【Pytorch】基于LSTM-KAN、BiLSTM-KAN、GRU-KAN、TCN-KAN、Transformer-KAN(各种KAN修改一行代码搞定)的共享单车租赁预测研究(数据可换)附Pytho

✅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

一、研究背景与意义

1.1 研究背景

随着城市交通拥堵问题日益严峻及绿色出行理念的普及，共享单车作为一种高效、便捷的短途出行工具，已成为城市公共交通系统的重要补充。准确的共享单车租赁需求预测，能够为运营企业的车辆调度、运维管理提供科学依据，有效提升车辆利用率、降低运营成本，同时也能更好地满足用户的出行需求，提升出行体验。

共享单车租赁需求受多种因素影响，具有明显的时间序列特性和非线性特征。例如，季节变化、天气状况、节假日、上下班高峰等因素都会导致租赁需求出现显著波动。传统的时间序列预测方法（如ARIMA、指数平滑法等）难以精准捕捉这些复杂的非线性关系和长期依赖特征，预测精度往往难以满足实际应用需求。

近年来，深度学习模型在时间序列预测领域展现出优异性能，其中LSTM、BiLSTM、GRU、TCN、Transformer等模型凭借强大的时序特征提取能力，被广泛应用于各类预测任务。与此同时，Kolmogorov-Arnold Network（KAN）作为一种新型神经网络结构，具有逼近任意连续函数的能力，且通过简单的代码修改即可与现有深度学习模型融合，能够进一步增强模型的非线性拟合能力。基于此，本研究构建LSTM-KAN、BiLSTM-KAN、GRU-KAN、TCN-KAN、Transformer-KAN多种融合模型，用于共享单车租赁需求预测，旨在提升预测精度和模型适应性。

1.2 研究意义

本研究的理论意义在于，探索KAN与主流深度学习时序模型的融合机制，验证不同融合模型在时间序列预测任务中的性能优势。通过对比分析多种融合模型的预测效果，揭示KAN对提升模型非线性拟合能力和时序特征捕捉能力的作用机理，丰富深度学习融合模型的理论体系，为时间序列预测领域的模型优化提供新的思路。

从实际应用意义来看，精准的共享单车租赁预测结果能够直接指导运营企业的日常运营管理。例如，根据预测需求提前将车辆调度至需求旺盛区域，减少用户“一车难求”或车辆闲置的情况；合理规划运维人员的工作路线和时间，降低运维成本。此外，本研究提出的融合模型具有较强的通用性，通过更换数据即可应用于其他领域的时间序列预测任务（如电力负荷预测、客流量预测等），具有广泛的工程应用价值。

二、相关理论基础

2.1 核心时序预测模型原理

2.1.1 LSTM与BiLSTM

长短期记忆网络（LSTM）通过引入遗忘门、输入门和输出门的门控机制，有效解决了传统循环神经网络（RNN）的梯度消失或梯度爆炸问题，能够捕捉时间序列中的长期依赖关系。遗忘门控制历史信息的保留与丢弃，输入门决定新信息的接收与存储，输出门调控当前状态信息的输出。

双向LSTM（BiLSTM）由前向LSTM和后向LSTM组成，能够同时利用时间序列的过去信息和未来信息，进一步提升时序特征的提取能力，适用于对上下文依赖要求较高的预测任务。

2.1.2 GRU

门控循环单元（GRU）是LSTM的简化版本，将遗忘门和输入门合并为更新门，同时保留重置门，通过两个门控机制实现对历史信息的动态调整。GRU结构更简洁，计算效率更高，在保证一定预测精度的前提下，能够有效降低模型的训练成本。

2.1.3 TCN

时序卷积网络（TCN）基于卷积神经网络（CNN）构建，通过扩张卷积和因果卷积实现对长序列的有效建模。扩张卷积能够扩大感受野，捕捉不同时间尺度的特征；因果卷积确保预测结果仅依赖于历史信息，符合时间序列预测的逻辑。TCN具有并行计算能力强、训练速度快的优势。

2.1.4 Transformer

Transformer基于自注意力机制构建，能够直接计算序列中任意两个位置之间的依赖关系，无需像RNN类模型那样逐时序处理数据，极大地提升了特征提取效率。自注意力机制通过计算查询向量（Query）、键向量（Key）和值向量（Value）的相关性，实现对序列重要特征的聚焦，适用于捕捉长距离、复杂的时序依赖关系。

