CN113191560A - 一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** - Google Patents
一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** Download PDFInfo
- Publication number
- CN113191560A CN113191560A CN202110502533.XA CN202110502533A CN113191560A CN 113191560 A CN113191560 A CN 113191560A CN 202110502533 A CN202110502533 A CN 202110502533A CN 113191560 A CN113191560 A CN 113191560A
- Authority
- CN
- China
- Prior art keywords
- model
- sgm
- sequence
- bicycle
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000012800 visualization Methods 0.000 claims abstract description 16
- 238000013277 forecasting method Methods 0.000 claims abstract description 7
- 230000001932 seasonal effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000000126 substance Substances 0.000 claims description 30
- 238000009825 accumulation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种改进SGM(1,1)模型的共享单车短时需求预测方法及***,基于共享单车原始骑行数据,建立季节性GM(1,1)模型(SGM(1,1)模型),得出初始共享单车短时需求预测值;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;基于MatlabR2020b制作共享单车短时需求预测可视化***。本发明首先基于共享单车原始骑行数据,建立SGM(1,1)模型,得出初始共享单车短时需求预测值;然后利用Markov模型对SGM(1,1)模型的残差进行改进,根据新信息优先原理选择残差序列,利用状态区间中值的期望对初始预测值的残差进行修正,提高了模型的预测精度;最后将所得结果以可视化***的方式呈现,有利于提高模型的运算效率,从而为实际的共享单车短时需求预测提供准确高效的参考。
Description
技术领域
本发明涉及共享单车预测方法技术领域,尤其涉及一种改进SGM(1,1)模型的共享单车短时需求预测方法及***。
背景技术
在共享经济的发展下,共享单车出现在了城市的大街小巷,绿色、低碳和健康的自行车出行方式正在被居民普遍接受。共享单车***能够有效解决用户短途出行问题,是城市交通***中的重要组成部分。准确的共享单车需求预测可以为共享单车运营部门和交通管理部门提供有效的决策支持,从而提高共享单车***的运行效率。目前,已有大量共享单车需求预测研究,如基于机器学习的预测方法,主要包括:神经网络模型、深度学习模型、遗传算法、随机森林算法、支持向量机算法等,这些方法通常可以结合多种因素包括温度、节假日、气候以及环境等来预测共享单车需求量,但是模型的可解释性差,计算效率低;基于概率统计理论的预测方法,主要包括:贝叶斯网络、马尔可夫模型等,这类方法对于随机性较强的共享单车需求预测效果较好,但不适合中长期预测;基于线性理论的预测模型,对原始数据的要求较高,在预测非线性和波动性较高的共享单车需求时,精度较差;基于非线性理论的预测模型,在共享单车需求预测领域应用较少,还有待继续研究。
发明内容
基于背景技术存在的问题,本发明提出了一种改进SGM(1,1)模型的共享单车短时需求预测方法及***。
本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及***,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(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***。
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;
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));
SGM(1,1)模型的基本形式可定义为:
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=(BTB)-1BTY;
SGM(1,1)模型的时间响应序列为:
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));
将残差序列划分为s个状态,记作E={E1,E2,…,Es};
计算状态转移概率矩阵:
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,…,ps],通过加权平均得到修正的残差值
得到最终预测值
其特征在于,步骤S3具体包括:
基于Matlab R2020b制作图形用户界面(GUI),在Command里面输入guide进入GUIDE,新建GUI;在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件,然后使用属性编辑器来设置属性;编辑回调函数CallBack;调用改进SGM(1,1)模型的函数;运行程序可以将运算结果和图像反馈在可视化***上。
本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测***,包括:
模型构建模块,用于基于初始共享单车需求序列建立SGM(1,1)模型,得出初始共享单车短时需求预测值;
残差改进模块,用于利用Markov模型对SGM(1,1)模型的残差进行改进,得到最终预测值;
创建GUI模块,用于制作共享单车短时需求预测可视化***。
优选地,所述模型构建模块具体用于:
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;
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));
SGM(1,1)模型的基本形式可定义为:
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=(BTB)-1BTY;
SGM(1,1)模型的时间响应序列为:
优选地,所述残差改进模块具体用于:
由初步预测结果得到残差序列
ε(0)=(ε(0)(1),…,ε(0)(n));
将残差序列划分为s个状态,记作E={E1,E2,…,Es};
计算状态转移概率矩阵:
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,…,ps],通过加权平均得到修正的残差值
得到最终预测值
优选地,所述创建GUI模块具体用于:
基于Matlab R2020b制作图形用户界面(GUI),在Command里面输入guide进入GUIDE,新建GUI;在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件,然后使用属性编辑器来设置属性;编辑回调函数CallBack;调用改进SGM(1,1)模型的函数;运行程序可以将运算结果和图像反馈在可视化***上。
本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及***,首先基于共享单车原始骑行数据,建立SGM(1,1)模型,得出初始共享单车短时需求预测值;然后利用Markov模型对SGM(1,1)模型的残差进行改进,根据新信息优先原理选择残差序列,利用状态区间中值的期望对初始预测值的残差进行修正,提高了模型的预测精度;最后将所得结果以可视化***的方式呈现,有利于提高模型的运算效率,从而为实际的共享单车短时需求预测提供准确高效的参考。
