CN111882158B - 一种基于Voronoi图的混合公共自行车调度需求预测方法 - Google Patents

Abstract

一种基于Voronoi图的混合公共自行车调度需求预测方法，包括以下步骤：S1、获取有桩与无桩公共自行车出行数据；S2、设置调度区域边界；S3、基于有桩公共自行车站点绘制Voronoi图；S4、提取Voronoi图各子区出行量的时间序列；S5、确定ARMA模型的阶数p和q；S6、采用标定后的ARMA模型预测次日出行量；S7、计算各子区内调度时间与调度量。本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测，打破了传统研究与应用方法只针对单一公共自行车的弊端，减少了两类公共自行车各自为营、重复调度的情况；同时，本发明方法生成的调度需求相比传统方法更为细致，也更加准确。

Description

一种基于Voronoi图的混合公共自行车调度需求预测方法

技术领域

本发明涉及城市公共自行车调度及共享单车领域，涉及一种基于Voronoi图的混合公共自行车调度需求预测方法。

背景技术

公共自行车作为一种低碳环保的出行方法，得到了广大出行者的喜爱，近年来在我国很多城市得到了大规模的推广。然而，公共自行车目前最突出的问题之一便是“车辆分配不平衡”，即公共自行车常常在某些区域大量堆砌，而在另外的区域又十分缺乏，这给出行者造成了很大困扰。因此，公共自行车运营者，需要定期将自行车进行调度，实现空间再平衡。在我国，公共自行车包括有桩和无桩两种形态，两种形态的公共自行车互相影响却各自为营，无形中给调度工作的开展增添了难度。

目前的管理手段，往往只针对一种模式进行调度，缺少二者统筹的考虑。其中一个重要原因便是，当前尚缺少合适的方法对混合的公共自行车进行调度需求预测。混合公共自行车调度的前提是进行合理的分区以及选择合适的调度需求预测方法，以确定相应的调度方案。调度需求的预测既要考虑有桩公共自行车的服务范围，又要考虑无桩公共自行车的灵活变动，否则需求预测效果较差。综上所述，现阶段亟需对有桩与无桩的共享自行车混合模式提出一种合理分区的调度需求预测方法，以支撑调度工作的开展。

发明内容

针对以上问题，本发明提供一种基于Voronoi图的混合公共自行车调度需求预测方法，本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测，打破了传统研究与应用方法只针对单一公共自行车的弊端，减少了两类公共自行车各自为营、重复调度的情况；同时，本发明方法生成的调度需求相比传统方法更为细致，也更加准确，为达此目的，本发明提供一种基于Voronoi图的混合公共自行车调度需求预测方法，包括如下步骤：

S1、获取有桩与无桩公共自行车出行数据；

所述步骤S1中，有桩公共自行车出行数据包括每次出行的出发站点经度Lon₁、出发站点纬度Lat₁、出发时间Time₁、到达站点经度Lon₂、到达站点纬度Lat₂、到达时间Time₂；无桩公共自行车出行数据包括每次出行的出发点经度Lon₃、出发点纬度Lat₃、出发时间Time₃、到达点经度Lon₄、到达点纬度Lat₄、到达时间Time₄；

S2、设置调度区域边界；

所述步骤S2中调度区域边界为包含所有公共自行车出行起讫点的最小凸多边形X的边界，由最外围公共自行车出行起讫点坐标连接形成；

S3、基于有桩公共自行车站点绘制Voronoi图；

所述步骤S3具体包括：将有桩公共自行车所有站点P_k组成点集{P₁,P₂,…,P_n}，在平面X上，连接两邻点直线的垂直平分线组成的连续多边形为Voronoi图，任意点P_k的Voronoi区域R_k定义为：

R_k＝{x∈X|d(x,P_k)＜d(x,P_j),j＝{1,2,3,...,n},j≠k}；

S4、提取Voronoi图各子区出行量的时间序列；

所述步骤S4为：对于任意的有桩公共自行车所有站点P_k的Voronoi区域R_k，从步骤S1的出行数据中统计每个时间t从该区域内出发的有桩与无桩公共自行车出行次数O_k ^t与每个时间t到达该区域的有桩与无桩公共自行车出行次数D_k ^t，分别组成区域R_k的出行发生量时间序列与出行吸引量时间序列；

S5、确定ARMA模型的阶数p和q；

S51、计算阶数p,q∈{0,1,2,3,4,5}的所有ARMA模型；针对区域R_k的出行发生量时间序列

与出行吸引量时间序列

采用ARMA模型进行回归分析，计算公式如下：

其中，β₀,β₁,β₂,…,β_p,α₁,α₂,…,α_q,为回归参数，

为误差项；

S52、根据指标AIC确定ARMA模型阶数p和q；计算时间序列O_k ^t与D_k ^t的所有p、q组合下的ARMA模型的AIC值，选择AIC值最小的那组p、q取值作为ARMA模型阶数的最终取值，该组取值下的ARMA模型为标定后的ARMA模型；AIC的计算公式如下：

