基于 LSTM 的共享单车小时级需求预测（一）：核心模型搭建与实践

        在探索时序数据预测的过程中，我选择了共享单车需求预测作为实践方向 —— 共享单车的骑行量随时间（小时、日期、季节）呈现明显的周期性规律，非常适合用 LSTM（长短期记忆网络）来建模。整个项目的完整代码已上传至 GitHub：https://github.com/Lyan-X/LSTM-based-BSDP，接下来我会梳理搭建这个项目过程中，针对各个环节的思考和落地细节。

一、项目初步介绍

1.项目背景与目标

• 现实痛点：共享单车作为城市短途交通补充，普遍存在 “高峰无车、平峰闲置” 的供需失衡问题，精准的小时级需求预测能为车辆调度、站点规划提供数据支撑；
• 核心目标：基于连续 24 小时的多维度特征（季节、温度、小时等），构建模型预测第 25 小时的共享单车骑行量，最终实现可视化 Web 部署；
• 应用价值：验证 LSTM 模型在非线性时序数据中的拟合能力，为同类时序预测场景（如电力负荷预测、客流量预测）提供参考。

2.项目整体流程

项目整体流程

3.技术栈选型

4.项目目录结构

BSDP/ # 项目根目录
├── data/ # 数据存储目录
│ ├── raw/ # 原始数据集（train.csv/test.csv，不提交代码仓库）
│ ├── x_train.npy # 预处理后训练特征数据
│ ├── y_train.npy # 预处理后训练目标数据
│ ├── x_val.npy # 预处理后验证特征数据
│ └── y_val.npy # 预处理后验证目标数据
├── models/ # 模型相关文件
│ ├── train_lstm.py # 模型训练核心代码
│ └── bike_lstm_model.h5 # 训练完成的模型（本地生成，不提交仓库）
├── utils/ # 工具函数目录
│ ├── scaler_x.pkl # 特征归一化器
│ ├── scaler_y.pkl # 目标变量归一化器
│ └── data_preprocess.py # 数据预处理代码
├── results/ # 实验结果存储
│ └── prediction_result.png # 预测效果对比图
├── web/ # Django Web部署模块（后续章节详解）
├── .gitignore # 代码仓库过滤规则（屏蔽大文件/冗余文件）
├── requirements.txt # 依赖库版本清单（确保环境可复现）
└── README.md # 项目说明文档（含运行指南）

一、数据预处理：时序模型的基础考量

        搭建预测模型的第一步，我优先聚焦于数据层面的处理 —— 时序模型对数据格式、特征有效性和数据分布的敏感度远高于传统模型，这也是我在预处理阶段重点思考的问题。

1. 特征工程：从业务角度筛选有效维度

数据集信息（train.csv）

        原始数据集包含 datetime、season、holiday 等字段，我首先分析了各字段与骑行量（count）的关联性：

• 时间特征拆分：datetime 字段是核心，我考虑到小时、星期、月份是影响骑行量的关键时间维度（比如早高峰 / 晚高峰骑行量高、周末与工作日差异大），因此将 datetime 解析为 hour、weekday、month 三个特征；
• 无关字段剔除：仅保留 season、holiday、workingday、weather、temp、atemp、humidity、windspeed、hour、weekday、month 共 11 个特征，确保输入维度聚焦于对骑行量有实际影响的因素。

2. 归一化：适配 LSTM 的数值尺度要求

        LSTM 的神经元激活函数对输入数值的尺度敏感，若特征值范围差异过大（比如温度和风速），会导致模型收敛慢、精度低。因此我选择 MinMaxScaler 将特征和目标值（骑行量）都归一化到 0-1 区间，同时将归一化器（scaler_x、scaler_y）保存到本地，方便后续预测时还原真实的骑行量数值。

3. 时序序列构造：避免数据泄露的核心设计

        时序预测的核心是 “用历史数据预测未来”，我确定了 “前 24 小时的特征数据预测下 1 小时骑行量” 的序列规则（24 小时贴合日周期规律，符合共享单车的使用场景）。

        在构造序列时，我特别注意按时间顺序划分训练集和验证集（训练集占 80%、验证集占 20%），而非随机划分 —— 这是我在搭建过程中意识到的关键：随机划分会导致 “未来数据泄露到训练集”，完全违背时序预测的逻辑。

