💥💥💞💞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
👨💻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-BiGRU的共享单车租赁预测研究是一个结合了卷积神经网络(CNN)在特征提取方面的优势和双向门控循环单元(BiGRU)在处理时序数据上能力的预测模型。以下是对该研究的详细分析:
一、研究背景与意义
随着共享经济的兴起和环保意识的增强,共享单车作为一种绿色、便捷的出行方式在全球范围内得到了广泛推广。然而,如何准确预测共享单车租赁数量,以优化资源配置、提高运营效率,成为共享单车企业面临的重要挑战。基于CNN-BiGRU的共享单车租赁预测研究旨在通过融合多种深度学习技术的优点,实现对共享单车租赁数量的精准预测。
二、模型构建与原理
1. 数据收集与预处理
- 数据来源: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。
- 数据清洗:去除异常值、缺失值等,确保数据的完整性和准确性。
- 特征工程:根据业务需求和数据特点,提取并转换有用的特征。例如,对于分类特征(如天气状况),可以采用one-hot编码;对于连续特征(如温度、湿度),则进行归一化处理。
2. CNN-BiGRU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。
- BiGRU部分:负责处理时序数据,捕捉数据中的长期依赖关系。BiGRU通过前向和后向两个方向的GRU单元,能够同时考虑过去和未来的信息,提高预测的精度。
- 融合与输出:将CNN提取的特征和BiGRU的输出进行融合,通过全连接层得到最终的共享单车租赁数量预测值。
3. 注意力机制(Attention)
在BiGRU的输出上引入注意力机制,使得模型能够更加关注对预测结果影响较大的特征或时间段,进一步提高预测的准确性。
三、模型训练与优化
- 损失函数: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。
- 优化算法:使用梯度下降法或其变种(如Adam优化器)来优化模型参数,最小化损失函数。
- 超参数调优:通过交叉验证等方法调整CNN和BiGRU的层数、卷积核大小、学习率等超参数,以提高模型性能。
- 正则化技术:为防止过拟合,可以采用L1/L2正则化、Dropout等技术。
四、研究应用与展望
1. 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,优化车辆分配,提高运营效率。
- 运营决策支持:为共享单车企业的运营决策提供数据支持,如制定营销策略、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。
2. 研究展望
- 多源数据融合:引入更多数据源(如交通流量、人口迁移、社交媒体数据等),提高预测的准确性和全面性。
- 模型融合: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。
- 可解释性研究:加强对CNN-BiGRU模型预测结果的可解释性研究,提高模型的透明度和可信度,便于企业和用户理解和接受预测结果。
综上所述,基于CNN-BiGRU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。未来随着技术的不断发展和数据的不断积累,该领域的研究将更加深入和广泛。
📚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)+'%'])
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]陈鑫,刘琦.基于时间序列分析的共享单车未来格局预测[J].现代营销(下旬刊), 2017(10):216-216.DOI:10.3969/j.issn.1009-2994.2017.10.174.
[2]焦志伦,金红,刘秉镰,等.大数据驱动下的共享单车短期需求预测——基于机器学习模型的比较分析[J].商业经济与管理, 2018(8):11.DOI:10.14134/j.cnki.cn33-1336/f.2018.08.002.
[3]甘明.基于深度学习的共享单车预测与调度研究[D].杭州电子科技大学,2022.
[4]靳海红,张帅.基于数据分析的共享单车模式与前景研究[J].商情, 2019.
🌈4 Python代码、数据
资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取