CN113313317B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113313317B CN113313317B CN202110658093.7A CN202110658093A CN113313317B CN 113313317 B CN113313317 B CN 113313317B CN 202110658093 A CN202110658093 A CN 202110658093A CN 113313317 B CN113313317 B CN 113313317B
- Authority
- CN
- China
- Prior art keywords
- data
- shared bicycle
- time
- space
- model
- 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 54
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 230000036962 time dependent Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 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
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- G06Q50/40—
Abstract
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，本发明涉及基于INLA算法的共享单车使用需求预测方法及预测系统。本发明的目的是为了解决现有技术采用贝叶斯模型进行共享单车使用需求的预测过程中耗时长，预测结果的准确性低的问题。过程为：1：选取影响共享单车使用需求的多源数据，进行预处理，对预处理后数据进行归一化处理；2：建立三种共享单车使用需求的贝叶斯时空模型；3：选定贝叶斯最优拟合模型；4：获得最优共享单车区域使用需求模型；5：进行某时间段内不同区域的共享单车使用需求预测，获得预测结果数据，获得某时间段内不同区域的共享单车使用需求的时空分布图。本发明属于智慧交通和信息技术领域。
Description
技术领域
本发明属于智慧交通和信息技术领域，具体涉及基于INLA(Integrated NestedLaplace Approximation)算法的共享单车使用需求预测方法及预测系统。
背景技术
共享单车作为一种新型的短途旅行中经常被使用到的交通工具越来越受到出行者的关注，它有效地解决了出行的“最后一公里”问题。实际的数据显示，共享单车出行需求的产生在时间和空间的相关性非常显著，并且同时也会受到气象因素等的影响。随着统计学理论和信息技术的发展，基于贝叶斯理论的预测模型由于其高效的拟合速度和拟合精度被广泛应用于不同领域。针对在通过贝叶斯统计获得后验分布的过程中经常会遇到复杂函数的情况，有部分学者提出采用马尔科夫链蒙特卡洛算法来进行统计推断，该算法是通过抽样技术构造马尔科夫链进而获得参数的后验分布，其在一定程度上解决了高维积分的问题。
目前存在共享单车区域分配不合理，某区域某时刻共享单车的使用需求不能得到满足或者某区域某时刻的共享单车投放数量过多而造成资源浪费，可见对共享单车使用需求的预测十分重要，各种研究表明，共享单车的使用需求呈现出显著的时间和空间相关特性。但是大部分基于贝叶斯模型的相关研究没有将共享单车的时间依赖特征和空间相关性特征有效的整合在一起，仅从时间或空间的维度难以很好地解释特定地点时空条件下共享单车的使用需求问题。并且在实际应用贝叶斯模型进行共享单车使用需求的预测过程中，需要使用的数据维度较大，这时基于马尔科夫链蒙特卡洛算法获得后验分布时需要进行多重迭代抽样，这会导致参数的计算耗时较长，预测结果的准确性低。
发明内容
本发明的目的是为了解决现有技术采用贝叶斯模型进行共享单车使用需求的预测过程中耗时长，预测结果的准确性低的问题，而提出一种基于INLA算法的共享单车使用需求预测方法及预测系统。
一种基于INLA算法的共享单车使用需求预测方法具体过程为：
步骤1：选取影响共享单车使用需求的多源数据，对选取的影响共享单车使用需求的多源数据进行预处理，对预处理后数据进行归一化处理，得到归一化处理后的数据；
步骤2：建立三种共享单车使用需求的贝叶斯时空模型；
步骤3：利用步骤1归一化处理后的数据对步骤2建立的三种共享单车使用需求的贝叶斯时空模型分别进行拟合，计算拟合后的不同贝叶斯时空模型的偏差信息准则DIC值，比较DIC值的大小，选择DIC值最小时对应的时空模型为选定的贝叶斯最优拟合模型；
步骤4：利用INLA方法对选定的贝叶斯最优拟合模型进行分析预测，获得最优共享单车区域使用需求模型；
步骤5：采用最优共享单车区域使用需求模型进行某时间段内不同区域的共享单车使用需求预测，获得预测结果数据，采用ArcGIS 10.3软件对获得的预测结果数据进行可视化，获得某时间段内不同区域的共享单车使用需求的时空分布图。
