[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

说明书

本发明公开了一种城市公共自行车站点租还需求量预测方法及系统，涉及智能交通和数据挖掘技术领域，首先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；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；从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；将组合数据集中待预测站点的任务集输入最终LightGBM预测模型，得到预测结果。本发明解决了城市公共自行车租还需求预测这一问题，具有可操作性强、准确度高、高效、适用范围广的优点。

技术领域

本发明涉及智能交通和数据挖掘技术领域，更具体的说是涉及一种城市公共自行车站点租还需求量预测方法及系统。

背景技术

如今限制公共自行车系统服务水平的最主要问题仍体现在供需矛盾上，由于城市人口以及建筑设施分布不均衡，大部分站点租还需求量变化存在较大差异，加之实际调度工作难以即时响应，使得部分站点出现“无车可借”或“无车可还”的问题，极大影响用户对系统服务满意程度。目前关于公共自行车需求分析以两类为主，一是基于时空大数据的时空特征分析，二是基于问卷访问数据的主观意愿分析，两个方法都有着不足之处，因此，如何提供一种可操作性强、准确性高的方法对自行车站点租还需求量进行预测，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种城市公共自行车站点租还需求量预测方法及系统。

为了实现上述目的，本发明提供如下技术方案：

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，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。

可选的，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；