CN115879016A - 共享单车出行潮汐时段的预测方法 - Google Patents

共享单车出行潮汐时段的预测方法 Download PDF

Info

Publication number
CN115879016A
CN115879016A CN202310137743.2A CN202310137743A CN115879016A CN 115879016 A CN115879016 A CN 115879016A CN 202310137743 A CN202310137743 A CN 202310137743A CN 115879016 A CN115879016 A CN 115879016A
Authority
CN
China
Prior art keywords
historical
period
candidate
tidal
periods
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310137743.2A
Other languages
English (en)
Other versions
CN115879016B (zh
Inventor
石岩
汪晓龙
王达
陈炳蓉
邓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202310137743.2A priority Critical patent/CN115879016B/zh
Publication of CN115879016A publication Critical patent/CN115879016A/zh
Application granted granted Critical
Publication of CN115879016B publication Critical patent/CN115879016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

本申请适用于时空大数据挖掘技术领域，提供了一种共享单车出行潮汐时段的预测方法，该方法根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据时间邻域确定目标区域的历史候选时段；根据历史候选时段的潮汐失衡程度，构建潮汐时段预测模型；利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。本申请能提高共享单车出行潮汐时段预测的准确性。

Description

共享单车出行潮汐时段的预测方法
技术领域
本申请属于时空大数据挖掘技术领域，尤其涉及一种共享单车出行潮汐时段的预测方法。
背景技术
共享单车自由便捷的特性极大满足了城市居民通勤、娱乐、购物等动态时变的多样出行需求，同时造成某些停放区域出现平峰时段单车淤积、高峰时段单车紧张等潮汐失衡现象。例如，通勤高峰期小区和写字楼附近共享单车的大量消散和聚集，傍晚时刻公园和商场附近共享单车的聚集堆放等。通常而言，一天内潮汐时段均衡的停放区域可以自行实现单车数量周期性动态平衡，而一天内潮汐时段不等的停放区域内居民出行天然有偏差，加剧了关键时段共享单车借不到或还不进的供需失衡现状。因此，对于不同单车停放区域，精细可靠地探测共享单车出行潮汐失衡时段，是实时适应引导停放、科学合理设置调度方案的基础问题。
当前我国共享单车智能锁大多嵌入了全球导航卫星系统（GNSS，GlobalNavigation Satellite System）或智能卡（SIM，Subscriber Identity Module）用于时空定位和骑行状态感知，其记录的轨迹位置直接反映了真实的居民出行过程，为客观分析不同区域内居民共享单车出行潮汐时段及失衡程度提供了重要数据源。当前共享单车出行潮汐时段探测方法主要基于密度和净流量等出行特征构建潮汐指标，通过硬性划分时段依次探测共享单车借还失衡的潮汐时段。然而，潮汐指标阈值的设置和时间分辨率的划分依赖人工经验设置，极易低估真实的潮汐时长和失衡程度。
综上所述，现有的共享单车出行潮汐时段的预测方法存在准确性低的问题。
发明内容
本申请实施例提供了一种共享单车出行潮汐时段的预测方法，可以解决 共享单车出行潮汐时段的预测方法准确性低的问题。
本申请的实施例中，提供了一种共享单车出行潮汐时段的预测方法，包括：
根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据时间邻域确定目标区域的历史候选时段；
根据历史候选时段的潮汐失衡程度，构建潮汐时段预测模型；
利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。
可选的，根据目标区域的历史有效OD轨迹数据确定时间邻域，包括：
将历史有效OD轨迹数据中的
Figure SMS_2
个历史OD点按时间戳升序排列，得到历史OD时间戳数据集/>
Figure SMS_5
，/>
Figure SMS_7
；其中，/>
Figure SMS_3
表示所有/>
Figure SMS_4
个历史OD时间戳中的第/>
Figure SMS_6
个历史OD时间戳，/>
Figure SMS_8
，/>
Figure SMS_1
表示历史OD时间戳的总数量；
计算历史OD时间戳数据集中每个历史OD时间戳的核密度相对值；
根据每个历史OD时间戳的核密度相对值，计算历史OD时间戳数据集的核密度确定性；
基于核密度确定性绘制核密度函数带宽值熵曲线，并将核密度函数带宽值熵曲线最低点对应的核密度函数带宽值确定为时间邻域
Figure SMS_9
。
可选的，计算历史OD时间戳数据集中每个历史OD时间戳的核密度相对值，包括：
通过计算公式
Figure SMS_11
得到每个历史OD时间戳的核密度相对值
Figure SMS_15
；其中，/>
Figure SMS_18
表示第/>
Figure SMS_12
个历史OD时间戳/>
Figure SMS_14
和第/>
Figure SMS_17
个历史OD时间戳/>
Figure SMS_19
的时间差，/>
Figure SMS_10
表示满足/>
Figure SMS_13
的历史OD时间戳，/>
Figure SMS_16
表示核密度函数带宽值。
可选的，根据每个历史OD时间戳的核密度相对值，计算历史OD时间戳数据集的核密度确定性，包括：
通过计算公式
Figure SMS_20
Figure SMS_21
得到历史OD时间戳数据集/>
Figure SMS_22
的核密度确定性/>
Figure SMS_23
。
可选的，根据时间邻域确定目标区域的历史候选时段，包括：
通过计算公式
Figure SMS_24
得到历史候选时段
Figure SMS_25
，其中，/>
Figure SMS_26
表示所述历史候选时段中的第/>
Figure SMS_27
个历史候选子时段，所有/>
Figure SMS_28
个历史候选子时段构成所述历史候选时段/>
Figure SMS_29
。
可选的，根据历史候选时段的潮汐失衡程度，构建潮汐时段预测模型，包括：
通过计算公式
Figure SMS_31
得到历史候选时段中所有历史候选子时段的潮汐失衡程度/>
Figure SMS_33
，/>
Figure SMS_36
表示第/>
Figure SMS_32
个历史候选子时段/>
Figure SMS_34
中历史O点的数量，/>
Figure SMS_35
表示第/>
Figure SMS_37
个历史候选子时段/>
Figure SMS_30
