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

@橘柑橙柠桔柚

于 2024-09-17 09:53:29 发布

阅读量462

点赞数 2

文章标签： cnn lstm python

本文链接：https://blog.csdn.net/weixin_61181717/article/details/142311439

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. CNN部分

2. LSTM部分

三、研究步骤

四、研究展望

📚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-LSTM的共享单车租赁预测研究是一个结合了卷积神经网络(CNN)和长短期记忆网络(LSTM)的复杂任务，旨在通过历史数据和环境特征来预测未来某一时刻或某一地区的共享单车租赁数量。以下是对该研究的详细分析：

一、研究背景与意义

随着城市化的加速和人们对环保、健康出行方式的重视，共享单车系统在城市交通中扮演着越来越重要的角色。然而，如何有效管理和调度这些共享单车以满足不同时间、不同地点的需求，成为了一个亟待解决的问题。基于CNN-LSTM的共享单车租赁预测研究，能够通过深度学习技术，自动从历史数据中学习特征，捕捉时间序列数据的长期依赖关系，从而提高预测的准确性，为共享单车公司的运营决策提供有力支持。

二、模型构建与原理

1. CNN部分

作用：卷积神经网络(CNN)主要用于提取输入数据的空间特征。在共享单车租赁预测中，输入数据可能包括历史租赁数量、天气状况、节假日信息等多种因素。
优势：CNN能够捕捉数据的局部相关性，对于具有空间或时间结构的数据尤为有效。在共享单车租赁预测中，它可以帮助理解不同因素之间的空间关系。

2. LSTM部分

作用：长短期记忆网络(LSTM)是一种特殊的循环神经网络(RNN)，擅长处理时间序列数据。在共享单车租赁预测中，LSTM能够捕捉数据之间的长期依赖关系，即过去某一时刻的租赁数量如何影响未来某一时刻的租赁数量。
优势：LSTM通过引入“门”机制（遗忘门、输入门、输出门），解决了传统RNN在训练过程中容易出现的梯度消失或梯度爆炸问题。这使得LSTM能够处理更长的时间序列数据，并保留更多的历史信息。

三、研究步骤

数据收集与预处理：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、去噪、归一化等预处理操作。
特征工程：根据业务需求和数据特点，选择合适的特征进行提取和转换。例如，对于分类特征（如天气状况、节假日等），可以采用one-hot编码；对于连续特征（如温度、湿度、时间等），则进行归一化处理或时间编码。
模型构建：结合CNN和LSTM的特点，构建基于CNN-LSTM的共享单车租赁预测模型。首先使用CNN提取输入数据的空间特征，然后将提取的特征输入到LSTM中进行时间序列建模。
模型训练与优化：使用训练数据集对模型进行训练，并通过调整模型参数（如学习率、批大小、迭代次数等）来优化模型性能。同时，可以使用交叉验证等方法来评估模型的泛化能力。
结果评估与应用：使用测试数据集对训练好的模型进行评估，计算预测结果的准确率、召回率、F1分数等指标。如果模型性能满足业务需求，则可以将其应用于实际场景中，为共享单车公司的运营决策提供支持。

四、研究展望

引入更多数据源：除了历史租赁数量、天气状况、节假日信息外，还可以考虑引入交通流量、城市规划、人口分布等更多数据源，以提高预测的准确性。
优化模型结构：尝试使用更先进的深度学习模型（如Transformer、BERT等）来替代CNN或LSTM，或结合多种模型的优势构建混合模型。
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，提高系统的运营效率和服务质量。

综上所述，基于CNN-LSTM的共享单车租赁预测研究是一个具有广泛应用前景的研究领域。通过不断优化模型结构和引入更多数据源，我们可以提高预测的准确性，为共享单车公司的运营决策提供有力支持。

📚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)+'%'])