基于AM-LSTM模型的共享單車時(shí)空需求預(yù)測

許淼，劉宏飛，初凱

（1.吉林大學(xué)交通學(xué)院，吉林長春 130022；2.吉林警察學(xué)院交通管理系吉林長春 130025）

共享單車作為一種短距離通勤工具，為人們提供了一種可持續(xù)、零排放的出行方式，有效緩解了城市交通擁堵，在世界各地的許多城市得到了廣泛應(yīng)用[1-2].截至2018 年，中國無樁式共享單車用戶規(guī)模達(dá)到了2.35 億人.然而，共享單車在迅速發(fā)展的同時(shí)，其時(shí)空需求的波動(dòng)，導(dǎo)致了城市區(qū)域間的單車分布不平衡，一方面，部分區(qū)域存在大量的“無效需求”；另一方面，卻造成部分地區(qū)“供不應(yīng)求”，增加了調(diào)度及分配的運(yùn)營成本.

國內(nèi)外學(xué)者為提高區(qū)域共享單車需求量的預(yù)測精度開展了大量研究工作.一方面，在出行模式的影響因素研究中，Gebhart 等[3]分析了天氣因素對有樁共享單車使用的影響，結(jié)果表明，寒冷、降雨和高濕度天氣會(huì)降低需求量和騎行時(shí)間；Bachand-Marleau等[4]針對社會(huì)經(jīng)濟(jì)和空間因素開展調(diào)研，分析了其對有樁共享單車使用頻率的影響.上述因素的研究雖然多針對有樁共享單車，但為分析無樁式共享單車的外部影響因素提供了很有價(jià)值的參考.另一方面，在預(yù)測模型的研究中，以大數(shù)據(jù)為支撐，深度學(xué)習(xí)在時(shí)間序列預(yù)測上得到了廣泛應(yīng)用[5-7].史越[8]利用小波神經(jīng)網(wǎng)絡(luò)預(yù)測共享單車的短時(shí)借還需求；宋鵬等[9]通過Matlab 構(gòu)建了基于不同核函數(shù)支持向量機(jī)的共享單車需求預(yù)測模型，驗(yàn)證了基于徑向基核函數(shù)的模型具有最好的預(yù)測效果；MA 等[10]基于微波傳感數(shù)據(jù)，利用LSTM（Long-short Term Memory network）模型預(yù)測交通速度，通過與其他常用的參數(shù)化和非參數(shù)化算法比較，表明了LSTM 神經(jīng)網(wǎng)絡(luò)在精度和穩(wěn)定性方面都能達(dá)到最佳的預(yù)測效果；XU 等[11]將大數(shù)據(jù)分析和LSTM 模型運(yùn)用到共享單車問題中，實(shí)現(xiàn)了單車需求量的預(yù)測.上述研究均在一定程度上實(shí)現(xiàn)了交通狀態(tài)的預(yù)測，但是單一的時(shí)序模型不能滿足精度要求，尤其是對具有明顯波動(dòng)的非嚴(yán)格周期數(shù)據(jù)需要改進(jìn)模型來實(shí)現(xiàn)更加精確的預(yù)測.

近年來，注意力機(jī)制（Attention Mechanism）在深度學(xué)習(xí)各個(gè)領(lǐng)域得到廣泛使用.Bahdanau 等[12]首次在利用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（Bidirectional Recurrent Neural Network，Bi-RNN）獲取語義特征過程中引入注意力機(jī)制，改進(jìn)了對長句子的翻譯效率和準(zhǔn)確度；XU 等[13]分別建立“hard”和“soft”注意力機(jī)制，并定量解釋了模型權(quán)重的生成過程.現(xiàn)有研究表明，AM 對序列學(xué)習(xí)任務(wù)具有巨大的提升作用，在編解碼器框架，即Encoder-Decoder 框架內(nèi)，通過在編碼端或解碼端引入AM，對源數(shù)據(jù)或目標(biāo)數(shù)據(jù)序列進(jìn)行數(shù)據(jù)加權(quán)變換，可以有效提高系統(tǒng)模型的性能.

