摘要：共享单车需求在时空上波动显著，精准预测对优化调度至关重要。传统机器学习难以处理复杂时序依赖，而LSTM凭借其长期依赖捕捉能力，为该问题提供了有效的解决方案。

论文概述

共享单车需求在时空上波动显著，精准预测对优化调度至关重要。传统机器学习难以处理复杂时序依赖，而LSTM凭借其长期依赖捕捉能力，为该问题提供了有效的解决方案。

本文以UCI机器学习库中的华盛顿特区共享单车数据集为研究对象，对2011年至2012年间按小时记录的17379条骑行数据进行深入分析和建模。通过独热编码、标准化处理和滑动窗口序列构造等预处理操作，构建并训练三层堆叠的LSTM模型，结合批归一化、Dropout正则化、Adam优化器、学习率自适应调度以及早停策略进行系统优化。

实验结果表明，所提出的LSTM模型在总骑行人数预测任务上取得了R²=0.8939、RMSE=61.21、MAE=40.35的性能指标，综合性能优于SVR（R²=0.582）和随机森林（R²=0.766）等传统方法，与GRU相比也具备相当的竞争力。

统计信息

论文目录

配套项目

项目代码：基于LSTM的共享单车需求预测研究 需要另外购买。

作者信息

作者：Bob (张家梁)
论文编号：Doc-1
原创声明：本项目为原创作品

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。

版权声明：本站除特别标注外的所有源码与资料均为原创，受《中华人民共和国著作权法》等相关法律保护。未经本站事先书面许可，任何个人或机构不得以复制、转载、爬取、汇编、改写、引用等方式使用本站内容，不得将本站内容发布或用于任何形式的商业活动。对未经授权使用本站内容的行为，本站保留追究法律责任的权利，包括但不限于要求删除、赔偿、诉讼等。如认为本站内容侵犯其合法权益，请提供权属证明并联系我们，我们将在核实后依法及时处理。