《共享單車站點(diǎn)需求預(yù)測模型分析綜述》1500字

共享單車站點(diǎn)需求預(yù)測模型分析綜述1.1問題描述共享單車需求預(yù)測的目的是合理的規(guī)劃單車系統(tǒng)，在精確評估用戶的出行需求的基礎(chǔ)上，及時在各站點(diǎn)投放單車數(shù)量，協(xié)調(diào)站點(diǎn)之間的單車需求，快速的響應(yīng)調(diào)度需求，提升用戶出行滿意度。一般來說，各個站點(diǎn)共享單車的需求量受天氣、時間、季節(jié)、濕度等諸多因素的影響。共享單車需求量與用戶的特征、出行時間以及空間分布特征密切相關(guān)。由第二章對線性回歸原理的描述可知，輸入變量為影響站點(diǎn)單車需求量的特征因素，輸出值為各站點(diǎn)共享單車在某一時間段的需求量。而如何建立共享單車需求量與這些因素之間的數(shù)學(xué)模型，是共享單車需求預(yù)測要解決的關(guān)鍵問題。目前，常用的預(yù)測模型包括線性回歸模型、嶺回歸模型和神經(jīng)網(wǎng)絡(luò)模型。接下來，將對上述三個模型的基本原理進(jìn)行簡要概述。1.2共享單車需求預(yù)測模型基于影響站點(diǎn)共享單車的需求量的特征因素建立如公式3-1的模型，為各個特征因素，為各個特征因素的權(quán)重，通過建立線性模型，可以預(yù)測到未來某一段時間的站點(diǎn)單車需求量。1.2.1基于線性回歸模型的共享單車需求預(yù)測為求解出最佳參數(shù)，需要一個評價指標(biāo)來對預(yù)測結(jié)果進(jìn)行衡量，比較預(yù)測值與站點(diǎn)實際的單車數(shù)量的差值，將差值作為調(diào)度車輛對各個站點(diǎn)單車數(shù)量的調(diào)度依據(jù)，因此，需要定義一個目標(biāo)函數(shù)式，在求解過程中不斷地優(yōu)化參數(shù)，提高預(yù)測準(zhǔn)確率。預(yù)測問題中，模型效果的評估可以通過多種方法，如準(zhǔn)確率、精確率、召回率、均方根誤差、根均方誤差、絕對百分比誤差、曲線。根據(jù)不同的任務(wù)背景，評估指標(biāo)的選擇不同，可以分為分類指標(biāo)、回歸指標(biāo)、聚類指標(biāo)和排序指標(biāo)。本文采用均方誤差計算模型預(yù)測值與真實值之間的誤差，如公式4-3所示：即預(yù)測值與真實值之間的平均的平方距離，將模型函數(shù)式代入損失函數(shù)中，將需要迭代求解的參數(shù)和看作是函數(shù)Loss的自變量，可得：接下來的任務(wù)是求解當(dāng)Loss函數(shù)值最小時和的值，即損失函數(shù)越小越好，損失函數(shù)越小，說明預(yù)測值與真實值越接近。

最小化損失函數(shù)一般用梯度下降法，其核心內(nèi)容是對自變量進(jìn)行不斷的更新參數(shù)和，使目標(biāo)函數(shù)不斷逼近最小值的過程,可用如下公式表示：其中和表示損失函數(shù)分別對參數(shù)和參數(shù)求導(dǎo)。學(xué)習(xí)率一般情況下默認(rèn)為0.1。1.2.2基于嶺回歸模型的共享單車需求預(yù)測普通線性回歸模型使用梯度下降法最小化損失函數(shù)，尋找最優(yōu)模型參數(shù)的過程中，少數(shù)異常樣本數(shù)據(jù)會對模型參數(shù)產(chǎn)生影響，在訓(xùn)練過程中無法識別異常值對模型產(chǎn)生的影響，因此，嶺回歸在損失函數(shù)中增加了正則項參數(shù)，減少異常樣本對模型參數(shù)的影響，提高模型對正常樣本的擬合精度。嶺回歸將求解的過程轉(zhuǎn)化為一個帶條件的最優(yōu)化問題,然后用最小二乘法求解。嶺回歸在多元線性回歸的損失函數(shù)上加上了正則項,表達(dá)為系數(shù)的L2范式(即系數(shù)的平方項)乘以正則化系數(shù)，公式如下： 為Loss損失函數(shù)部分，正則項為對公式3-6求導(dǎo)：只要式3-7中的存在逆矩陣，就可以求解出。1.2.3基于神經(jīng)網(wǎng)絡(luò)模型的共享單車需求預(yù)測在本文的模型中，輸入變量為特征向量，即上文中的溫度、時間、天氣等數(shù)據(jù)，輸出則是共享單車站點(diǎn)需求量。針對輸入向量，增加一個恒為1的項，稱為偏差單元。使用神經(jīng)網(wǎng)絡(luò)解決預(yù)測問題時，可以使用函數(shù)，寫為：

其中表示為影響共享單車數(shù)量的屬性，表示每一個特征屬性所對應(yīng)的權(quán)重，函數(shù)為激活函數(shù)，考慮到站點(diǎn)的共享單車需求量為負(fù)時的輸出為0，故選擇為激活函數(shù)，表達(dá)式為：在式3-9中，y代表輸出值，即站點(diǎn)共享單車的需求量。如圖3-1，輸入數(shù)據(jù)表示溫度、時間、天氣等數(shù)據(jù)，為輸入數(shù)據(jù)權(quán)重，不同的輸入數(shù)據(jù)對最后的預(yù)測值的影響程度不同。圖1.1神經(jīng)網(wǎng)絡(luò)模型根據(jù)本文設(shè)置的參數(shù)計算最后的預(yù)測值，第一層為輸入值，將第一層的值帶入公式3-9中，得到的結(jié)果作為第二層的輸入，以此類推，完成所有層的計算。相關(guān)的參數(shù)設(shè)置如下：(1):設(shè)置為0.0