中O点数量的概率密度和；
从所有历史候选子时段的潮汐失衡程度
Figure SMS_38
中，选取前H天的所有历史候选子时段的潮汐失衡程度作为前H天历史候选时段的周期性特征集/>
Figure SMS_39
，
Figure SMS_40
；其中，/>
Figure SMS_41
表示第H天历史候选时段的周期性特征；
从所有历史候选子时段的潮汐失衡程度
Figure SMS_42
中，选取前/>
Figure SMS_43
个历史候选子时段的潮汐失衡程度作为前/>
Figure SMS_44
个历史候选子时段的邻近性特征集/>
Figure SMS_45
，/>
Figure SMS_46
；其中，/>
Figure SMS_47
表示第/>
Figure SMS_48
个历史候选子时段的邻近性特征；
将所述前H天历史候选时段的周期性特征集集和所述前
Figure SMS_49
个历史候选子时段的邻近性特征集进行合并，得到综合周期性特征集/>
Figure SMS_50
；
根据综合周期性特征集
Figure SMS_51
和潮汐失衡程度/>
Figure SMS_52
构建原始数据集/>
Figure SMS_53
；/>
对原始数据集
Figure SMS_54
进行随机抽取，得到训练数据集；训练数据集中包括多个训练数据子集；
对每个训练数据子集构建决策树模型，并将构建得到的多个决策树模型作为潮汐时段预测模型。
可选的，待预测候选时段包括多个待预测候选子时段。
可选的，利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测，包括：
将第前
Figure SMS_55
天的所有历史候选子时段中，与所述多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征作为所述待预测候选时段的一周期性特征/>
Figure SMS_56
，得到所述待预测候选时段的周期性特征集/>
Figure SMS_57
，/>
Figure SMS_58
；其中，/>
Figure SMS_59
，所述待预测候选时段的周期性特征集中任一周期性特征/>
Figure SMS_60
包括第前
Figure SMS_61
天与所述待预测候选时段重合范围最大的多个历史候选子时段的周期性特征；
将前C个历史候选子时段的邻近性特征作为待预测候选时段的邻近性特征集
Figure SMS_62
，/>
Figure SMS_63
；其中，/>
Figure SMS_64
表示所述待预测候选时段的第/>
Figure SMS_65
个邻近性特征，/>
Figure SMS_66
；
根据所述待预测候选时段的周期性特征集和所述待预测候选时段的邻近性特征集构建样本数据集
Figure SMS_67
；
利用所述潮汐时段预测模型对所述样本数据集
Figure SMS_68
进行计算，并将多个决策树输出结果的平均值作为潮汐时段预测模型的预测结果/>
Figure SMS_69
，/>
Figure SMS_70
，/>
Figure SMS_71
表示第/>
Figure SMS_72
个待预测候选子时段的预测结果，/>
Figure SMS_73
表示待预测候选子时段的总数量；
若所有预测结果
Figure SMS_74
中一计算结果/>
Figure SMS_75
，则将该预测结果对应的待预测候选子时段划分为一潮汐源子时段；其中，/>
Figure SMS_76
表示显著性水平判别参数，潮汐源子时段表示
Figure SMS_77
大于/>
Figure SMS_78
的候选子时段；
若所有计算结果
Figure SMS_79
中一计算结果/>
Figure SMS_80
，则将该计算结果对应的待预测候选子时段划分为一潮汐汇子时段，其中，/>
Figure SMS_81
表示显著性水平判别参数，潮汐源子时段表示
Figure SMS_82
小于/>
Figure SMS_83
的候选子时段。
可选的，在根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据时间邻域确定目标区域的历史候选时段之前，本申请提供的共享单车出行潮汐时段的预测方法还包括：
对目标区域的历史OD轨迹数据进行预处理，得到历史有效OD轨迹数据。
可选的，本申请提供的共享单车出行潮汐时段的预测方法还包括：根据历史有效OD轨迹数据的密度分布特征，识别历史候选时段中的历史潮汐时段。
可选的，根据历史有效OD轨迹数据的密度分布特征，识别历史候选时段中的历史潮汐时段，包括：根据历史候选时段中历史OD点的密度分布，识别历史候选时段中的历史高峰子时段；根据每个历史高峰子时段中历史OD点的密度分布，识别所有历史高峰子时段中的历史潮汐子时段，历史潮汐子时段经过聚合得到历史潮汐时段。
可选的，根据历史候选时段中历史OD点的密度分布，识别历史候选时段中的历史高峰子时段，包括：
通过计算公式
Figure SMS_85
得到第/>
Figure SMS_88
个历史候选子时段/>
Figure SMS_90
中包括/>
Figure SMS_86
个历史OD点的概率/>
Figure SMS_89
，其中，/>
Figure SMS_91
表示第/>
Figure SMS_92
个历史候选子时段/>
Figure SMS_84
中历史OD点的数量，/>
Figure SMS_87
表示时间长度；
通过计算公式
Figure SMS_93
得到第/>
Figure SMS_94
个历史候选子时段/>
Figure SMS_95
中历史OD点的数量不少于/>
Figure SMS_96
的概率/>
Figure SMS_97
；
若
Figure SMS_100
，则将第/>
Figure SMS_101
个历史候选子时段/>
Figure SMS_103
识别为一历史高峰子时段/>
Figure SMS_99
；其中，/>
Figure SMS_102
表示显著性水平判别参数，/>
Figure SMS_104
，/>
Figure SMS_105
表示所有历史高峰子时段的个数，/>
Figure SMS_98
。
可选的，根据每个历史高峰子时段中历史OD点的密度分布，识别所有历史高峰子时段中的历史潮汐子时段，历史潮汐子时段经过聚合得到历史潮汐时段，包括：
通过计算公式
Figure SMS_106
得到第
Figure SMS_108
个历史高峰子时段/>
Figure SMS_112
中包括/>
Figure SMS_116
个历史O点的概率/>
Figure SMS_109
，
Figure SMS_113
表示第/>
Figure SMS_117
个历史高峰子时段/>
Figure SMS_119
中历史O点的数量，/>
Figure SMS_107
表示第/>
Figure SMS_111
个历史高峰子时段
Figure SMS_115
中历史OD点的总数量，/>
Figure SMS_118
表示所有历史OD点中历史O点出现的概率，/>
Figure SMS_110
，
Figure SMS_114
；
通过计算公式
Figure SMS_120
得到第
Figure SMS_121
个历史高峰子时段/>
Figure SMS_122
作为历史潮汐源时段的概率/>
Figure SMS_123
；
若
Figure SMS_124
，则将该历史高峰子时段/>
Figure SMS_125
识别为一历史潮汐源子时段
Figure SMS_126
，/>
Figure SMS_127
表示显著性水平判别参数，/>
Figure SMS_128