本研究在綜合考慮共享單車用戶出行需求的波動(dòng)性及模型實(shí)效性的基礎(chǔ)上，分析用戶時(shí)空出行特征以及外部因素的影響.將注意力機(jī)制引入LSTM模型，構(gòu)建改進(jìn)的AM-LSTM 預(yù)測模型，捕捉時(shí)間序列中的非嚴(yán)格周期性特征，實(shí)現(xiàn)不同時(shí)空共享單車資源需求量的精準(zhǔn)預(yù)測，為城市共享單車的高效調(diào)度及分配提供方法支撐和研究途徑.

1 時(shí)空數(shù)據(jù)處理及影響因素分析

通過時(shí)空數(shù)據(jù)可視化方法獲取城市共享單車的出行特征[14]，對其影響因素進(jìn)行相關(guān)性分析，提取特征因素，建立模型特征值，挖掘數(shù)據(jù)內(nèi)在的隱含信息以及多源數(shù)據(jù)之間的實(shí)際關(guān)聯(lián)關(guān)系.

1.1 時(shí)空數(shù)據(jù)可視化

1.1.1 時(shí)間出行特征分析

首先對上海市MOBIKE 4 個(gè)自然周的共享單車數(shù)據(jù)進(jìn)行預(yù)處理.行程記錄數(shù)據(jù)包括每輛共享單車的ID 號(hào)、經(jīng)度、緯度、時(shí)間戳和鎖狀態(tài).其中，解鎖狀態(tài)記錄為0，關(guān)鎖狀態(tài)為1.利用Python 數(shù)據(jù)分析模塊Pandas，清除冗余數(shù)據(jù)，刪除無效信息，獲取解鎖狀態(tài)的單車行程數(shù)據(jù)，并以此計(jì)算不同區(qū)域內(nèi)各時(shí)間段共享單車的需求量.

以2 個(gè)自然周內(nèi)共享單車需求量為例進(jìn)行分析，如圖1 所示，單車需求量按天、周兩個(gè)模式呈周期性變化，并在工作日出現(xiàn)明顯的早晚高峰.但由于周五、周六和周日受天氣變化的影響，周對比曲線存在非一致性，需求量出現(xiàn)了局部時(shí)間變化現(xiàn)象.表明了上海市共享單車的出行特征具有短時(shí)和長時(shí)的周期特性，且存在局部時(shí)間周期性轉(zhuǎn)移變化.

圖1 共享單車需求量周對比曲線Fig.1 Weekly demand curves for bike sharing

1.1.2 空間出行特征分析

選取對日常通勤量影響較大的POI（Point of Interest），如地鐵站、公交站、住宅等，研究上海市POI分布對共享單車空間出行的影響.以地鐵站分布為例，利用GIS（Geographic Information System）點(diǎn)統(tǒng)計(jì)方法，對共享單車空間分布特征進(jìn)行可視化.如圖2（a）所示，單車熱點(diǎn)分布與POI 密集度分布相似，需求量高值分布區(qū)域與地鐵站位置密切相關(guān)，共享單車的使用圍繞地鐵站呈聚集現(xiàn)象，城市POI 分布對共享單車出行特征具有顯著影響.

圖2 空間分布熱力圖及中心城區(qū)TAZFig.2 Spatial distribution heatmap and central city's TAZ

由于上海市中心城區(qū)是POI 高密度分布區(qū)域，共享單車的需求量預(yù)測研究將針對該區(qū)域進(jìn)行.現(xiàn)有研究表明城市共享單車主要用于解決城市“最后一公里”出行問題[15]，傳統(tǒng)的交通小區(qū)（Traffic Analysis Zone，TAZ）劃分尺度會(huì)對共享單車的出行預(yù)測精度產(chǎn)生影響.因此，利用網(wǎng)格劃分法，對中心城區(qū)劃分出符合共享單車出行特征的TAZ.如圖2（b）所示，共構(gòu)建274 個(gè)平均大小為1 平方千米的TAZ，其中，邊界區(qū)域進(jìn)行了局部合并.

