软件学报

作者：乔少杰，韩楠，岳昆，易玉根，黄发良，元昌安，丁鹏，Louis Alberto GUTIERREZ

单位：乔少杰，成都信息工程大学 软件工程学院, 四川 成都 61022511,韩楠，成都信息工程大学 管理学院, 四川 成都 61022502,岳昆，云南大学信息学院, 云南 昆明 65050403,易玉根，江西师范大学 软件学院, 江西 南昌 33002204,黄发良，南宁师范大学 计算机与信息工程学院, 广西 南宁 53002305,元昌安，广西教育学院, 广西 南宁 53002306,丁鹏，成都信息工程大学 软件工程学院, 四川 成都 61022507,Louis Alberto GUTIERREZ，Department of Computer Science, Rensselaer Polytechnic Institute, New York, USA08

关键词：共享单车系统;单车转移网络;站点聚类;数据场;LSTM网络

基金：国家自然科学基金(61772091,61802035,61962006,62072311,U1802271,U2001212);四川省科技计划(2021JDJQ0021,2020YFG0153,20YYJC2785,2019YFS0067,2020YJ0481,2020YFS0466,2020YJ0430,2020YDR0164);CCF-华为数据库创新研究计划(CCF-HuaweiDBIR2020004A);广西自然科学基金(2018GXNSFDA138005)

共享单车系统日益普及,积累了海量的出行轨迹数据.在共享单车系统中,用户的借车和还车行为是随机的,且受天气、时间等动态因素影响,使得共享单车调度不平衡,影响单车用户体验,并给运营商造成巨大经济损失.提出了新型基于站点聚类的共享单车需求预测算法,通过构建单车转移网络计算站点活跃度,充分考虑站点地理位置和单车转移模式因素,基于数据场聚类思想,将距离相近和用车模式相似的站点聚合到一个聚簇中,给出最佳簇中心个数求取方法.充分分析时间和天气因素对站点单车需求的影响,利用皮尔逊相关系数,从真实天气数据中选择相关性最大的天气特征,结合历史聚簇内单车需求量,将其转化为三维向量,利用多特征长短时记忆深度神经网络LSTM (long short-term memory)对向量内的特征信息进行学习和训练,以30分钟为长时间间隔,对每个聚簇内的单车需求量进行预测分析.与传统机器学习算法和当前主流方法进行对比,实验结果表明,所提单车需求模型预测性能得到显著提升.

来源：2022年第4期

《软件学报》期刊编辑部

查看软件学报杂志2022年第4期