，/>
Figure SMS_129
表示所有历史潮汐源子时段的个数，
Figure SMS_130
；
若
Figure SMS_131
，则将该历史高峰子时段/>
Figure SMS_132
识别为一历史潮汐汇子时段
Figure SMS_133
，/>
Figure SMS_134
，/>
Figure SMS_135
表示所有历史潮汐汇子时段的个数，/>
Figure SMS_136
；
对历史潮汐源子时段进行聚合，得到历史潮汐源时段
Figure SMS_137
，/>
Figure SMS_138
，
Figure SMS_139
；
对历史潮汐汇子时段进行聚合，得到历史潮汐汇时段
Figure SMS_140
，/>
Figure SMS_141
，
Figure SMS_142
。
本申请的上述方案有如下的有益效果：
在本申请的实施例中，通过历史有效OD轨迹数据确定时间邻域，能够避免采用固定步长划分研究时段的局限性，提高了潮汐时段预测的准确性；通过历史候选时段的潮汐失衡程度构建潮汐时段预测模型，能够消除了人为主观因素的影响，提高了潮汐时段预测的准确性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的共享单车出行潮汐时段的预测方法的流程图；
图2为本申请实施例中共享单车出行潮汐时段的预测方法的预测结果与实际情况的对比示意图；
图3为本申请实施例中将厦门市思明区和湖里区构成的厦门岛作为研究区域的潮汐时段探测结果示意图；
图4为本申请实施例中软件园附近停车区域的潮汐时段探测结果示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对目前共享单车出行潮汐时段的预测方法准确性低的问题，本申请提供了一种共享单车出行潮汐时段的预测方法，通过历史有效行出发地-目的地 (OD，Origin toDestination)轨迹数据确定时间邻域，能够避免采用固定步长划分研究时段的局限性，提高了潮汐时段预测的准确性；通过历史候选时段的潮汐失衡程度构建潮汐时段预测模型，能够消除了人为主观因素的影响，提高了潮汐时段预测的准确性。
如图1所示，本申请提供的共享单车出行潮汐时段的预测方法有以下步骤：
步骤11，根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据时间邻域确定目标区域的历史候选时段。
上述历史OD轨迹数据，包含了一段历史时间内，共享单车出行的起止地点信息和时间信息。
上述历史有效OD轨迹数据由历史OD轨迹数据经过预处理后得到。
示例性的，上述预处理过程为：
首先，删除目标区域之外、时间格式异常和行程时间大于1小时的历史OD轨迹数据。而对于位置坐标重复或开关锁状态连续的同一辆共享单车的OD轨迹点，仅保留时间戳最早的一个历史OD点。
其次，由于空间定位设备误差，共享单车并不总是严格地停放在停车桩或电子围栏内，需要对共享单车实际停放区域进行重新划分。具体的，提取目标区域内共享单车电子围栏的地理中心，进一步生成冯洛诺伊图（Voronoi diagram）图，利用目标区域切割城市边界处Voronoi单元，实现目标区域单车停放区域的空间划分。
值得一提的是，本申请的实施例中，时间邻域并非基于固定步长来划分，而是根据目标区域内的历史OD轨迹数据进行自适应划分，避免了固定步长划分时间邻域导致预测结果不准确或出现纰漏的问题。
步骤12，根据历史候选时段的潮汐失衡程度，构建潮汐时段预测模型。
在此计算历史候选时段的潮汐失衡程度能弥补相关方法缺乏预测共享单车潮汐失衡的不足，提高潮汐时段预测的准确度。
步骤13，利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。
可见，本申请提供的共享单车出行潮汐时段的预测方法通过历史有效OD轨迹数据确定时间邻域，能够避免采用固定步长划分研究时段的局限性，提高了潮汐时段预测的准确性；通过历史候选时段的潮汐失衡程度构建潮汐时段预测模型，能够消除了人为主观因素的影响，提高了潮汐时段预测的准确性。
下面对步骤11（根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据时间邻域确定目标区域的历史候选时段）中根据目标区域的历史有效OD轨迹数据确定时间邻域的具体过程做示例性说明。
步骤11.1.1，将历史有效OD轨迹数据中的
Figure SMS_144
个历史OD点按时间戳升序排列，得到历史OD时间戳数据集/>
Figure SMS_146
，/>
Figure SMS_148
；其中，/>
Figure SMS_145
表示所有/>
Figure SMS_147
个历史OD时间戳中的第/>
Figure SMS_149
个历史OD时间戳，/>
Figure SMS_150
，/>
Figure SMS_143
表示历史OD时间戳的总数量。
步骤11.1.2，计算历史OD时间戳数据集中每个历史OD时间戳的核密度相对值。
具体的，通过计算公式
Figure SMS_152
得到每个历史OD时间戳的核密度相对值得到每个历史OD时间戳的核密度相对值/>
Figure SMS_156
；其中，/>
Figure SMS_159
表示第/>
Figure SMS_153
个历史OD时间戳/>
Figure SMS_155
和第/>
Figure SMS_158
个历史OD时间戳/>
Figure SMS_160
的时间差，/>
Figure SMS_151
表示满足/>
Figure SMS_154
的历史OD时间戳，/>
Figure SMS_157
表示核密度函数带宽值。/>
步骤11.1.3，根据每个历史OD时间戳的核密度相对值，计算历史OD时间戳数据集的核密度确定性。
具体的，通过计算公式
Figure SMS_161
得到历史OD时间戳数据集/>
Figure SMS_162
的核密度确定性
Figure SMS_163
。
步骤11.1.4，基于核密度确定性绘制核密度函数带宽值熵曲线，并将核密度函数带宽值熵曲线最低点对应的核密度函数带宽值确定为时间邻域
Figure SMS_164
。
绘制核密度函数带宽值熵曲线的方法属于公知常识，在此不做赘述。
下面对步骤11（根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据时间邻域确定目标区域的历史候选时段）中根据时间邻域确定目标区域的历史候选时段的具体过程做示例性说明。
步骤11.2，通过计算公式
Figure SMS_165
得到历史候选时段
Figure SMS_166
，其中，/>
Figure SMS_167
表示历史候选时段中的第/>
Figure SMS_168
个历史候选子时段，所有/>
Figure SMS_169
个历史候选子时段构成历史候选时段/>
Figure SMS_170
。
下面对步骤12（根据历史候选时段的潮汐失衡程度，构建潮汐时段预测模型）的具体过程做示例性说明。
步骤12.1，通过计算公式
Figure SMS_172
得到历史候选时段中所有历史候选子时段的潮汐失衡程度/>
Figure SMS_174
，/>
Figure SMS_176
表示第/>
Figure SMS_173
个历史候选子时段/>
Figure SMS_175
中历史O点的数量，/>
Figure SMS_177
表示第/>
Figure SMS_178
个历史候选子时段/>
Figure SMS_171
中O点数量的概率密度和。
步骤12.2，从所有历史候选子时段的潮汐失衡程度
Figure SMS_179