1.2 特征因素分析

上述分析表明，除時(shí)序數(shù)據(jù)中的時(shí)間相關(guān)因素外，外部因素包括POI 分布、是否為工作日以及天氣數(shù)據(jù)等也會(huì)對共享單車的使用產(chǎn)生影響.為明確影響因素與共享單車需求量的相互關(guān)系，對表1 所示的8 個(gè)影響因素及需求量進(jìn)行Spearman 相關(guān)系數(shù)分析.任意兩個(gè)因素定義為大小為N 的變量X 和Y，相關(guān)系數(shù)計(jì)算公式為：

將對應(yīng)元素變量xi和yi轉(zhuǎn)換為變量的秩次rg（xi）和rg（yi），且當(dāng)所有秩次不相同時(shí)，相關(guān)系數(shù)計(jì)算公式可以表示為：

表2 所示的相關(guān)系數(shù)矩陣采用了雙尾顯著性檢驗(yàn)的計(jì)算結(jié)果，可以看出，除壓力因素h 外，共享單車需求量與其他各因素均顯著性相關(guān)，且與天氣狀況和濕度因素呈負(fù)相關(guān).但由于下劃線標(biāo)注的兩處數(shù)據(jù)反映出b 和d 以及e 和f 均存在顯著相關(guān)性，因素內(nèi)部的強(qiáng)相關(guān)關(guān)系造成了影響因素的冗余，因此，不再將b 和f 作為模型特征因素進(jìn)行處理.

表1 影響因素?cái)?shù)據(jù)描述Tab.1 Data description of influencing factors

表2 影響因素相關(guān)系數(shù)矩陣Tab.2 Correlation coefficient matrix of influencing factors

2 AM-LSTM 模型原理及構(gòu)建

2.1 注意力機(jī)制原理

注意力機(jī)制就是通過計(jì)算輸入對輸出的影響程度來確定當(dāng)前輸入的權(quán)重，研究采用soft attention 模型[14]，結(jié)構(gòu)如圖3 所示.

圖3 注意力機(jī)制原理圖Fig.3 Schematic diagram of attention mechanism

為便于描述注意力機(jī)制（AM）的原理，令Encoder模型為S，輸入X 由n 個(gè)大小為m 的向量組成，在處理輸入數(shù)據(jù)的過程中，計(jì)算不同輸入xi對隱藏層信息q 的影響程度，獲取權(quán)重αi，總權(quán)重計(jì)算過程：

式中：q 為隱含層輸入，αi為輸入向量對應(yīng)的權(quán)重，xi為輸入向量，W 為模型學(xué)習(xí)權(quán)重.

利用注意力機(jī)制建立模型輸入序列與隱含層輸入之間的關(guān)系，讓模型自動(dòng)學(xué)習(xí)輸入序列數(shù)據(jù)的影響程度，對預(yù)測目標(biāo)更關(guān)鍵的數(shù)據(jù)序列可以獲取更高的權(quán)重.模型根據(jù)數(shù)據(jù)序列對應(yīng)的權(quán)重對輸入數(shù)據(jù)進(jìn)行加權(quán)平均，通過分配關(guān)注度提高預(yù)測效率和精度.

2.2 AM-LSTM 模型構(gòu)建

在對長時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測時(shí)，LSTM 通過“門控制”可以解決訓(xùn)練過程中的梯度消失或爆炸問題[16]，但由于圖1 反映出的上海市共享單車時(shí)間出行特征上的非嚴(yán)格周期特性，需要引入注意力機(jī)制來捕捉周期性的影響，通過權(quán)重分配解決輸入時(shí)間序列數(shù)據(jù)中的局部周期性轉(zhuǎn)移問題.

