[发明专利]一种共享自行车需求量预测方法、装置、设备及存储介质

说明书

本申请公开了一种共享自行车需求量预测方法、装置、设备及存储介质，该方法包括：获取设定时间段内共享自行车在多个桩的借车数据及还车数据；设定时间段分为训练时间段和验证时间段；将训练时间段获取的数据作为训练集，通过训练集进行回归模型的构建，以及将验证时间段获取的数据作为验证集，通过验证集进行回归模型参数的确定；求出影响共享自行车需求量的因素权重并融入回归模型，得出时间序列加权回归模型；确定待测时间段内共享自行车在每个桩的需求量的预测结果。本申请建立的时间序列加权回归模型不需要大量的数据，能够充分同时考虑到多种影响共享自行车需求量的因素，不断地在原有模型基础上加上需要考虑的影响因素，具有较好的泛化性。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种共享自行车需求量预测方法、装置、设备及存储介质。

背景技术

在互联网技术的快速发展推动下，我们国家出现了越来越多的“共享经济”，近年来，以ofo，摩拜，永安等为代表的企业，依托于现在迅速发展的互联网产业，推出了共享自行车，并且在短短两年内，城市共享单车体系逐步渗透到各个城市中，给公众出行的“最后一公里”带来极大便利。

但是，随着用户使用量增长和频度的增加，共享自行车优化运营效率是随之而来的重要课题。随着企业的竞争影响，用户在使用共享自行车的时候，有时会遇到“一车难求”，有时也会遇到“车满为患”。并且太多的共享自行车喷发式的投入，给本来就拥挤的城市街道带来了极大的压力。因此，我们的企业和政府相关部门必须要采取有效措施，建立起鲁棒性较强的预测模型，统筹规划调度共享自行车，让共享经济能够达到利益的最大化，让人们需要的时候有车骑，同时也不会对城市造成负担。

同时，站在城市管理的角度上，共享自行车的使用状况也投射出城市人口流动特征，对城市规划、城市交通管理有重要参考价值。因此，在中国发展公共自行车、研究公共自行车对于这种低碳出行方式未来在全世界的发展都具有重要的意义。

现如今，对于该类问题最相似的实现方案是把问题当成传统时间序列问题，以统计学的方法—自回归积分滑动平均模型(ARIMA模型)进行建模处理，将时间序列数值进行差分求得为平稳差分序列，并确定出自回归项p和移动平均项q。我们会把共享自行车每天的借车数据和还车数据导入ARIMA模型中，求出需要的参数后则对其接下来进行预测。但是采用ARIMA模型要求时序数据是稳定的(stationary)，或者是通过差分化(differencing)后是稳定的。但是对于共享自行车的需求量这个问题来说，可能会受到天气以及节假日的影响，造成数列不稳定的。另外，ARIMA模型本质上只能捕捉线性关系，而不能捕捉非线性关系；由于城市规划的变革，会有部分自行车桩点的迁移，改建的影响，会导致自行车借还车在时序上出现断层等情况，会导致数据的变成非线性数据。若ARIMA模型要捕捉时序中的周期性或季节性因素的话，需要有大量的数据，但是由于共享自行车是在近几年开始兴起，因此数据量可能不能满足模型的需求。

发明内容

有鉴于此，本发明的目的在于提供一种共享自行车需求量预测方法、装置、设备及存储介质，不需要大量的数据，且能够在原有模型基础上加上需要考虑的影响因素，具有较好的泛化性。其具体方案如下：

一种共享自行车需求量预测方法，包括：

获取设定时间段内共享自行车在多个桩的借车数据及还车数据；所述设定时间段分为训练时间段和验证时间段；

在线下将所述训练时间段获取的数据作为训练集，通过所述训练集进行回归模型的构建，以及将所述验证时间段获取的数据作为验证集，通过所述验证集进行所述回归模型参数的确定；

求出影响所述共享自行车需求量的因素权重并融入所述回归模型，得出时间序列加权回归模型；

通过所述时间序列加权模型确定待测时间段内共享自行车在每个桩的需求量的预测结果。