中，选取前H天的所有历史候选子时段的潮汐失衡程度作为前H天历史候选时段的周期性特征集/>
Figure SMS_180
，
Figure SMS_181
；其中，/>
Figure SMS_182
表示第H天历史候选时段的周期性特征。
步骤12.3，从所有历史候选子时段的潮汐失衡程度
Figure SMS_183
中，选取前/>
Figure SMS_184
个历史候选子时段的潮汐失衡程度作为前/>
Figure SMS_185
个历史候选子时段的邻近性特征集/>
Figure SMS_186
，
Figure SMS_187
；其中，/>
Figure SMS_188
表示第/>
Figure SMS_189
个历史候选子时段的邻近性特征。
步骤12.4，将前H天历史候选时段的周期性特征集集和前
Figure SMS_190
个历史候选子时段的邻近性特征集进行合并，得到综合周期性特征集/>
Figure SMS_191
。
步骤12.5，根据综合周期性特征集
Figure SMS_192
和潮汐失衡程度/>
Figure SMS_193
构建原始数据集/>
Figure SMS_194
。
步骤12.6，对原始数据集
Figure SMS_195
进行随机抽取，得到训练数据集。
上述训练数据集中包括多个训练数据子集。
步骤12.7，对每个训练数据子集构建决策树模型，并将构建得到的多个决策树模型作为潮汐时段预测模型。
上述潮汐时段预测模型表示由多个决策树模型构成的随机森林预测模型。
下面对步骤13（利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测）的具体过程做示例性说明。
步骤13.1，将第前
Figure SMS_196
天的所有历史候选子时段中，与多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征作为待预测候选时段的一周期性特征，得到待预测候选时段的周期性特征集/>
Figure SMS_197
，/>
Figure SMS_198
。
示例性的，若待预测候选时段包括两个待预测候选子时段（（7:30-7:45），（8:00-8:15）），则针对前H天中的每一天，选取与上述待预测候选子时段（（7:30-7:45），（8:00-8:15））重合范围最大的两个历史候选子时段（（7:35-7:50），（8:05-8:20）），并将上述两个历史候选子时段的周期性特征作为待预测候选时段的一周期性特征
Figure SMS_199
，由所有的周期性特征构成待预测候选时段的周期性特征集/>
Figure SMS_200
，/>
Figure SMS_201
。
步骤13.2，将前
Figure SMS_202
个历史候选子时段的邻近性特征作为待预测候选时段的邻近性特征集/>
Figure SMS_203
，/>
Figure SMS_204
。
上述
Figure SMS_205
表示待预测候选时段的第/>
Figure SMS_206
个邻近性特征。
步骤13.3，根据待预测候选时段的周期性特征集和待预测候选时段的邻近性特征集构建样本数据集
Figure SMS_207
。
步骤13.4，利用潮汐时段预测模型对样本数据集
Figure SMS_208
进行计算，并将多个决策树输出结果的平均值作为潮汐时段预测模型的预测结果/>
Figure SMS_209
，/>
Figure SMS_210
，/>
Figure SMS_211
表示第/>
Figure SMS_212
个待预测候选子时段的预测结果，/>
Figure SMS_213
表示待预测候选子时段的总数量。
步骤13.5，若所有预测结果
Figure SMS_214
中一计算结果/>
Figure SMS_215
，则将该预测结果对应的待预测候选子时段划分为一潮汐源子时段；其中，/>
Figure SMS_216
表示显著性水平判别参数，潮汐源子时段表示/>
Figure SMS_217
大于/>
Figure SMS_218
的候选子时段。
步骤13.6，若所有计算结果
Figure SMS_219
中一计算结果/>
Figure SMS_220
，则将该计算结果对应的待预测候选子时段划分为一潮汐汇子时段，其中，表示显著性水平判别参数，潮汐汇子时段表示
Figure SMS_221
小于/>
Figure SMS_222
的候选子时段。
需要说明的是，上述潮汐源子时段和潮汐汇子时段是根据该候选时段中，OD点数量的大小对该候选时段进行区分的，一般情况下，潮汐源子时段中OD点的数量要大于潮汐汇子时段中OD点的数量。
下面对本申请中，根据历史有效OD轨迹数据的密度分布特征，识别历史候选时段中的历史潮汐时段的具体过程做示例性说明：
步骤a，根据历史候选时段中历史OD点的密度分布，识别历史候选时段中的历史高峰子时段。
需要说明的是，在目标区域不存在高峰出行的理想假设下，OD点分布理论概率符合均匀分布。
具体的，上述步骤的具体过程如下：
通过计算公式
Figure SMS_224
得到第/>
Figure SMS_228
个历史候选子时段/>
Figure SMS_230
中包括/>
Figure SMS_225
个历史OD点的概率/>
Figure SMS_227
，其中，/>
Figure SMS_229
表示第/>
Figure SMS_231
个历史候选子时段/>
Figure SMS_223
中历史OD点的数量，/>
Figure SMS_226
表示时间长度。/>
通过计算公式
Figure SMS_232
得到第/>
Figure SMS_233
个历史候选子时段/>
Figure SMS_234
中历史OD点的数量不少于/>
Figure SMS_235
的概率/>
Figure SMS_236
。
若
Figure SMS_239
，则将第/>
Figure SMS_240
个历史候选子时段/>
Figure SMS_243
识别为一历史高峰子时段/>
Figure SMS_238
；其中，/>
Figure SMS_241
表示显著性水平判别参数，/>
Figure SMS_242
，/>
Figure SMS_244
表示所有历史高峰子时段的个数，/>
Figure SMS_237
。
步骤b，根据每个历史高峰子时段中历史OD点的密度分布，识别所有历史高峰子时段中的历史潮汐子时段，历史潮汐子时段经过聚合得到历史潮汐时段。
需要说明的是，在目标区域共享单车借还均衡、不存在潮汐现象的理想假设下，O点出现的理论概率符合二项分布。
具体的，上述步骤的具体过程如下：
通过计算公式
Figure SMS_246
得到第/>
Figure SMS_250
个历史高峰子时段
Figure SMS_253
中包括/>
Figure SMS_248
个历史O点的概率/>
Figure SMS_251
，/>
Figure SMS_255
表示第/>
Figure SMS_258
个历史高峰子时段/>
Figure SMS_245
中历史O点的数量，/>
Figure SMS_249
表示第/>
Figure SMS_254
个历史高峰子时段/>
Figure SMS_257
中历史OD点的总数量，/>
Figure SMS_247
表示所有历史OD点中历史O点出现的概率，/>
Figure SMS_252
，/>
Figure SMS_256
。
通过计算公式
Figure SMS_259
得到第/>
Figure SMS_260
个历史高峰子时段/>
Figure SMS_261
作为历史潮汐源时段的概率/>
Figure SMS_262
。
