面向共享单车需求预测的多模型可视比较分析.pdfVIP

高技术通讯2023年第33卷第12期:1323-1332

doi:10.3772/j.issn.1002-0470.2023.12.010

面向共享单车需求预测的多模型可视比较分析①

②∗∗∗∗∗③∗

张奇奇饶宁朱素佳查梦孙国道

∗

(浙江工业大学计算机科学与技术学院杭州310023)

∗∗

(杭州科技职业技术学院物联网技术学院杭州311402)

摘要针对不同的区域如何比较不同的模型并选择最佳模型进行预测以及是否存在普

遍适用的最佳预测模型等问题,本文设计了一套面向共享单车需求预测的多模型可视比

较分析系统。首先,使用隐含狄利克雷分布(LDA)模型,选择具有代表性的预测区域,并

在预测区域之间设计相应的字形,通过字形比较多个模型的预测性能。其次,提出一种计

算城市空间区域相似度的新方法area2vec,用于比较相似区域模型预测性能的差异;设计

使用网格布局算法,有效地缓解了地图中字形遮挡的问题。最后,通过案例分析和用户调

查验证了该系统的有效性和实用性。

关键词需求预测;隐含狄利克雷分布(LDA)模型;词嵌入;模型比较;可视分析

[1]

MA)、自回归滑动平均模型(auto-regressivemov-

0引言[2]

ingaverage,ARMA)和差分自回归滑动平均模型

近年来,共享单车的广泛使用,打通了人们出行(auto-regressiveintegratedmovingaverage,ARIMA)[3]

的“最后一公里”,让人们的出行更加便捷。但是由等。基于数据驱动和机器学习的预测方法是通过对

于不同区域单车投放量的差异,出现了单车需求量已知数据的学习,实现对新样本类标的预测,包括支

[4]

失衡的情况,此时对不同区域单车使用量的精准预持向量机(supportvectormachine,SVM)、随机森

[5]

测变得至关重要。考虑到共享单车数据的时空性,林(randomforest,RF)法等。现在研究人员又提

本文使用时空预测模型对共享单车的需求进行预出了许多高级的算法,如循环神经网络(recurrent

[6]

测。neuralnetwork,RNN)和长短期记忆神经网络

[7]