基于改进随机森林算法的共享单车需求量预测

在预测共享单车需求量的问题上,随机森林算法与其他算法相比具有显著优势.然而在处理存在大量冗余数据的数据集方面,随机森林算法会导致过拟合.为此,论文提出一种基于随机森林的改进算法—FWRF算法,预测共享单车需求量.该算法首先利用相关系数对每个特征进行加权,然后将特征区间划分为高相关区间与低相关区间,让特征选择限制在特定范围,实现降低泛化误差的目标,增强算法的学习性能,提高算法的预测精度.最后,论文将FWRF算法应用到NewYork CityBike的公开数据集上,分析多维异构数据影响下共享单车需求量变化.与原有算法相比,在预测精度上提高了5.1345％,证明了该改进算法的有效性和可行性.     

基于Bertrand博弈的共享单车定价与投放联合策略研究

基于共享单车租赁所具有的随机性特点,构建随机环境下共享单车企业在寡头市场中关于租赁定价与投放数量联合决策的二维Bertrand博弈模型,研究差异定价与协同定价两种情形下共享单车企业的最优策略组合,分析市场潜在需求量和用车区域覆盖难度系数对企业策略以及经营利润产生的影响.研究表明:在差异定价情形下,当用车需求具有概率性特点时,共享单车企业之间的博弈存在唯一的纳什均衡解,且低价企业对市场价格的影响力升高有利于竞争双方利润增加;在协同定价情形下,共享单车市场的平均租赁价格较低,且随市场潜在需求量的增大而增大,但与差异定价情形相比增速较小;协同定价有利于维持共享单车企业在市场规模较小时的盈利,差异定价有利于抑制共享单车企业在市场规模扩大时的过度投放.     

基于数据场聚类的共享单车需求预测模型

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...     

一种用于共享单车站点群的需求预测方法

共享单车系统中不同站点在不同时期内的单车需求分布非常不平衡,对共享单车系统的服务质量产生了不良影响,对此提出一种分层预测模型来预测每个站点群的每小时单车租还需求量.提出一种基于超级站点的聚类算法,将单车站点分配到每个集群当中;提出一种基于时间与天气相似度的模型来预测整个共享单车系统中的需求;训练极致梯度提升树(XGBoost)模型来预测每个站点群的需求,并得到每个站点群在整个系统中所占的比例.通过将上面获得的两个结果相乘得到每个站点群单车需求的预测结果.实验结果表明了该方法的优势.     

共享单车定位技术的意义与发展

共享单车作为共享经济的代表之一,短时间内得到了飞速的发展,但同时也暴露了很多问题.本文简单介绍了共享单车的定位手段,并从共享单车的定位技术角度,说明了共享单车未来的巨大前景以及目前问题解决手段.并对共享单车定位技术的未来发展进行了展望.     

电子商务项目运作课程中案例分析之共享单车

在电子商务项目运作课程中,典型案例的讲解必不可少,那么从2016年一直火到2017年的共享单车就是不得不分析的案例.通过对共享经济的分析,探讨共享单车流行的原因以及共享单车存在的忧愁.     

基于用户激励的共享单车调度策略

针对共享单车的调度问题,在考虑预算限制、用户最大步行距离限制、用户时空需求以及共享单车分布动态变化的情况下,提出一种用户激励下的共享单车调度策略,以达到提高共享单车平台长期用户服务率的目的。该调度策略包含任务生成算法、预算分配算法和任务分配算法。在任务生成算法中,使用长短期记忆（LSTM）网络预测用户未来的单车需求量;在预算分配算法中,采用深度策略梯度（DDPG）算法来设计预算分配策略;任务分配完预算后,需要将任务分配给用户执行,因此在任务分配算法中使用贪心匹配策略来进行任务分配。基于摩拜单车的数据集进行实验,并把所提策略分别与无预算限制的调度策略（即平台不受预算限制,可以使用任意金钱激励用户将车骑行至目标区域）、贪心的调度策略、卡车拖运下的调度策略以及未进行调度的情况进行对比。实验结果表明,与贪心调度策略和卡车托运下的调度策略相比,用户激励下的共享单车调度策略能有效提高共享单车系统中的用户服务率。     

基于专利技术分析下的共享单车未来发展建议与对策

本文通过对我国共享单车的专利申请情况:申请数量、申请类型、技术重点以及国外申请等情况分析目前国内共享单车在技术保护上的现状及问题,提出对未来共享单车技术发展上的对策与建议.     

基于Elman神经网络的共享单车管制研究

共享单车运行过程中积累了海量数据,使用基于MCC的神经网络技术处理这些海量数据,挖掘其中包含的有用信息,科学制定共享单车管制措施。根据各城区共享单车的历史分布和预测,确定共享单车的投放量,以最小的共享单车资源满足市民的出行需求。监控、对比、宣传各城区共享单车乱停乱放现象,建立市民争相文明出行的氛围,提升共享单车综合管理水平。     

基于改进樽海鞘算法的共享单车分布密度优化

针对城市共享单车分布密度优化问题,提出了一种改进樽海鞘算法.首先,将共享单车分布密度优化问题转换成函数优化问题,以等待时间、花费时间、费用及安全代价为评价指标,建立目标函数.其次,引入一维正态云模型和非线性递减控制策略来改进樽海鞘算法中引领者的搜索机制,增强对局部数据的挖掘能力;引入自适应策略来改进原算法跟随者搜索机制,避免算法陷入局部最优值.最后,通过标准测试函数以及共享单车分布密度优化仿真对所提优化算法的有效性进行了验证,结果表明:相比原樽海鞘算法、萤火虫算法及人工蜂群算法,改进的樽海鞘算法具有更好的稳定性和全局搜索能力,能够更好地实现对共享单车分布密度的优化,提升共享单车的区域利用率,对智慧交通的发展有一定的参考价值.     

虚拟停车电子围栏设计研究

随着共享单车企业市场竞争的日益激烈,共享单车越发普及,市民使用单车后乱停乱放现象亦日益严重,进而在众多城市中出现了共享单车引发的诸多管理问题。针对市民使用共享单车后乱停乱放的问题,本项目提出利用百度电子地图平台,通过百度地图API技术实现在电子地图上对位置区域的自由划分形成虚拟电子围栏,并结合GPS技术使每一台共享单车形成一个单独的地理位置坐标。当该自行车坐标进入划定的允许停放的虚拟电子围栏后代表该辆自行车允许在该区域内停放,当该地理坐标未进入停放区域则不允许该辆自行车上锁。从而实现了强制市民将自行车停放于规定的区域内,政府管理部门可通过该方法实现共享单车的规范管理,减轻城市管理工作量,美化城市环境等作用。     

基于时空融合图的共享单车需求预测系统

作为一种新的城市公共交通方式,共享单车的出现给人们的日常出行带来了极大的便利性;但由于其使用的过程中存在动态不均衡的性质,用户常会面临无车可借和无桩可还的现象,因此需要一个精确的需求预测模型,来解决共享单车的调度问题;为此提出一种新的基于时空融合图的注意力网络模型,该模型将不同时间片的相同车站节点进行连接,从而形成一张大的时空融合图;得益于时空融合图下的自注意力机制,模型在时间相关性和空间相关性之外,还可以捕获局部时空相关性和全局时空相关性;在Divvy数据集上的实验表明,该模型的预测精度优于以往的时空数据预测模型,预测结果与真实结果曲线相吻合,可为实际中共享单车需求预测系统提供有效参考。     

基于网络模型的城市公共自行车需求量预测研究

自行车共享系统逐渐出现在许多城市中,由于在不同时间和站点的自行车需求量(租/还量)的不平衡,系统中各站点的自行车需要人工频繁地使其不断达到平衡状态,然而实时监控并不能很好的解决这个问题。因此,提出了一个基于网络图的预测模型,可以预测未来时间段内的某个站点自行车的需求量,提前对自行车的重新分配。首先,我们通过分层聚类算法对预测站点进行聚类,得到与其相关的站点簇。其次,对站点簇构建网络模型。最后,使用纽约和华盛顿两个自行车共享系统的数据进行实验和结果分析。结果发现同一簇的站点具有相似的使用模式,模型预测误差率不高于0.45,且能够应用于不同城市的自行车共享系统。     

基于特征选择的极限随机森林算法研究

高维复杂数据处理是数据挖掘领域中的关键问题,针对现有特征选择分类算法存在的预测精确度失衡、整体分类效率低下等问题,提出了一种结合概率相关性和极限随机森林的特征选择分类算法（P-ERF）。该算法使用充分考虑特征之间相关性与P值结合的特征选择方式,避免了树节点分裂过程中造成的冗余性问题;并以随机树为基分类器、极限随机森林为整体框架,使P-ERF算法获得了更高的精准度和更好的泛化误差。实验结果表明,P-ERF算法相较于随机森林算法、极限随机森林算法,在数据集分类精度与整体性方面均得到良好的效果。     

极限学习机在机场旅客吞吐量预测中的应用

极限学习机(ELM)是一种新型单馈层神经网络算法,在训练过程中只需要设置合适的隐藏层节点个数,随机赋值输入权值和隐藏层偏差,一次完成无需迭代.结合遗传算法在预测模型参数寻优方面的优势,找到极限学习机的最优参数取值,建立成都双流国际机场旅客吞吐量预测模型,通过对比支持向量机、BP神经网络,分析遗传-极限学习机算法在旅客吞吐量预测中的可行性和优势.仿真结果表明遗传-极限学习机算法不仅可行,并且与原始极限学习机算法相比,在预测精度和训练速度上具有比较明显的优势.     

Measuring and Testing Tail Dependence and Contagion Risk Between Major Stock Markets

Bankruptcy prediction is becoming more and more important issue in financial decision-making. It is essential to make the companies prevent from bankruptcy through building effective corporate bankruptcy prediction model in time. This study proposes an effective bankruptcy prediction model based on the kernel extreme learning machine (KELM). A two-step grid search strategy which integrates the coarse search with the fine search is adopted to train KELM. The resultant bankruptcy prediction model is compared with other five competitive methods including support vector machines, extreme learning machine, random forest, particle swarm optimization enhanced fuzzy k-nearest neighbor and Logit model on the real life dataset via 10-fold cross validation analysis. The obtained results clearly confirm the superiority of the developed model in terms of classification accuracy, Type I error, Type II error and area under the receiver operating characteristic curve (AUC) criterion. Promisingly, the proposed KELM can serve as a new candidate of powerful early warning systems for bankruptcy prediction with excellent performance.     

基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.     

基于多输出极限学习机的快速一致性分类器

一致性分类器是建立在一致性预测基础上的分类器,其输出结果具有很高的可靠性,但由于计算框架的限制,学习的时间往往较长.为了加快学习速度,首次将一致性预测与多输出极限学习机相结合,提出基于两者的快速一致性分类算法.该算法利用了极限学习机,能够快速计算样本标签的留一交叉估计的特性,极大地加快了学习速度.算法复杂度分析表明,所提算法的计算复杂度与多输出极限学习机的算法复杂度相同,该算法继承了一致性预测的可靠性特征,即预测的错误率能够被显著性水平参数所控制.在10个公共数据集上的对比实验表明,所提算法具有极快的计算速度,且与其他常用一致性分类器相比,该算法的平均预测标签个数在某些数据集上更少,预测结果更有效.