若
Figure SMS_263
，则将该历史高峰子时段/>
Figure SMS_264
识别为一历史潮汐源子时段
Figure SMS_265
，/>
Figure SMS_266
表示显著性水平判别参数，/>
Figure SMS_267
，/>
Figure SMS_268
表示所有历史潮汐源子时段的个数，
Figure SMS_269
。
若
Figure SMS_270
，则将该历史高峰子时段/>
Figure SMS_271
识别为一历史潮汐汇子时段
Figure SMS_272
，/>
Figure SMS_273
，/>
Figure SMS_274
表示所有历史潮汐汇子时段的个数，/>
Figure SMS_275
。
对历史潮汐源子时段进行聚合，得到历史潮汐源时段
Figure SMS_276
，/>
Figure SMS_277
，/>
Figure SMS_278
。
具体的，首先，将目标区域内识别的所有
Figure SMS_282
个历史潮汐源子时段按时间升序排列
Figure SMS_285
。然后，以历史潮汐源子时段/>
Figure SMS_288
为种子历史潮汐源时段/>
Figure SMS_281
，若下一个历史潮汐源子时段/>
Figure SMS_286
与其时段交集不为空，则/>
Figure SMS_289
与/>
Figure SMS_291
聚合为一个新的种子历史潮汐源时段/>
Figure SMS_279
。若/>
Figure SMS_283
与/>
Figure SMS_287
时段交集为空，则以/>
Figure SMS_290
为种子历史潮汐源时段生成新的种子历史潮汐源时段/>
Figure SMS_280
。重复上述过程，直至最后一个历史潮汐源子时段被访问完毕。最后，目标区域识别到的历史潮汐源时段表示为/>
Figure SMS_284
。
对历史潮汐汇子时段进行聚合，得到历史潮汐汇时段
Figure SMS_292
，/>
Figure SMS_293
，/>
Figure SMS_294
。
具体的，首先，将目标区域区域内识别的所有
Figure SMS_297
个历史潮汐汇子时段按时间升序排列/>
Figure SMS_300
。然后，以历史潮汐汇子时段/>
Figure SMS_303
为种子历史潮汐汇时段/>
Figure SMS_296
，若下一个历史潮汐汇子时段/>
Figure SMS_301
与其时段交集不为空，则/>
Figure SMS_304
与/>
Figure SMS_306
聚合为一个新的种子历史潮汐汇时段。若/>
Figure SMS_295
与/>
Figure SMS_299
时段交集为空，则以/>
Figure SMS_302
为种子历史潮汐汇时段生成新的种子历史潮汐汇时段/>
Figure SMS_305
。重复上述过程，直至最后一个历史潮汐汇子时段被访问完毕。最后，目标区域识别到的历史潮汐汇时段表示为/>
Figure SMS_298
。/>
为了便于理解本申请提供的技术方案，下面结合具体实施例对本申请提供的共享单车出行潮汐时段的预测方法做示例性说明。
本申请的实施例中选择厦门市思明区和湖里区构成的厦门岛作为目标区域，采集该区域内共享单车的历史OD轨迹数据。
对历史OD轨迹数据进行预处理，具体如下：
首先，删除目标区域之外、时间格式异常和行程时间大于1小时的历史OD轨迹数据。而对于位置坐标重复或开关锁状态连续的同一辆共享单车的OD轨迹点，仅保留时间戳最早的一个历史OD点。
其次，由于空间定位设备误差，共享单车并不总是严格地停放在停车桩或电子围栏内，需要对共享单车实际停放区域进行重新划分。具体的，提取目标区域内共享单车电子围栏的地理中心，进一步生成冯洛诺伊图（Voronoi diagram）图，利用目标区域切割城市边界处Voronoi单元，实现目标区域单车停放区域的空间划分。
根据历史有效OD轨迹数据的密度分布特征，识别历史候选时段中的历史潮汐时段，具体如下：
将历史有效OD轨迹数据中的
Figure SMS_307
个历史OD点按时间戳升序排列，得到历史OD时间戳数据集/>
Figure SMS_308
，/>
Figure SMS_309
。
通过计算公式
Figure SMS_312
得到每个历史OD时间戳的核密度相对值/>
Figure SMS_315
；其中，/>
Figure SMS_318
表示第/>
Figure SMS_311
个历史OD时间戳/>
Figure SMS_313
和第/>
Figure SMS_316
个历史OD时间戳/>
Figure SMS_319
的时间差，/>
Figure SMS_310
表示满足/>
Figure SMS_314
的历史OD时间戳，/>
Figure SMS_317
表示核密度函数带宽值。
通过计算公式
Figure SMS_320
得到历史OD时间戳数据集的核密度确定性/>
Figure SMS_321
。
基于核密度确定性绘制熵曲线，并将熵曲线最低点对应的核密度函数带宽值确定为时间邻域
Figure SMS_322
。
通过时间邻域
Figure SMS_323
确定历史候选时段/>
Figure SMS_324
，
Figure SMS_325
，/>
Figure SMS_326
表示历史候选时段中第/>
Figure SMS_327
个历史候选子时段，/>
Figure SMS_328
。
通过计算公式
Figure SMS_330
得到第/>
Figure SMS_334
个历史候选子时段/>
Figure SMS_336
中包括/>
Figure SMS_331
个历史OD点的概率/>
Figure SMS_333
，其中，/>
Figure SMS_335
表示第/>
Figure SMS_337
个历史候选子时段/>
Figure SMS_329
中历史OD点的数量，
Figure SMS_332
表示时间长度。
通过计算公式
Figure SMS_338
得到第/>
Figure SMS_339
个历史候选子时段/>
Figure SMS_340
中历史OD点的数量不少于/>
Figure SMS_341
的概率/>
Figure SMS_342
。
若
Figure SMS_345
，则将第/>
Figure SMS_347
个历史候选子时段/>
Figure SMS_349
识别为一历史高峰子时段/>
Figure SMS_344
；其中，/>
Figure SMS_346
表示显著性水平判别参数，/>
Figure SMS_348
，/>
Figure SMS_350
表示所有历史高峰子时段的个数，/>
Figure SMS_343
。
通过计算公式
Figure SMS_352
得到第/>
Figure SMS_355
个历史高峰子时段
Figure SMS_359
中包括/>
Figure SMS_353
个历史O点的概率/>
Figure SMS_358
，/>
Figure SMS_362
表示第/>
Figure SMS_364
个历史高峰子时段/>
Figure SMS_351
中历史O点的数量，/>
Figure SMS_356
表示第/>
Figure SMS_360
个历史高峰子时段/>
Figure SMS_363
中历史OD点的总数量，/>
Figure SMS_354
表示所有历史OD点中历史O点出现的概率，/>
Figure SMS_357
，/>
Figure SMS_361
。
通过计算公式
Figure SMS_365
得到第/>
Figure SMS_366
个历史高峰子时段/>
Figure SMS_367
作为历史潮汐源时段的概率/>
Figure SMS_368
。
若
Figure SMS_369
，则将该历史高峰子时段/>
Figure SMS_370
识别为一历史潮汐源子时段
Figure SMS_371
，/>
Figure SMS_372
表示显著性水平判别参数，/>
Figure SMS_373
，/>
Figure SMS_374
表示所有历史潮汐源子时段的个数，
Figure SMS_375
。
若
Figure SMS_376
，则将该历史高峰子时段/>
Figure SMS_377
识别为一历史潮汐汇子时段
Figure SMS_378
，/>
Figure SMS_379
，/>
Figure SMS_380
表示所有历史潮汐汇子时段的个数，/>
Figure SMS_381
。
将目标区域内识别的所有
Figure SMS_383
个历史潮汐源子时段按时间升序排列
Figure SMS_387
。然后，以历史潮汐源子时段/>
Figure SMS_390
为种子历史潮汐源时段/>
Figure SMS_384
，若下一个历史潮汐源子时段/>
Figure SMS_388
与其时段交集不为空，则/>
Figure SMS_391
与/>
Figure SMS_393
聚合为一个新的种子历史潮汐源时段。若/>
Figure SMS_382
与/>
Figure SMS_386
时段交集为空，则以/>
Figure SMS_389
为种子历史潮汐源时段生成新的种子历史潮汐源时段/>
Figure SMS_392
。重复上述过程，直至最后一个历史潮汐源子时段被访问完毕。最后，目标区域识别到的历史潮汐源时段表示为/>
Figure SMS_385
。
将目标区域区域内识别的所有
Figure SMS_395
个历史潮汐汇子时段按时间升序排列
Figure SMS_398
。然后，以历史潮汐汇子时段/>
Figure SMS_402
为种子历史潮汐汇时段/>
Figure SMS_396
，若下一个历史潮汐汇子时段/>
Figure SMS_401
与其时段交集不为空，则/>
Figure SMS_404
与/>
Figure SMS_406
聚合为一个新的种子历史潮汐汇时段/>
Figure SMS_394
。若/>
Figure SMS_400
与/>
Figure SMS_403
时段交集为空，则以/>
Figure SMS_405
为种子历史潮汐汇时段生成新的种子历史潮汐汇时段/>
Figure SMS_397
。重复上述过程，直至最后一个历史潮汐汇子时段被访问完毕。最后，目标区域识别到的历史潮汐汇时段表示为/>
Figure SMS_399
。
通过计算公式
Figure SMS_408
得到历史候选时段中所有历史候选子时段的潮汐失衡程度/>
Figure SMS_410
，/>
Figure SMS_412
表示第/>
Figure SMS_409
个历史候选子时段/>
Figure SMS_411
中历史O点的数量，/>
Figure SMS_413
表示第/>
Figure SMS_414
个历史候选子时段/>
Figure SMS_407
中O点数量的概率密度和。
从所有历史候选子时段的潮汐失衡程度
Figure SMS_415
中，选取前H天的所有历史候选子时段的潮汐失衡程度作为前H天历史候选时段的周期性特征集/>
Figure SMS_416
，/>
Figure SMS_417
；其中，/>
Figure SMS_418
表示第H天历史候选时段的周期性特征。
从所有历史候选子时段的潮汐失衡程度
Figure SMS_419
中，选取前/>
Figure SMS_420
个历史候选子时段的潮汐失衡程度作为前/>
Figure SMS_421
个历史候选子时段的邻近性特征集/>
Figure SMS_422
，/>
Figure SMS_423
；其中，/>
Figure SMS_424
表示第/>
Figure SMS_425
个历史候选子时段的邻近性特征。
将前H天历史候选时段的周期性特征集集和前
Figure SMS_426
个历史候选子时段的邻近性特征集进行合并，得到综合周期性特征集/>
Figure SMS_427
；然后根据综合周期性特征集/>
Figure SMS_428
和潮汐失衡程度/>
Figure SMS_429
构建原始数据集/>
Figure SMS_430
。/>
对原始数据集采用Bootstrap方法有放回地进行随机抽取得到训练数据集；上述训练数据集中包括多个训练数据子集。
对每个训练数据子集构建决策树模型，并将构建得到的多个决策树模型作为潮汐时段预测模型。
将第前
Figure SMS_431
天的所有历史候选子时段中，与多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征/>
Figure SMS_432
，得到待预测候选时段的周期性特征集/>
Figure SMS_433
，
Figure SMS_434
；其中，/>
Figure SMS_435
，待预测候选时段的周期性特征集中任一周期性特征/>
Figure SMS_436
包括第前/>
Figure SMS_437
天与待预测候选时段重合范围最大的多个历史候选子时段的周期性特征。
将前C个历史候选子时段的邻近性特征作为待预测候选时段的邻近性特征集
Figure SMS_438
，/>
Figure SMS_439
；其中，/>
Figure SMS_440
表示待预测候选时段的第/>
Figure SMS_441
个邻近性特征，/>
Figure SMS_442
。
将待预测候选时段的周期性特征集和待预测候选时段的邻近性特征集作为样本数据集，并利用潮汐时段预测模型对样本数据集进行计算。
根据潮汐时段预测模型对样本数据集的计算结果
Figure SMS_443
，划分待预测候选时段中的潮汐时段。
若所有计算结果
Figure SMS_444
中一计算结果/>
Figure SMS_445
，则将该计算结果对应的待预测候选子时段划分为一潮汐源子时段；其中，/>
Figure SMS_446
表示显著性水平判别参数。
若所有计算结果
Figure SMS_447
中一计算结果/>
Figure SMS_448
，则将该计算结果对应的待预测候选子时段划分为一潮汐汇子时段，其中，/>
Figure SMS_449
表示显著性水平判别参数。
最终，12月25日，经过本申请提供的共享单车出行潮汐时段的预测方法得到的潮汐时段预测结果和实际情况的对比如图2所示，图2纵坐标表示潮汐失衡程度，图2横坐标表示待预测候选时段，可见，本申请提供的共享单车出行潮汐时段的预测方法具备优异的准确性，本申请实施例中，整个研究区域的潮汐时段探测结果如图3所示，软件园附近停车区域的潮汐时段探测结果如图4所示，结合图3和图4，可见本申请提供的共享单车潮汐时段的预测方法识别的准确率十分优秀。
综上，本申请提供的技术方案具备以下优点：
1）本申请提供的技术方案基于单车出行OD点时间戳借助密度估计与确定性准则自动生成子时段，有效地避免了不匹配时间步长导致的潮汐时段漏判和低估。
2）本申请提供的技术方案基于OD点时间密度分布特征构建具有统计学意义的检验模型，基于显著性判别和时段聚类的方式实现了潮汐时段的自适应度量和探测。
3）本申请提供的技术方案通过构建潮汐失衡的周期性特征和邻近性特征进行未来时刻（待预测候选时段）潮汐时段的预测。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (8)