附图说明
图1为一种改进SGM(1,1)模型的共享单车短时需求预测方法的步骤示意图;
图2为一种改进SGM(1,1)模型的共享单车短时需求预测***的结构示意图;
图3为一种改进SGM(1,1)模型的共享单车短时需求预测方法及***的实施实例中原始数据与四种模型的预测结果比较图;
图4为一种改进SGM(1,1)模型的共享单车短时需求预测方法及***的实施实例中四种模型的预测结果误差比较图;
图5为一种改进SGM(1,1)模型的共享单车短时需求预测方法及***的可视化***初始界面图;
图6为一种改进SGM(1,1)模型的共享单车短时需求预测方法及***的可视化***运行界面图。
具体实施方式
如图1-图2所示,图1-图2为本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及***。
参照图1,本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法,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(SGM(1,1)模型),得出初始共享单车短时需求预测值;
本实施方式中,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;
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));
SGM(1,1)模型的基本形式可定义为:
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=(BTB)-1BTY;
SGM(1,1)模型的时间响应序列为:
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;
本实施方式中,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));
将残差序列划分为s个状态,记作E={E1,E2,…,Es};
计算状态转移概率矩阵:
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,…,ps],通过加权平均得到修正的残差值
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***。
本实施方式中,步骤S3具体包括:
基于Matlab R2020b制作图形用户界面(GUI),在Command里面输入guide进入GUIDE,新建GUI;在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件,然后使用属性编辑器来设置属性;编辑回调函数CallBack;调用改进SGM(1,1)模型的函数;运行程序可以将运算结果和图像反馈在可视化***上。
参照图2,图2为本发明提出的一种改进SGM(1,1)模型的共享单车短时需求预测***,包括:
模型构建模块,用于基于初始共享单车需求序列建立SGM(1,1)模型,得出初始共享单车短时需求预测值;
本实施方式中,所述模型构建模块具体用于:
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;
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));
SGM(1,1)模型的基本形式可定义为:
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=(BTB)-1BTY;
SGM(1,1)模型的时间响应序列为:
残差改进模块,用于利用Markov模型对SGM(1,1)模型的残差进行改进,得到最终预测值;
本实施方式中,所述残差改进模块具体用于:
由初步预测结果得到残差序列
ε(0)=(ε(0)(1),…,ε(0)(n));
将残差序列划分为s个状态,记作E={E1,E2,…,Es};
计算状态转移概率矩阵:
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,…,ps],通过加权平均得到修正的残差值
得到最终预测值
创建GUI模块,用于制作共享单车短时需求预测可视化***。
本实施方式中,所述创建GUI模块具体用于:
基于Matlab R2020b制作图形用户界面(GUI),在Command里面输入guide进入GUIDE,新建GUI;在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件,然后使用属性编辑器来设置属性;编辑回调函数CallBack;调用改进SGM(1,1)模型的函数;运行程序可以将运算结果和图像反馈在可视化***上。
本实施方式提出的一种改进SGM(1,1)模型的共享单车短时需求预测方法及***,首先基于共享单车原始骑行数据,建立SGM(1,1)模型,得出初始共享单车短时需求预测值;然后利用Markov模型对SGM(1,1)模型的残差进行改进,根据新信息优先原理选择残差序列,利用状态区间中值的期望对初始预测值的残差进行修正,提高了模型的预测精度;最后将所得结果以可视化***的方式呈现,有利于提高模型的运算效率,从而为实际的共享单车短时需求预测提供准确高效的参考。
下面结合实例对本发明做进一步说明:为了评价预测结果,本实施方式采取平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,指标计算公式如下:
MAPE值越小表明模型的精度越高。
将原始数据分别代入传统GM(1,1)模型,灰色Markov模型,SGM(1,1)模型和本实施方式提出的改进SGM(1,1)模型,验证模型精度。在改进SGM(1,1)模型的求解中利用新信息优先原理选取残差序列,考虑到残差序列分布较散,以样本均值和均方差为标准,将序列分为5个状态,分别为(如表1所示),相应的状态转移概率矩阵如下:
四个模型的预测结果及平均绝对百分比误差见表1、图3和图4。
表1四种模型预测结果比较
将所得结果以可视化***的方式呈现,呈现效果见图5和图6。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种改进SGM(1,1)模型的共享单车短时需求预测方法及***,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***。
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;
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));
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=(BTB)-1BTY;
SGM(1,1)模型的时间响应序列为:
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));
将残差序列划分为s个状态,记作E={E1,E2,…,Es};
计算状态转移概率矩阵:
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,…,ps],通过加权平均得到修正的残差值
得到最终预测值
4.根据权利要求3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S3具体包括:
基于Matlab R2020b制作图形用户界面(GUI),在Command里面输入guide进入GUIDE,新建GUI;在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件,然后使用属性编辑器来设置属性;编辑回调函数CallBack;调用改进SGM(1,1)模型的函数;运行程序可以将运算结果和图像反馈在可视化***上。
5.一种改进SGM(1,1)模型的共享单车短时需求预测***,其特征在于,包括:
模型构建模块,用于基于初始共享单车需求序列建立SGM(1,1)模型,得出初始共享单车短时需求预测值;
残差改进模块,用于利用Markov模型对SGM(1,1)模型的残差进行改进,得到最终预测值;
