GeoHash与KNN在共享单车停靠点优化选择中的应用

针对共享单车停靠点供需时空失衡、潮汐效应明显、优化选择水平低的问题,本文把区域编码与分类学习方法相结合,提出一种基于Geo Hash与K最近邻模型(K Nearest Neighbor model,KNN)的共享单车停靠点优化选择方法。首先,在分析现有共享单车停靠问题的基础上,利用Geo Hash算法的区域编码分割,得到停靠点空间分布;然后,在停靠点可供选择数量和可容纳车辆数量的双重约束条件下,利用KNN聚类算法进行二次划分,完成共享单车停靠点的优化选择;最后,利用厦门市思明区和湖里区共享单车数据进行综合评价。研究结果表明,该方法具有一定的合理性,能够为缓解共享单车停靠点潮汐现象提供有益借鉴。