一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法技术

本发明专利技术属于涉及智慧交通与信息技术领域，具体涉及一种基于Attention

【技术实现步骤摘要】
一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法


[0001]本专利技术属于涉及智慧交通与信息
，具体涉及一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法。

技术介绍

[0002]随着共享经济的不断发展，当今，人们越来越普遍地接受了以环保、低碳为特点的自行车出行方式。共享单车已成为城市短途出行的重要选择，它不仅方便了人们的出行，还具有低碳环保的特性，推动构建绿色出行体系，保护环境。然而，随着我国共享单车行业近年来的迅速发展，共享单车的投放和调度面临着一些挑战，如需求波动导致的单车供需不平衡问题、过量投放造成的资源浪费和城市基础设施占用等问题。共享单车的需求预测可以帮助共享单车公司合理安排车辆分布和投放计划，提高利用率和服务水平。因此，对共享单车需求量的准确预测研究具有重要意义。可以使共享单车系统更好地适应时空需求的波动，同时减少共享单车堆积和乱放等问题的发生，降低平台的运营成本，并提高用户的便捷度和使用率。
[0003]目前，在关于预测共享单车需求量的研究中，利用传统统计学方法、机器学习方法和深度学习方法对问题的研究较多,由于传统统计学方法例如ARIMA模型等，数据噪声点会降低模型预测的准确性，所以近些年来，深度学习预测的研究逐渐更多，共享单车数据具有季节性、趋势性和周期性的问题，单一的模型可能无法准确地捕捉到数据的复杂关系。

技术实现思路

[0004]本专利技术的目的在于克服上述不足，提供一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，该方法利用组合模型更准确地捕捉到数据的复杂关系，提高了预测精度。
[0005]为了达到上述目的，本专利技术采用的技术方案如下：
[0006]本专利技术公开了一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，包括以下步骤：
[0007]获取指定区域内的历史特征数据和共享单车的历史需求量数据；
[0008]合并历史需求量数据和历史特征数据得到时间序列数据集，对时间序列数据集进行预处理和相关性分析，将经过预处理和相关性分析的时间序列数据集划分为训练集、验证集和测试集；
[0009]将测试集的数据输入至Attention
‑
LSTM模型，得到第一预测值，将训练集的数据和验证集的数据输入至LightGBM模型，得到第二预测值；
[0010]利用BP神经网络将第一预测值和第二预测值进行融合，对融合结果进行评估，将评估后的融合结果作为共享单车需求量最终预测结果。
[0011]所述共享单车的历史需求量包括常用用户需求量、临时用户需求量以及总需求
量，历史特征数据包括季节、日期、节假日、天气类别、体表温度、温度和湿度。
[0012]天气数据为该指定区域最邻近气象观测站的气象数据，共享单车需求量数据、体表温度、温度和湿度的记录时间间隔均为1小时。
[0013]所述对时间序列数据集进行数据预处理和数据相关性分析具体如下：
[0014]根据时间刻度将历史需求量数据与历史特征数据合并，构建共享单车需求量的时间序列数据集；
[0015]将时间序列数据集中的季节、节假日和天气类别数据转换为类别型数据，时间序列数据集中的其他特征数据转化为浮点型数据；
[0016]检查转化后的时间序列数据集中的历史特征数据是否存在缺失数据，若存在单点缺失数据，使用三次样条插值对缺失值进行填充，若存在连续缺失数据的部分，删除其在时间序列数据集中的对应时间的数据；
[0017]采用箱线图对时间序列数据集的所有特征进行检测，将内限和外限以外的数据识别为异常值，并删除异常值。
[0018]所述对经过数据预处理的时间序列数据集进行数据相关性分析具体如下：
[0019]采用Spearman相关系数对经过数据预处理的时间序列数据集的各项特征进行相关性分析，获取对共享单车需求量影响较大的特征，删除相关性较小的特征。
[0020]所述Attention
‑
LSTM模型具体如下：
[0021]初始化注意力权重，将时间步长为L的多元天气输入数据乘注意力初始权重，对重要的时间步和多元天气输入数据分别进行重要性抽样，公式如下：
[0022]X＝(x1，x2，...，x
24
)
[0023]W＝(w1，w2，...，w
24
)
[0024]X
’
＝(x1w
i
，x2w2，...，x
24
w
24
)
[0025]其中，x是多元天气输入数据，w是多元天气输入数据的注意力权重，X
′
为天气特征；
[0026]将天气特征X
’
＝(x1w1，x2w2，...，x
24
w
24
)输入到LSTM中，设置LSTM网络参数，确定隐含层层数、单层神经元数目和输入特征的时间步长，初始化网络层权重和偏差，采用均方误差作为模型的损失函数，选择Adam作为模型优化器；
[0027]通过烟花算法来学习注意力权重，基于烟花算法迭代生成注意力权重得到Attention
‑
LSTM模型的预测值，根据预测值与历史需求量数据之间的均方根误差不断优化注意力权重。
[0028]烟花算法由以下步骤组成：
[0029]权重集合初始化；
[0030]适应度函数计算；
[0031]爆炸火花和高斯火花生成；
[0032]迭代更新注意力权重。
[0033]所述lightGBM模型构建过程如下：
[0034]选取基学习器，学习器数量，学习率；
[0035]调整样本和特征采样参数并设置节点分裂，将经过数据预处理后的时间序列数据集内的有效数据通过特征工程、特征编码、特征归一化和向量化处理后作为LightGBM算法
的输入数据，经过直方图算法和GOSS算法优化后得到预测值；
[0036]通过训练集的数据训练LightGBM模型，通过验证集的数据验证LightGBM模型。
[0037]所述利用BP神经网络将第一预测值和第二预测值进行融合具体如下：
[0038]BP神经网络具有三个隐藏层，每个隐藏层都有64个神经元，定义输入层的维度为2，输出层的维度为1，在神经网络的训练过程中，使用交叉验证技术，将训练集划分为五个不同的折叠，每次训练时，使用四个折叠来训练神经网络，使用剩余的一个折叠来验证模型的性能，从而避免过拟合，在每个训练迭代中，使用均方误差MSE作为损失函数，使用Adam优化器来更新神经网络权重。
[0039]所述对融合结果进行误差检验具体如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，其特征在于，包括以下步骤：获取指定区域内的历史特征数据和共享单车的历史需求量数据；合并历史需求量数据和历史特征数据得到时间序列数据集，对时间序列数据集进行预处理和相关性分析，将经过预处理和相关性分析的时间序列数据集划分为训练集、验证集和测试集；将测试集的数据输入至Attention
‑
LSTM模型，得到第一预测值，将训练集的数据和验证集的数据输入至LightGBM模型，得到第二预测值；利用BP神经网络将第一预测值和第二预测值进行融合，对融合结果进行评估，将评估后的融合结果作为共享单车需求量最终预测结果。2.如权利要求1所述的一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，其特征在于，所述共享单车的历史需求量包括常用用户需求量、临时用户需求量以及总需求量，历史特征数据包括季节、日期、节假日、天气类别、体表温度、温度和湿度。3.如权利要求2所述的一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，其特征在于，所述天气数据为该指定区域最邻近气象观测站的气象数据，共享单车需求量数据、体表温度、温度和湿度的记录时间间隔均为1小时。4.如权利要求1所述的一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，其特征在于，所述对时间序列数据集进行数据预处理和数据相关性分析具体如下：根据时间刻度将历史需求量数据与历史特征数据合并，构建共享单车需求量的时间序列数据集；将时间序列数据集中的季节、节假日和天气类别数据转换为类别型数据，时间序列数据集中的其他特征数据转化为浮点型数据；检查转化后的时间序列数据集中的历史特征数据是否存在缺失数据，若存在单点缺失数据，使用三次样条插值对缺失值进行填充，若存在连续缺失数据的部分，删除其在时间序列数据集中的对应时间的数据；采用箱线图对时间序列数据集的所有特征进行检测，将内限和外限以外的数据识别为异常值，并删除异常值。5.如权利要求1所述的一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，其特征在于，S2所述对经过数据预处理的时间序列数据集进行数据相关性分析具体如下：采用Spearman相关系数对经过数据预处理的时间序列数据集的各项特征进行相关性分析，获取对共享单车需求量影响较大的特征，删除相关性较小的特征。6.如权利要求1所述的一种基于Attention
‑
LSTM
‑
LightGBM的共享单车需求量预测方法，其特征在于，所述Attention
‑
LSTM模型具体如下：初始化注意力权重，将时间步长为L的多元天气输入数据乘注意力初始权重，对重要的时间步和多元天气输入数据分别进行重要性抽样，公式如下：X＝(x1，x2，...，x
24

【专利技术属性】
技术研发人员：张瑞轩，张宇航，何佳磊，刘冰慈，李郅，孙健，
申请(专利权)人：长安大学，
类型：发明
国别省市：