        最终处理后的训练集形状为 (样本数，24, 11)，验证集保持一致的维度，所有预处理后的数据都保存为 npy 格式，供后续模型训练调用。

# ===================== 1. 加载预处理后的时序数据 =====================
# 数据形状：(样本数, 24时间步, 11特征)，对应24小时数据预测下1小时骑行量
x_train = np.load("../data/x_train.npy")
y_train = np.load("../data/y_train.npy")
x_val = np.load("../data/x_val.npy")
y_val = np.load("../data/y_val.npy")

二、LSTM 模型搭建：适配场景的结构设计

        在模型结构设计上，我没有直接套用现成的 LSTM 模板，而是结合共享单车需求预测的特点做了针对性调整：

1. 网络结构的思考

我设计了双层 LSTM 的结构，核心考量是平衡模型拟合能力和过拟合风险：

• 第一层 LSTM：设置 64 个神经元，return_sequences=True（因为后续接第二层 LSTM，需要接收序列输出），输入形状严格匹配预处理后的序列维度 (24, 11)；
• Dropout 层：在两层 LSTM 后都加入 0.2 的 Dropout，这是我考虑到深层网络容易过拟合，通过随机丢弃部分神经元来提升模型泛化能力；
• 第二层 LSTM：设置 32 个神经元，return_sequences=False（后续接全连接层，只需输出最终特征）；
• 全连接与输出层：最后加入 16 个神经元的 Dense 层（ReLU 激活）进一步提升拟合能力，输出层仅 1 个神经元（对应骑行量的数值预测，回归任务）。

# ===================== 2. 搭建LSTM模型 =====================
# 简单的双层LSTM结构，适合共享单车需求预测的时序数据
model = tf.keras.Sequential([
# 第一层LSTM，64个神经元，输入为24小时的11个特征
tf.keras.layers.LSTM(64, return_sequences=True, input_shape=(24, 11)),
tf.keras.layers.Dropout(0.2), # 防止模型过拟合
# 第二层LSTM，32个神经元
tf.keras.layers.LSTM(32, return_sequences=False),
tf.keras.layers.Dropout(0.2),
# 全连接层，提升模型拟合能力
tf.keras.layers.Dense(16, activation="relu"),
# 输出层：预测骑行量的数值
tf.keras.layers.Dense(1)
])

2. 编译与训练的参数选择

• 损失函数与优化器：回归任务的核心是最小化预测值与真实值的误差，因此选择均方误差（MSE）作为损失函数；优化器选用 Adam（自适应学习率，无需手动调参，适配 LSTM 的训练特性）； # ===================== 3. 编译模型 =====================
  # 回归任务用均方误差作为损失函数，Adam优化器调整参数
  model.compile(optimizer="adam", loss="mean_squared_error")
• 早停机制：我在训练时加入了 EarlyStopping 回调函数，监控验证集损失（val_loss），若 3 轮训练后验证集损失无提升则停止训练，并恢复最优权重 —— 这是我为了避免模型过度训练、过拟合验证集而设计的策略，训练时设置 batch_size=32、epochs=20（实际会因早停提前终止）。 # ===================== 4. 训练模型（加早停避免过拟合） =====================
  # 早停设置：验证集效果3轮没提升就停止，避免训练过度
  early_stop = tf.keras.callbacks.EarlyStopping(
  monitor="val_loss",
  patience=3,
  restore_best_weights=True
  )

  # 开始训练模型
  history = model.fit(
  x_train, y_train,
  batch_size=32,
  epochs=20,
  validation_data=(x_val, y_val),
  callbacks=[early_stop]
  )

3. 模型保存

        训练完成后，我将模型保存为 h5 格式（../models/bike_lstm_model.h5），目的是后续能直接集成到 Django Web 系统中，实现实时预测调用。

# ===================== 5. 保存训练好的模型 =====================
# 保存为h5格式，供后续Django Web系统调用
model.save("../models/bike_lstm_model.h5")
print("模型已保存到 models/bike_lstm_model.h5")

三、模型评估与可视化：验证预测效果

模型训练完成后，我需要直观验证预测效果，因此做了以下操作：

1. 预测值还原

        由于训练阶段对目标变量（骑行量）做了 0-1 区间的归一化处理，模型直接输出的预测结果是归一化后的数值，无法直接反映真实的骑行量规模。因此我先加载预处理阶段保存的 scaler_y（目标变量归一化器），再对模型预测出的验证集结果（内存中的变量，非文件）和验证集真实值（y_val）分别做反归一化处理，将数值还原为实际的骑行量（辆），确保后续计算的误差指标能贴合实际业务场景。

