CN108460537A - 一种基于大数据与用户心理预测共享自行车需求量的方法 - Google Patents

Abstract

本发明公开了一种基于大数据与用户心理预测共享自行车需求量的方法，该方法具体是根据用户出行心理完成了对共享自行车停车点的用户辐射范围划分和共享自行车投放区域的确定，通过手机预约系统实现了对需求量的数据分析，利用了共享自行车需求预测模型和共享自行车需求预测的修正模型，结合大数据技术完成了对于未来用户在某一区域的共享自行车需求量的精准预测，增加了共享自行车的使用频率，大幅度提升了用户体验，对提升共享单车企业的营业收入提供了极大帮助。

Description

一种基于大数据与用户心理预测共享自行车需求量的方法

技术领域

本发明涉及共享单车规划、数据传输系统、数据统计与用户心理学分析的技术领域，尤其是指一种基于大数据与用户心理预测共享自行车需求量的方法。

背景技术

利用大数据技术的共享自行车服务是指通过无线网络，结合车辆的GPS定位系统与用户的手机定位系统，实时监测共享自行车的使用状态与行驶轨迹，为用户匹配到最近的可用共享自行车并进行路径导引，同时收集用户的个人通常出行时间段、骑行频次、骑行起讫点、单次耗时情况等信息，通过准确预测出未来将产生的共享自行车需求量，进而对共享自行车管理、规划与调度等方面的策略起到指导意义。

共享自行车已经开通的“预约”功能目前能够满足用户的需求，预定好一辆共享自行车，但该功能其实更能够通过大数据分析中心分析，判断该时间段将产生的用户需求量。

用户心理是基于交通工程学这一学科对所有交通出行者的心理分析研究成果，交通工程学指出：人们总是抱着某种目的而出行，出行的过程中意味着时间、体力、金钱的消耗，因此安全、方便、省时应该是用户出行时的重要心理要求。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于大数据与用户心理预测共享自行车需求量的方法，突破传统共享自行车企业无法预知未来共享自行车需求量的难题，利用历史骑行车辆数据和预约数量进行拟合预测，提供给用户更加人性化的预约用车服务，缓解共享自行车使用率低和用户难以找到共享自行车的难题。

为实现上述目的，本发明所提供的技术方案为：一种基于大数据与用户心理预测共享自行车需求量的方法，包括以下步骤：

1)收集历史大数据，确定要进行预测的目标停车点及目标时间段，收集目标时间段前1日、2日、3日、7日、14日和21日的同时段实际需求数量，进行目标停车点的未来共享自行车需求量的一次预测；

2)根据用户出行特征，用户步行至共享自行车停车点的时间越长，用户体验就越差，因此定义用户最佳体验时间为用户不产生厌烦情绪的情况下，可接受的步行最长时间为最佳舒适度时间，再加上用户具有弹性心理，即由于即将接近停车点或看到停放的共享自行车时，在一段时间内会减弱对时间的感知，这一段时间定义为弹性时间；因此，需要结合最佳舒适度时间与弹性时间，确定用户找寻共享自行车的最佳范围；

3)用户选择最佳范围内的停车点进行预约后，后台大数据系统收集目标停车点的目标时间段内预约的用户数量，结合一次预测值进行二次预测。

在步骤1)中，确定要进行预测的目标停车点及目标时间段，并收集之前1日、2日、3日、7日、14日和21日的同时段实际需求数量，将要预测的日期设为X月Y日，Y＞21时，则X月(Y-1)日、X月(Y-2)日、X月(Y-3)日的同时段使用量分别为A₁、A₂、A₃，权重比例分别为α₁、α₂、α₃，X月(Y-7)日、X月(Y-14)日、X月(Y-21)日的同时段使用量分别为B₁、B₂、B₃，权重比例分别为β₁、β₂、β₃；当Y≤21时，将自动回推到上个月，与Y日保持的日期差不变；利用以上数据和比值得到一次预测模型为下式(1)所示：

C₁＝0.5×(α₁×A₁+α₂×A₂+α₃×A₃)+0.5×(β₁×B₁+β₂×B₂+β₃×B₃) (1)

其中，C₁为目标时间段内目标停车点的共享自行车一次预测需求量；

α₁+α₂+α₃＝β₁+β₂+β₃＝1

根据一次预测模型能够遍历目标日期内所有时间段，以此拟合出停车点目标日期内的共享自行车需求曲线。

在步骤2)中，对用户心理进行分析后，得到用户能接受的步行时长平均数为T₁分钟，根据用户感知的变化，定义弹性时间为T₂，因此，以用户为中心，以步行(T₁+T₂)时间行走的距离为半径的圆形范围内所有的共享自行车停放点向用户提供共享自行车的效果最佳。

在步骤3)中，建立需求预测的二次预测模型，设立“我要用车”功能选项，用户利用手机APP的“我要用车”上传的未来一天内的自行车骑行计划，包括预计开锁时间、骑行起点和终点，进行一段时间实施后，根据线上数据比对和线下问卷调查得到上传信息人数占实际使用人数的比例γ，得到二次预测模型如下式(2)所示：

C₂＝P/γ (2)

其中，C₂为目标时间段内目标停车点的共享自行车二次预测需求量；P为目标时间段内目标停车点的用户预约数量；

最后，结合一次预测模型与二次预测模型进行准确预测，具体是：当二次检验模型数据大于一次预测模型数据时，采用二次检验模型数据；当一次预测模型数据大于二次检验模型数据时，将两个数据进行平均拟合，由此重新计算出的数据和绘制出的曲线作为实际分析和使用的共享自行车需求预测修正数据和修正曲线，如下式(3)、(4)所示：

C₁＞C₂时，C＝0.5C₁+0.5C₂ (3)

C₁＜C₂时，C＝C₂ (4)

其中，C₁为目标时间段内目标停车点的共享自行车一次预测需求量；C为共享自行车需求量预测修正值，作为需求量的最终预测值应用于共享自行车的调度、摆放、规划这些作业过程中。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次实现了历史需求量在共享自行车需求量预测领域的应用，突破传统需求量预测仅依靠经验和感觉判断的困境，使预测效果更准确。

2、本发明首次实现了大数据在共享自行车需求量预测领域的应用，通过数据的大量拟合，避免了因往期的个别特殊数据而导致预测值失真的情况，使预测值更加精确与真实。

3、本发明通过对用户出行心理的研究，提供给用户人性化的停车点推荐与预约服务，使用户的骑行感受更加舒适，体验更佳。

4、本发明使用骑行预约功能反馈的数据，使用户需求量的预测更加精准并具有时效性。

5、本发明方法在共享自行车企业的车辆摆放、车辆调度与规划上具有重答意义，对于提升企业的营业收入与口碑形象有着重要作用。

附图说明

图1为用户最佳寻车范围与用户弹性寻车范围的关系示意图。

图2为用户的手机APP预约共享自行车和试用共享自行车的流程示意。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实施例所提供的基于大数据与用户心理预测共享自行车需求量的方法，其具体情况如下：

首先对用户心理进行分析后，得到用户能接受的步行时长平均数为T₁分钟。

由于用户到达停车点后，会用一定时间进行自行车的挑选和检查，根据实际情况大约用时T₂分钟，这T₂分钟可视为用户的“弹性心理”，即这T₂分钟对用户的心理影响与步行途中的T₂分钟相比，其效果微乎其微，因此，用户为寻找共享自行车的理想耗时为(T₁+T₂)分钟，某一停车点辐射的用户最佳范围是步行(T₁+T₂)分钟为半径的圆，如图1所示。

根据乘客的手机GPS定位，乘客可能到达并使用的共享自行车区域为其周围半径为步行(T₁+T₂)分钟的圆，当乘客选择预约共享自行车时，系统也将自动匹配给其该范围内的停车点的共享自行车，因此，既可以合理满足乘客的出行心理，又可以使得各区域内共享自行车的使用量更加稳定，对于未来的预测精度也会更高。

设D为某一共享自行车集中投放区域在某一时间段内的自行车开锁使用次数，即自行车需求量，各区域以自行车出行高峰期为主要划分标准，结合用户画像等出行大数据可将其分为i类区域(i＝1,2,3，…)。

设时间点a，b分别为为某一区域早高峰开始和结束的时间点，该区域为i类型区域，则该区域在a—b早高峰期间的共享自行车需求为Dⁱ _a-b，同理，晚高峰c—d时间段内，其需求为Dⁱ _c-d。

Dⁱ _a-b的赋值需利用大量的同期数据进行拟合与计算。在分析性质上，需求量的预测既受前几日数据的影响，具有时间渐进性；又受到过去几周的该日的数据影响，具有周期性。

设将要预测的日期为X月Y日(Y＞21)，则X月(Y-1)日、X月(Y-2)日、X月(Y-3)日的同时段使用量分别为A₁、A₂、A₃，权重比例分别为α₁、α₂、α₃，X月(Y-7)日、X月(Y-14)日、X月(Y-21)日的同时段使用量分别为B₁、B₂、B₃，权重比例分别为β₁、β₂、β₃；当Y≤21时，将自动回推到上个月，与Y日保持的日期差不变；利用以上数据和比值得到一次预测模型为下式(1)所示：

C₁＝0.5×(α₁×A₁+α₂×A₂+α₃×A₃)+0.5×(β₁×B₁+β₂×B₂+β₃×B₃) (1)

其中，C₁为目标时间段内目标停车点的共享自行车一次预测需求量；

α₁+α₂+α₃＝β₁+β₂+β₃＝1

根据一次预测模型能够遍历目标日期内所有时间段，以此拟合出停车点目标日期内的共享自行车需求曲线。

如预测2017年9月29日星期五体育西路地铁站8点到9点的早高峰共享自行车需求量，应将9月28日星期四同时段数据、9月27日星期三同时段数据和9月26日星期二同时段数据赋予权重后求和计算，再将9月22日星期五同时段数据、9月15日星期五同时段数据和9月8日星期五同时段数据进行赋予权重后求和计算，将两个求和计算后的结果平均取值，得到9月29日该停车点目标时段的一次需求量预测值。

同理，利用以上的共享自行车需求预测法，也可以得到较小时间间隔(可视为时间点)的自行车需求，以此拟合出某地区未来一天24h内的自行车需求曲线，根据曲线峰值所对应的时间段的异同，可将所有共享自行车集中投放区域划分为n种类型。

此n种投放区域类型可与最初划分出的i种用户使用区域类型进行比对，当投放区域与用户使用区域不产生交叉或重合部分过小时，应重新调整投放区域，使其至少与相邻用户使用区域有50％重合率。

建立需求预测的二次预测模型，设立“我要用车”功能选项，用户可利用手机APP的“我要用车”上传的未来一天内的自行车骑行计划，包括预计开锁时间、骑行起点和终点，如图2所示，进行一段时间实施后，根据线上数据比对和线下问卷调查得到上传信息人数占实际使用人数的比例γ，得到二次预测模型如下式(2)所示：

C₂＝P/γ (2)

其中，C₂为目标时间段内目标停车点的共享自行车二次预测需求量；P为目标时间段内目标停车点的用户预约数量；

由于共享自行车的使用具有不确定性，即可能由于出现某种特殊事件而需求量暴增，同时也应尽可能最大程度满足用户需求，避免出现共享自行车短缺的情况。因此，应结合一次预测模型与二次预测模型进行准确预测，具体是：当二次检验模型数据大于一次预测模型数据时，采用二次检验模型数据；当一次预测模型数据大于二次检验模型数据时，将两个数据进行平均拟合，由此重新计算出的数据和绘制出的曲线作为实际分析和使用的共享自行车需求预测修正数据和修正曲线，如下式(3)、(4)所示：

C₁＞C₂时，C＝0.5C₁+0.5C₂ (3)

C₁＜C₂时，C＝C₂ (4)

其中，C为共享自行车需求量预测修正值，作为需求量的最终预测值应用于共享自行车的调度、摆放、规划等作业过程中。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于大数据与用户心理预测共享自行车需求量的方法，其特征在于，包括以下步骤：

1)收集历史大数据，确定要进行预测的目标停车点及目标时间段，收集目标时间段前1日、2日、3日、7日、14日和21日的同时段实际需求数量，进行目标停车点的未来共享自行车需求量的一次预测；

2)根据用户出行特征，用户步行至共享自行车停车点的时间越长，用户体验就越差，因此定义用户最佳体验时间为用户不产生厌烦情绪的情况下，可接受的步行最长时间为最佳舒适度时间，再加上用户具有弹性心理，即由于即将接近停车点或看到停放的共享自行车时，在一段时间内会减弱对时间的感知，这一段时间定义为弹性时间；因此，需要结合最佳舒适度时间与弹性时间，确定用户找寻共享自行车的最佳范围；

3)用户选择最佳范围内的停车点进行预约后，后台大数据系统收集目标停车点的目标时间段内预约的用户数量，结合一次预测值进行二次预测。

2.根据权利要求1所述的一种基于大数据与用户心理预测共享自行车需求量的方法，其特征在于：在步骤1)中，确定要进行预测的目标停车点及目标时间段，并收集之前1日、2日、3日、7日、14日和21日的同时段实际需求数量，将要预测的日期设为X月Y日，Y＞21时，则X月(Y-1)日、X月(Y-2)日、X月(Y-3)日的同时段使用量分别为A₁、A₂、A₃，权重比例分别为α₁、α₂、α₃，X月(Y-7)日、X月(Y-14)日、X月(Y-21)日的同时段使用量分别为B₁、B₂、B₃，权重比例分别为β₁、β₂、β₃；当Y≤21时，将自动回推到上个月，与Y日保持的日期差不变；利用以上数据和比值得到一次预测模型为下式(1)所示：

C₁＝0.5×(α₁×A₁+α₂×A₂+α₃×A₃)+0.5×(β₁×B₁+β₂×B₂+β₃×B₃) (1)

其中，C₁为目标时间段内目标停车点的共享自行车一次预测需求量；

α₁+α₂+α₃＝β₁+β₂+β₃＝1

根据一次预测模型能够遍历目标日期内所有时间段，以此拟合出停车点目标日期内的共享自行车需求曲线。

3.根据权利要求1所述的一种基于大数据与用户心理预测共享自行车需求量的方法，其特征在于：在步骤2)中，对用户心理进行分析后，得到用户能接受的步行时长平均数为T₁分钟，根据用户感知的变化，定义弹性时间为T₂，因此，以用户为中心，以步行(T₁+T₂)时间行走的距离为半径的圆形范围内所有的共享自行车停放点向用户提供共享自行车的效果最佳。

4.根据权利要求1所述的一种基于大数据与用户心理预测共享自行车需求量的方法，其特征在于：在步骤3)中，建立需求预测的二次预测模型，设立“我要用车”功能选项，用户利用手机APP的“我要用车”上传的未来一天内的自行车骑行计划，包括预计开锁时间、骑行起点和终点，进行一段时间实施后，根据线上数据比对和线下问卷调查得到上传信息人数占实际使用人数的比例γ，得到二次预测模型如下式(2)所示：

C₂＝P/γ (2)

其中，C₂为目标时间段内目标停车点的共享自行车二次预测需求量；P为目标时间段内目标停车点的用户预约数量；

最后，结合一次预测模型与二次预测模型进行准确预测，具体是：当二次检验模型数据大于一次预测模型数据时，采用二次检验模型数据；当一次预测模型数据大于二次检验模型数据时，将两个数据进行平均拟合，由此重新计算出的数据和绘制出的曲线作为实际分析和使用的共享自行车需求预测修正数据和修正曲线，如下式(3)、(4)所示：

C₁＞C₂时，C＝0.5C₁+0.5C₂ (3)

C₁＜C₂时，C＝C₂ (4)

其中，C₁为目标时间段内目标停车点的共享自行车一次预测需求量；C为共享自行车需求量预测修正值，作为需求量的最终预测值应用于共享自行车的调度、摆放、规划这些作业过程中。