AIC＝2(p+q+2)-2ln(L)

其中，p、q为ARMA模型阶数，L为似然函数；

S6、采用标定后的ARMA模型预测次日出行量；

所述步骤S6具体为：采用标定后的ARMA模型预测区域R_k次日m个时间点的出行发生量O_k ^t+1,O_k ^t+2,…,O_k ^t+m与出行吸引量D_k ^t+1,D_k ^t+2,…,D_k ^t+m，并计算区域R_k次日第i时间点的净调度量DD_k ^t+i：

S7、计算各子区内调度时间与调度量；

所述步骤S7具体为：如果区域R_k次日第i时间点的净调度量DD_k ^t+i小于调度临界值N，则该时间点区域R_k不需要调度；否则，该时间点区域R_k需要调度，调度量为DD_k ^t+i，调度方向由如下公式确定：

作为本发明进一步改进，所述步骤S2中公共自行车出行起讫点包括：有桩公共自行车的出发站点、达到站点和无桩公共自行车的出发点、达到点。

有益效果：与现有技术相比，本发明具有如下的有益效果：

1)本发明方法综合考虑有桩与无桩公共自行车进行调度分区。本发明方法提到的Voronoi图一方面基于有桩公共自行车的站点设置Voronoi区域，另一方面也完全覆盖了无桩公共自行车的所有服务区，可以实现二者调度区的协同划分。

2)本发明方法综合考虑了有桩与无桩公共自行车的调度进行需求预测，打破了传统研究与应用方法只针对单一公共自行车的弊端，减少了两类公共自行车各自为营、重复调度的情况。

3)本发明方法生成的调度需求相比传统方法更为细致，最终生成的调度方案可以给出每个时段的调入与调出量，而不仅仅是全天或者高峰小时的调度量，并且调度时段的划分也可以根据不同场景灵活设置。

4)相比于经验方法或者理论推导，本发明方法基于真实的历史出行数据进行时间序列分析，预测的调度需求更加准确；并且随着历史数据的滚动增加，模型准确度可以持续提高。

附图说明

图1为本发明方法的流程图；

图2为本发明的Voronoi图示意图；

图中，1为调度区域边界，2为有桩公共自行车所在站点，3为一处Voronoi分区，4为无桩公共自行车。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种基于Voronoi图的混合公共自行车调度需求预测方法，本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测，打破了传统研究与应用方法只针对单一公共自行车的弊端，减少了两类公共自行车各自为营、重复调度的情况；同时，本发明方法生成的调度需求相比传统方法更为细致，也更加准确。

如图1所示，本发明提供的一种基于Voronoi图的混合公共自行车调度需求预测方法，包括如下的步骤：S1、获取有桩与无桩公共自行车出行数据；S2、设置调度区域边界；S3、基于有桩公共自行车站点绘制Voronoi图；S4、提取Voronoi图各子区出行量的时间序列；S5、确定ARMA模型的阶数p和q；S6、采用标定后的ARMA模型预测次日出行量；S7、计算各子区内调度时间与调度量。

S1：获取有桩与无桩公共自行车出行数据

有桩公共自行车出行数据包括每次出行的出发站点经度Lon₁、出发站点纬度Lat₁、出发时间Time₁、到达站点经度Lon₂、到达站点纬度Lat₂、到达时间Time₂；无桩公共自行车出行数据包括每次出行的出发点经度Lon₃、出发点纬度Lat₃、出发时间Time₃、到达点经度Lon₄、到达点纬度Lat₄、到达时间Time₄；

S2：设置调度区域边界

调度区域边界为包含所有公共自行车出行起讫点的最小凸多边形X的边界，由最外围公共自行车出行起讫点坐标连接形成；其中，公共自行车出行起讫点包括：有桩公共自行车的出发站点、达到站点和无桩公共自行车的出发点、达到点；

S3：基于有桩公共自行车站点绘制Voronoi图

如图2所示，将有桩公共自行车所在站点P_k组成点集{P₁,P₂,…,P_n}，在平面X上，连接两邻点直线的垂直平分线组成的连续多边形为Voronoi图，任意点P_k的Voronoi区域R_k定义为：

R_k＝{x∈X|d(x,P_k)＜d(x,P_j),j＝{1,2,3,...,n},j≠k}

S4：提取Voronoi图各子区出行量的时间序列

对于任意的有桩公共自行车所有站点P_k的Voronoi区域R_k，从步骤S1的出行数据中统计每个时间t从该区域内出发的有桩与无桩公共自行车出行次数O_k ^t与每个时间t到达该区域的有桩与无桩公共自行车出行次数D_k ^t，分别组成区域R_k的出行发生量时间序列与出行吸引量时间序列；