2. 误差计算

        我选择了平均绝对误差（MAE）和均方根误差（RMSE）两个指标：

• MAE 反映预测值与真实值的平均偏差（单位：辆），能直观体现 “预测偏差有多少辆”；
• RMSE 对大误差更敏感，能反映模型的极端预测错误情况。
• 最终评估结果：平均绝对误差（MAE）：88.80 辆，均方根误差（RMSE）：126.02 辆，整体误差处于合理范围，能较好捕捉骑行量的变化规律。

3. 可视化对比

        为了更直观看到预测效果，我绘制了前 100 小时的真实骑行量与预测骑行量对比图：

• 解决 Matplotlib 中文显示问题（设置 SimHei 字体、关闭负号显示异常）；
• 标注清晰的坐标轴（x 轴：时间 / 小时，y 轴：骑行量 / 辆），加入网格和图例，最终将图片保存到../results/prediction_result.png。

预测效果可视化

# ===================== 6. 模型评估与可视化 =====================
# 加载归一化器，把预测值还原成真实的骑行量数值
scaler_y = joblib.load("../utils/scaler_y.pkl")
y_pred_scaled = model.predict(x_val)
y_pred = scaler_y.inverse_transform(y_pred_scaled)
y_true = scaler_y.inverse_transform(y_val.reshape(-1, 1)) # 补充维度适配反归一化

# 计算预测误差
mae = mean_absolute_error(y_true, y_pred)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
print("\\n模型预测效果：")
print(f"平均绝对误差：{mae:.2f} 辆")
print(f"均方根误差：{rmse:.2f} 辆")

# 解决中文显示问题
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 绘制预测结果对比图
plt.figure(figsize=(12, 6))
plt.plot(y_true[:100], label="真实骑行量", color="blue", linewidth=1.5)
plt.plot(y_pred[:100], label="预测骑行量", color="red", alpha=0.7, linewidth=1.5)
# 坐标轴标注（带明确单位）
plt.title("LSTM模型共享单车需求预测效果（前100小时）")
plt.xlabel("时间（小时）")
plt.ylabel("骑行量（辆）")
plt.legend()
plt.grid(True, alpha=0.3)
plt.savefig("../results/prediction_result.png")
plt.show()

五、项目当前进度与后续规划

1. 现阶段完成情况（项目初期核心落地）

当前项目已完成核心预测流程的搭建，具体包括：

• 数据预处理模块：实现公开数据集导入、特征工程、时序序列构造与数据存储；
• 需求预测模块：完成 LSTM 模型的设计、训练、评估与保存，实现小时级骑行量预测；
• 基础支撑：生成依赖清单（requirements.txt）、规范项目目录结构，确保代码可复现。

2. 与项目要求的差距

结合整体项目目标（如毕设 / 完整系统要求），当前仍有以下核心功能待补充：

• 空间维度拓展：未实现 “区域划分” 预测，当前仅输出整体骑行量，需补充站点 / 区域维度的细分预测；
• 多模型对比：未实现 BP 神经网络等其他模型，缺乏不同模型的性能对比分析；
• 运维管理模块：未开发可视化管理界面、调度任务生成、供需热力图等运维功能；
• 系统支撑模块：缺少多角色权限管理、数据加密备份、预测结果导出等系统级功能；
• Web 部署落地：尚未将模型集成到 Django，未实现前端交互与实时预测。

3. 未来补充计划

后续将按以下方向完善项目，确保满足完整系统要求：

六、项目小结

        整个搭建过程中，我核心围绕 “如何让 LSTM 模型适配共享单车需求预测的时序特性” 展开思考：从数据预处理时的特征筛选、序列构造（避免数据泄露），到模型结构的分层设计（双层 LSTM+Dropout 防过拟合），再到训练策略（早停机制）和评估方式（业务化的误差指标 + 可视化），每一步都是针对 “时序预测的核心痛点” 和 “共享单车的业务场景” 调整的。

        所有代码已开源至 GitHub：https://github.com/Lyan-X/LSTM-based-BSDP，感兴趣的可以自行下载调试，也欢迎交流优化思路。