基于TCN-BiGRU-Attention的自行车租赁数量预测研究附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着城市化进程的加速和环保理念的普及，共享自行车作为一种便捷、绿色的出行方式，在全球范围内得到了迅速发展。然而，自行车租赁数量的波动性为运营管理带来了挑战，精准预测租赁需求对于优化车辆调度、提升用户体验以及降低运营成本至关重要。本文旨在探讨一种结合时间卷积网络（TCN）、双向门控循环单元（BiGRU）和注意力机制（Attention）的混合深度学习模型，用于自行车租赁数量的预测研究。该模型能够有效捕捉时间序列数据中的局部特征、长期依赖关系以及不同时间步的重要性，从而提高预测精度。研究结果表明，TCN-BiGRU-Attention 模型在处理自行车租赁数量这类复杂的非线性时间序列数据时，展现出优越的预测性能，为共享自行车运营管理提供了有力的技术支持。

1. 引言

共享自行车作为现代城市交通体系的重要组成部分，其便捷性和环保性使其受到广泛欢迎。然而，自行车租赁数量受多种因素影响，如天气、日期、时间段、节假日以及特殊事件等，呈现出显著的非线性和复杂性。准确预测自行车租赁数量是共享自行车平台高效运营的关键。传统的预测方法，如ARIMA、支持向量机（SVM）等，在处理高度非线性的时间序列数据时存在局限性。近年来，深度学习技术在处理复杂时间序列数据方面展现出强大能力，为自行车租赁数量预测带来了新的突破。

循环神经网络（RNN）及其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），在处理序列数据方面表现出色，能够捕捉时间序列中的长期依赖关系。然而，RNN模型在处理长序列时容易出现梯度消失或梯度爆炸问题。卷积神经网络（CNN）在图像处理领域取得了巨大成功，其在时间序列数据中的应用也逐渐受到关注，特别是时间卷积网络（TCN），通过扩张卷积和残差连接，能够有效捕捉局部特征并处理长序列依赖。注意力机制的引入，则允许模型在预测过程中动态地关注输入序列中最重要的部分，进一步提升了模型的性能。

本文提出了一种基于TCN-BiGRU-Attention的混合深度学习模型，旨在综合利用三种网络的优势。TCN用于提取时间序列的局部特征，BiGRU用于捕捉双向的长期依赖关系，而Attention机制则用于动态调整不同时间步的权重，从而实现更精准的预测。

2. 相关工作

近年来，针对自行车租赁数量预测的研究取得了显著进展。早期的研究主要采用统计学方法。例如，周文静等（2019）利用ARIMA模型对共享单车需求进行预测，但其对非线性特征的捕捉能力有限。

随着机器学习技术的发展，许多研究开始采用机器学习模型进行预测。支持向量回归（SVR）、随机森林（RF）和梯度提升树（GBT）等模型被应用于自行车租赁数量预测。例如，赵明等（2020）利用SVR模型预测了共享单车需求，并取得了较好的效果。

近年来，深度学习模型在时间序列预测领域展现出强大潜力。LSTM和GRU作为RNN的变体，能够有效处理时间序列数据。例如，Wang等（2019）提出了一种基于LSTM的共享单车需求预测模型，优于传统的统计学方法。Bi-directional LSTM（BiLSTM）和Bi-directional GRU（BiGRU）则能够同时考虑序列的过去和未来信息，进一步提升预测能力。

时间卷积网络（TCN）作为一种新型的时间序列处理模型，凭借其扩张卷积和残差连接的特性，在许多时间序列预测任务中超越了RNN模型。例如，Bai等（2018）证明了TCN在多种序列建模任务中的优越性。

注意力机制的引入，使得深度学习模型能够更好地关注输入序列中的关键信息，进一步提升了预测性能。例如，Choi等（2016）将注意力机制应用于医疗时间序列预测，取得了显著效果。

虽然单一的深度学习模型在自行车租赁数量预测中取得了成功，但结合不同模型的优势，构建混合模型，往往能获得更优的性能。本文提出的TCN-BiGRU-Attention模型正是基于这一思想，旨在融合不同模型的优势，以期达到更高的预测精度。

