基于GRU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 2024-10-24 16:15:41 发布

wlz249

最新推荐文章于 2024-10-24 16:15:41 发布

阅读量835

点赞数 9

文章标签： gru python 深度学习

本文链接：https://blog.csdn.net/weixin_66436111/article/details/142649120

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GRU（门控循环单元）的共享单车租赁预测研究涉及利用GRU网络对时间序列数据进行建模和预测。GRU是一种改进的循环神经网络（RNN），它在处理长时间序列数据时比传统的RNN具有更好的性能。以下是这种研究的一些关键点：

1. **GRU概述**
GRU是一种简化的长短期记忆网络（LSTM），用于处理和预测时间序列数据。GRU通过门控机制来控制信息的流动，能够有效捕捉长期依赖关系。GRU的主要特点包括：
- **更新门**：控制当前信息与先前信息的更新比例。
- **重置门**：决定是否保留之前的记忆信息。

2. **研究步骤**

数据准备
- **数据收集**：获取包括共享单车租赁数量、时间、天气、节假日等信息的历史数据。
- **数据预处理**：处理缺失值、异常值，并对数据进行归一化处理。

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GRU层的神经网络，通常包括：
- 输入层：处理输入特征。
- GRU层：进行序列数据处理。
- 输出层：生成预测结果。
- **激活函数**：GRU内部使用的激活函数通常是Sigmoid和Tanh。

模型训练
- **训练过程**：使用训练数据训练GRU模型，通过调整网络参数来最小化预测误差。
- **优化算法**：常用的优化算法包括Adam、RMSprop等。
- **损失函数**：常用均方误差（MSE）来衡量预测误差。

模型评估
- **验证与测试**：使用验证集调整模型超参数，并用测试集评估最终模型的性能。
- **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**
利用GRU进行共享单车租赁预测具有以下优势：
- **捕捉长期依赖**：GRU能够较好地捕捉时间序列中的长期依赖关系。
- **高效性**：相比LSTM，GRU的计算量较小，训练速度更快。
- **预测准确性**：在具有明显时间序列特征的数据集上，GRU能够提供较为准确的预测结果。

4. **挑战与改进**
- **数据质量**：高质量的数据对模型预测精度至关重要，需要处理好数据中的噪声和异常值。
- **超参数调优**：选择合适的超参数（如GRU层数、隐藏单元数等）对模型性能有重要影响。
- **实时性**：在实际应用中，需要保证模型的实时性和计算效率。

5. **未来方向**
- **混合模型**：可以尝试将GRU与其他模型（如CNN、注意力机制）结合，以进一步提高预测性能。
- **更多特征**：引入更多影响租赁需求的特征（如交通流量、用户行为数据等）可能有助于提升预测效果。

📚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)+'%'])