CN113191560B - 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 - Google Patents
一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 Download PDFInfo
- Publication number
- CN113191560B CN113191560B CN202110502533.XA CN202110502533A CN113191560B CN 113191560 B CN113191560 B CN 113191560B CN 202110502533 A CN202110502533 A CN 202110502533A CN 113191560 B CN113191560 B CN 113191560B
- Authority
- CN
- China
- Prior art keywords
- model
- shared bicycle
- sgm
- sequence
- short
- 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 31
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 230000001932 seasonal effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000009825 accumulation Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统，基于共享单车原始骑行数据，建立季节性GM(1,1)模型(SGM(1,1)模型)，得出初始共享单车短时需求预测值；利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；基于MatlabR2020b制作共享单车短时需求预测可视化系统。本发明首先基于共享单车原始骑行数据，建立SGM(1,1)模型，得出初始共享单车短时需求预测值；然后利用Markov模型对SGM(1,1)模型的残差进行改进，根据新信息优先原理选择残差序列，利用状态区间中值的期望对初始预测值的残差进行修正，提高了模型的预测精度；最后将所得结果以可视化系统的方式呈现，有利于提高模型的运算效率，从而为实际的共享单车短时需求预测提供准确高效的参考。
Description
技术领域
本发明涉及共享单车预测方法技术领域，尤其涉及一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统。
背景技术
在共享经济的发展下，共享单车出现在了城市的大街小巷，绿色、低碳和健康的自行车出行方式正在被居民普遍接受。共享单车系统能够有效解决用户短途出行问题，是城市交通系统中的重要组成部分。准确的共享单车需求预测可以为共享单车运营部门和交通管理部门提供有效的决策支持，从而提高共享单车系统的运行效率。目前，已有大量共享单车需求预测研究，如基于机器学习的预测方法，主要包括：神经网络模型、深度学习模型、遗传算法、随机森林算法、支持向量机算法等，这些方法通常可以结合多种因素包括温度、节假日、气候以及环境等来预测共享单车需求量，但是模型的可解释性差，计算效率低；基于概率统计理论的预测方法，主要包括：贝叶斯网络、马尔可夫模型等，这类方法对于随机性较强的共享单车需求预测效果较好，但不适合中长期预测；基于线性理论的预测模型，对原始数据的要求较高，在预测非线性和波动性较高的共享单车需求时，精度较差；基于非线性理论的预测模型，在共享单车需求预测领域应用较少，还有待继续研究。
发明内容
基于背景技术存在的问题，本发明提出了一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统。
本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统，包括以下步骤：
S1、基于共享单车原始骑行数据，建立季节性GM(1,1)模型(SGM(1,1)模型)，得出初始共享单车短时需求预测值；
S2、利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；
S3、基于Matlab R2020b制作共享单车短时需求预测可视化系统。
其特征在于，步骤S1具体包括：
基于共享单车骑行数据建立初始非负序列，记为
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
其中，x(0)为初始共享单车需求序列，x(0)(k)为历史共享单车需求数据，x(0)(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；
对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子(CTAGO)得到新的序列：
y(0)＝(y(0)(1),y(0)(2),…,y(0)(r)),r＝1,2,…,n-q+1；
其中，
对新的序列y(0)进行一次累加操作生成的1-AGO序列为：
y(1)＝(y(1)(1),y(1)(2),…,y(1)(n))；
其中，
SGM(1,1)模型的基本形式可定义为：
y(0)(k)+az(1)(k)＝b；
其中，参数a,b由最小二乘法求解得：
p＝(a,b)T＝(BTB)-1BTY；
SGM(1,1)模型的时间响应序列为：
将进行一次累减得到：
将还原后得到初始共享单车短时需求预测值：
其特征在于，步骤S2具体包括：
由初步预测结果得到残差序列
ε(0)＝(ε(0)(1),…,ε(0)(n))；
其中，k为第k个预测数据，n为预测数据的个数；
将残差序列划分为s个状态，记作E＝{E1,E2,…,Es}；
计算状态转移概率矩阵：
其中， 分别表示状态Ei经过m步转移到状态Ej的概率和次数，Mi为状态Ei出现的次数；
根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵。对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p1,…,ps]，通过加权平均得到修正的残差值
其中，νi为Ei状态区间的中心，即两端点的平均值；
