申请/专利权人：北京交通大学

申请日：2020-10-21

公开（公告）日：2024-04-09

公开（公告）号：CN112258029B

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06Q30/0645;G06Q50/40;G06F18/23;G06F18/25;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.02.09#实质审查的生效;2021.01.22#公开

摘要：本发明涉及共享单车需求的预测方法，尤其涉及一种地铁站周边共享单车的需求预测方法，包括以下步骤：对各个地铁单车站的共享单车数据集以及各个地铁站的流量数据集进行聚类分析，得到地铁单车站的类别特征；根据各个地铁单车站的共享单车数据集确定每个地铁单车站的站点模式特征；将类别特征和站点模式特征输入至三层融合的SAP‑SF模型，三层融合的SAP‑SF模型输出各时段内共享单车的需求预测结果。本发明提出的地铁站周边共享单车的需求预测方法，解决了现有共享单车的需求预测方法不够准确的问题。

主权项：1.地铁站周边共享单车的需求预测方法，其特征在于，包括以下步骤：S1：数据的预处理对各个地铁单车站的共享单车数据集以及各个地铁站的地铁流量数据集进行聚类分析，得到地铁单车站的类别特征，其中，地铁单车站为以地铁站为中心以设定长度为半径所划定的范围；根据各个地铁单车站的共享单车数据集确定每个地铁单车站的站点模式特征，采用的确定方法为张量分解，采用所述张量分解确定每个地铁单车站的站点模式特征的具体步骤包括：将各个地铁单车站的共享单车数据构造成一个三阶张量XX∈RI×J×K，其中I是一周的天数，J是全天的时段个数，K是地铁单车站个数；采用Turker分解方法对X进行分解，Turker分解的公式是其中，是X的近似张量，AA∈RI×P，BB∈RJ×Q，CC∈RK×U是各个维度的因子矩阵，GG∈RP×Q×U是核心张量，ap，bq，cu是A，B，C中的元素值；Turker分解方法的参数P，Q，U根据参考文献和KL散度确定，其中P为日模式，Q为时间模式，U为站点模式；KL散度公式是其中Xi,j,k是X的元素值，是近似张量的元素值，δ是无穷小量；经过Turker分解可以得到地铁单车站维度的因子矩阵CC∈RK×U，因子矩阵CC∈RK×U表明总共K个地铁单车站点将会有U种模式，其中设为矩阵C第k行和u列的元素值，表示地铁单车站点k的模式u的值，得到每个地铁单车站U种模式的特征即站点模式特征；S2：单车数量的预测将S1步骤得到的类别特征和站点模式特征输入至三层融合的SAP-SF模型，三层融合的SAP-SF模型输出各时段内共享单车的需求预测结果，具体包括：采用机器学习模型作为基学习器来构建三层融合的SAP-SF模型，所述三层融合的SAP-SF模型包括第一层子模型、第二层子模型和第三层子模型，各层之间依次顺序连接，前一层的输出为后一层的输入；利用训练集数据，对三层融合的SAP-SF模型进行训练，所述训练集数据包括类别特征、站点模式特征、POI特征、天气特征和气象特征，其中，第一层子模型接收所述类别特征、所述站点模式特征、所述POI特征、所述天气特征和所述气象特征的输入，相应的第一层的输出的是使用z-score方法标准化第一层的输出结果并将输出结果输入至第二层子模型，第二层子模型输出的结果输入至第三层子模型，第三层子模型输出的加权组合表示其中PSAP-SF表示每个地铁单车站每小时的共享单车数量，代表子模型w第二层子模型的输出，为第二层子模型w对应的权重；将预测集数据输入训练完成的SAP-SF模型，输出各时段内共享单车的预测值。

全文数据：

权利要求：

百度查询： 北京交通大学 地铁站周边共享单车的需求预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD