CN112734101B - 一种基于用车需求预测的共享单车智能调配方法 - Google Patents
一种基于用车需求预测的共享单车智能调配方法 Download PDFInfo
- Publication number
- CN112734101B CN112734101B CN202110003768.4A CN202110003768A CN112734101B CN 112734101 B CN112734101 B CN 112734101B CN 202110003768 A CN202110003768 A CN 202110003768A CN 112734101 B CN112734101 B CN 112734101B
- Authority
- CN
- China
- Prior art keywords
- grid
- training data
- demand
- dispatcher
- vehicle
- 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 25
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000032258 transport Effects 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用车需求预测的共享单车智能调配方法,涉及共享单车需求预测调度技术领域,包括以下步骤:对共享单车运营区域进行栅格划分,获取每个栅格N天的训练数据,对数据进行标准化,将每天的数据以Δt(Δt≠0)分钟为一个时间片进行划分,输入至LSTM中完成栅格内单车需求量的预测,为使栅格单车供需均衡,调度员成本最低构造目标整数规划模型,输出每个调度员从哪个栅格将多少量单车运送到哪个栅格。本发明相比于一般的仅运用当前扫码人数来得到实时需求量的方法,本模型得到精准预测结果,从而使调度员提前进行调度,满足了用户用车需求,提高了共享单车企业的公众评价与市场竞争力。
Description
技术领域
本发明涉及共享单车需求预测调度技术领域,具体来说,涉及一种基于用车需求预测的共享单车智能调配方法。
背景技术
共享单车因为其便捷环保、经济节能、潮流时尚等优点,逐渐被广泛运用于上下班、高校出行、娱乐休闲、骑行社交等广泛领域。但是随着企业资本的投入,用户的增多,共享单车运营所面临的一些问题也逐渐浮现出来。用户骑完共享单车停靠后,会致使单车需求量高的地点单车减少,单车需求量少的地点单车反而会增多,如果不对单车进行及时调配,对单车用户来说,单车需求量无法满足,用户会时常陷入想骑车但找不到车的境地;对于企业来说,共享单车资源会有大量浪费,影响单车运营企业营收。
因此,亟需在准确评估共享单车用车需求的前提下,设计对于共享单车的科学高效调配方法工具。这样不仅能够提高单车的使用效率,同时,相比于传统的盲目调配,或凭调度员主观经验调配的方法,调度的效率会更高,同时调度的成本,包括调度距离的成本和调度员装卸共享单车的成本会更低,从而提高共享单车企业的公众评价与市场竞争力。
检索中国发明专利CN107122862 A公开了共享单车综合调配方法,包括以下步骤:对每个共享单车进行编号,从计费系统中匹配共享单车编号及其使用时间;建立一个云端数据库,储存所有的共享单车编号和对应的使用时间;在每一个单车停放区域建立区域数据库,储存该区域共享单车编号和对应的使用时间;建立共享单车与区域数据库的连接;建立云端数据库与区域数据库的连接;对每个区域数据库中的数据依据使用时间进行排序;当有用户在单车停放区域进行租车时,优选使用时间较短的单车供用户使用。使每一辆共享单车的磨损程度相近,便于统一维护;有助于对单车的使用状况进行有效的统计。但其仍存在调度效率低且调度不合理,具有一定局限性的问题。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于用车需求预测的共享单车智能调配方法,通过使用长短期记忆人工神经网络(LSTM),结合天气、季节、风速、温度、栅格内超市的数量、栅格内地铁站的数量、栅格内poi的数量、栅格内小区数量、是否是上班高峰期、是否是下班高峰期、是否是三餐时间、是否是工作日这些影响因素,得到不同时间不同栅格的单车需求量。根据预测出的单车需求量,结合调度员位置,不同栅格运送单车调度成本,得到一种使得共享单车供需均衡,调度员调度成本最低的模型,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
一种基于用车需求预测的共享单车智能调配方法,包括以下步骤:
步骤S1,对共享单车运营区域进行栅格划分;
步骤S2,获取每个栅格N天的训练数据;
步骤S3,对数据进行标准化;
步骤S4,将每天的数据以Δt(Δt≠0)分钟为一个时间片进行划分;
步骤S5,输入至LSTM中完成栅格内单车需求量的预测;
步骤S6,为使栅格单车供需均衡,调度员成本最低构造目标整数规划模型;
步骤S7,输出每个调度员从哪个栅格将多少量单车运送到哪个栅格。
其中,步骤所述对共享单车运营区域进行栅格划分,包括对共享单车运营区域划分为m×m的栅格图g,标定每个栅格gpq poi的数量poipq,标定每个栅格gpq内小区的数量copq。
其中,还包括获取数据信息,其中包括,当前季节ss、当前天气w、降水量re、当前风速ws、当前温度tem、当前是否是上班高峰期isW、当前是否是下班高峰期isA、当前是否是三餐时间isM和当前是否是工作日isWo;
对获取的数据进行处理,包括:
对训练数据集的季节变量s进行标准化,表示为:
对训练数据集的天气变量w进行标准化,表示为:
对训练数据集的降水量r进行标准化,表示为:
其中,μ(re)为所有训练数据样本降水量的均值,σ(re)为所有训练数据样本降水量的标准差;
对训练数据集的风速ws进行标准化,表示为:
其中,μ(ws)为所有训练数据样本风速的均值,σ(ws)为所有训练数据样本风速的标准差;
对训练数据集的温度temperature进行标准化,表示为:
其中,μ(tem)为所有训练数据样本温度的均值,σ(tem)为所有训练数据样本温度的标准差;
对训练数据集的poi数量poi进行标准化,表示为:
对训练数据集的小区数量co进行标准化,表示为:
其中,步骤所述输入至LSTM中完成栅格内单车需求量的预测,包括以下步骤:
将获取的采集信息和单车需求量划分为训练数据集和测试数据集;
将训练数据集按照Δt(Δt≠0)分钟的间隔将一天分为T个时间段;
将每一个时间段的训练样本数据与附近num个栅格的输出并使用CNN 降维后的数据一并作为LSTM的输入;
获取每个栅格的需求预测值。
其中,标定目标整数规划模型,表示为:
本发明的有益效果:
1、本发明获取共享单车需求量预测模型,通过对共享单车运营区域进行了栅格化划分,结合天气、季节、降水量、风速、温度、栅格内超市的数量、栅格内地铁站的数量、栅格内poi的数量、栅格内小区数量、是否是上班高峰期、是否是下班高峰期、是否是三餐时间、是否是工作日这些影响因素,使用 LSTM建立单车需求量预测模型,相比于一般的仅运用当前扫码人数来得到实时需求量的方法,本模型得到精准预测结果,从而使调度员提前进行调度,满足了用户用车需求,提高了共享单车企业的公众评价与市场竞争力。
2、本发明根据前面得到的每一个栅格的单车需求量,与当前栅格拥有的单车量进行对比,然后考虑调度员位置,为减少调度员从单车冗余栅格送到单车需求栅格的距离成本和调度员装卸单车的体力成本构建了一个优化调度模型,根据此模型便可以知道哪个调度员从哪个单车冗余栅格运送到哪个单车需求栅格,从而达到调度成本最低的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于用车需求预测的共享单车智能调配方法的流程示意图一;
图2是根据本发明实施例的一种基于用车需求预测的共享单车智能调配方法的流程示意图二;
图3是根据本发明实施例的一种基于用车需求预测的共享单车智能调配方法的栅格单车需求量预测模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于用车需求预测的共享单车智能调配方法。
如图1-图3所示,根据本发明实施例的基于用车需求预测的共享单车智能调配方法,包括以下步骤:
步骤S1,对共享单车运营区域进行栅格划分;
步骤S2,获取每个栅格N天的训练数据;
步骤S3,对数据进行标准化;
步骤S4,将每天的数据以Δt(Δt≠0)分钟为一个时间片进行划分;
步骤S5,输入至LSTM中完成栅格内单车需求量的预测;
步骤S6,为使栅格单车供需均衡,调度员成本最低构造目标整数规划模型;
步骤S7,输出每个调度员从哪个栅格将多少量单车运送到哪个栅格。
借助于上述技术方案,通过
具体的,如图2-图3所示,包括以下步骤:
步骤一、数据获取:
首先对共享单车运营区域划分为m×m的栅格图g;使用爬虫技术对一下数据进行获取:当前季节ss(0代表春,1代表夏,2代表秋,3代表冬),当前天气w(晴、多云、阴、雨、雪、冰雹、浮尘、扬沙、强沙尘暴、霾),降水量re,当前风速ws,当前温度tem,当前是否是上班高峰期isW,当前是否是下班高峰期isA,当前是否是三餐时间isM,当前是否是工作日isWo,每一个栅格gpq(1≤p,q≤m)poi的数量poipq(1≤p,q≤m),每一个栅格 gpq(1≤p,q≤m)内小区的数量copq(1≤p,q≤m)数据。
步骤二、对步骤一中的数据进行处理:
对训练数据集的季节变量s进行标准化如下:
对训练数据集的天气变量w进行标准化如下:
对训练数据集的降水量r进行标准化如下:
其中,μ(re)为所有训练数据样本降水量的均值,σ(re)为所有训练数据样本降水量的标准差。
对训练数据集的风速ws进行标准化如下:
其中,μ(ws)为所有训练数据样本风速的均值,σ(ws)为所有训练数据样本风速的标准差。
对训练数据集的温度temperature进行标准化如下:
其中,μ(tem)为所有训练数据样本温度的均值,σ(tem)为所有训练数据样本温度的标准差。
对训练数据集的poi数量poi进行标准化如下:
对训练数据集的小区数量co进行标准化如下:
步骤三、栅格单车需求量预测模型构建:
将步骤二归一化后的历史数据和单车需求量划分为训练数据集和测试数据集;
将训练数据集按照Δt(Δt≠0)分钟的间隔将一天分为T个时间段,将每一个时间段的训练样本数据与附近num个栅格的输出并使用CNN降维后的数据一并作为LSTM的输入。
如图3所示,xt为当前时刻的训练数据,ht-1为上一个状态传递下来的输出,ht为给下一个cell传递的一部分输入,ct-1为上一个cell的状态,ct为当前cell的状态,zf(f表示forget)是忘记门控,来对上一个状态的ct-1进行取舍,选择性门控zi主要是会对输入xt进行选择记忆,记忆重要的,不重要的少记忆一些;z是通过tanh激活函数将结果转换成到-1到1;zo用来控制输出,并对上一个状态ct-1进行转换;yt是当前时刻输出,是通过 ht变化得到的,W是权重矩阵,σ是sigmoid激活函数,☉为乘操作。有如下关系:
ct=zf☉ct-1+zi☉z
ht=zo☉tanh(ct)
yt=σ(Wht)
由此便可以得到每一个栅格的需求预测值。
步骤四、单车优化调度模型:
每一个栅格gridpq,(1≤p,q≤m)对共享单车的需求数量为 gridNpq,(1≤p,q≤m),每一个栅格gridpq,(1≤p,q≤m)拥有单车的数量为gridHpq,(1≤p,q≤m),我们需要使共享单车供需均衡,即此目标为:
当前共享单车的调度员数量为n,每一个调度员装卸一辆单车所需要的体力为st,每一个调度员的位置为diloc,(1≤i≤n),每一个调度员di,(1≤ i≤n)从栅格gridpq,(1≤p,q≤m)送到栅格gridrs,(1≤r,s≤m),((p- r)2+(q-s)2>0),(后面的平方和约束表示不能在当前栅格送往当前栅格),此次送的数量为
令
其约束有:
gridNrs>0,(1≤r,s≤m),gridHpq>0,(1≤p,q≤m)是要保证是从有单车的地方运到缺少单车的地方;
gridHrs-gridNrs<0,(1≤r,s≤m),gridHpq-gridNpq<0,(1≤ p,q≤m)是要被运送的栅格的单车拥有量无法满足当前栅格的单车需求量,运送栅格的单车拥有量可以保证当前栅格的单车需求量;
可以写为如下的多目标整数规划模型:
此多目标整数规划问题,可以先分别求两个单目标整数规划问题:
与
先求得第一个单目标的整数规划问题得到最优解为X1,最优值为op1,得到第二个单目标的整数规划问题得到的最优解为X2,最优值为op2;若X1= X2,那么此相等的最优解即为多目标规划的最优解;若X1≠X2,那么构造如下评价函数:
可得一个新的整数规划问题:
对此问题进行整数规划求解,即可得到最优解。
综上所述,借助于本发明的上述技术方案,可实现如下效果:
1、本发明获取共享单车需求量预测模型,通过对共享单车运营区域进行了栅格化划分,结合天气、季节、降水量、风速、温度、栅格内超市的数量、栅格内地铁站的数量、栅格内poi的数量、栅格内小区数量、是否是上班高峰期、是否是下班高峰期、是否是三餐时间、是否是工作日这些影响因素,使用 LSTM建立单车需求量预测模型,相比于一般的仅运用当前扫码人数来得到实时需求量的方法,本模型得到精准预测结果,从而使调度员提前进行调度,满足了用户用车需求,提高了共享单车企业的公众评价与市场竞争力。
