长,其中特征属性即对共享单车租赁量影响的属性;
(2)输出层设置:输出层采用全连接的层,由于目标属性数量为1,设置输出维度为1,其中目标属性即共享单车租赁量;
(3)隐藏层设置:利用双向层包装LSTM隐藏层,构造两个隐藏层的副本,一个为原本的输入序列,另一个为输入序列反转后的副本,然后连接LSTM的输出;设置两层BLSTM层,每层的神经元个数都为120;
(4)激活函数设置:采用Relu函数作为网络的激活函数,其计算公式如下:
Relu=max(0,x)
(5)损失函数设置:采用均方误差作为BLSTM预测模型的损失函数,其数学表达式如下:
(6)选择合并模式,即在传递到下一层前,组合正向和反向输出的模式;BLSTM预测模型的输出采取ave模式进行组合;
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;
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。
2.根据权利要求1所述的基于双向长短期记忆神经网络的共享单车流量预测方法,其特征在于,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。
3.根据权利要求1所述的基于双向长短期记忆神经网络的共享单车流量预测方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563853.1A CN111723990B (zh) | 2020-06-19 | 2020-06-19 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563853.1A CN111723990B (zh) | 2020-06-19 | 2020-06-19 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723990A CN111723990A (zh) | 2020-09-29 |
CN111723990B true CN111723990B (zh) | 2023-04-18 |
Family
ID=72567621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010563853.1A Active CN111723990B (zh) | 2020-06-19 | 2020-06-19 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723990B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734101B (zh) * | 2021-01-04 | 2022-06-03 | 北京瀚文智远信息技术有限公司 | 一种基于用车需求预测的共享单车智能调配方法 |
CN113762608A (zh) * | 2021-08-26 | 2021-12-07 | 同济大学 | 风电场故障风速传感器风速预测方法、装置及存储介质 |
CN115660168A (zh) * | 2022-10-25 | 2023-01-31 | 东南大学 | 一种考虑短时车流量的高速公路收费站车道配置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110348601A (zh) * | 2019-06-06 | 2019-10-18 | 华南理工大学 | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 |
CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
-
2020
- 2020-06-19 CN CN202010563853.1A patent/CN111723990B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110348601A (zh) * | 2019-06-06 | 2019-10-18 | 华南理工大学 | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 |
CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于使用行为分析的共享单车管理优化研究;傅哲等;《信息系统学报》;20200331(第02期);第92-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111723990A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723990B (zh) | 基于双向长短期记忆神经网络的共享单车流量预测方法 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
CN106295874B (zh) | 基于深信度网络的交通流参数预测方法 | |
CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
CN111191841A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN111178611B (zh) | 一种日电量预测的方法 | |
CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
CN110162744B (zh) | 一种基于张量的车联网数据缺失多重估计新方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN114358192B (zh) | 一种多源异构滑坡数据监测融合方法 | |
CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
Aidan et al. | Predicting earned value indexes in residential complexes’ construction projects using artificial neural network model | |
CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN114511154A (zh) | 一种基于时空复杂图卷积网络的交通流预测方法 | |
CN116049649A (zh) | 车辆行驶路况和工况识别方法、装置和计算机设备 | |
CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
CN116306277A (zh) | 一种滑坡位移预测方法、装置及相关组件 | |
Gupta et al. | Time series analysis of forecasting Indian rainfall |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |