基于LSTM的公共自行车服务点租还需求量预测

Demand prediction for service point of public bicycle system based on LSTM

摘要:

城市公共自行车系统（PBS）服务点自行车数量的再平衡是解决“租还车难”问题的关键，对服务点租还需求量的短时预测则是PBS再平衡的基础。通过分析PBS租还需求的内外关联影响因素，提出基于深度学习理论的LSTM（Long-Short Term Memory，长短时间记忆）单元的循环神经网络RNN（Recurrent Neural Network）服务点租还需求量预测模型，并通过区域PBS平均出行OD，对预测模型的输入特征进行合理优化，实现PBS服务点租还需求量的短时预测。以杭州市下沙PBS服务区为实验对象，选取三组不同的输入时间步长对预测模型进行实践验证，结果显示：在选取的模型结构与输入特征下，采用循环神经网络对服务点租还需求量进行预测能够比传统前馈神经网络在结果上更加接近实际值，并且精度较为满意，表明了该预测方法可行有效。

Abstract: