共享汽车用户及出行时空特征分析

共享汽车在中国是一种重要但尚存争议的新型出行方式.因管理部门尚未明确其对道路交通的影响,而无法确定合理的管理导向.针对这一问题,研究基于上海最大的汽车共享公司EVCARD的订单及用户数据,通过描述性统计分析出行总量、需求时空分布,分别用多元线性回归和二项logistic回归分析高频用户和通勤时段出行用户的特征.结果表明,当前EVCARD用车需求和高峰时段出行主要发生在城市外围区域,城市中心区域无通勤特征;高需求用户与通勤时段高频出行者特征并不一致且部分特征相异.因此,上海EVCARD出行不会对城市道路交通拥堵产生显著负面影响.

公共自行车使用时空特性挖掘及租还需求预测

基于宁波市公共自行车刷卡数据、POI(Point of Interest)数据、气象和空气质量等数据,从数据驱动视角,深入挖掘公共自行车使用的时空特征及站点租还车需求预测。在时间上,采用KMeans算法,将站点聚为5类,探讨各类站点的时变需求规律及影响因素;在空间上,提出基于POI数据的站点用地类型识别方法,将站点分为居住类、交通设施类、办公类和商业休闲类。构建以15,30,60 min为间隔,以租还车需求为目标变量的随机森林预测模型,并与常用的BP(Back Propagation)神经网络、K最近邻方法进行比较。结果表明,随机森林模型的精度更高,适用性更强。以30 min为间隔的站点租还车需求预测精度最高,考虑站点土地利用类型后能有效提高模型的预测精度。本文结果可作为未来站点平衡调度的依据并推广应用于共享单车系统,为改善服务水平提供技术和理论支撑。

基于需求特征的太原市公共自行车服务影响研究

作为公共交通的重要组成部分,公共自行车近年来在我国大中小城市全面铺开。公共自行车服务投资巨大,提高使用效率、提升其服务性已成为实现公共服务有效供给的重要方面。以太原市为例,利用问卷调查数据,基于需求角度考察公共自行车服务使用的行为特征和影响机制。因子分析结果表明,公共自行车系统的服务质量、推广力度和用户教育、收入水平差异是影响需求的主要因素,基于此提出优化站点布局、加大推广力度等政策建议。

共享单车用户体验研究

共享单车的出现给市民出行"最后一公里"问题提出完美的解决方案。文章运用量表分析,聚焦ofo并综合考虑整个共享单车行业,对用户使用共享单车体验进行分析,最后根据分析结果对政府与共享单车企业提出几点建议。

基于地理加权回归的共享单车需求影响因素分析

以共享单车订单数据、空间地理数据以及公共交通刷卡数据等多源数据为基础,构建基于地理加权回归的需求影响模型.结果表明:共享单车订单的空间分布具有空间集聚效应;影响因素对共享单车需求的影响程度具有空间非稳态的特征,在大多数交通小区,居住用地、休闲娱乐、购物服务、科教服务、公交登降量、轨道登降量等因素与共享单车需求为正相关关系;办公用地、风景名胜与共享单车需求为负相关关系.本研究可为共享单车的投放规模确定和日常运营调度提供支撑.

大型城市群差异化物流需求的结构特征分析和实证研究——以京津唐物流业为例

针对大型城市群物流业不能满足城市群体之间差异化需求的问题,构建了一种大型城市群差异化物流需求的结构模型,利用灰色关联性分析法分析了大型城市群差异化物流需求当量数值,及其与影响因子的关联性,并以京津唐城市群的差异化物流需求为例进行实证研究,证实了不同时期影响因子和大型城市群物流需求差异化的关联度,并验证了构建的大型城市群差异化物流需求结构模型具有一定的科学性,为增强大型城市群整体物流业的运行质量提供了理论和实践指导。

