基于NGO-LSTM的共享单车需求预测.pdf

摘要

随着城市化进程的快速发展和人们出行需求的多元化，共享单车作为一种便

捷、环保的交通方式在全球范围内迅速兴起。共享单车不仅解决了短途出行的最后

一公里问题，还为人们提供了更灵活、经济的出行选择。然而，随之而来的是共享

单车供需不平衡的问题，这给共享单车运营商和用户带来了一系列挑战。为了解决

共享单车供需不平衡的问题，需求预测成为了共享单车运营中的关键环节。由于交

通站点具有时空差异性，传统的预测技术往往无法有效识别时间序列数据内部的

复杂动态关系，导致不同站点的用户出行规律与骑行特征并不相同。为了解决这一

问题，本文建立了一种基于北方苍鹰算法优化长短期记忆神经网络的共享单车需

求预测模型。论文的主要研究内容如下：

（1）本文的关注点集中在地铁站周围的共享单车订单数据，需要筛选站点

周边固定范围内的订单数据，然而由于Geohash地理编码进行数据筛选的编码精

度无法满足规划的分析范围，因此本文使用Geohash结合Haversine公式进行双

重处理来保证样本数据的准确性。

（2）针对地铁站点聚类主要依据客观空间属性，不能很好的解释不同地铁

站点周围的共享单车需求差异，本文尝试利用地铁站附近共享单车的骑行特征进

行聚析，探究不同类型站点的骑行差异，从而为共享自行车在城市交通中的应用

提供更全面和更有针对性的建议。

（3）本文建立NGO-LSTM（NorthernGoshawkOptimization-LongShort-Term

Memory）模型，通过使用NGO算法对LSTM层的神经元数量、学习率和批量大

小进行优化，求解共享单车的需求量预测问题。为了验证该模型的性能，与CNN

（ConvolutionalNeuralNetworks）模型、LSTM模型和WOA-LSTM（Whale

OptimizationAlgorithm-LongShort-TermMemory）模型进行了对比，突出NGO-

LSTM模型在预测方面的准确性和稳定性。旨在为共享单车需求预测提供可靠的

数据分析和模型构建方法，为城市共享单车调度提供新思路。

关键词：共享单车，需求预测，长短期记忆神经网络，北方苍鹰算法

PredictionofsharedbicycledemandbasedonNGO-LSTM

Abstract

Withtherapiddevelopmentofurbanizationandthediversificationofpeoplestravel

needs,sharedbicycles,asaconvenientandenvironmentallyfriendlymodeof

transportation,haverisenrapidlyaroundtheworld.Sharedbicyclesnotonlysolvethe

lastkilometerproblemofshort-distancetrips,butalsoprovidepeoplewithmoreflexible

andeconomicaltraveloptions.However,withthiscomestheproblemofunbalanced

supplyanddemandofsharedbikes,whichbringsaseriesofchallengestosharedbike

operatorsandusers.Inordertosolvetheproblemoftheimbalancebetweensupplyand

demandofsharedbicycles,demandforecastinghasbecomeakeylinkintheoperationof

sharedbicycles.Duetothespatialandtemporaldifferencesoftrafficstations,traditiona