2.2 KAN原理及融合优势

Kolmogorov-Arnold Network（KAN）是一种基于Kolmogorov-Arnold表示定理的神经网络，其核心思想是将高维函数分解为低维函数的叠加，通过简单的网络结构实现对复杂非线性函数的精准逼近。KAN的基本结构由输入层、隐藏层和输出层组成，隐藏层神经元采用非线性激活函数（如sigmoid、ReLU等），通过调整网络参数实现函数拟合。

KAN与主流时序模型的融合具有显著优势：一是融合方式简单，通过修改一行代码即可将KAN的激活函数或结构嵌入到现有模型中，无需对原模型进行大规模重构；二是增强非线性拟合能力，KAN能够弥补传统时序模型在处理复杂非线性关系时的不足，提升模型对多因素影响下的共享单车租赁需求的拟合精度；三是提升模型泛化能力，KAN的函数分解特性使得融合模型能够更好地适应不同数据分布和场景变化，降低过拟合风险。

2.3 PyTorch实现基础

PyTorch是一种开源的深度学习框架，具有动态计算图、易用性强、灵活性高等特点，广泛应用于模型的开发与训练。本研究基于PyTorch框架实现多种KAN融合模型，主要利用其nn模块构建网络结构、optim模块实现参数优化、utils模块进行数据处理与模型保存等功能。通过PyTorch的模块化设计，能够快速实现不同融合模型的构建与对比实验，提升研究效率。

三、基于KAN的融合模型设计

3.1 模型整体设计思路

本研究构建的融合模型采用“基础时序模型+KAN融合层”的结构，核心思路是在传统时序模型的特征提取层与输出层之间嵌入KAN层，通过KAN层增强模型对非线性特征的拟合能力。具体设计流程为：首先利用基础时序模型（LSTM、BiLSTM等）提取共享单车租赁需求时间序列的时序特征；然后将提取到的时序特征输入至KAN层，进行非线性变换与特征优化；最后通过输出层输出预测结果。

所有融合模型均基于PyTorch实现，采用统一的输入输出格式和训练策略，确保对比实验的公平性。模型的输入为历史租赁数据及相关影响因素（如温度、湿度、天气类型、节假日等），输出为未来某一时刻的共享单车租赁需求量。

3.2 各融合模型详细设计

3.2.1 LSTM-KAN模型

LSTM-KAN模型以LSTM作为基础时序特征提取模块，在LSTM输出层后嵌入KAN层。具体结构如下：

1. 输入层：接收经过预处理的时序数据，包括历史租赁量、温度、湿度、天气类型（编码为数值）、是否节假日（0-1编码）等特征，输入维度为特征数量×时间步长。

2. LSTM层：设置2层LSTM单元，隐藏层维度为64，采用dropout=0.2防止过拟合，输出LSTM提取的时序特征向量。

3. KAN融合层：将LSTM输出的特征向量作为输入，设置1层KAN单元，激活函数采用sigmoid，通过KAN的非线性变换优化特征表达。KAN层的实现通过修改PyTorch中nn.Linear层的激活函数实现，仅需一行代码即可完成融合（如将nn.ReLU()替换为KAN激活函数）。

4. 输出层：采用nn.Linear层将KAN层输出的特征向量映射为预测值，输出维度为1（单步预测）。

3.2.2 BiLSTM-KAN模型

BiLSTM-KAN模型以BiLSTM作为基础时序特征提取模块，融合方式与LSTM-KAN一致。BiLSTM层设置2层双向LSTM单元，隐藏层维度为64，其他参数与LSTM层相同。通过双向LSTM捕捉时间序列的前后向依赖关系，再经KAN层优化特征，提升预测精度。

3.2.3 GRU-KAN模型

GRU-KAN模型采用GRU作为基础时序特征提取模块，GRU层设置2层GRU单元，隐藏层维度为64，dropout=0.2。KAN层嵌入方式与上述模型一致，利用GRU结构简洁、计算高效的优势，结合KAN的非线性拟合能力，实现高效精准的预测。

3.2.4 TCN-KAN模型

TCN-KAN模型以TCN作为基础时序特征提取模块，TCN层采用扩张卷积（扩张率分别为1、2、4），卷积核大小为3，隐藏层维度为64，通过因果卷积确保时序逻辑的合理性。在TCN层输出特征后嵌入KAN层，利用TCN并行计算高效的优势，提升模型训练速度，同时通过KAN增强非线性特征拟合能力。

3.2.5 Transformer-KAN模型

Transformer-KAN模型以Transformer作为基础时序特征提取模块，Transformer层设置2个编码器层，多头注意力头数为8，隐藏层维度为64，FeedForward网络维度为256。在Transformer编码器输出特征后嵌入KAN层，通过自注意力机制捕捉长距离时序依赖，结合KAN的函数分解特性，提升模型对复杂时序关系的建模能力。

3.3 模型训练策略

1. 损失函数：采用均方误差（MSE）作为损失函数，衡量预测值与真实值之间的偏差，公式为：L = (1/N)×Σ(y_pred - y_true)²，其中N为样本数量，y_pred为预测值，y_true为真实值。

2. 优化器：选用Adam优化器，学习率设置为0.001，权重衰减为1e-5，通过自适应学习率调整策略提升训练效率，防止过拟合。

3. 训练参数：批处理大小（batch size）设置为32，训练轮数（epochs）设置为100，采用早停（Early Stopping）策略，当验证集损失连续10轮无下降时停止训练，避免过拟合。

四、结论与展望

4.1 研究结论

本研究基于PyTorch框架，构建了LSTM-KAN、BiLSTM-KAN、GRU-KAN、TCN-KAN、Transformer-KAN五种融合模型，用于共享单车租赁需求预测，并通过实验验证了模型的有效性和通用性，得出以下主要结论：

1. KAN与主流时序模型的融合能够显著提升预测精度。通过在基础时序模型中嵌入KAN层，增强了模型的非线性拟合能力，使融合模型在共享单车租赁预测任务中表现优于传统模型和基础深度学习模型。

2. 不同融合模型的性能存在差异。Transformer-KAN模型的预测精度最高，适合对预测精度要求较高的场景；GRU-KAN和TCN-KAN模型训练效率高，适合实时预测场景；BiLSTM-KAN模型在平衡精度和效率方面表现优异，具有较强的实用性。

3. 融合模型具有良好的通用性。通过更换数据，模型可成功应用于其他领域的时间序列预测任务，验证了模型的广泛应用价值。

4. KAN的融合方式简单高效。仅需修改一行代码即可完成KAN与基础时序模型的融合，无需大规模重构模型，降低了模型开发成本。

4.2 未来展望

尽管本研究取得了一定的成果，但仍存在可进一步优化和拓展的方向：

1. 模型结构优化：未来可探索KAN与基础时序模型的多层面融合方式，例如在模型的特征提取层中间嵌入KAN单元，进一步提升特征表达能力；同时，可结合注意力机制优化KAN层的参数分配，增强模型对关键特征的聚焦能力。

2. 多因素融合预测：当前模型主要考虑常规影响因素，未来可引入更多细粒度特征（如实时交通流量、用户出行偏好、周边商圈分布等），提升预测的精准度。

3. 多步预测研究：本研究主要实现单步预测，未来可拓展至多步预测（如预测未来24小时的租赁需求），为运营企业的长期调度规划提供更全面的支持。

4. 模型轻量化设计：针对当前部分融合模型（如Transformer-KAN）训练成本较高的问题，未来可采用模型压缩技术（如量化、剪枝）对融合模型进行轻量化设计，提升模型在边缘设备上的部署能力。

5. 实际场景应用验证：未来可将模型应用于实际的共享单车运营系统，通过真实场景的数据反馈进一步优化模型参数，验证模型的实际应用效果。

⛳️ 运行结果

🔗 参考文献

[1] 高彦琳.基于深度学习的情感分析研究[D].辽宁科技大学,2019.

[2] 戴春萍.基于机器学习的厂侧短期负荷预测研究[D].山西大学[2025-12-20].

[3] 刘春凯.基于LSTM的建筑材料价格预测研究[J].安家, 2025(4):0178-0180.

📣 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

👇