[发明专利]一种城市公共自行车站点租还需求量预测方法及系统

权利要求书

1.一种基于KNN-LightGBM组合算法的城市公共自行车站点租还需求量预测方法，其特征在于，包括以下步骤：

步骤1、采集区域内公共自行车站点的历史租/还数据以及外部特征集；

步骤2、以站点为单位，根据预设时间步长对历史租/还数据进行预设时间段内的时间序列重采样，并与外部特征集组合，得到组合数据集；

步骤3、从所述组合数据集中划分出训练集、测试集和任务集，基于KNN算法，使用训练集和测试集对LightGBM预测模型进行训练和测试，得到最终LightGBM预测模型；

步骤4、将组合数据集中待预测站点的任务集数据输入最终LightGBM预测模型，得到预测结果。

2.根据权利要求1所述的一种基于KNN-LightGBM组合算法的城市公共自行车站点租还需求量预测方法，其特征在于，所述步骤3中，基于KNN算法，使用训练集和测试集对LightGBM预测模型进行训练和测试，得到最终LightGBM预测模型的具体方法为：

步骤3.1、基于训练集数据，构建每个站点的历史租/还量平均向量矩阵；

步骤3.2、使用回归模型计算待预测站点和其他每个站点的历史租/还量平均向量间余弦相似度，并按照大小进行排序，得到相似度集合D；

步骤3.3、设置KNN搜索近邻初始数量为k＝1；

步骤3.4、从相似度集合D中按照数值从大到小确定前k个站点，取所述前k个站点的时间序列，结合待预测站点的时间序列和外部特征集，组合得到输入向量X_input；

步骤3.5、将输入向量X_input输入LightGBM预测模型中；

步骤3.6、采用最速下降法对LightGBM预测模型进行参数调整至最优，基于预测结果和实际租/还量，得到预测准确度；

步骤3.7、令k＝k+1，返回步骤3.4，当满足停止条件时，即停止循环过程，进入步骤3.8；

步骤3.8、将测试集输入该训练的LightGBM预测模型进行数据预测，并对预测准确度进行测试判定，若未通过测试判定，则返回步骤3.3；若通过测试判定，则对比k轮循环所得到的预测准确度，取最大值对应k值下LightGBM预测模型的参数集方案，确定最终LightGBM预测模型。

3.根据权利要求2所述的一种基于KNN-LightGBM组合算法的城市公共自行车站点租还需求量预测方法，其特征在于，所述步骤3.2中，回归模型为最优回归模型，所述最优回归模型的选取方法为：

步骤a、使用传统OLS回归模型分别对空间滞后模型SLM和空间误差模型SEM进行测试，若输出结果中空间滞后模型SLM的拉格朗日乘数统计量LM-lag和空间误差模型SEM的拉格朗日乘数统计量LM-Error均低于预设阈值，则放弃空间计量模型，使用OLS回归模型作为最优回归模型；

步骤b、若空间滞后模型SLM的拉格朗日乘数统计量LM-lag和空间误差模型SEM的拉格朗日乘数统计量LM-Error中存在单项高于预设阈值，即当空间滞后模型SLM的拉格朗日乘数统计量LM-lag高于预设阈值时，选择空间滞后模型SLM作为最优回归模型，当空间误差模型SEM的拉格朗日乘数统计量LM-Error高于预设阈值时，选择空间误差模型SEM作为最优回归模型；

步骤c、若空间滞后模型SLM的拉格朗日乘数统计量LM-lag和空间误差模型SEM的拉格朗日乘数统计量LM-Error均高于预设阈值，则对比空间滞后模型SLM的稳健值和空间误差模型SEM的稳健值，选择两个稳健值中最大稳健值对应的回归模型作为最优回归模型，若两个稳健值相同，则取空间滞后模型SLM的拉格朗日乘数统计量LM-lag和空间误差模型SEM的拉格朗日乘数统计量LM-Error中较大数值所对应的回归模型作为最优回归模型。