[发明专利]一种基于INLA算法的共享单车使用需求预测方法及预测系统

说明书

一种基于INLA算法的共享单车使用需求预测方法及预测系统，本发明涉及基于INLA算法的共享单车使用需求预测方法及预测系统。本发明的目的是为了解决现有技术采用贝叶斯模型进行共享单车使用需求的预测过程中耗时长，预测结果的准确性低的问题。过程为：1：选取影响共享单车使用需求的多源数据，进行预处理，对预处理后数据进行归一化处理；2：建立三种共享单车使用需求的贝叶斯时空模型；3：选定贝叶斯最优拟合模型；4：获得最优共享单车区域使用需求模型；5：进行某时间段内不同区域的共享单车使用需求预测，获得预测结果数据，获得某时间段内不同区域的共享单车使用需求的时空分布图。本发明属于智慧交通和信息技术领域。

技术领域

本发明属于智慧交通和信息技术领域，具体涉及基于INLA(Integrated NestedLaplace Approximation)算法的共享单车使用需求预测方法及预测系统。

背景技术

共享单车作为一种新型的短途旅行中经常被使用到的交通工具越来越受到出行者的关注，它有效地解决了出行的“最后一公里”问题。实际的数据显示，共享单车出行需求的产生在时间和空间的相关性非常显著，并且同时也会受到气象因素等的影响。随着统计学理论和信息技术的发展，基于贝叶斯理论的预测模型由于其高效的拟合速度和拟合精度被广泛应用于不同领域。针对在通过贝叶斯统计获得后验分布的过程中经常会遇到复杂函数的情况，有部分学者提出采用马尔科夫链蒙特卡洛算法来进行统计推断，该算法是通过抽样技术构造马尔科夫链进而获得参数的后验分布，其在一定程度上解决了高维积分的问题。

目前存在共享单车区域分配不合理，某区域某时刻共享单车的使用需求不能得到满足或者某区域某时刻的共享单车投放数量过多而造成资源浪费，可见对共享单车使用需求的预测十分重要，各种研究表明，共享单车的使用需求呈现出显著的时间和空间相关特性。但是大部分基于贝叶斯模型的相关研究没有将共享单车的时间依赖特征和空间相关性特征有效的整合在一起，仅从时间或空间的维度难以很好地解释特定地点时空条件下共享单车的使用需求问题。并且在实际应用贝叶斯模型进行共享单车使用需求的预测过程中，需要使用的数据维度较大，这时基于马尔科夫链蒙特卡洛算法获得后验分布时需要进行多重迭代抽样，这会导致参数的计算耗时较长，预测结果的准确性低。

发明内容

本发明的目的是为了解决现有技术采用贝叶斯模型进行共享单车使用需求的预测过程中耗时长，预测结果的准确性低的问题，而提出一种基于INLA算法的共享单车使用需求预测方法及预测系统。

一种基于INLA算法的共享单车使用需求预测方法具体过程为：

步骤1：选取影响共享单车使用需求的多源数据，对选取的影响共享单车使用需求的多源数据进行预处理，对预处理后数据进行归一化处理，得到归一化处理后的数据；

步骤2：建立三种共享单车使用需求的贝叶斯时空模型；

步骤3：利用步骤1归一化处理后的数据对步骤2建立的三种共享单车使用需求的贝叶斯时空模型分别进行拟合，计算拟合后的不同贝叶斯时空模型的偏差信息准则DIC值，比较DIC值的大小，选择DIC值最小时对应的时空模型为选定的贝叶斯最优拟合模型；

步骤4：利用INLA方法对选定的贝叶斯最优拟合模型进行分析预测，获得最优共享单车区域使用需求模型；

步骤5：采用最优共享单车区域使用需求模型进行某时间段内不同区域的共享单车使用需求预测，获得预测结果数据，采用ArcGIS 10.3软件对获得的预测结果数据进行可视化，获得某时间段内不同区域的共享单车使用需求的时空分布图。

一种基于INLA算法的共享单车使用需求预测系统用于执行一种基于INLA算法的共享单车使用需求预测方法。

本发明的有益效果为：