[发明专利]一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统

权利要求书

1.一种改进SGM(1,1)模型的共享单车短时需求预测方法及系统，其特征在于，包括以下步骤：

S1、基于共享单车原始骑行数据，建立季节性GM(1,1)模型即SGM(1,1)模型，得出初始共享单车短时需求预测值；

S2、利用Markov模型对SGM(1,1)模型的残差进行改进，得到最终预测值；

S3、基于Matlab R2020b制作共享单车短时需求预测可视化系统。

2.根据权利要求1所述的一种改进SGM(1,1)模型的共享单车短时需求预测方法，其特征在于，步骤S1具体包括：

基于共享单车骑行数据建立初始非负序列，记为

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))；

其中，x⁽⁰⁾为初始共享单车需求序列，x⁽⁰⁾(k)为历史共享单车需求数据，x⁽⁰⁾(k)≥0,k＝1,2,...n，k为第k个骑行数据，n为骑行数据的个数；

对原始共享单车需求序列取q为一个循环，采用循环截断累加生成算子CTAGO得到新的序列：

y⁽⁰⁾＝(y⁽⁰⁾(1),y⁽⁰⁾(2),…,y⁽⁰⁾(r)),r＝1,2,…,n-q+1；

其中，

对新的序列y⁽⁰⁾进行一次累加操作生成的1-AGO序列为：

y⁽¹⁾＝(y⁽¹⁾(1),y⁽¹⁾(2),…,y⁽¹⁾(n))；

其中，

SGM(1,1)模型的基本形式定义为：

y⁽⁰⁾(k)+az⁽¹⁾(k)＝b；

其中，参数a,b由最小二乘法求解得：

p＝(a,b)^T＝(B^TB)^-1B^TY；

SGM(1,1)模型的时间响应序列为：

将进行一次累减得到：

将还原后得到初始共享单车短时需求预测值：

3.根据权利要求2所述的一种改进SGM(1,1)模型的共享单车短时需求预测方法，其特征在于，步骤S2具体包括：

由初步预测结果得到残差序列

ε⁽⁰⁾＝(ε⁽⁰⁾(1),…,ε⁽⁰⁾(n))；

其中，k为第k个预测数据，n为预测数据的个数；

将残差序列划分为s个状态，记作E＝{E₁,E₂,…,E_s}；

计算状态转移概率矩阵：

其中，分别表示状态E_i经过m步转移到状态E_j的概率和次数，M_i为状态E_i出现的次数；

根据新信息优先原理，以残差序列中待修正元素的前s个元素的状态为原始状态，依据其离待修正元素的远近分别转移1,2,…,s步，在转移步数所对应的转移矩阵中，取原始状态所对应的行向量组成新的概率矩阵。对新的概率矩阵的列向量求和，得到待修正元素在每个状态区间的概率矩阵p＝[p₁,…,p_s]，通过加权平均得到修正的残差值

其中，ν_i为E_i状态区间的中心，即两端点的平均值；

得到最终预测值