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。

共享单车短时需求量预测的机器学习方法比较

由于共享单车的流动性强,随机性很高,因此快速精确地预测出城市共享单车的短时需求量具有十分重要的意义。采用随机森林、极端随机树、支持向量机、人工神经网络、XGBoost这5种机器学习方法,基于美国华盛顿共享单车项目数据,分析时间因子、气象因子等对单车需求量的影响,实现对共享单车短时需求量的预测。仿真结果表明,影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;极端随机树的预测效果最优,MAE和RMSE最小,为22.93和36.84,训练集得分和验证集得分最高,为1.0和0.941,与随机森林和其它算法相比,鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合,预测精度高,可为实际的车辆预测和调度提供参考依据。

基于GIS的共享单车出行变化分析

基于GIS技术结合芝加哥市共享单车订单数据定量分析共享单车在2019—2020年的出行特征变化,通过出行量、出行用户、出行时间和出行空间来定量共享单车出行特征。研究发现,2020年出行量下降,其中2020年4月共享单车出行量下降最多。2020年非会员出行平均比例为31.91%,2019年为16.50%。2020年会员平均出行距离减少0.49 km,非会员平均出行距离增加0.25 km。2020年工作日出行早晚高峰消失,休息日出行更集中在12时后。2020年共享单车出行更为分散,芝加哥CBD(中央商务区)内部出行密度明显降低,伊利诺伊湖沿岸略有降低。对共享单车出行特征变化进行探究,能够在一定程度上揭示城市公共交通变化规律,促进公共交通系统进一步改善。

地铁站点共享单车接驳客流分析与预测算法

作为城市慢行交通的新形式,无桩式共享单车在给人们出行带来便利的同时,其运营过程中也出现投放资源浪费、营收效率太低、损害街区环境等问题。通过改进方法优化车辆与公众出行需求的时空匹配,替身车辆的投放和使用效率,是解决上述问题有效途径。提出一种基于地铁站客流与共享单车使用数据匹配的接驳分析预测算法,以改进地铁站周边空间的共享单车运营效率;此外加入周边区域属性等特征字段数据,以形成客流移动模式的分析算法,是需求匹配的程度更加精细化。这些工作都将为共享单车的运营效率提升和未来进一步工作提供详实的方法和工具基础。

基于LightGBM的共享单车短时需求量预测

针对共享单车的站点投放量不平衡导致用户使用不便以及因共享单车使用率不高而使得企业运营困难的问题,提出一种基于LightGBM的共享单车短时需求量预测模型。首先研究天气、温度、时间等特征因素对共享单车短时使用量的影响,并通过提取主要特征有效降低模型的复杂度,然后采用贝叶斯优化对LightGBM进行调参建模,准确预测各站点每小时共享单车的需求量。最后通过实验将优化后的模型与基于XGBoost的模型和基于随机森林的模型进行对比,实验结果表明,优化后的模型更可靠,预测结果更精确。

天津医科大学代谢病医院迁址新建工程停车需求分析

以实际工程为例,基于项目实际数据,将医院人员划分为门急诊病人、探视人员和工作人员三类人群,按照各类构成人员的需求进行停车位预测,分析各个群体的出行特征以及停车特性,计算停车需求,为今后医院停车需求的预测提供借鉴经验。

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.

特大城市共享单车出行特征变化分析

基于python结合纽约市共享单车订单数据定量分析共享单车在2018~2023年的出行特征变化,通过出行总量、出行时段、出行用户、出行次数、出行时长、出行空间变化来分析共享单车出行特征。研究发现,2018~2023年骑行总量在总体上呈上升趋势;2018~2023年的共享单车出行具有明显的早晚高峰特征;纽约的共享单车用户多为本地常住居民;从第一季度到第三季度骑行次数在增加,而第三季度到第四季度骑行次数在减少;骑行时长主要集中在10~20分钟,随着骑行时长的延长,出行次数在下降;用户出行热门地点是医院、银行、公园、广场、商场以及餐厅。并通过对2021年1月30日~8月31日深圳共享单车数据以及2020年12月21日~12月25日厦门共享单车数据的分析发现有桩和无桩共享单车之间存在着相通的规律。研究共享单车出行特征的变化,可以揭示城市公共交通变化的规律,从而推动公共交通系统的发展。

基于对应分析与最优尺度分析的广州市中等收入家庭住房需求特征研究

在中等收入家庭住房需求研究方面,国外研究成果丰富,而国内尚处于起步阶段。与描述性分析相比,对应分析与最优尺度分析具有其独特的优势。本文调查广州市中等收入家庭的居住状况,应用Spss对应分析和最优尺度分析,从微观角度归纳和分析中等收入家庭的住房需求特征。

接驳地铁站的共享单车源汇时空特征及其影响因素

共享单车是解决"最后一公里"出行的有效方法,然而,人们在利用其进行接驳地铁时,常出现无车可用或车辆淤积的现象。因此,探究用于接驳地铁的共享单车的源汇时空分布特征及其影响因素对实现其供需平衡有一定意义,单车运营公司可据此进行更及时、合理的调度。为了解不同区域的共享单车在接驳地铁时使用模式的差异,本文基于不同时间段的客流特征,对用于接驳北京市地铁站的共享单车所产生的源、汇网格进行了K-均值聚类,并进一步利用地理探测器探究了造成这种空间分异的原因。结果表明:①源、汇网格各被分为5类,分别为高频低流出、高频异常源、中频低流出、低频高流出、低频低流出和高频低流入、中频低流入、低频高流入、低频差异流入、高频异常汇等类型,反映了共享单车源汇的时空分布特征;②在不同聚类中,共享单车的日均流量对应的主导因子有所差别,位于市中心的聚类的车辆主要受距离和交通因子的影响,而在其它聚类中则会同时受到多种POI的显著影响,且在不同时段中影响机制不同;③对于净流入(出)率而言,各聚类的源、汇网格的主导因子则大致相同,车辆的缺少或过剩主要与距地铁站或市中心的距离有关。④从整体源、汇来看,住宅类POI数量与距最近地铁站的距离分别是影响日均流量和净流入(出)率的最强的因子。

一种识别共享单车潮汐点的时空模型和基于KNN-LightGBM的租还需求预测方法

随着互联网租赁自行车(共享单车)的兴起,“共享单车+地铁”“共享单车+公交”已成为城市通勤的主要接驳方式,但共享单车的“潮汐效应”也成为共享单车管理和资源调配的“痛点”和“难点”。因此,发现共享单车的“潮汐规律”,准确预测共享单车停车区(电子围栏)的租还需求,对于共享单车的有序规范发展,优化用车体验和环境等具有重要意义。本文首先基于共享单车订单数据和“电子围栏”空间数据,提出一种识别共享单车潮汐点的时空模型并分析其潮汐性时空特征。该模型将潮汐点定义为短时间内因大量共享单车租或还从而导致无车可租或无车位可停的电子围栏,然后根据电子围栏在某时间段的状态进行分类,并赋予不同的缺车/缺停指数。结果显示该模型能够精准识别特定时段出现的潮汐点。随后,基于共享单车订单、城市信息点(POI)、道路、人口、土地利用、气温、风速等时空数据,并考虑局部范围内的电子围栏相关性,构建KNNLightGBM模型来预测共享单车租还需求:①利用主成分分析(Principal Component Analysis,PCA)进行特征提取;②利用KNN(K Nearest Neighbors)算法计算局部范围内电子围栏之间相关信息;③整合PCA提取的特征向量和电子围栏相关信息作为输入特征,利用LightGBM方法进行租还需求预测;④评估影响租还需求预测的特征重要性。结果表明:与常用的4种机器学习方法进行对比,KNN-LightGBM在不同时间尺度下的预测实验中RMSE、MAE的平均值均最小,R2和r平均值均最大,预测效果较好;利用KNN计算局部范围内的电子围栏相关性,能够有效的提高预测精度,与LightGBM相比,KNN-LightGBM的RMSE和MAE分别降低了10%和11%,R2和r分别提高了3%和4%;共享单车的历史订单数据对租还需求预测最为重要,与最近公共交通接驳站距离的重要性次之。