基于因果分析和相似日选择的共享单车需求量预测组合模型

作者：徐长兴; 汪伟平^*; 昌锡铭; 包旭; 吴建军

来源：山东科学, 2021, 34(02): 54-64.

• 共享单车
• 出行需求
• 因果分析
• 灰色关联度
• 相似日
• 机器学习
• Stacking策略

共享单车的需求量预测是优化车辆系统布局、实现车辆合理调度的基础。为了提高共享单车需求量预测模型的精度,建立了基于格兰杰因果分析和相似日选择的组合预测模型,研究了时间和天气因素对共享单车出行需求的影响。应用格兰杰因果检验方法,筛选出影响共享单车需求量变化的关键天气指标。然后,基于天气特征向量的灰色关联度指标,提取待预测日各时段的相似日样本集。综合随机森林回归、支持向量回归等机器学习算法,建立了Stacking策略的组合预测模型,对区域分时共享单车需求量进行预测。最后,对北京市共享单车用户的骑行数据进行实例分析。结果表明相较单个机器学习预测模型,提出的组合预测模型的平均绝对百分比误差下降了9.1%,提高了共享单车短时需求预测的科学性和准确性,可为实际车辆调度提供参考依据。

• 单位
  淮阴工学院; 北京交通大学; 轨道交通控制与安全国家重点实验室