期刊信息
刊名：数据分析与知识发现
曾用名：现代图书情报技术;计算机与图书馆
主办：中国科学院文献情报中心
主管：中国科学院
ISSN：2096-3467
CN：10-1478/G2
语言：中文
周期：月刊
影响因子：0.912234
数据库收录：
北大核心期刊（2004版）;北大核心期刊（2008版）;北大核心期刊（2011版）;北大核心期刊（2017版）;中国科学引文数据库（2017-2018）;中国科学引文数据库（2019-2020）;中文社会科学引文索引-来源（2017-2018）;中文社会科学引文索引-来源（2019-2020）;国家哲学社会科学学术期刊数据库;中国人文社科核心期刊;中国科技核心期刊;期刊分类：图书情报与数字图书馆
期刊热词：
研究论文
曾用名：现代图书情报技术;计算机与图书馆
主办：中国科学院文献情报中心
主管：中国科学院
ISSN：2096-3467
CN：10-1478/G2
语言：中文
周期：月刊
影响因子：0.912234
数据库收录：
北大核心期刊（2004版）;北大核心期刊（2008版）;北大核心期刊（2011版）;北大核心期刊（2017版）;中国科学引文数据库（2017-2018）;中国科学引文数据库（2019-2020）;中文社会科学引文索引-来源（2017-2018）;中文社会科学引文索引-来源（2019-2020）;国家哲学社会科学学术期刊数据库;中国人文社科核心期刊;中国科技核心期刊;期刊分类：图书情报与数字图书馆
期刊热词：
研究论文
基于长短期记忆神经网络模型的共享单车短时需
【作者】网站采编
【关键词】
【摘要】共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需
共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。
文章来源：《数据分析与知识发现》 网址: http://www.sjfxyzsfx.cn/qikandaodu/2020/1012/368.html
上一篇：基建全过程监测数据多维融合分析应用
下一篇：计算机大数据分析与云计算网络技术