✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。

🍎 往期回顾关注个人主页：完整代码获取 定制创新 论文复现私信

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

🔥 内容介绍

一、引言

共享单车租赁系统在城市交通中扮演着重要角色，准确预测共享单车的租赁需求对于优化资源分配、提高服务质量至关重要。深度学习模型在时间序列预测领域展现出了强大的能力。本文将基于 PyTorch 框架，利用 LSTM - KAN、BiLSTM - KAN、GRU - KAN、TCN - KAN 和 Transformer - KAN 模型进行共享单车租赁预测研究，并探讨如何通过简单修改一行代码实现不同 KAN 模型的调整。

二、模型介绍

（一）LSTM - KAN

1. LSTM（长短期记忆网络）：LSTM 是一种特殊的循环神经网络（RNN），能够有效处理长序列数据中的长期依赖问题。它通过引入门控机制，包括输入门、遗忘门和输出门，来控制信息的流动和记忆单元的更新。

2. KAN（知识图谱注意力网络）：假设 KAN 是一种基于知识图谱的注意力机制，它可以捕捉共享单车租赁数据中的潜在关系和重要特征。将 KAN 与 LSTM 结合，LSTM 负责处理时间序列的动态特征，KAN 则利用知识图谱信息增强对关键特征的关注。

（二）BiLSTM - KAN

BiLSTM 是双向 LSTM，它通过同时从正向和反向处理时间序列数据，能够更好地捕捉序列中的上下文信息。结合 KAN 后，不仅可以处理长期依赖，还能充分利用前后文信息，进一步提升对共享单车租赁需求的预测能力。

（三）GRU - KAN

1. GRU（门控循环单元）：GRU 是 LSTM 的简化变体，它合并了输入门和遗忘门，形成重置门和更新门，计算量相对较小，但仍能有效处理时间序列中的长期依赖。

2. GRU - KAN：将 GRU 与 KAN 相结合，在减少计算成本的同时，借助 KAN 的注意力机制挖掘数据中的重要特征，用于共享单车租赁预测。

（四）TCN - KAN

1. TCN（时间卷积网络）：TCN 是基于卷积神经网络（CNN）架构设计的用于处理时间序列数据的模型。它通过因果卷积和空洞卷积，能够在不损失时间序列顺序信息的前提下，有效捕捉长序列数据的特征。

2. TCN - KAN：将 TCN 的卷积特性与 KAN 的注意力机制结合，利用卷积层提取时间序列的局部和全局特征，同时借助 KAN 增强对关键特征的关注，以实现准确的共享单车租赁预测。

（五）Transformer - KAN

1. Transformer：Transformer 模型以其自注意力机制在处理长序列数据时展现出优异的性能，能够并行计算且有效捕捉序列中元素之间的长距离依赖关系。

2. Transformer - KAN：将 Transformer 与 KAN 相结合，利用 Transformer 的自注意力机制和 KAN 的知识图谱注意力机制，进一步提升对共享单车租赁数据复杂特征的捕捉能力。

三、基于 PyTorch 的模型实现

（一）数据预处理

1. 数据获取与选择：可以从公开数据集（如 UCI 机器学习库中的共享单车租赁数据集）获取数据，也可以根据实际需求替换为其他相关数据集。数据通常包含时间戳、天气信息、工作日 / 休息日等特征以及共享单车租赁数量。

2. 数据清洗与转换：处理缺失值、异常值，并将时间戳等特征进行编码转换，使其适合模型输入。例如，将时间戳转换为星期几、小时等数值特征。

3. 特征工程：根据数据特点和领域知识，可能需要创建新的特征，如前一天同一时间的租赁数量、一周内的平均租赁数量等，以增强模型对数据的理解。

4. 数据划分：将数据集划分为训练集、验证集和测试集，通常按照 70%、15%、15% 的比例划分，以评估模型的性能。

⛳️ 运行结果

🔗 参考文献

🍅更多免费数学建模和仿真教程关注领取