lujiaxuan0520 / Prediction-and-Scheduling-of-Shared-BikeLinks
基于深度学习的共享单车预测与调度解决方案，使用神经网络构建单车需求量与时间段和地理画像的关联，预测不同区域单车需求量；使用蚁群算法规划最优单车调度路径。
☆110Updated 6 years ago
Alternatives and similar repositories for Prediction-and-Scheduling-of-Shared-Bike
Users that are interested in Prediction-and-Scheduling-of-Shared-Bike are comparing it to the libraries listed below
Sorting:
- 通过遗传算法求解物流配送路径问题☆181Updated 8 years ago
- 物流需求预测法的python实现（Logistics Demand Forecasting By Python），含移动平均法、指数平滑法、 平滑系数的确认、结果输出到excel表、误差分析等☆37Updated 4 years ago
- 改进的k-prototypes聚类算法☆19Updated 4 years ago
- 机器学习预测系统汇总：包括贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树回归、深度神经网络预测☆89Updated 5 years ago
- 基于卡口实时过车数据进行交通流量的实时预测分析，使用LSTM循环神经网络模型进行融合预测，准确率达到90%以上。☆57Updated 5 years ago
- JD 城市物流运输车辆智能调度☆116Updated 7 years ago
- 群体智能优化算法☆110Updated 3 years ago
- 多目标优化遗传算法☆58Updated 7 years ago
- 使用四种基本启发式算法(模拟退火、禁忌搜索、遗传算法与蚁群算法)求解广义旅行商(广义TSP/GTSP)问题。☆64Updated 2 years ago
- 数据特征工程、各种机器学习回归模型、回归数据预处理☆44Updated 5 years ago
- 遗传算法、禁忌搜索、模拟退火、蚁群算法☆351Updated 5 years ago
- 智能供应链分析，对顾客用rfm模型分类，用多种机器学习模型建模，进行欺诈订单预测，延迟发货预测，销售额预测，销售数量预测☆39Updated 5 years ago
- 这是中国研究生数学建模大赛的C题，用于解决航班恢复的问题。程序首先建立了飞机，航班，客户，机场四个类用于模拟航班调度环境。之后应用遗传算法寻找最优的航班调度方案☆33Updated 7 years ago
- 时间序列ARIMA模型的销量预测☆65Updated 7 years ago
- 基于空间众包的动态物流配送路径智能规划系统☆53Updated 7 years ago
- 遗传算法，是大学写论文的时候引用的算法，来解决社区配送人力/车力/路径优化的问题是☆20Updated 4 years ago
- 基于遗传算法的BP网络设计，应用背景为交通流量的预测☆171Updated 6 years ago
- 离散粒子群优化问题☆56Updated 7 years ago
- 地铁乘客流量预测☆31Updated 6 years ago
- 智能优化算法的python手动实现，注释详细☆20Updated 3 years ago
- 配送路线优化系统，Web端项目，遗传算法+蚁群算法+多目标优化☆23Updated 3 weeks ago
- 基于蚁群算法的多配送中心的车辆调度问题的研究☆65Updated 6 years ago
- 部分关于车辆路径规划问题（Vehicle Routing Problem, VRP）的智能优化算法☆73Updated 4 years ago
- python实现多目标启发式算法☆32Updated 5 years ago
- 智能计算课程作业：粒子群优化算法，遗传算法，蚁群算法☆15Updated 6 years ago
- 交通时空大数据分析与挖掘☆15Updated 3 years ago
- 房价预测完整项目：1.爬取链家网数据 2.处理后，用sklearn中几个逻辑回归机器学习模型和keras神经网络搭建模型预测房价 最终结果神经网络效果更好，R^2值0.75左右☆245Updated 6 years ago
- MATLAB公选课论文代码，基于matlab分别使用了模拟退火算法和蚁群算法解决TSP问题☆34Updated 7 years ago
- 物流运输车辆调度☆36Updated 7 years ago
- 基于ARIMA时间序列的销量预测模型，实际预测准确率达90%以上，内含有测试记录和实际上线效果。☆109Updated 6 years ago