创建GUI模块,用于制作共享单车短时需求预测可视化***。
模型构建模块用于建立SGM(1,1)模型,残差改进模块用于改进SGM(1,1)模型,创建GUI模块用于将模型运算结果可视化。模型构建模块是残差改进模块的基础,创建GUI模块包含模型构建模块和残差改进模块。
6.根据权利要求5所述的一种改进SGM(1,1)模型的共享单车短时需求预测***,其特征在于,所述模型构建模块具体用于:
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;
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));
SGM(1,1)模型的基本形式可定义为:
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=(BTB)-1BTY;
SGM(1,1)模型的时间响应序列为:
7.根据权利要求6所述的一种改进SGM(1,1)模型的共享单车短时需求预测***,其特征在于,所述残差改进模块具体用于:
由初步预测结果得到残差序列
ε(0)=(ε(0)(1),…,ε(0)(n));
将残差序列划分为s个状态,记作E={E1,E2,…,Es};
计算状态转移概率矩阵:
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,…,ps],通过加权平均得到修正的残差值
得到最终预测值
8.根据权利要求7所述的一种改进SGM(1,1)模型的共享单车短时需求预测***,其特征在于,所述创建GUI模块具体用于:
基于Matlab R2020b制作图形用户界面(GUI),在Command里面输入guide进入GUIDE,新建GUI;在新建窗口中添加静态文本、编辑框、按钮、坐标轴等控件,然后使用属性编辑器来设置属性;编辑回调函数CallBack;调用改进SGM(1,1)模型的函数;运行程序可以将运算结果和图像反馈在可视化***上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502533.XA CN113191560B (zh) | 2021-05-08 | 2021-05-08 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502533.XA CN113191560B (zh) | 2021-05-08 | 2021-05-08 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191560A true CN113191560A (zh) | 2021-07-30 |
CN113191560B CN113191560B (zh) | 2024-06-07 |
Family
ID=76988683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110502533.XA Active CN113191560B (zh) | 2021-05-08 | 2021-05-08 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191560B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191834A (zh) * | 2019-12-26 | 2020-05-22 | 北京摩拜科技有限公司 | 用户行为的预测方法、装置及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源***输出功率的短期预测方法 |
CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
CN109637128A (zh) * | 2018-12-14 | 2019-04-16 | 南通大学 | 一种基于Markov的灰色Verhulst短时交通流预测方法及*** |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
-
2021
- 2021-05-08 CN CN202110502533.XA patent/CN113191560B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源***输出功率的短期预测方法 |
CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
CN109637128A (zh) * | 2018-12-14 | 2019-04-16 | 南通大学 | 一种基于Markov的灰色Verhulst短时交通流预测方法及*** |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
Non-Patent Citations (2)
Title |
---|
张磊;李世民;庞坤;徐礼;: "灰色Markov过程改进预测模型及其应用", 信息工程大学学报, no. 04, 15 August 2017 (2017-08-15) * |
沈琴琴;王;黄悦;刘恒孜;: "改进初值的灰色Verhulst-Markov模型及其应用", 统计与决策, no. 07, 31 December 2020 (2020-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191834A (zh) * | 2019-12-26 | 2020-05-22 | 北京摩拜科技有限公司 | 用户行为的预测方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN113191560B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
CN108629503B (zh) | 一种基于深度学习的出租车上车需求量的预测方法 | |
CN110992113A (zh) | 基于神经网络智能算法的基建变电站项目造价预测方法 | |
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及*** | |
CN109271465B (zh) | 一种基于云计算的水文数据分析及展示方法 | |
CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及*** | |
CN112650933B (zh) | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散***及方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
CN113191560A (zh) | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** | |
Tao et al. | Multiple information spatial–temporal attention based graph convolution network for traffic prediction | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
CN112766687B (zh) | 一种基于深度cnn的飞机总装物料配送优先级分配方法 | |
CN111161094A (zh) | 一种基于深度学习的电力工单诉求点识别方法 | |
CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、***、设备及介质 | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
CN116050460A (zh) | 基于注意力神经网络的气温数据空间插值方法 | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
CN114492905A (zh) | 基于多模型融合的客诉率预测方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |