(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210976509.4 (22)申请日 2022.08.15 (71)申请人 宁波工程学院 地址 315020 浙江省宁波市江北区风 华路 201号 (72)发明人 张敏捷　周继彪　董升　张振亚　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 30/06(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) G06F 17/18(2006.01) (54)发明名称 一种城市公共自行车站点租还需求量预测 方法及系统 (57)摘要 本发明公开了一种城市公共自行车站点租 还需求量预测方法及系统， 涉及智能交通和数据 挖掘技术领域， 首先采集区域内公共自行车站点 的历史租/还数据以及外部特征集； 以站点为单 位， 根据预设时间步长对历史租/还数据进行预 设时间段内的时间序列重采样， 并与外部特征集 组合， 得到组合数据集； 从组合数据集中划分出 训练集、 测试集和任务集， 基于KNN算法， 使用训 练集和测试集对LightGBM预测模型进行训练和 测试， 得到最终LightGBM预测模型； 将组合数据 集中待预测站点的任务集输入最终LightGBM预 测模型， 得到预测结果。 本发明解决了城市公共 自行车租还需求预测这一问题， 具有可操作性 强、 准确度高、 高效、 适用范围广的优点。 权利要求书2页 说明书7页 附图5页 CN 115311015 A 2022.11.08 CN 115311015 A 1.一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还需求量预测方法， 其特 征在于， 包括以下步骤： 步骤1、 采集区域内公共自行 车站点的历史租/还数据以及外 部特征集； 步骤2、 以站点为单位， 根据预设时间步长对历史租/还数据进行预设时间段内的时间 序列重采样， 并与外 部特征集组合， 得到组合数据集； 步骤3、 从所述组合数据集中划分出训练集、 测试集和任务集， 基于KNN算法， 使用训练 集和测试集对L ightGBM预测模型进行训练和 测试， 得到最终L ightGBM预测模型； 步骤4、 将组合数据 集中待预测站点的任务集数据输入最终Li ghtGBM预测模型， 得到预 测结果。 2.根据权利要求1所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特征在于， 所述步骤3中， 基于KNN算法， 使用训练集和测试集对 LightGBM预测模型进行训练和 测试， 得到最终L ightGBM预测模型的具体方法为： 步骤3.1、 基于训练集数据， 构建每 个站点的历史租/还量平均向量矩阵； 步骤3.2、 使用回归模型计算待预测站点和其他每个站点的历史租/还量平均向量间余 弦相似度， 并按照大小 进行排序， 得到相似度集 合D； 步骤3.3、 设置KN N搜索近邻初始数量 为k＝1； 步骤3.4、 从相似度集合D中按照数值从大到小确定前k个站点， 取所述前k个站点的时 间序列， 结合待预测站点的时间序列和外 部特征集， 组合得到 输入向量Xinput； 步骤3.5、 将输入向量Xinput输入LightGBM预测模型中； 步骤3.6、 采用最速下降法对Li ghtGBM预测模型进行参数调整至最优， 基于预测结果和 实际租/还量， 得到预测准确度； 步骤3.7、 令k ＝k+1， 返回步骤3.4， 当满足停止条件时， 即停止循环过程， 进入步骤3.8； 步骤3.8、 将测试集输入该训练的Li ghtGBM预测模型进行数据预测， 并对预测准确度进 行测试判定， 若未通过测试判定， 则返回步骤3.3； 若通过测试判定， 则对比k轮循环所得到 的预测准确度， 取最大值对应k值下LightGBM预测模型的参数集方案， 确定最终LightGBM预 测模型。 3.根据权利要求2所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特征在于， 所述步骤3.2中， 回归模型为最优回归模型， 所述最优回归模 型的选取 方法为： 步骤a、 使用传统OLS回归模型分别对空间滞后模型SLM和空间误差模型SEM进行测试， 若输出结果中空间滞后模型SLM的拉格朗日乘数统计量LM ‑lag和空间误差模型SEM的拉格 朗日乘数统计量LM ‑Error均低于预设阈值， 则放弃空间计量模 型， 使用OLS回归模 型作为最 优回归模型； 步骤b、 若空间滞后模型SLM 的拉格朗日乘数统计量LM ‑lag和空间误差模型SEM 的拉格 朗日乘数统计量LM ‑Error中存在单项高于预设阈值， 即当空间滞后模型SLM的拉格朗日乘 数统计量LM ‑lag高于预设阈值时， 选择 空间滞后模 型SLM作为最优回归模 型， 当空间误差模 型SEM的拉格朗日乘数统计量LM ‑Error高于预设阈值时， 选择 空间误差模 型SEM作为最优回 归模型； 步骤c、 若空间滞后模型SLM 的拉格朗日乘数统计量LM ‑lag和空间误差模型SEM 的拉格权　利　要　求　书 1/2 页 2 CN 115311015 A 2朗日乘数统计量LM ‑Error均高于预设阈值， 则对比空间滞后模型SLM的稳健值和空间误差 模型SEM的稳健值， 选择两个稳健值中最大稳健值对应的回归模型作为最优回归模 型， 若两 个稳健值相同， 则取 空间滞后模 型SLM的拉格朗日乘数统计量LM ‑lag和空间误差模 型SEM的 拉格朗日乘数统计量 LM‑Error中较大 数值所对应的回归 模型作为 最优回归 模型。 4.根据权利要求3所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特征在于， 所述空间滞后模型SLM和空间误差模型SEM均属于空间回归 模型， 空间回归 模型的表达式为： Y＝β X+lnα +λWu+ρ WYY+ ε； 其中， Y代表n ×1维因变量向量， ε代表n ×1维残差向量， 其中残差向量ε服从多变量正 态分布N(0, σ2IN)， 均值E( ε )为0， 方差σ2为有限值， IN为n维单位矩阵； X为n ×k解释变量向 量， k为解释变量个数； β 为k ×1维待估参数向量， Wu和Wy均为n×n的非随机空间权重矩阵， λ 表示残差空间相关系数， ρ 表示因变量空间自相关系数， ln表示n阶单位向量， α 表示n维回归 向量的截距系数。 5.根据权利要求2所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特 征在于， 所述预测准确度的度量指标选取拟合优度R2。 6.根据权利要求2所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特征在于， 所述步骤3.7中， 停止条件为： k值大于20或第k个站点与待 预 测站点的历史租/还量均值向量间余弦相似度小于 0.5。 7.根据权利要求1所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特征在于， 所述步骤1 中， 通过市民IC卡的信息统计， 提取得到区域内公 共自行车站点的历史租/还数据。 8.根据权利要求1所述的一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还 需求量预测方法， 其特 征在于， 所述外 部特征集包括天气、 时间及空间变量。 9.一种基于KNN ‑LightGBM组合算法的城市公共自行车站点租还需求量预测系统， 其特 征在于， 包括： 数据采集模块， 用于采集区域内公共自行 车站点的历史租/还数据以及外 部特征集； 时间序列重采样模块， 用于以站点为单位， 根据 预设时间步长对历史租/还数据进行预 设时间段内的时间序列重采样， 并与外 部特征集组合， 得到组合数据集； 预测模型训练模块， 用于从所述组合数据集中划分出训练集、 测试集和任务集， 基于 KNN算法， 使用训练集和测试集对LightGBM预测模型进行训练和测试， 得到最终LightGBM预 测模型； 预测模块， 用于将组合数据集中待预测站点的任务集数据输入最终LightGBM预测模 型， 得到预测结果。权　利　要　求　书 2/2 页 3 CN 115311015 A 3