基于多交通模式改进的共享单车需求预测算法研究

现有的共享单车预测模型大多将共享单车视为封闭交通系统,忽略了不同交通系统之间的交互影响,因此设计了一种使用非负矩阵分解算法改进的图卷积神经网络。首先,利用非负矩阵分解算法将其他交通系统的需求数据分解为不同的出行模式;其次,确定不同出行模式的含义;最后,将分解后的需求信息作为辅助信息与共享单车需求数据一同输入图卷积神经网络中进行预测。实验结果表明:与不考虑其他交通方式影响的模型相比,使用非负矩阵分解算法改进的图卷积神经网络的平均绝对误差下降了10.84%,并且非负矩阵分解方法能较好地解释辅助交通系统是如何提升单车需求预测效果的。

基于回归模型的共享单车需求预测

为了准确掌握城市共享单车投放量,论文提出了一种以随机森林为基础的预测方法。首先,通过随机森林模型筛选出符合条件的共享单车影响因素;其次,将单车变化量和影响因素分别作为神经网络参数,建立共享单车需求投放模型;最后,以公开数据集为对象,对其工作日及节假日间的单车投放量进行预测。在随机森林模型下,预测得分为84.48,选出权重最高的6个影响因素分别为温度、小时、太阳辐射、是否是工作日、湿度、降雨量。然后建立LSTM神经网络模型,以这些特征训练网络,得到预测得分为82.48,在大幅减少特征维度、降低计算量的情况下,预测结果与其实际出行特征基本吻合,较好地验证了该模型的实用性和普适性,具有一定的实际参考价值。

武汉共享单车需求规模预测分析

针对共享单车投放无明确指导依据,存在乱投放,部分区域投放量利用率不足等问题.本文选取时间影响因子作为自变量建立模型,首先对相同共享单车车辆id开、关锁订单量数据去重后,得到共享单车发生量、吸引量数据,基于以上数据选用多元线性回归方法针对特定区域共享单车,对其工作日、非工作日和节假日或者特殊时段骑行发生量和吸引量分别建立预测模型,以两者的差值为需求量.以江汉路地铁站和汉正街商圈发生量预测模型进行数据校核,其模型有意义,预测精度较高.其中预测区域划分为行政区、地铁站点、大学、商圈及其他热点区域.

基于K-means聚类的城市轨道站点周边共享单车需求预测方法研究

针对共享单车作为公共交通的重要组成能形成轨道交通+共享单车的出行方式,提高城市公共交通的运行效率,但也引发了共享单车运营不合理的问题.论文采用K-means算法,划分5类轨道交通站点,其中共享单车借还量作为聚类变量,提出了1组通过量化指标进行特征分析的聚类方式.对不同轨道站点接驳共享单车需求预测,利用随机森林和套索回归算法,并对比不同模型的预测准确度.结果表明,类型4站点下,使用套索回归模型效果更好,其他4类站点均为随机森林模型表现优于套索回归模型.本研究可为轨道站点及其附近停车设施的规划与建设提供参考.

基于机器学习方法的共享单车需求分析

共享单车是当前一种流行的出行方式,不同地区和不同时段对共享单车的需求不同。更好的共享单车需求分析能够优化共享单车配置,降低闲置率,提高利用率。本文依据Kaggle华盛顿共享单车使用的历史数据,对未来几天的共享单车需求进行预测,要求利用每月前19天的历史数据预测20天之后的共享单车租赁情况。这一问题属于机器学习中的回归问题,在Kaggle提供的数据集上分别采用了线性模型(Ridge Regression),基于回归树的集成学习模型(Random Forest)以及深度学习模型(Neural Network)。以预测结果和真实值的RMSE(Root Mean Squared Logarithmic Error)作为模型表现的评价指标。对不同的模型特点以及在共享单车数据集上的表现进行了对比分析,对结果进行了总结。

城市建成环境对共享单车还车量的影响分析

在确定共享单车客流最佳空间单元集计方法后,进行城市建成环境对共享单车还车量的影响程度分析。以厦门岛为例,将共享单车还车位置数据进行集计得出的空间单元还车量作为因变量,计算各空间单元的建成环境指标作为自变量,利用最小二乘法、地理加权回归、多尺度地理加权回归模型,针对8种空间单元划分方法进行回归分析,确定拟合优度最佳的空间单元划分方法,并分析建成环境变量影响程度的空间异质性。研究结果表明:①采用交通分区进行还车量集计的多尺度地理加权回归模型拟合优度最佳;②公司企业兴趣点密度、建筑密度、交叉口数量和共享单车电子围栏数量与还车量呈正相关;空间封闭度、科研教育兴趣点密度、至最近地铁站距离和兴趣点多样性与还车量呈负相关;最近公交站距离在西南部呈负相关,在西北、北部和东北部呈正相关。研究思路和方法为提高共享单车还车量预测模型精度提供了参考,建成环境变量影响程度的空间异质性结果为不同区位提出差异化的建成环境更新策略提供了科学依据。

共享单车骑行需求预测研究

传统的共享单车骑行需求预测模型难以估计骑行需求影响因素作用尺度和影响程度的空间差异性,导致骑行需求预测失准等问题。本文提出使用多尺度地理加权回归模型,分析了交叉口密度和地理兴趣点等的密度在不同空间尺度及对骑行需求的影响,并与传统的最小二乘回归模型、地理加权回归模型进行了对比。基于北京实际共享单车骑行数据分析表明,多尺度地理加权回归模型优于最小二乘回归模型和地理加权回归模型,可以捕捉骑行需求影响因素作用尺度和影响程度在空间上的变化及差异,能更精准地预测精细化区域的骑行需求;每个需求影响因素都具有不同的作用尺度,具有时间和空间差异性。影响因素对骑行需求的影响程度依赖于该因素在不同区域的密度,呈现非线性变化。研究成果为科学合理的共享单车站点规划和运营管理提供技术支撑。