針對文中的研究問題，圖3 中的Encoder 模型S由LSTM 替代，構(gòu)建引入注意力機(jī)制的LSTM 模型，簡稱AM-LSTM.圖4 為系統(tǒng)預(yù)測模型，由輸入模塊A、長時(shí)預(yù)測模塊B 和短時(shí)預(yù)測模塊C 三部分組成，子模塊b 是模塊B 中AM-LSTM 的詳細(xì)結(jié)構(gòu)表示.

圖4 系統(tǒng)模型框架Fig.4 Architecture of system model

模型預(yù)測目標(biāo)為第T 天的第t+1 個(gè)時(shí)間段的單車需求量，選取當(dāng)前預(yù)測日期的前m 天，提取每天第t 個(gè)時(shí)間段的前n 個(gè)時(shí)間段進(jìn)行模型計(jì)算分析，并使用{1，2，3，…}對共享單車TAZ 進(jìn)行標(biāo)注.

輸入模塊A 包含數(shù)據(jù)預(yù)處理后獲得的共享單車需求量Xj，t（第j 個(gè)TAZ 中第t 個(gè)時(shí)間段內(nèi)的需求量）和特征因素?cái)?shù)據(jù)Ej，t.其中，利用Python 數(shù)據(jù)處理庫Pandas 對離散變量a，c，d 進(jìn)行one-hot 編碼，對連續(xù)變量e，g 進(jìn)行歸一化處理，根據(jù)1.2 中分析確定的特征因素建立模型特征值.

結(jié)合圖3 注意力機(jī)制原理圖，AM-LSTM 具體的模型結(jié)構(gòu)如圖4 中子模塊b 所示.AM 作用于每天各n 個(gè)時(shí)間段，不同時(shí)間段的權(quán)值表示對第t 個(gè)時(shí)間段預(yù)測影響的大小，通過權(quán)值捕捉時(shí)間序列中的局部周期性轉(zhuǎn)移特征.

模塊B 通過m 個(gè)子模塊b 對前m 天進(jìn)行長時(shí)預(yù)測，將當(dāng)前時(shí)間段t 的輸出狀態(tài)與前m 天中的n個(gè)時(shí)間段按照式（6）逐個(gè)進(jìn)行相似度計(jì)算，通過式（7）正則化表達(dá)計(jì)算注意力權(quán)重，得到前m 天中時(shí)間段t 的預(yù)測結(jié)果，計(jì)算過程為：

模塊C 僅通過LSTM 模型對第T 天第t 個(gè)時(shí)間段進(jìn)行短時(shí)預(yù)測，計(jì)算公式為：

式中：hj，t表示第j 個(gè)TAZ 在t 時(shí)間段的輸出.

其中，模塊C 的輸入Xj，t和Ej，t比模塊B 中輸入減少了前m 天的長時(shí)間變化，是具有1 個(gè)時(shí)間變化和1 個(gè)空間變化的二階張量，以矩陣形式表示：

最后，將長時(shí)預(yù)測模塊B 中前m 天內(nèi)時(shí)間段t的輸出和短時(shí)預(yù)測模塊C 中第T 天時(shí)間段t 的輸出結(jié)合，通過一層全連接層生成模型的最終預(yù)測結(jié)果：

式中：Wfc、bfc為學(xué)習(xí)參數(shù).

3 模型預(yù)測及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

3.1.1 數(shù)據(jù)描述

研究所使用的多源數(shù)據(jù)包括上海市的共享單車GPS 數(shù)據(jù)、地理數(shù)據(jù)、天氣數(shù)據(jù)和其他影響數(shù)據(jù).實(shí)驗(yàn)數(shù)據(jù)的具體信息如表3 所示，研究的共享單車共354 233 輛，數(shù)據(jù)收集時(shí)間為2018 年8 月20 日到9月16 日，研究的時(shí)間范圍為全天.取上海市中心城區(qū)作為模型的預(yù)測地點(diǎn)，將上文1.2 中篩選出的天氣狀況、溫度、風(fēng)速、小時(shí)和是否工作日作為模型特征因素?cái)?shù)據(jù).

表3 模型數(shù)據(jù)集具體信息Tab.3 Specific information of datasets

3.1.2 數(shù)據(jù)處理

為確保模型對比的公平性，便于不同單位或量級的輸入數(shù)據(jù)進(jìn)行比較和加權(quán)，利用最小-最大標(biāo)準(zhǔn)化方法將不同類型的輸入數(shù)據(jù)映射在[0，1]范圍內(nèi)，計(jì)算公式如下：

式中：x 代表輸入樣本值，x*為標(biāo)準(zhǔn)化的值，max 為樣本數(shù)據(jù)最大值，min 為樣本數(shù)據(jù)最小值.

將標(biāo)準(zhǔn)化后的實(shí)驗(yàn)數(shù)據(jù)集劃分為兩種不同時(shí)間間隔的數(shù)據(jù)集進(jìn)行對比預(yù)測.最后，將各模型的預(yù)測結(jié)果通過反標(biāo)準(zhǔn)化方法還原為原始預(yù)測值，進(jìn)而進(jìn)行預(yù)測性能的評價(jià).

3.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)環(huán)境為Windows 10 操作系統(tǒng)，處理器型號(hào)Intel（R）Core（TM）i9-9900KF CPU@3.60GHz，GPU采用Quadro P4000，基于開源Python 環(huán)境管理平臺(tái)Anocinda1.9.7，利用TensorFlow 中的Keras 2.2.4 模塊進(jìn)行模型的搭建及預(yù)測[17-18].

由于模型輸入是時(shí)間序列數(shù)據(jù)，按機(jī)器學(xué)習(xí)中通用比例6 ∶2 ∶2[19]，對數(shù)據(jù)集進(jìn)行訓(xùn)練集、驗(yàn)證集和測試集劃分.通過多次訓(xùn)練利用驗(yàn)證集調(diào)整模型超參數(shù)來提高模型的泛化能力，最后利用測試集評估模型的精確度.

3.3 模型超參數(shù)優(yōu)化

為了優(yōu)化所提出的模型結(jié)構(gòu)，提高預(yù)測性能，使用學(xué)習(xí)率lr=0.01 的Adam 優(yōu)化器來訓(xùn)練模型[16]，Adam 算法中超參數(shù)設(shè)定值為β1=0.9，β2=0.999，∈=10e-8，進(jìn)而對模型中的超參數(shù)進(jìn)行分析，結(jié)果如圖5所示.

圖5 模型超參數(shù)敏感性分析Fig.5 Sensitivity analysis of model hyperparameters

從圖5（a）中可以看出，訓(xùn)練周期達(dá)到65 左右時(shí)出現(xiàn)最低損耗，且在70 之后獲得恒定的損失值，在模型訓(xùn)練過程中，取Epoch=60，足以使得Adam 優(yōu)化算法收斂.為發(fā)揮GPU 最佳性能，實(shí)驗(yàn)中Batch Size取圖5（b）所示的大小，但數(shù)值過大或過小都會(huì)導(dǎo)致模型的預(yù)測誤差增加，故取Batch Size=32 以獲取最佳的模型預(yù)測效果.

3.4 模型評價(jià)指標(biāo)

以RMSE、平均百分比誤差（MAPE）和決定系數(shù)R2為各預(yù)測模型的評價(jià)指標(biāo)，具體計(jì)算過程如下：

3.5 預(yù)測結(jié)果對比分析

在預(yù)測實(shí)驗(yàn)中，與傳統(tǒng)時(shí)間序列預(yù)測模型RNN和LSTM[13]進(jìn)行對比以更好地驗(yàn)證所提模型的預(yù)測性能.由于數(shù)據(jù)時(shí)間間隔分為30 min 和60 min，對應(yīng)模型輸入序列有48 和24 兩種，則每個(gè)模型對應(yīng)兩種變體形式.同時(shí)，為進(jìn)一步驗(yàn)證特征因素對預(yù)測結(jié)果的影響，建立了去除特征因素Ej，t的變體模型AM-LSTM1.