1.一种共享单车出行潮汐时段的预测方法，其特征在于，包括：
根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据所述时间邻域确定所述目标区域的历史候选时段；
根据所述历史候选时段的潮汐失衡程度，构建潮汐时段预测模型；
利用所述潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。
2.根据权利要求1所述的预测方法，其特征在于，所述根据目标区域的历史有效OD轨迹数据确定时间邻域，包括：
将所述历史有效OD轨迹数据中的
Figure QLYQS_2
个历史OD点按时间戳升序排列，得到历史OD时间戳数据集/>
Figure QLYQS_5
，/>
Figure QLYQS_7
；其中，/>
Figure QLYQS_1
表示所有/>
Figure QLYQS_4
个历史OD时间戳中的第/>
Figure QLYQS_6
个历史OD时间戳，/>
Figure QLYQS_8
，/>
Figure QLYQS_3
表示历史OD时间戳的总数量；
计算所述历史OD时间戳数据集中每个历史OD时间戳的核密度相对值；
根据所述每个历史OD时间戳的核密度相对值，计算所述历史OD时间戳数据集的核密度确定性；
基于所述核密度确定性绘制核密度函数带宽值熵曲线，并将所述核密度函数带宽值熵曲线最低点对应的核密度函数带宽值确定为时间邻域
Figure QLYQS_9
。
3.根据权利要求2所述的预测方法，其特征在于，所述计算所述历史OD时间戳数据集中每个历史OD时间戳的核密度相对值，包括：
通过计算公式
Figure QLYQS_11
得到每个历史OD时间戳的核密度相对值/>
Figure QLYQS_15
；其中，/>
Figure QLYQS_16
表示第/>
Figure QLYQS_12
个历史OD时间戳/>
Figure QLYQS_14
和第/>
Figure QLYQS_17
个历史OD时间戳/>
Figure QLYQS_19
的时间差，/>
Figure QLYQS_10
表示满足
Figure QLYQS_13
的历史OD时间戳，/>
Figure QLYQS_18
表示核密度函数带宽值。
4.根据权利要求3所述的预测方法，其特征在于，所述根据所述每个历史OD时间戳的核密度相对值，计算所述历史OD时间戳数据集的核密度确定性，包括：
通过计算公式
Figure QLYQS_20
Figure QLYQS_21
得到所述历史OD时间戳数据集
Figure QLYQS_22
的核密度确定性/>
Figure QLYQS_23
。
5.根据权利要求4所述的预测方法，其特征在于，所述根据所述时间邻域确定所述目标区域的历史候选时段，包括：
通过计算公式
Figure QLYQS_24
得到所述历史候选时段/>
Figure QLYQS_25
，其中，/>
Figure QLYQS_26
表示所述历史候选时段中的第/>
Figure QLYQS_27
个历史候选子时段，所有/>
Figure QLYQS_28
个历史候选子时段构成所述历史候选时段/>
Figure QLYQS_29
。
6.根据权利要求5所述的预测方法，其特征在于，所述根据所述历史候选时段的潮汐失衡程度，构建潮汐时段预测模型，包括：
通过计算公式
Figure QLYQS_32
得到历史候选时段中所有历史候选子时段的潮汐失衡程度/>
Figure QLYQS_33
，/>
Figure QLYQS_35
表示第/>
Figure QLYQS_31
个历史候选子时段/>
Figure QLYQS_34
中历史O点的数量，/>
Figure QLYQS_36
表示第/>
Figure QLYQS_37
个历史候选子时段/>
Figure QLYQS_30
中O点数量的概率密度和；
从所有历史候选子时段的潮汐失衡程度
Figure QLYQS_38
中，选取前H天的所有历史候选子时段的潮汐失衡程度作为前H天历史候选时段的周期性特征集/>
Figure QLYQS_39
，/>
Figure QLYQS_40
Figure QLYQS_41
；其中，
Figure QLYQS_42
表示第H天历史候选时段的周期性特征；
从所有历史候选子时段的潮汐失衡程度
Figure QLYQS_43
中，选取前/>
Figure QLYQS_44
个历史候选子时段的潮汐失衡程度作为前/>
Figure QLYQS_45
个历史候选子时段的邻近性特征集/>
Figure QLYQS_46
，/>
Figure QLYQS_47
；其中，/>
Figure QLYQS_48
表示第/>
Figure QLYQS_49
个历史候选子时段的邻近性特征；
将所述前H天历史候选时段的周期性特征集集和所述前
Figure QLYQS_50
个历史候选子时段的邻近性特征集进行合并，得到综合周期性特征集/>
Figure QLYQS_51
；
根据所述综合周期性特征集
Figure QLYQS_52
和所述潮汐失衡程度/>
Figure QLYQS_53
构建原始数据集/>
Figure QLYQS_54
；
对所述原始数据集X进行随机抽取，得到训练数据集；所述训练数据集中包括多个训练数据子集；
对每个所述训练数据子集构建决策树模型，并将构建得到的多个决策树模型作为所述潮汐时段预测模型。
7.根据权利要求6所述的预测方法，其特征在于，所述待预测候选时段包括多个待预测候选子时段；
所述利用所述潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测，包括：
将第前h天的所有历史候选子时段中，与所述多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征作为所述待预测候选时段的一周期性特征
Figure QLYQS_55
，得到所述待预测候选时段的周期性特征集/>
Figure QLYQS_56
，/>
Figure QLYQS_57
；其中，/>
Figure QLYQS_58
，所述待预测候选时段的周期性特征集中任一周期性特征/>
Figure QLYQS_59
包括第前/>
Figure QLYQS_60
天与所述待预测候选时段重合范围最大的多个历史候选子时段的周期性特征；
将前
Figure QLYQS_61
个历史候选子时段的邻近性特征作为待预测候选时段的邻近性特征集/>
Figure QLYQS_62
，
Figure QLYQS_63
；其中，/>
Figure QLYQS_64
表示所述待预测候选时段的第/>
Figure QLYQS_65
个邻近性特征，/>
Figure QLYQS_66
；
根据所述待预测候选时段的周期性特征集和所述待预测候选时段的邻近性特征集构建样本数据集
Figure QLYQS_67
；
利用所述潮汐时段预测模型对所述样本数据集
Figure QLYQS_68
进行计算，并将多个决策树输出结果的平均值作为所述潮汐时段预测模型的预测结果/>
Figure QLYQS_69
，/>
Figure QLYQS_70
，/>
Figure QLYQS_71
表示第/>
Figure QLYQS_72
个待预测候选子时段的预测结果，/>
Figure QLYQS_73
表示待预测候选子时段的总数量；
若所有预测结果
Figure QLYQS_74
中一计算结果/>
Figure QLYQS_75
，则将该预测结果对应的待预测候选子时段划分为一潮汐源子时段；其中，/>
Figure QLYQS_76
表示显著性水平判别参数，所述潮汐源子时段表示
Figure QLYQS_77
大于/>
Figure QLYQS_78
的候选子时段；
若所有计算结果
Figure QLYQS_79
中一计算结果/>
Figure QLYQS_80
，则将该计算结果对应的待预测候选子时段划分为一潮汐汇子时段，其中，/>
Figure QLYQS_81
表示显著性水平判别参数，所述潮汐源子时段表示
Figure QLYQS_82
小于/>
Figure QLYQS_83
的候选子时段。
8.根据权利要求1所述的预测方法，其特征在于，在所述根据目标区域的历史有效OD轨迹数据确定时间邻域，并根据所述时间邻域确定所述目标区域的历史候选时段之前，所述预测方法还包括：
对目标区域的历史OD轨迹数据进行预处理，得到所述历史有效OD轨迹数据。
CN202310137743.2A 2023-02-20 2023-02-20 共享单车出行潮汐时段的预测方法 Active CN115879016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310137743.2A CN115879016B (zh) 2023-02-20 2023-02-20 共享单车出行潮汐时段的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310137743.2A CN115879016B (zh) 2023-02-20 2023-02-20 共享单车出行潮汐时段的预测方法