3. 模型构建

本文提出的TCN-BiGRU-Attention模型结构如图1所示。该模型主要由三个部分组成：TCN层、BiGRU层和Attention层。

图1. TCN-BiGRU-Attention模型结构示意图

3.1 时间卷积网络 (TCN) 层

TCN层作为模型的特征提取器，旨在捕捉自行车租赁数量时间序列中的局部模式和短期依赖关系。TCN的优势在于其扩张卷积（Dilated Convolution）和残差连接（Residual Connection）。

扩张卷积允许卷积核在不增加参数量的情况下，扩大感受野，从而捕捉更长时间范围内的依赖关系。扩张系数随着层数的增加而指数级增长，使得网络能够有效地处理长序列。

残差连接则有助于解决深度网络中的梯度消失问题，使得网络能够训练得更深，从而提升模型的学习能力。

TCN层通过多层堆叠的因果卷积块构成，每个块包含扩张卷积、权重归一化和ReLU激活函数。其输出能够有效地表征原始时间序列的局部特征。

3.2 双向门控循环单元 (BiGRU) 层

BiGRU层接收TCN层的输出作为输入，旨在捕捉时间序列数据中的双向长期依赖关系。BiGRU由前向GRU和后向GRU组成。

前向GRU从时间序列的起始点向终点处理数据，捕捉过去的模式对当前预测的影响。后向GRU则从时间序列的终点向起始点处理数据，捕捉未来的模式对当前预测的影响。

通过结合两个方向的隐藏状态，BiGRU能够获得更全面的上下文信息，从而更准确地理解时间序列的动态变化。GRU相比于LSTM具有更少的参数，计算效率更高，同时仍能有效解决长期依赖问题。

3.3 注意力 (Attention) 层

Attention层位于BiGRU层之后，旨在为BiGRU层的输出序列中的不同时间步分配不同的权重。这是因为在自行车租赁数量预测中，不同历史时刻的数据对当前预测的重要性是不同的。例如，最近几个小时的租赁数据可能比几天前的租赁数据更具参考价值。

注意力机制的核心思想是根据当前要预测的信息，动态地计算输入序列中每个时间步的贡献度。本文采用的是加性注意力（Additive Attention）机制。具体来说，注意力层会计算BiGRU层每个隐藏状态与一个可学习的上下文向量之间的相似度，然后通过softmax函数对相似度进行归一化，得到每个时间步的权重。最后，将这些权重应用于BiGRU层的隐藏状态，得到一个加权平均的上下文向量，作为最终的特征表示输入到预测层。

3.4 预测层

预测层是一个全连接神经网络，接收Attention层输出的上下文向量作为输入，并输出预测的自行车租赁数量。通常，输出层会使用ReLU激活函数以确保预测结果为非负值。

4. 结论与展望

本文提出了一种基于TCN-BiGRU-Attention的混合深度学习模型，用于自行车租赁数量的精准预测。该模型融合了TCN在局部特征提取、BiGRU在双向长期依赖捕捉以及Attention机制在重要性权重分配方面的优势，有效地提升了预测精度。实验结果验证了所提出模型的优越性，为共享自行车运营管理提供了有价值的决策支持。

展望未来，本研究可以从以下几个方面进行拓展：

• 多源异构数据融合：

   考虑将更多数据源纳入模型，例如城市事件、人口流动数据、交通拥堵状况等，以进一步提升预测精度。

• 区域级预测：

   将预测粒度从城市层面细化到区域或站点层面，以实现更精细化的车辆调度和资源配置。

• 不确定性量化：

   除了点预测，还可以研究如何对预测结果的不确定性进行量化，例如通过预测区间，为运营者提供更全面的决策依据。

• 实时预测与部署：

   探索模型的轻量化和实时性，以便在实际运营中进行快速部署和应用。

• 可解释性研究：

   深入研究Attention机制在模型中的作用，提高模型的可解释性，帮助理解哪些因素对自行车租赁数量影响最大。

⛳️ 运行结果

🔗 参考文献

[1] 李文颖,潘乔,阎希平.基于深度学习的金融市场波动率预测模型[J].智能计算机与应用, 2024, 14(7):79-84.DOI:10.20169/j.issn.2095-2163.240711.

[2] 郝椿淋,张剑.基于自注意力机制TCN-BiGRU的交通流预测[J].电子测量技术, 2024, 47(8):61-68.

[3] 向先迪,李云煜,金刊,等.基于产业链传导机制的锡金属价格组合预测研究[J].中国矿业, 2025, 34(2):244-255.DOI:10.12075/j.issn.1004-4051.20250167.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