一种基于INLA算法的共享单车使用需求预测系统用于执行一种基于INLA算法的共享单车使用需求预测方法。
本发明的有益效果为：
本发明引入了不同的时空影响结构，建立了三种贝叶斯时空模型，用DIC准则选择了最优模型，然后提出采用INLA分析时空模型，最终得到共享单车区域分布的预测模型，目的是为了管理者能够更好地进行共享单车的区域调度分配。
本发明提供了基于INLA算法的共享单车使用需求预测方法，结合多源数据信息，建立三种时空预测模型，依照适用环境的不同可供选择，并利用偏差信息准则对模型进行选定，对多维数据利用INLA算法在保证精度的前提下大大缩短了计算用时，同时还对预测的结果进行了评价，时空相关分析使得预测结果(预测的是不同区域同一时间段内的共享单车需求量)的准确性得到了提高。
附图说明
图1为本发明方法流程图。
具体实施方式
具体实施方式一：本实施方式一种基于INLA算法的共享单车使用需求预测方法具体过程为：
步骤1：选取影响共享单车使用需求的多源数据，对选取的影响共享单车使用需求的多源数据进行预处理，对预处理后数据进行归一化处理，得到归一化处理后的数据；
步骤2：建立三种共享单车使用需求的贝叶斯时空模型；
步骤3：利用步骤1归一化处理后的数据对步骤2建立的三种共享单车使用需求的贝叶斯时空模型分别进行拟合，计算拟合后的不同贝叶斯时空模型的偏差信息准则DIC值，比较DIC值的大小，越小越好，选择DIC值最小时对应的时空模型为选定的贝叶斯最优拟合模型；
步骤4：利用INLA方法对选定的贝叶斯最优拟合模型进行分析预测，获得最优共享单车区域使用需求模型；
步骤5：采用最优共享单车区域使用需求模型进行某时间段内不同区域的共享单车使用需求预测，获得预测结果数据，采用ArcGIS 10.3软件对获得的预测结果数据进行可视化，获得某时间段内不同区域的共享单车使用需求的时空分布图。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤1中多源数据包括共享单车实时租还数据、气象数据、空间相关数据。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述共享单车实时租还数据包括起止点经纬度坐标、起止点时间、交易编号及用户ID；
所述气象数据包括平均气温、降水量、可吸入颗粒物、风速及相对湿度；
所述空间相关数据为兴趣点POI经纬度坐标，具体为区域(划分的区域是根据区级行政区域划分)内地铁站进出口经纬度坐标、住宅区经纬度坐标、医院经纬度坐标、学校经纬度坐标。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤1中对选取的影响共享单车使用需求的多源数据进行预处理；具体过程为：
将选取的影响共享单车使用需求的多源数据中的异常数据分为三类：冗余数据、缺失数据及错误数据；
对冗余数据进行遍历查找并直接剔除；
对缺失数据利用K近邻算法进行插补；
对错误数据进行筛选，利用统计学3σ原则对错误数据进行剔除，得到预处理后数据。
通过数据预处理后，异常数据被完善，提高了数据的准确性、完整性、时效性和一致性。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤1中对预处理后数据进行归一化处理，以减少数据量纲对模型误差的影响，进而提高预测值的准确性；
如公式(1)所示
其中，y*为归一化后的数值，ymin、ymax分别表示预处理后数据中的最小值与最大值，y为预处理后数据。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤2中建立三种共享单车使用需求的贝叶斯时空模型；具体过程为：
模型一为空间分布中存在时间相关性且时间相关尺度为每周；
空间分布指的是不考虑时间相关性带来的共享单车使用需求的差异，仅考虑空间中进行分区域后的各区域使用需求受到相邻区域使用需求的影响，即与该区域所处的空间位置相关。
时间相关性具体指的是在不同的时间尺度下，共享单车的使用需求存在着相关关系，即在特定的某段时间内的使用需求变化趋势，与其相邻的且时间尺度一致的时间段内的使用需求呈现出相类似的趋势变化。
时间相关尺度是指在时间维度上具有相似的使用需求变化趋势的特定的时间间隔；
式中，M1(si,t)某区域地点si在该时刻t所产生的共享单车的使用需求，si为划分后的空间区域，t为时刻，Bj(si,t)表示的是对共享单车使用需求产生影响的时空影响项，即协变量，βj为量化不同协变量因素对共享单车实用需求的影响大小而设定的协变量系数，ε(si,t)为时空间不相关的高斯白噪声，ξ(si,t)为观测误差，v1i为周与周之间的时间相关结构，ui为空间相关结构；
模型二为空间相关性在连续的天数之间存在相关性；
空间相关性在连续的天数之间存在相关性指的是，共享单车的使用需求存在空间相关性及时间相关性且时间相关性的时间尺度为一天。
式中，v2i为连续天之间的时间相关结构；M2(si,t)为某区域地点si在该时刻t所产生的共享单车的使用需求；
模型三为更短的时间间隔内即每小时间的时空相关模型；
式中，v3i为连续小时之间的时间影响结构；M3(si,t)为某区域地点si在该时刻t所产生的共享单车的使用需求；
更短的时间间隔内即每小时间的时空相关模型具体指：共享单车的使用需求存在空间相关性及时间相关性且时间相关性的时间尺度为一小时。
三种模型均是基于处理后的时空数据建立起来的且均是基于共享单车使用需求存在时空相关的基础上建立的，不同之处是：为满足不同结果精确度的要求设定的时间相关的尺度不同。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述空间相关结构ui服从如下的正态分布形式：
式中，ni是与区域i相邻的相邻区域的数量，表示方差。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述步骤3中利用步骤1归一化处理后的数据对步骤2建立的三种共享单车使用需求的贝叶斯时空模型分别进行拟合，计算拟合后的不同贝叶斯时空模型的偏差信息准则DIC值，比较DIC值的大小，越小越好，选择DIC值最小时对应的时空模型为选定的贝叶斯最优拟合模型；具体过程为；
模型的偏差信息准则DIC值计算公式如下：
DIC＝kln(n)-2ln(L) (6)
其中，k为时空模型参数(多源数据中的因素，比如起止点经纬度坐标、起止点时间、交易编号及用户ID；平均气温、降水量、可吸入颗粒物、风速及相对湿度；和空间相关数据包括的因素)个数，n为预处理后的数据集数量，L为似然函数。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤4中利用INLA方法对选定的贝叶斯最优拟合模型进行分析预测，获得最优共享单车区域使用需求模型；具体过程为：
步骤41：基于多源数据中共享单车实时租还数据、气象数据、空间相关数据，选定空间相关数据，设置三角形的最小内角及三角形数量，对选定空间相关数据的区域进行三角网格化；
步骤42：利用共享单车实时租还数据、气象数据、步骤41设置的三角形的最小内角及三角形数量，对步骤3选定的贝叶斯最优拟合模型进行优化，直至选定的贝叶斯最优拟合模型输出的预测结果符合误差要求(误差要求：预测结果与真实值的MAPE控制在10％以内，MSE控制在0.05以下)，得到最优共享单车区域使用需求模型。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式一种基于INLA算法的共享单车使用需求预测系统用于执行具体实施方式一至具体实施方式九的一种基于INLA算法的共享单车使用需求预测方法。
采用以下实施例验证本发明的有益效果：
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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于INLA算法并结合多源数据的共享单车区域使用需求时空预测模型及分析方法，以高效合理地实现对共享单车区域调度分配及满足出行者的出行需求。
为实现本发明的上述目的、特征能够更加明显易懂，下面结合附图和具体实施方式对本发明做进一步详细的说明。
如附图1所示，本发明提供了一种基于INLA算法并结合多源数据的共享单车区域使用需求时空预测模型及分析方法，包括以下的步骤。
步骤1：对共享单车租还数据、气象数据、空间相关数据进行预处理。对通过不同渠道收集到的多源数据的影响因素进行分析，进而得到影响时空模型预测结果的协变量向量矩阵。其中，共享单车的租还数据包括起止点经纬度坐标、起止点时间、交易编号及用户ID，气象因素包括平均气温、降水量、可吸入颗粒物、风速及相对湿度，空间相关数据包括兴趣点POI经纬度坐标，具体为区域内地铁站进出口经纬度坐标、住宅区经纬度坐标、医院经纬度坐标、学校经纬度坐标。对冗余数据直接进行遍历删除即可，对缺失数据进行插补的算法采用的是K紧邻插补，对错误数据采用3σ原则剔除；
对数据进行归一化处理的方法，如公式(7)所示
其中，y*定义为归一化后的数值，ymin、ymax分别表示所选数据中的最小值与最大值，y为实际值。
步骤2：建立的三种共享单车使用需求的时空模型，具体为：模型一设定为空间分布中存在时间相关性且时间相关尺度为每周，并满足一阶自回归；模型二被设定为空间相关性在连续的天数之间存在相关性，模型三被设定为更短的时间间隔内即每小时间的时空相关模型。三种模型均是基于处理后的时空数据建立起来的且均是基于共享单车使用需求存在时空相关的基础上建立的，不同之处是：为满足不同结果精确度的要求设定的时间相关的尺度不同的模型。
步骤3：基于偏差信息准则，对贝叶斯时空模型进行选择；模型的DIC值越小，说明拟合的效果越好；DIC准则的计算方法如下所示：
DIC＝kln(n)-2ln(L) (8)
其中，k为时空模型参数个数，n为预处理后的数据集数量，L为似然函数。
步骤4：集成嵌套拉普拉斯INLA方法分析计算贝叶斯模型，贝叶斯模型可分为三层，具体为：似然函数、隐变量分布结构及超参数的先验分布。INLA方法分析贝叶斯时空模型的框架见公式(9)，INLA方法的步骤是，首先创建随机偏微分方程，利用三角化后的网格分析计算马尔可夫随机场。通过调用R4.0.4中的INLA包分析时空模型并给出预测结果，并对预测结果进行误差分析，结合INLA方法给出的预测值和真实值进行对比，采用的是均方误差MSE和平均百分比误差MAPE计算，目的是为了评估预测模型的精度，具体为公式(10)、(11)所示。
y(si,t)＝B(si,t)β+ε(si,t)+ξ(si,t) (9)
其中y代表某点某时刻的共享单车需求量的多少，si指代的是空间中的某点，t表示的是某一时刻，B指的是影响y的协变量组合，β代表的是协变量的系数向量，ξ表示观测误差，ε定义为时空不相关的高斯白噪声。
其中yi代表的是真实值，代表的是预测值，n代表数据量的多少。
步骤5：绘制共享单车使用需求预测结果进行时空分布图。
本发明基于交通大数据技术和信息技术的发展背景下，旨在为区域共享单车的调配问题提供高效合理的依据，进而建立一种基于INLA算法的共享单车使用需求的时空预测模型。通过对多源数据的融合并借助INLA算法在分析贝叶斯模型方面的优势，利用三角化的时空网格实现较为精准的共享单车使用需求预测分析。INLA方法较现有采用的马尔科夫链蒙特卡洛算法，不仅在精确度方面得到提升，而且运算速度得到了显著的提高，该方法较现有的其他方式预测分析性能表现优秀，并且充分体现出了引入时空数据及相关协变量对预测结果精度的提高，通过本方法能够得到较为精准的预测结果，对未来共享单车的调配有着实际的应用价值。
尽管本发明的具体实施方案已公布如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易的实现另外的修改。因此在不背离本发明权利要求所保护的范围情况下，还可以做出替换和变形，因此本发明不仅限于特定的细节和这里示出与描述的图例。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于INLA算法的共享单车使用需求预测方法，其特征在于：所述方法具体过程为：
步骤1：选取影响共享单车使用需求的多源数据，对选取的影响共享单车使用需求的多源数据进行预处理，对预处理后数据进行归一化处理，得到归一化处理后的数据；
步骤2：建立三种共享单车使用需求的贝叶斯时空模型；
步骤3：利用步骤1归一化处理后的数据对步骤2建立的三种共享单车使用需求的贝叶斯时空模型分别进行拟合，计算拟合后的不同贝叶斯时空模型的偏差信息准则DIC值，比较DIC值的大小，选择DIC值最小时对应的时空模型为选定的贝叶斯最优拟合模型；
步骤4：利用INLA方法对选定的贝叶斯最优拟合模型进行分析预测，获得最优共享单车区域使用需求模型；
步骤5：采用最优共享单车区域使用需求模型进行某时间段内不同区域的共享单车使用需求预测，获得预测结果数据，采用ArcGIS10.3软件对获得的预测结果数据进行可视化，获得某时间段内不同区域的共享单车使用需求的时空分布图；
所述步骤2中建立三种共享单车使用需求的贝叶斯时空模型；具体过程为：
模型一为空间分布中存在时间相关性且时间相关尺度为每周；
式中，M1(si,t)为某区域地点si在该时刻t所产生的共享单车的使用需求，si为划分后的空间区域，t为时刻，Bj(si,t)表示的是对共享单车使用需求产生影响的时空影响项，即协变量，βj为量化不同协变量因素对共享单车实用需求的影响大小而设定的协变量系数，ε(si,t)为时空间不相关的高斯白噪声，ξ(si,t)为观测误差，v1i为周与周之间的时间相关结构，ui为空间相关结构；
模型二为空间相关性在连续的天数之间存在相关性；
式中，v2i为连续天之间的时间相关结构；M2(si,t)为某区域地点si在该时刻t所产生的共享单车的使用需求；
模型三为每小时间的时空相关模型；
式中，v3i为连续小时之间的时间影响结构；M3(si,t)为某区域地点si在该时刻t所产生的共享单车的使用需求；
所述步骤4中利用INLA方法对选定的贝叶斯最优拟合模型进行分析预测，获得最优共享单车区域使用需求模型；具体过程为：
步骤41：基于多源数据中共享单车实时租还数据、气象数据、空间相关数据，选定空间相关数据，设置三角形的最小内角及三角形数量，对选定空间相关数据的区域进行三角网格化；
步骤42：利用共享单车实时租还数据、气象数据、步骤41设置的三角形的最小内角及三角形数量，对步骤3选定的贝叶斯最优拟合模型进行优化，直至选定的贝叶斯最优拟合模型输出的预测结果符合误差要求，得到最优共享单车区域使用需求模型。
2.根据权利要求1所述一种基于INLA算法的共享单车使用需求预测方法，其特征在于：所述步骤1中多源数据包括共享单车实时租还数据、气象数据、空间相关数据。
3.根据权利要求2一种基于INLA算法的共享单车使用需求预测方法所述，其特征在于：所述共享单车实时租还数据包括起止点经纬度坐标、起止点时间、交易编号及用户ID；
所述气象数据包括平均气温、降水量、可吸入颗粒物、风速及相对湿度；
所述空间相关数据具体为区域内地铁站进出口经纬度坐标、住宅区经纬度坐标、医院经纬度坐标、学校经纬度坐标。