2、本发明根据前面得到的每一个栅格的单车需求量,与当前栅格拥有的单车量进行对比,然后考虑调度员位置,为减少调度员从单车冗余栅格送到单车需求栅格的距离成本和调度员装卸单车的体力成本构建了一个优化调度模型,根据此模型便可以知道哪个调度员从哪个单车冗余栅格运送到哪个单车需求栅格,从而达到调度成本最低的目的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于用车需求预测的共享单车智能调配方法,其特征在于,包括以下步骤:
对共享单车运营区域进行栅格划分;
获取每个栅格N天的训练数据;
对数据进行标准化;
将每天的数据以Δt(Δt≠0)分钟为一个时间片进行划分;
输入至LSTM中完成栅格内单车需求量的预测;
为使栅格单车供需均衡,调度员成本最低构造目标整数规划模型;
输出每个调度员从哪个栅格将多少量单车运送到哪个栅格;
其中,步骤所述对共享单车运营区域进行栅格划分,包括对共享单车运营区域划分为m×m的栅格图g,标定每个栅格gpq poi的数量poipq,标定每个栅格gpq内小区的数量copq;
还包括获取数据信息,其中包括,当前季节ss、当前天气w、降水量re、当前风速ws、当前温度tem、当前是否是上班高峰期isW、当前是否是下班高峰期isA、当前是否是三餐时间isM和当前是否是工作日isWo;
对获取的数据进行处理,包括:
对训练数据集的季节变量s进行标准化,表示为:
对训练数据集的天气变量w进行标准化,表示为:
对训练数据集的降水量r进行标准化,表示为:
其中,μ(re)为所有训练数据样本降水量的均值,σ(re)为所有训练数据样本降水量的标准差;
对训练数据集的风速ws进行标准化,表示为:
其中,μ(ws)为所有训练数据样本风速的均值,σ(ws)为所有训练数据样本风速的标准差;
对训练数据集的温度temperature进行标准化,表示为:
其中,μ(tem)为所有训练数据样本温度的均值,σ(tem)为所有训练数据样本温度的标准差;
对训练数据集的poi数量poi进行标准化,表示为:
对训练数据集的小区数量co进行标准化,表示为:
步骤所述输入至LSTM中完成栅格内单车需求量的预测,包括以下步骤:
将获取的采集信息和单车需求量划分为训练数据集和测试数据集;
将训练数据集按照Δt(Δt≠0)分钟的间隔将一天分为T个时间段;
将每一个时间段的训练样本数据与附近num个栅格的输出并使用CNN降维后的数据一并作为LSTM的输入;
获取每个栅格的需求预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110003768.4A CN112734101B (zh) | 2021-01-04 | 2021-01-04 | 一种基于用车需求预测的共享单车智能调配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110003768.4A CN112734101B (zh) | 2021-01-04 | 2021-01-04 | 一种基于用车需求预测的共享单车智能调配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734101A CN112734101A (zh) | 2021-04-30 |
CN112734101B true CN112734101B (zh) | 2022-06-03 |
Family
ID=75589511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110003768.4A Active CN112734101B (zh) | 2021-01-04 | 2021-01-04 | 一种基于用车需求预测的共享单车智能调配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734101B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313317B (zh) * | 2021-06-11 | 2024-04-12 | 哈尔滨工业大学 | 一种基于inla算法的共享单车使用需求预测方法及预测系统 |
CN113688897B (zh) * | 2021-08-20 | 2023-07-25 | 深圳技术大学 | 一种共享单车全自动拆卸方法、智能终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596727A (zh) * | 2018-04-26 | 2018-09-28 | 重庆邮电大学 | 一种共享单车的管理与决策方法 |