得到最终预测值
其特征在于，步骤S3具体包括：
基于Matlab R2020b制作图形用户界面(GUI)，在Command里面输入guide进入GUIDE，新建GUI；在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件，然后使用属性编辑器来设置属性；编辑回调函数CallBack；调用改进SGM(1,1)模型的函数；运行程序可以将运算结果和图像反馈在可视化系统上。
本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测系统，包括：
模型构建模块，用于基于初始共享单车需求序列建立SGM(1,1)模型，得出初始共享单车短时需求预测值；
残差改进模块，用于利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；
创建GUI模块，用于制作共享单车短时需求预测可视化系统。
优选地，所述模型构建模块具体用于：
基于共享单车骑行数据建立初始非负序列，记为
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
其中，x(0)为初始共享单车需求序列，x(0)(k)为历史共享单车需求数据，x(0)(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；
对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子(CTAGO)得到新的序列：
y(0)＝(y(0)(1),y(0)(2),…,y(0)(r)),r＝1,2,…,n-q+1；
其中，
对新的序列y(0)进行一次累加操作生成的1-AGO序列为：
y(1)＝(y(1)(1),y(1)(2),…,y(1)(n))；
其中，
SGM(1,1)模型的基本形式可定义为：
y(0)(k)+az(1)(k)＝b；
其中，参数a,b由最小二乘法求解得：
p＝(a,b)T＝(BTB)-1BTY；
SGM(1,1)模型的时间响应序列为：
将进行一次累减得到：
将还原后得到初始共享单车短时需求预测值：
优选地，所述残差改进模块具体用于：
由初步预测结果得到残差序列
ε(0)＝(ε(0)(1),…,ε(0)(n))；
其中，k为第k个预测数据，n为预测数据的个数；
将残差序列划分为s个状态，记作E＝{E1,E2,…,Es}；
计算状态转移概率矩阵：
其中， 分别表示状态Ei经过m步转移到状态Ej的概率和次数，Mi为状态Ei出现的次数；
根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵。对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p1,…,ps]，通过加权平均得到修正的残差值
其中，νi为Ei状态区间的中心，即两端点的平均值；
得到最终预测值
优选地，所述创建GUI模块具体用于：
基于Matlab R2020b制作图形用户界面(GUI)，在Command里面输入guide进入GUIDE，新建GUI；在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件，然后使用属性编辑器来设置属性；编辑回调函数CallBack；调用改进SGM(1,1)模型的函数；运行程序可以将运算结果和图像反馈在可视化系统上。
本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统，首先基于共享单车原始骑行数据，建立SGM(1,1)模型，得出初始共享单车短时需求预测值；然后利用Markov模型对SGM(1,1)模型的残差进行改进，根据新信息优先原理选择残差序列，利用状态区间中值的期望对初始预测值的残差进行修正，提高了模型的预测精度；最后将所得结果以可视化系统的方式呈现，有利于提高模型的运算效率，从而为实际的共享单车短时需求预测提供准确高效的参考。
附图说明
图1为一种改进SGM(1,1)模型的共享单车短时需求预测方法的步骤示意图；
图2为一种改进SGM(1,1)模型的共享单车短时需求预测系统的结构示意图；
图3为一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统的实施实例中原始数据与四种模型的预测结果比较图；
图4为一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统的实施实例中四种模型的预测结果误差比较图；
图5为一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统的可视化系统初始界面图；
图6为一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统的可视化系统运行界面图。
具体实施方式
如图1-图2所示，图1-图2为本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统。
参照图1，本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法，包括以下步骤：
S1、基于共享单车原始骑行数据，建立季节性GM(1,1)模型(SGM(1,1)模型)，得出初始共享单车短时需求预测值；
本实施方式中，步骤S1具体包括：
基于共享单车骑行数据建立初始非负序列，记为
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
其中，x(0)为初始共享单车需求序列，x(0)(k)为历史共享单车需求数据，x(0)(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；
对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子(CTAGO)得到新的序列：
y(0)＝(y(0)(1),y(0)(2),…,y(0)(r)),r＝1,2,…,n-q+1；
其中，
对新的序列y(0)进行一次累加操作生成的1-AGO序列为：
y(1)＝(y(1)(1),y(1)(2),…,y(1)(n))；
其中，
SGM(1,1)模型的基本形式可定义为：
y(0)(k)+az(1)(k)＝b；
其中，参数a,b由最小二乘法求解得：
p＝(a,b)T＝(BTB)-1BTY；
SGM(1,1)模型的时间响应序列为：
将进行一次累减得到：
将还原后得到初始共享单车短时需求预测值：
S2、利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；
本实施方式中，步骤S2具体包括：
由初步预测结果得到残差序列
ε(0)＝(ε(0)(1),…,ε(0)(n))；
其中，k为第k个预测数据，n为预测数据的个数；
将残差序列划分为s个状态，记作E＝{E1,E2,…,Es}；
计算状态转移概率矩阵：
其中， 分别表示状态Ei经过m步转移到状态Ej的概率和次数，Mi为状态Ei出现的次数；
根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵。对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p1,…,ps]，通过加权平均得到修正的残差值
其中，νi为Ei状态区间的中心，即两端点的平均值；
得到最终预测值
S3、基于Matlab R2020b制作共享单车短时需求预测可视化系统。
本实施方式中，步骤S3具体包括：
基于Matlab R2020b制作图形用户界面(GUI)，在Command里面输入guide进入GUIDE，新建GUI；在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件，然后使用属性编辑器来设置属性；编辑回调函数CallBack；调用改进SGM(1,1)模型的函数；运行程序可以将运算结果和图像反馈在可视化系统上。
参照图2，图2为本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测系统，包括：
模型构建模块，用于基于初始共享单车需求序列建立SGM(1,1)模型，得出初始共享单车短时需求预测值；
本实施方式中，所述模型构建模块具体用于：
基于共享单车骑行数据建立初始非负序列，记为
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
其中，x(0)为初始共享单车需求序列，x(0)(k)为历史共享单车需求数据，x(0)(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；
对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子(CTAGO)得到新的序列：
y(0)＝(y(0)(1),y(0)(2),…,y(0)(r)),r＝1,2,…,n-q+1；
其中，
对新的序列y(0)进行一次累加操作生成的1-AGO序列为：
y(1)＝(y(1)(1),y(1)(2),…,y(1)(n))；
其中，
SGM(1,1)模型的基本形式可定义为：
y(0)(k)+az(1)(k)＝b；
其中，参数a,b由最小二乘法求解得：
p＝(a,b)T＝(BTB)-1BTY；
SGM(1,1)模型的时间响应序列为：
将进行一次累减得到：
将还原后得到初始共享单车短时需求预测值：
残差改进模块，用于利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；
本实施方式中，所述残差改进模块具体用于：
由初步预测结果得到残差序列
ε(0)＝(ε(0)(1),…,ε(0)(n))；
其中，k为第k个预测数据，n为预测数据的个数；
将残差序列划分为s个状态，记作E＝{E1,E2,…,Es}；
计算状态转移概率矩阵：
其中， 分别表示状态Ei经过m步转移到状态Ej的概率和次数，Mi为状态Ei出现的次数；
根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵。对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p1,…,ps]，通过加权平均得到修正的残差值
其中，νi为Ei状态区间的中心，即两端点的平均值；
得到最终预测值
创建GUI模块，用于制作共享单车短时需求预测可视化系统。
本实施方式中，所述创建GUI模块具体用于：
基于Matlab R2020b制作图形用户界面(GUI)，在Command里面输入guide进入GUIDE，新建GUI；在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件，然后使用属性编辑器来设置属性；编辑回调函数CallBack；调用改进SGM(1,1)模型的函数；运行程序可以将运算结果和图像反馈在可视化系统上。
本实施方式提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统，首先基于共享单车原始骑行数据，建立SGM(1,1)模型，得出初始共享单车短时需求预测值；然后利用Markov模型对SGM(1,1)模型的残差进行改进，根据新信息优先原理选择残差序列，利用状态区间中值的期望对初始预测值的残差进行修正，提高了模型的预测精度；最后将所得结果以可视化系统的方式呈现，有利于提高模型的运算效率，从而为实际的共享单车短时需求预测提供准确高效的参考。
下面结合实例对本发明做进一步说明：为了评价预测结果，本实施方式采取平均绝对百分比误差(mean absolute percentage error，MAPE)作为评价指标，指标计算公式如下：
MAPE值越小表明模型的精度越高。
将原始数据分别代入传统GM(1,1)模型，灰色Markov模型，SGM(1,1)模型和本实施方式提出的改进SGM(1,1)模型，验证模型精度。在改进SGM(1,1)模型的求解中利用新信息优先原理选取残差序列，考虑到残差序列分布较散，以样本均值和均方差/>为标准，将序列分为5个状态，分别为/>(如表1所示)，相应的状态转移概率矩阵如下：
四个模型的预测结果及平均绝对百分比误差见表1、图3和图4。
表1四种模型预测结果比较
将所得结果以可视化系统的方式呈现，呈现效果见图5和图6。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统，其特征在于，包括以下步骤：
S1、基于共享单车原始骑行数据，建立季节性GM(1,1)模型即SGM(1,1)模型，得出初始共享单车短时需求预测值；
S2、利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；
S3、基于Matlab R2020b制作共享单车短时需求预测可视化系统；
步骤S1具体包括：
基于共享单车骑行数据建立初始非负序列，记为
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
其中，x(0)为初始共享单车需求序列，x(0)(k)为历史共享单车需求数据，x(0)(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；
对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子CTAGO得到新的序列：
y(0)＝(y(0)(1),y(0)(2),…,y(0)(r)),r＝1,2,…,n-q+1；
其中，
对新的序列y(0)进行一次累加操作生成的1-AGO序列为：
y(1)＝(y(1)(1),y(1)(2),…,y(1)(n))；
其中，
SGM(1,1)模型的基本形式定义为：
y(0)(k)+az(1)(k)＝b；
其中，参数a,b由最小二乘法求解得：
p＝(a,b)Τ＝(BΤB)-1BΤY；
SGM(1,1)模型的时间响应序列为：
将进行一次累减得到：
将还原后得到初始共享单车短时需求预测值：
2.根据权利要求1所述的一种改进SGM(1,1)模型的共享单车短时需求预测方法，其特征在于，步骤S2具体包括：
由初步预测结果得到残差序列
ε(0)＝(ε(0)(1),…,ε(0)(n))；
其中，k为第k个预测数据，n为预测数据的个数；
将残差序列划分为s个状态，记作E＝{E1,E2,…,Es}；
计算状态转移概率矩阵：
其中， 分别表示状态Ei经过m步转移到状态Ej的概率和次数，Mi为状态Ei出现的次数；
根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵；对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p1,…,ps]，通过加权平均得到修正的残差值
其中，νi为Ei状态区间的中心，即两端点的平均值；
得到最终预测值
3.根据权利要求2所述的一种改进SGM(1,1)模型的共享单车短时需求预测方法，其特征在于，步骤S3具体包括：
基于Matlab R2020b制作图形用户界面(GUI)，在Command里面输入guide进入GUIDE，新建GUI；在新建窗口中添加静态文本、编辑框、按钮、坐标轴控件，然后使用属性编辑器来设置属性；编辑回调函数CallBack；调用改进SGM(1,1)模型的函数；运行程序将运算结果和图像反馈在可视化系统上。
4.一种改进SGM(1,1)模型的共享单车短时需求预测系统，其特征在于，包括：
模型构建模块，用于基于初始共享单车需求序列建立SGM(1,1)模型，得出初始共享单车短时需求预测值；
残差改进模块，用于利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；
创建GUI模块，用于制作共享单车短时需求预测可视化系统；
模型构建模块用于建立SGM(1,1)模型，残差改进模块用于改进SGM(1,1)模型，创建GUI模块用于将模型运算结果可视化；模型构建模块是残差改进模块的基础，创建GUI模块包含模型构建模块和残差改进模块；
所述模型构建模块具体用于：
基于共享单车骑行数据建立初始非负序列，记为
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；
其中，x(0)为初始共享单车需求序列，x(0)(k)为历史共享单车需求数据，x(0)(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；
对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子CTAGO得到新的序列：
y(0)＝(y(0)(1),y(0)(2),…,y(0)(r)),r＝1,2,…,n-q+1；
其中，
对新的序列y(0)进行一次累加操作生成的1-AGO序列为：
y(1)＝(y(1)(1),y(1)(2),…,y(1)(n))；
其中，
SGM(1,1)模型的基本形式可定义为：
y(0)(k)+az(1)(k)＝b；
其中，参数a,b由最小二乘法求解得：
p＝(a,b)Τ＝(BΤB)-1BΤY；
SGM(1,1)模型的时间响应序列为：
将进行一次累减得到：
将还原后得到初始共享单车短时需求预测值：
5.根据权利要求4所述的一种改进SGM(1,1)模型的共享单车短时需求预测系统，其特征在于，所述残差改进模块具体用于：
由初步预测结果得到残差序列
ε(0)＝(ε(0)(1),…,ε(0)(n))；
其中，k为第k个预测数据，n为预测数据的个数；
将残差序列划分为s个状态，记作E＝{E1,E2,…,Es}；
计算状态转移概率矩阵：
其中， 分别表示状态Ei经过m步转移到状态Ej的概率和次数，Mi为状态Ei出现的次数；
根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵；对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p1,…,ps]，通过加权平均得到修正的残差值
其中，νi为Ei状态区间的中心，即两端点的平均值；
得到最终预测值
6.根据权利要求5所述的一种改进SGM(1,1)模型的共享单车短时需求预测系统，其特征在于，所述创建GUI模块具体用于：
基于Matlab R2020b制作图形用户界面(GUI)，在Command里面输入guide进入GUIDE，新建GUI；在新建窗口中添加静态文本、编辑框、按钮、坐标轴控件，然后使用属性编辑器来设置属性；编辑回调函数CallBack；调用改进SGM(1,1)模型的函数；运行程序可以将运算结果和图像反馈在可视化系统上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110502533.XA CN113191560B (zh) | 2021-05-08 | 2021-05-08 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110502533.XA CN113191560B (zh) | 2021-05-08 | 2021-05-08 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113191560A CN113191560A (zh) | 2021-07-30 |
| CN113191560B true CN113191560B (zh) | 2024-06-07 |
Family
ID=76988683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110502533.XA Active CN113191560B (zh) | 2021-05-08 | 2021-05-08 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191560B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191834A (zh) * | 2019-12-26 | 2020-05-22 | 北京摩拜科技有限公司 | 用户行为的预测方法、装置及服务器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
| CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
| CN109637128A (zh) * | 2018-12-14 | 2019-04-16 | 南通大学 | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 |
| CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
-
2021
- 2021-05-08 CN CN202110502533.XA patent/CN113191560B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
| CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
| CN109637128A (zh) * | 2018-12-14 | 2019-04-16 | 南通大学 | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 |
| CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
Non-Patent Citations (2)
| Title |
|---|
| 改进初值的灰色Verhulst-Markov模型及其应用;沈琴琴;王;黄悦;刘恒孜;;统计与决策;20201231(第07期);全文 * |
| 灰色Markov过程改进预测模型及其应用;张磊;李世民;庞坤;徐礼;;信息工程大学学报;20170815(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113191560A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
| CN106960410A (zh) | 基于bim和gis技术的地下综合管廊信息管理方法 | |
| CN112291807B (zh) | 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法 | |
| CN107766995A (zh) | 基于深度递归神经网络的电力系统短期负荷预测方法 | |
| CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
| CN110619419B (zh) | 城市轨道交通的客流预测方法 | |
| CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
| CN109271465B (zh) | 一种基于云计算的水文数据分析及展示方法 | |
| CN115545758B (zh) | 城市服务设施自适应增量选址的方法和系统 | |
| CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
| CN113191560B (zh) | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 | |
| CN111144281A (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
| CN114819344B (zh) | 一种基于关键影响因子的全局时空气象农灾预测方法 | |
| CN114693064A (zh) | 一种建筑群方案生成性能评价方法 | |
| Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
| CN112766687B (zh) | 一种基于深度cnn的飞机总装物料配送优先级分配方法 | |
| Qiu et al. | RPSBPT: A route planning scheme with best profit for taxi | |
| CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
| CN115496123A (zh) | 基于多源数据融合的输电线路巡视路径规划方法及系统 | |
| CN113159409B (zh) | 一种基于组感知图神经网络的全国城市空气质量预测方法 | |
| CN115600421A (zh) | 基于改进型Petri网的自主式交通系统演化模型的构建方法及装置、介质 | |
| CN112308382B (zh) | 一种开放性的tod城市大数据监测分析平台 | |
| Portugal et al. | Developing a spatial-temporal contextual and semantic trajectory clustering framework | |
| CN115495648B (zh) | 一种推荐任务发布时间的空间众包方法 |
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 |