4.根据权利要求3所述一种基于INLA算法的共享单车使用需求预测方法，其特征在于：所述步骤1中对选取的影响共享单车使用需求的多源数据进行预处理；具体过程为：
将选取的影响共享单车使用需求的多源数据中的异常数据分为三类：冗余数据、缺失数据及错误数据；
对冗余数据进行遍历查找并直接剔除；
对缺失数据利用K近邻算法进行插补；
对错误数据进行筛选，利用统计学3σ原则对错误数据进行剔除；
得到预处理后数据。
5.根据权利要求4所述一种基于INLA算法的共享单车使用需求预测方法，其特征在于：所述步骤1中对预处理后数据进行归一化处理；
如公式(1)所示
其中，y*为归一化后的数值，ymin、ymax分别表示预处理后数据中的最小值与最大值，y为预处理后数据。
6.根据权利要求5所述一种基于INLA算法的共享单车使用需求预测方法，其特征在于：所述空间相关结构ui服从如下的正态分布形式：
式中，ni是与区域i相邻的相邻区域的数量，表示方差。
7.根据权利要求6所述一种基于INLA算法的共享单车使用需求预测方法，其特征在于：所述步骤3中利用步骤1归一化处理后的数据对步骤2建立的三种共享单车使用需求的贝叶斯时空模型分别进行拟合，计算拟合后的不同贝叶斯时空模型的偏差信息准则DIC值，比较DIC值的大小，选择DIC值最小时对应的时空模型为选定的贝叶斯最优拟合模型；具体过程为；
模型的偏差信息准则DIC值计算公式如下：
DIC＝kln(n)-2ln(L)
其中，k为时空模型参数个数，n为预处理后的数据集数量，L为似然函数。
8.一种基于INLA算法的共享单车使用需求预测系统，其特征在于：所述系统用于执行权利要求1至权利要求7中任意一项所述的一种基于INLA算法的共享单车使用需求预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110658093.7A CN113313317B (zh) | 2021-06-11 | 2021-06-11 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110658093.7A CN113313317B (zh) | 2021-06-11 | 2021-06-11 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113313317A CN113313317A (zh) | 2021-08-27 |
| CN113313317B true CN113313317B (zh) | 2024-04-12 |
Family
ID=77378776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110658093.7A Active CN113313317B (zh) | 2021-06-11 | 2021-06-11 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313317B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863087B (zh) * | 2022-07-07 | 2022-09-20 | 锐创软件技术(启东)有限公司 | 一种基于人工智能的共享单车用户质量评估方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060093079A (ko) * | 2006-06-20 | 2006-08-23 | 주식회사 우암닷컴 | 지역별 시간변동계수를 갖는 공적분 모형을 이용한 장기상수도 수요예측 방법 및 시스템 |
| GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
| CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
| CN112734101A (zh) * | 2021-01-04 | 2021-04-30 | 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 |
-
2021
- 2021-06-11 CN CN202110658093.7A patent/CN113313317B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060093079A (ko) * | 2006-06-20 | 2006-08-23 | 주식회사 우암닷컴 | 지역별 시간변동계수를 갖는 공적분 모형을 이용한 장기상수도 수요예측 방법 및 시스템 |
| GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
| CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