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN111723990A (zh) * | 2020-06-19 | 2020-09-29 | 福州大学 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8386285B2 (en) * | 2011-05-25 | 2013-02-26 | International Business Machines Corporation | Demand modeling and prediction in a retail category |
-
2021
- 2021-01-04 CN CN202110003768.4A patent/CN112734101B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596727A (zh) * | 2018-04-26 | 2018-09-28 | 重庆邮电大学 | 一种共享单车的管理与决策方法 |
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN111723990A (zh) * | 2020-06-19 | 2020-09-29 | 福州大学 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734101A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107370170B (zh) | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
CN112734101B (zh) | 一种基于用车需求预测的共享单车智能调配方法 | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
WO2017063356A1 (zh) | 代驾订单预测方法和代驾运力调度方法 | |
CN111160430A (zh) | 一种基于人工智能算法的水资源优化配置方法 | |
CN110956329B (zh) | 基于分布式光伏与电动汽车时空分布的负荷预测方法 | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
CN109934382B (zh) | 一种基于轴幅式布局的多级地铁货运网络系统及建构方法 | |
CN109636008B (zh) | 一种电动公交快充站服务费定价获取方法 | |
CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
CN106096773A (zh) | 一种电动汽车充当储能的多目标优化调度方法 | |
CN106022538B (zh) | 基于k均值聚类改进广义天气的光伏发电预测方法 | |
CN111552913A (zh) | 一种新线接入条件下城市轨道交通运能匹配性评价方法 | |
CN109858858A (zh) | 一种地下物流网络节点分级与选址系统及方法 | |
CN110689155B (zh) | 一种考虑拥堵和排放的集卡预约系统多约束调度方法 | |
CN110071502A (zh) | 一种短期电力负荷预测的计算方法 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
CN111667090A (zh) | 一种基于深度置信网络与权值共享的负荷预测方法 | |
CN105800400A (zh) | 一种优化电梯调度管理的方法 | |
CN115860351A (zh) | 一种确定高耗能企业节能减排目标的方法及系统 | |
CN115496301A (zh) | 一种面向国土空间规划的土地利用与交通协同评价方法 | |
CN113947287A (zh) | 一种电动公交区域调度方法及其系统 | |
CN113592419A (zh) | 考虑客流和节能的轨道交通快慢车时刻表优化方法 |
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 |