S5：确定ARMA模型的阶数p和q

计算阶数p,q∈{0,1,2,3,4,5}的所有ARMA模型；针对区域R_k的出行发生量时间序列

与出行吸引量时间序列

采用ARMA模型进行回归分析，计算公式如下：

其中，β₀,β₁,β₂,…,β_p,α₁,α₂,…,α_q,为回归参数，

为误差项；

根据指标AIC确定ARMA模型阶数p和q：计算时间序列O_k ^t与D_k ^t的所有p、q组合下的ARMA模型的AIC值，选择AIC值最小的那组p、q取值作为ARMA模型阶数的最终取值，该组取值下的ARMA模型为标定后的ARMA模型；AIC的计算公式如下：

AIC＝2(p+q+2)-2ln(L)

其中，p、q为ARMA模型阶数，L为似然函数

S6：采用标定后的ARMA模型预测次日出行量

采用标定后的ARMA模型预测区域R_k次日m(m＝24)个时间点的出行发生量O_k ^t+1,O_k ^{t +2},…,O_k ^t+m与出行吸引量D_k ^t+1,D_k ^t+2,…,D_k ^t+m，并计算区域R_k次日第i时间点的净调度量DD_k ^{t +i}：

S7：计算各子区内调度时间与调度量

如果区域R_k次日第i时间点的净调度量DD_k ^t+i小于调度临界值N(N＝5)，则该时间点区域R_k不需要调度；否则，该时间点区域R_k需要调度，调度量为DD_k ^t+i，调度方向由如下公式确定：

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (2)

1.一种基于Voronoi图的混合公共自行车调度需求预测方法，其特征在于，包括如下步骤：

S1、获取有桩与无桩公共自行车出行数据；

所述步骤S1中，有桩公共自行车出行数据包括每次出行的出发站点经度Lon₁、出发站点纬度Lat₁、出发时间Time₁、到达站点经度Lon₂、到达站点纬度Lat₂、到达时间Time₂；无桩公共自行车出行数据包括每次出行的出发点经度Lon₃、出发点纬度Lat₃、出发时间Time₃、到达点经度Lon₄、到达点纬度Lat₄、到达时间Time₄；

S2、设置调度区域边界；

所述步骤S2中调度区域边界为包含所有公共自行车出行起讫点的最小凸多边形X的边界，由最外围公共自行车出行起讫点坐标连接形成；

S3、基于有桩公共自行车站点绘制Voronoi图；

所述步骤S3具体包括：将有桩公共自行车所有站点P_k组成点集{P₁,P₂,…,P_n}，在平面X上，连接两邻点直线的垂直平分线组成的连续多边形为Voronoi图，任意点P_k的Voronoi区域R_k定义为：

R_k＝{x∈X|d(x,P_k)＜d(x,P_j),j＝{1,2,3,...,n},j≠k}；

S4、提取Voronoi图各子区出行量的时间序列；

所述步骤S4为：对于任意的有桩公共自行车所有站点P_k的Voronoi区域R_k，从步骤S1的出行数据中统计每个时间t从该区域内出发的有桩与无桩公共自行车出行次数O_k ^t与每个时间t到达该区域的有桩与无桩公共自行车出行次数D_k ^t，分别组成区域R_k的出行发生量时间序列与出行吸引量时间序列；

S5、确定ARMA模型的阶数p和q；

S51、计算阶数p,q∈{0,1,2,3,4,5}的所有ARMA模型；针对区域R_k的出行发生量时间序列

与出行吸引量时间序列

采用ARMA模型进行回归分析，计算公式如下：

其中，β₀,β₁,β₂,…,β_p,α₁,α₂,…,α_q,为回归参数，

为误差项；

S52、根据指标AIC确定ARMA模型阶数p和q；计算时间序列O_k ^t与D_k ^t的所有p、q组合下的ARMA模型的AIC值，选择AIC值最小的那组p、q取值作为ARMA模型阶数的最终取值，该组取值下的ARMA模型为标定后的ARMA模型；AIC的计算公式如下：

AIC＝2(p+q+2)-2ln(L)

其中，p、q为ARMA模型阶数，L为似然函数；

S6、采用标定后的ARMA模型预测次日出行量；

所述步骤S6具体为：采用标定后的ARMA模型预测区域R_k次日m个时间点的出行发生量O_k ^t+1,O_k ^t+2,…,O_k ^t+m与出行吸引量D_k ^t+1,D_k ^t+2,…,D_k ^t+m，并计算区域R_k次日第i时间点的净调度量DD_k ^t+i：

S7、计算各子区内调度时间与调度量；

所述步骤S7具体为：如果区域R_k次日第i时间点的净调度量DD_k ^t+i小于调度临界值N，则该时间点区域R_k不需要调度；否则，该时间点区域R_k需要调度，调度量为DD_k ^t+i，调度方向由如下公式确定：

2.根据权利要求 1所述的一种基于Voronoi图的混合公共自行车调度需求预测方法，其特征在于，所述步骤S2中公共自行车出行起讫点包括：有桩公共自行车的出发站点、达到站点和无桩公共自行车的出发点、达到点。

Images