| CN112734101A (zh) * | 2021-01-04 | 2021-04-30 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113313317A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111859800B (zh) | 用于pm2.5浓度分布的时空估算和预测方法 | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
| CN108564790B (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
| CN105260803B (zh) | 一种系统用电量预测方法 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN113420414B (zh) | 一种基于动态时空分析的短时交通流预测模型 | |
| CN104657791B (zh) | 一种基于相关性分析的风电场群风速分布预测方法 | |
| CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
| CN103050005A (zh) | 城市道路交通状态时空分析方法与系统 | |
| CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
| CN113313317B (zh) | 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 | |
| CN105469155A (zh) | 一种城市可持续发展能力的动态评估方法 | |
| CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
| Li et al. | Multilinear-trend fuzzy information granule-based short-term forecasting for time series | |
| CN115269758A (zh) | 面向乘客诱导的路网客流状态推演方法及系统 | |
| CN104850657B (zh) | 一种全息位置地图的迭加方法 | |
| CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
| CN110956089A (zh) | 基于ict技术的历史街区步行性测度方法 | |
| Dong et al. | Multigranular wavelet decomposition-based support vector regression and moving average method for service-time prediction on web map service platforms | |
| Fu et al. | Traffic safety oriented multi-intersection flow prediction based on transformer and cnn | |
| CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
| Beitel et al. | Quality measure of short-duration bicycle counts | |
| Faghih et al. | Predicting short-term Uber demand using spatio-temporal modeling: A New York City Case Study | |
| Xu et al. | Short-term bus passenger flow forecast based on the multi-feature gradient boosting decision tree |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Bing Inventor after: Liu Xin Inventor after: Li Kui Inventor after: Zhang Yan Inventor after: Duan Yimeng Inventor after: Yu Zhuoran Inventor before: Zhang Bing Inventor before: Duan Yimeng Inventor before: Yu Zhuoran Inventor before: Li Kui Inventor before: Zhang Yan Inventor before: Liu Xin |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |