基于CNN-GRU的共享单车租赁预测研究(数据可换)（Python代码实现）

然哥依旧

于 2024-09-26 10:22:31 发布

阅读量852

点赞数 30

文章标签： cnn gru python

本文链接：https://blog.csdn.net/m0_64583023/article/details/142549163

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、研究背景与意义

二、模型构建与原理

1. 数据预处理

2. CNN-GRU模型构建

3. 模型融合与输出

三、模型优势与应用

1. 模型优势

2. 应用场景

四、未来展望

📚2 运行结果

🎉3 参考文献

🌈4 Python代码、数据

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于CNN-GRU的共享单车租赁预测研究是一个结合了卷积神经网络（CNN）和门控循环单元（GRU）的深度学习模型，旨在更准确地预测共享单车租赁数量。以下是对该研究的详细分析：

一、研究背景与意义

随着城市化进程的加快和共享经济的兴起，共享单车作为一种绿色、便捷的出行方式，逐渐受到广大市民的青睐。然而，共享单车租赁数量的波动性和不确定性给企业的运营带来了挑战。准确预测共享单车租赁数量对于优化资源配置、提高运营效率具有重要意义。基于CNN-GRU的共享单车租赁预测模型通过融合多种深度学习技术的优点，能够捕捉影响租赁数量的多种因素及其之间的复杂关系，提高预测的准确性和稳定性。

二、模型构建与原理

1. 数据预处理

收集共享单车租赁系统的历史数据，包括租赁数量、时间信息（如日期、小时）、天气状况（如温度、湿度、风速等）、地理位置等。对数据进行清洗，去除异常值、缺失值等，确保数据的完整性和准确性。同时，根据业务需求和数据特点，提取并转换有用的特征，如时间编码、天气状况编码等。

2. CNN-GRU模型构建

CNN部分：负责提取输入数据中的局部特征。在共享单车租赁数量预测中，CNN可以捕捉不同时间窗口内租赁数量的变化趋势和周期性规律。通过卷积层和池化层的堆叠，CNN能够提取数据中的关键信息。
GRU部分：负责处理时序数据，捕捉数据中的长期依赖关系。GRU作为RNN的一种变体，通过更新门和重置门控制信息的传递，能够有效地缓解梯度消失和梯度爆炸问题。在共享单车租赁预测中，GRU能够捕捉租赁数量随时间变化的趋势。

3. 模型融合与输出

将CNN提取的特征和GRU处理的时序特征进行融合，通过全连接层得到最终的共享单车租赁数量预测值。选择合适的损失函数（如均方误差MSE）来衡量预测结果与实际值之间的差异，并使用梯度下降法或其变种（如Adam优化器）来优化模型参数。

三、模型优势与应用

1. 模型优势

特征提取能力强：CNN能够提取数据中的局部特征，捕捉租赁数量的变化趋势。
时序处理能力强：GRU作为RNN的变体，能够处理时序数据，捕捉长期依赖关系。
预测准确性高：结合CNN和GRU的优点，模型能够捕捉多种影响因素及其之间的复杂关系，提高预测的准确性和稳定性。

2. 应用场景

实时预测与调度：将预测模型与实时监控系统相结合，实现共享单车租赁数量的实时预测和动态调度。
运营决策支持：为共享单车企业的运营决策提供数据支持，如优化车辆投放策略、调整租金价格等。
城市规划：为城市规划者提供共享单车租赁系统的使用情况数据，为制定自行车相关基础设施和政策提供参考。

四、未来展望

随着技术的不断发展和数据的不断积累，基于CNN-GRU的共享单车租赁预测研究将更加深入和广泛。未来研究可以引入更多数据源（如交通流量、人口迁移等），提高预测的准确性和全面性。同时，可以结合其他深度学习模型（如Transformer等）的优点，构建混合模型以提高预测性能。此外，加强对模型预测结果的可解释性研究也是未来的一个重要方向。

综上所述，基于CNN-GRU的共享单车租赁预测研究通过融合多种深度学习技术的优点，实现了对共享单车租赁数量的精准预测，为共享单车企业的运营和城市规划提供了有力支持。

📚2 运行结果

部分代码：

def evaluate_forecasts(Ytest, predicted_data, n_out):
    # 定义一个函数来评估预测的性能。
    mse_dic = []
    rmse_dic = []
    mae_dic = []
    mape_dic = []
    r2_dic = []
    # 初始化存储各个评估指标的字典。
    table = PrettyTable(['测试集指标','MSE', 'RMSE', 'MAE', 'MAPE','R2'])
    for i in range(n_out):
        # 遍历每一个预测步长。每一列代表一步预测，现在是在求每步预测的指标
        actual = [float(row[i]) for row in Ytest]  #一列列提取
        # 从测试集中提取实际值。
        predicted = [float(row[i]) for row in predicted_data]
        # 从预测结果中提取预测值。
        mse = mean_squared_error(actual, predicted)
        # 计算均方误差（MSE）。
        mse_dic.append(mse)
        rmse = sqrt(mean_squared_error(actual, predicted))
        # 计算均方根误差（RMSE）。
        rmse_dic.append(rmse)
        mae = mean_absolute_error(actual, predicted)
        # 计算平均绝对误差（MAE）。
        mae_dic.append(mae)
        MApe = mape(actual, predicted)
        # 计算平均绝对百分比误差（MAPE）。
        mape_dic.append(MApe)
        r2 = r2_score(actual, predicted)
        # 计算R平方值（R2）。
        r2_dic.append(r2)
        if n_out == 1:
            strr = '预测结果指标：'
        else:
            strr = '第'+ str(i + 1)+'步预测结果指标：'
        table.add_row([strr, mse, rmse, mae, str(MApe)+'%', str(r2*100)+'%'])