原文传递
基于深度学习的共享单车需求预测及调度方法研究
| 论文题名： | 基于深度学习的共享单车需求预测及调度方法研究 |
| 关键词： | 共享单车;需求预测;长短时记忆神经网络;调度优化模型;改进蚁群算法 |
| 摘要： | 随着碳中和、碳达峰理念的推进，绿色、环保、低碳的慢行交通系统深受人们喜爱。在打造城市慢行交通系统的过程中，自行车出行比例也在逐步提高。作为共享经济和互联网移动支付的产物——共享单车，因其方便、快捷的特点得到快速发展，在很大程度上满足了公众对于短距离出行的需求，同时也在引领公众形成绿色出行、低碳生活的习惯。 但是共享单车在投入市场运营过程中也暴露出很多问题，如大量投放浪费公共资源、乱停乱放占用其他公共资源、影响交通秩序、单车时空分布不均衡难以满足用户需求。这些问题也是城市发展面临的挑战。因此，本文利用深度学习方法在准确预测出行需求并进行调度优化，为城市管理者进行精细化管理提供依据。各部分研究工作如下。 （1）对已经获取的CitiBike共享单车历史骑行数据进行预处理及分析，研究共享单车影响因素及时空分布特性。根据历史骑行订单数据，对于影响用户出行流量的年龄、性别、骑行持续时间等因素在不同时间维度（工作日、非工作日、24小时）进行分析，得到客流在时间上的分布情况。通过对订单数据分类汇总得到不同停放站点的发生量和吸引量。 （2）利用时间序列分解法将原始共享单车流量序列分解为趋势序列、季节性序列和残差序列，将每个子系列分别带入长短时记忆神经网络模型进行预测，将长短时记忆神经网络模型生成的预测值合并为最终预测值。选用没有分解的长短时记忆神经网络和门控循环单元与本文提出的预测方法进行对比，对比结果表明，本文提出模型的预测结果更接近真实值，预测精度更高。 （3）以调度成本最小化建立了共享单车调度优化模型，为了使蚁群算法适应共享单车调度问题，引入实际调度量对蚁群算法改进后求解调度优化模型，选取共享单车需求量较大的区域验证算法的可行性。 |
| 作者： | 郭海波 |
| 专业： | 交通运输工程 |
| 导师： | 于德新 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