因此，實(shí)驗(yàn)中共構(gòu)建8 個(gè)模型AM-LSTM_24、AM-LSTM_48、AM-LSTM1_24、AM-LSTM1_48、LST M_24、LSTM_48、RNN_24 和RNN_48 進(jìn)行對比分析，其中，相同輸入序列模型的輸入數(shù)據(jù)保持一致.

表4 所示的預(yù)測結(jié)果是各預(yù)測模型對中心城區(qū)TAZ 預(yù)測結(jié)果的平均值，通過圖6 和圖7 可以更直觀地分析不同模型的整體預(yù)測效能.

表4 模型預(yù)測結(jié)果Tab.4 Prediction results of models

圖6 不同模型預(yù)測性能對比Fig.6 Comparison of prediction performance of different models

圖7 不同輸入序列預(yù)測結(jié)果對比Fig.7 Comparison of prediction results of different input sequences

3.5.1 注意力機(jī)制對模型的影響

從圖6 中各模型預(yù)測結(jié)果的對比曲線可以看出，在不同輸入序列的模型中，引入注意力機(jī)制的AM-LSTM 模型的預(yù)測精度均顯著高于傳統(tǒng)時(shí)間序列預(yù)測模型.

將LSTM 與AM-LSTM 進(jìn)行對比.當(dāng)輸入序列為24 時(shí)，AM-LSTM 比LSTM 在單車需求量上的MAPE降低了4.23%，RMSE 減少了12.92；當(dāng)輸入序列為48 時(shí)，MAPE 降低了4.69%，RMSE 減少了13.78.結(jié)果表明，注意力機(jī)制在處理較長時(shí)間序列數(shù)據(jù)時(shí)可以表現(xiàn)出更大的優(yōu)勢，AM-LSTM 模型的預(yù)測性能得到更大的提升.注意力機(jī)制的引入，可以使改進(jìn)的LSTM 模型的預(yù)測精度最多提高4.69%.

3.5.2 輸入序列對模型的影響

從圖7 可以看出，對于同一模型，當(dāng)模型輸入序列為48 時(shí)，其預(yù)測結(jié)果要優(yōu)于輸入序列為24 時(shí)的預(yù)測結(jié)果.例如LSTM 模型的預(yù)測性能優(yōu)于RNN，尤其是在輸入序列為48 時(shí)，長時(shí)間序列預(yù)測結(jié)果表明，LSTM 比RNN 的MAPE 降低了5.99%，RMSE 降低了17.74，決定系數(shù)R2提高了6.85%.

對4 類模型不同輸入序列的預(yù)測結(jié)果分析可知，由于共享單車的使用多是為了解決市內(nèi)短距離出行，騎行時(shí)間相對較短，較長的時(shí)間間隔輸入必然會(huì)導(dǎo)致模型預(yù)測性能下降.而針對30 min 以下的時(shí)間間隔，已有研究[11]表明，過短的時(shí)間間隔數(shù)據(jù)會(huì)造成數(shù)據(jù)噪聲和無用波動(dòng)的增加，同樣會(huì)導(dǎo)致預(yù)測精度下降.因此，模型選取30 min 時(shí)間間隔的輸入序列具有最好的預(yù)測性能.

3.5.3 特征因素對模型的影響

將AM-LSTM1 與其他模型進(jìn)行對比.當(dāng)模型輸入不考慮融合特征因素時(shí)，AM-LSTM1 的預(yù)測性能與AM-LSTM 相比顯著下降，平均百分比誤差分別達(dá)到了31.07%和32.39%.

即使在引入注意力機(jī)制的基礎(chǔ)上，當(dāng)輸入序列為48 時(shí)，AM-LSTM1 比傳統(tǒng)時(shí)序預(yù)測模型LSTM 和RNN 的MAPE 分別增加了16.10%和10.11%，RMSE增加了36.55 和18.81.這表明注意力機(jī)制的引入也不能彌補(bǔ)特征因素對模型預(yù)測性能的影響，進(jìn)一步說明了預(yù)測模型中構(gòu)建影響因素特征值的重要性.

綜上分析，當(dāng)輸入序列為48 時(shí)，以傳統(tǒng)LSTM模型為基礎(chǔ)，引入注意力機(jī)制，同時(shí)融合外部影響因素?cái)?shù)據(jù)，可以使模型的預(yù)測性能大大提高.

3.6 AM-LSTM 預(yù)測效果驗(yàn)證

為驗(yàn)證AM-LSTM 模型的有效性，將序列大小為48 的測試集數(shù)據(jù)輸入訓(xùn)練好的模型中，對上海市中心城區(qū)共享單車的需求量進(jìn)行整體預(yù)測.

如圖8 所示，測試集中的預(yù)測結(jié)果與實(shí)際值的變化趨勢基本保持一致，在白天期間，尤其是早晚高峰時(shí)段附近，預(yù)測效果較好.但是晚間至凌晨期間，由于共享單車的使用率大大降低，預(yù)測結(jié)果出現(xiàn)波動(dòng)現(xiàn)象，模型預(yù)測準(zhǔn)確度有所降低.

圖8 AM-LSTM 模型預(yù)測結(jié)果Fig.8 Prediction results of AM-LSTM

式中：M 為驗(yàn)證集樣本數(shù)，yval為實(shí)際值，ypred為預(yù)測值.

為定量分析模型預(yù)測性能，通過Pearson 相關(guān)分析法分析預(yù)測曲線與實(shí)際曲線的相關(guān)度，表5 為相關(guān)度參數(shù)及計(jì)算結(jié)果，其中P 值遠(yuǎn)小于0.01，且相關(guān)系數(shù)達(dá)到了0.970 9，兩曲線顯著相關(guān)，說明模型具有較好的預(yù)測性能，可以滿足城市共享單車需求量的預(yù)測.

表5 預(yù)測曲線與實(shí)際曲線相關(guān)度參數(shù)Tab.5 Parameters of correlation between predicted and actual curve

4 結(jié)論

1）針對上海市共享單車出行特征的非嚴(yán)格周期性問題，提出了一種引入注意力機(jī)制的AM-LSTM需求預(yù)測模型.AM 的引入可以更好地捕捉模型輸入數(shù)據(jù)的時(shí)序特征，改進(jìn)的模型最高預(yù)測精度達(dá)到90.72%，比傳統(tǒng)LSTM 模型的預(yù)測精度提高了4.69%.

2）不同的時(shí)間間隔劃分，即模型的輸入序列對預(yù)測性能會(huì)產(chǎn)生影響.針對共享單車的需求量預(yù)測模型AM-LSTM，采用30 min 時(shí)間間隔的輸入序列比60 min 的預(yù)測精度提高了1.25%.

3）模型特征值對預(yù)測性能具有顯著影響，輸入數(shù)據(jù)中融合外部影響因素是必要的.不考慮特征影響因素的AM-LSTM1_48 比原模型的預(yù)測精度下降了22.79%.

AM-LSTM 模型實(shí)現(xiàn)了共享單車需求量的精確預(yù)測，可以為城市共享單車系統(tǒng)的調(diào)度與分配提供有效信息，解決區(qū)域間分配不平衡問題.下一步工作會(huì)繼續(xù)進(jìn)行注意力機(jī)制的研究，進(jìn)一步探究AM 與時(shí)序預(yù)測模型的融合性能，并通過其他類型的交通時(shí)序數(shù)據(jù)驗(yàn)證模型的普適性.