基于数据驱动的电动自行车换电需求预测

换电企业在城市内建立换电柜，满足不断增长的电动自行车换电需求，涉及到换电柜的选址，电池的投放和换电需求的预测。本文分析了国内某大型换电企业的换电订单数据，发现换电柜存在使用严重不均衡问题,为提高使用率，降低换电成本，提出按区域对换电需求量进行聚类并预测的方法。首先，对换电柜位置进行K-means聚类，据此优化换电柜的投放量，提高使用率；随 后，采用整合移动平均自回归模型(Autoregressive Integrated Moving Average model, ARIMA)预测短时换电需求。实验发现，ARIMA模型在短时换电订单的需求预测上具有较高的预测精度，与其他基线模型相比，各指标均为最好，说明换电需求在时间上更趋于线性关系。本文提出的换电柜优化方法和短时需求预测结果为换电企业的换电柜选址和电池投放量提供数据支持。     

基于 SSA-SVR 模型的城市轨道 交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析 (singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨 道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始 时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进 行各站点的短时进站客流预测。采集 2015 年 11 月北京市全网的城市轨道交通进站客流数据,对提出的短时客流 预测模型进行验证和对比分析。结果表明,组合模型预测精度相比 ARIMA、SVR、CNN-LSTM 和 T-GCN 模型具 有更高的预测精度和更稳定的预测表现,具有一定的实际意义。