基于LSTM与时空结合的共享单车站点需求量预测

由于不同站点的车辆需求存在着时空分布不均衡现象,特别是早晚高峰期人流量大和车辆使用量波动性大的站点,以往的基于历史系统出行数据、时间和天气数据进行预测的模型预测性能下降.为此,本文提出了一种基于LSTM与时空结合的方法对不同类型站点的车辆需求量进行细粒度预测,并与HA、BP神经网络和GBDT模型的预测结果进行比较.实验结果表明,在加入时空结合特征后,LSTM模型针对借还车辆较大和波动性大的站点预测误差小,能够很好地在站点需求量变化大时跟踪其变化趋势.