[发明专利]一种基于多源数据融合的公共自行车租借预测方法

说明书

技术领域

本发明属于城市智能公共交通系统技术领域，涉及一种基于多源数据融合的公共自行车租借预测方法，特别是对各公共自行车站点内不同时段自行车租借数量进行预测的方法。

背景技术

公共自行车系统作为城市公共交通的一部分，具有无污染、机动性强等优点，可以有效地缓解城市交通压力，减少二氧化碳排放，改善城市环境。由于市民出行的流动性和潮汐性，在某些时间段会出现无自行车可借、无空位可还的问题。城市智能交通系统(Intelligent Transportation System，简称ITS)是将先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。可以用于解决城市公共交通领域出现的诸多问题。

公共自行车租借数量预测是城市智能交通系统的一部分，其目的是准确地预测各公共自行车站点不同时间段内自行车租借数量，从而提前展开调度措施，有效解决“租/还车难”问题。

目前，国内外在此领域的研究较少，且大部分是针对机动车领域的预测。在这些研究中，提出的主要方法包括：历史平均模型，自回归模型，多元回归模型，非参数回归模型，卡尔曼滤波模型，神经网络模型，支持向量机模型等。但是由于公共自行车的特殊性，这些方法对于该领域的预测并不是很适合。历史平均模型和回归分析模型均假设交通流量是遵循严格的周期性，而公共自行车租借存在着不确定性、非线性、非周期性的特点。卡尔曼滤波模型在较短时间间隔的交通流量预测上并不是很适合。支持向量机模型在使用大量真实数据进行交通流量预测时表现较差。而神经网络模型根据输入输出进行建模，是一种并行的计算模型，运算速度较快，并且拥有很好的非线性映射能力和自学性、自适应的能力。但是传统的神经网络模型也存在着收敛速度慢、容易陷入局部最优的缺点。

发明内容

本发明的目的是为了克服单一预测模型的不足，提出一种基于多源数据融合的公共自行车租借预测方法。本发明对传统方法进行了改进和融合，在聚类分析的基础上使用朴素贝叶斯分类算法进行租借模式预测，对不同的租借模式分别训练各自的自适应粒子群神经网络模型，并使用这些模型预测不同租借模式下的公共自行车的租借数量，提高租借预测精确度。

本发明解决其技术问题采用的技术方案的具体步骤如下：

本发明具体包括如下步骤：

步骤(1)数据采集与处理：

读取公共自行车系统中存储的用户租车记录，计算各站点每隔时间段time剩余公共自行车数量，建立向量N_date＝[n₁,n₂,...,n_j,...,n_M]，M为时间段总数；从互联网上获取历史天气状况、气温和节假日情况，建立环境属性向量S＝{S₁,S₂,...,S_i,...,S_L}，S_i＝[d,w,t],L为数据样本集中样本的个数；M、L、i和j均为正整数，其中j≤M,i≤L；

所述的用户租车记录包括租借时间、租借站点、租借车桩号、还车时间、还车站点、还车车桩号；

n_j表示第j个时间段time该站点内剩余自行车数量；

S_i表示第i天的环境属性；

d表示当天的节假日属性，d的取值为

w表示天气状况，w的取值为

t表示气温，t的取值为

步骤(2)K-means聚类：

N_date＝[n₁,n₂,...,n_j,...,n_M]作为待分类的数据样本集中的一个数据元组；从数据样本集中随机选取k个点作为初始类中心，分别用μ₁,μ₂,...,μ_k表示类c₁,c₂,...,c_k的类中心；其中，k为正整数；

K-means聚类算法包括如下步骤：

2-1.计算其余的数据元组N_i与类中心μ_k的距离，将其余的数据元组N_i分到与其距离最短的类中；