基于LSTM的共享单车租赁预测研究(数据可换)（Python代码实现）

最新推荐文章于 2024-11-15 23:33:54 发布

@橘柑橙柠桔柚

最新推荐文章于 2024-11-15 23:33:54 发布

阅读量953

点赞数 22

文章标签： lstm python 人工智能

本文链接：https://blog.csdn.net/weixin_61181717/article/details/142082090

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

📚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LSTM（长短期记忆网络）的共享单车租赁预测研究专注于使用LSTM模型对时间序列数据进行预测。LSTM是一种改进的循环神经网络（RNN），特别适用于处理和预测具有长期依赖关系的序列数据。下面是这一研究的一些关键点：

1. **LSTM概述**
LSTM是一种RNN变体，设计上能够解决传统RNN在处理长期依赖问题时的局限。LSTM通过三个主要的门控机制来控制信息流：
- **遗忘门**：决定丢弃哪些信息。
- **输入门**：控制新信息的加入。
- **输出门**：确定哪些信息会被输出到下一个时间步。

这些门控机制帮助LSTM在处理长期序列数据时，保持信息的长期依赖性和稳定性。

2. **研究步骤**

数据准备
- **数据收集**：包括共享单车的历史租赁数据、天气信息、节假日、事件等。
- **数据预处理**：处理缺失值、异常值，对数据进行归一化或标准化，以适应LSTM的要求。

模型构建
- **数据划分**：将数据分为训练集、验证集和测试集。
- **网络结构设计**：构建包含LSTM层的神经网络，一般包括：
- **输入层**：接收输入特征。
- **LSTM层**：处理序列数据，捕捉长期依赖关系。
- **全连接层**：将LSTM层的输出映射到最终预测结果。
- **输出层**：生成预测结果。
- **激活函数**：LSTM内部使用的激活函数通常包括Sigmoid和Tanh。

模型训练
- **训练过程**：使用训练数据训练LSTM模型，通过优化算法调整网络参数以最小化预测误差。
- **优化算法**：常用的优化算法包括Adam、RMSprop等。
- **损失函数**：通常使用均方误差（MSE）或其他适合回归任务的损失函数。

模型评估
- **验证与测试**：利用验证集调整模型超参数，并用测试集评估模型的最终性能。
- **评估指标**：包括均方根误差（RMSE）、平均绝对误差（MAE）等。

3. **应用效果**
使用LSTM进行共享单车租赁预测具有以下优势：
- **长期依赖捕捉**：LSTM能有效捕捉时间序列中的长期依赖关系，相比传统RNN具有更好的预测能力。
- **处理复杂模式**：能够处理复杂的时间序列模式，如季节性波动和趋势变化。
- **准确性**：在具有长期依赖性的时间序列数据上，LSTM通常能够提供较为准确的预测结果。

4. **挑战与改进**
- **数据质量**：预测效果高度依赖于数据的质量和完整性。需要处理数据中的噪声和异常值。
- **模型复杂性**：LSTM模型的训练复杂度较高，需要调整合适的超参数（如LSTM层数、隐藏单元数、学习率等）。
- **计算资源**：训练LSTM模型可能需要较高的计算资源，尤其是在数据量较大时。

5. **未来方向**
- **混合模型**：将LSTM与其他模型（如CNN、GRU、注意力机制等）结合，可能会进一步提升预测性能。
- **特征工程**：探索更多有助于预测的特征（如用户行为、交通流量等），以提升模型的预测能力。
- **实时预测**：研究如何提高LSTM模型的实时预测能力，满足实际应用中的需求。

📚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)+'%'])