基于conv-lstm方法预测共享单车需求

主要参考的论文是：Bao J, Yu H, Wu J, et al. Short-term FFBS demand prediction with multi-source data in a hybrid deep learning framework[J]. Iet Intelligent Transport Systems, 2019, 13(9): 1340-1347
conv-lstm优势

经典的LSTM的state-state采用全连接形式，而ConvLSTM采用卷积的形式。

相比于单纯的LSTM网络，不仅考虑了单个预测单元的信息，还考虑了相邻单元的信息，有效利用了共享单车需求数据的时间和空间信息。

模型设置
将订单数据按照每个栅格每5min进行集计，Poi数据按照栅格进行集计并换算成比例。

再将2017-05-10到2017-05-17数据作为训练，2017-05-18到2017-05-19数据作为测试

然后分三个模型进行了多次实验

模型1：仅利用订单数据的LSTM网络
模型2:仅利用订单数据的Conv-LSTM网络
模型3：融合POI和订单数据的Conv-LSTM网络
模型3结构示意图

实验结果
模型对比
对不同场景的模型采取的整体的评价指标包括MAPE（平均绝对百分比误差）,MAE（平均绝对误差）,MSE（均方误差）,R2（确定系数）。
MAPE,MAE,MSE指标值越小，R2（确定系数）越大，代表预测的越准确。

MAPE,MAE,MSE,R2四个指标都显示出，模型3：融合POI和订单数据（Conv-LSTM）是预测最优的。
（原始数据的地理位置是以geohash格式给出，需要进一步转换成经纬度值并转换为wgs84坐标系。想获取处理完成的数据的同学可以帮忙）需要代码的请私聊