Publications (2)

Publication Number Publication Date
CN115879016A true CN115879016A (zh) 2023-03-31
CN115879016B CN115879016B (zh) 2023-05-16

Family

ID=85761325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310137743.2A Active CN115879016B (zh) 2023-02-20 2023-02-20 共享单车出行潮汐时段的预测方法

Country Status (1)

Country Link
CN (1) CN115879016B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5241142A (en) * 1988-06-21 1993-08-31 Otis Elevator Company "Artificial intelligence", based learning system predicting "peak-period" ti
JPH0962979A (ja) * 1995-08-25 1997-03-07 Toshiba Corp 交通流予測装置
CN103984994A (zh) * 2014-05-19 2014-08-13 东南大学 一种城市轨道交通客流高峰持续时间预测方法
CN105719019A (zh) * 2016-01-21 2016-06-29 华南理工大学 一种考虑用户预约数据的公共自行车高峰期需求预测方法
US20200160695A1 (en) * 2017-11-13 2020-05-21 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for monitoring traffic congestion
CN111461500A (zh) * 2020-03-12 2020-07-28 北京航空航天大学 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法
CN113257002A (zh) * 2021-05-11 2021-08-13 青岛海信网络科技股份有限公司 一种高峰开始时间预测方法、装置、设备及介质
CN113487219A (zh) * 2021-07-23 2021-10-08 重庆交通大学 一种城市出租车需求预测方法、装置和计算机设备
CN114283590A (zh) * 2021-09-02 2022-04-05 青岛海信网络科技股份有限公司 车流量高峰预测方法及装置、电子设备
CN115577306A (zh) * 2022-12-07 2023-01-06 中南大学 基于自适应密度聚类的共享单车出行潮汐区域探测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5241142A (en) * 1988-06-21 1993-08-31 Otis Elevator Company "Artificial intelligence", based learning system predicting "peak-period" ti
JPH0962979A (ja) * 1995-08-25 1997-03-07 Toshiba Corp 交通流予測装置
CN103984994A (zh) * 2014-05-19 2014-08-13 东南大学 一种城市轨道交通客流高峰持续时间预测方法
CN105719019A (zh) * 2016-01-21 2016-06-29 华南理工大学 一种考虑用户预约数据的公共自行车高峰期需求预测方法
US20200160695A1 (en) * 2017-11-13 2020-05-21 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for monitoring traffic congestion
CN111461500A (zh) * 2020-03-12 2020-07-28 北京航空航天大学 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法
CN113257002A (zh) * 2021-05-11 2021-08-13 青岛海信网络科技股份有限公司 一种高峰开始时间预测方法、装置、设备及介质
CN113487219A (zh) * 2021-07-23 2021-10-08 重庆交通大学 一种城市出租车需求预测方法、装置和计算机设备
CN114283590A (zh) * 2021-09-02 2022-04-05 青岛海信网络科技股份有限公司 车流量高峰预测方法及装置、电子设备
CN115577306A (zh) * 2022-12-07 2023-01-06 中南大学 基于自适应密度聚类的共享单车出行潮汐区域探测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAVOR LJUBENKOV 等: "Optimizing Bike Sharing System Flows Using Graph Mining, Convolutional and Recurrent Neural Networks", 《IEEE》 *
姜晓 等: "基于多尺度时空聚类的共享单车潮汐特征挖掘与 需求预测研究", 《地球信息科学》 *

Also Published As

Publication number Publication date
CN115879016B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN104050817B (zh) 限速信息库生成、限速信息检测的方法和系统
CN108346292B (zh) 基于卡口数据的城市快速路实时交通指数计算方法
CN108415975B (zh) 基于bdch-dbscan的出租车载客热点识别方法
Castro et al. Urban traffic modelling and prediction using large scale taxi GPS traces
CN101710448B (zh) 基于全方位计算机视觉的道路交通状态检测装置
Fang et al. FTPG: A fine-grained traffic prediction method with graph attention network using big trace data
CN110738856B (zh) 一种基于移动聚类的城市交通拥堵精细识别方法
CN101706996A (zh) 一种基于信息融合的高速公路交通状态识别方法
CN109272756A (zh) 一种信控交叉口排队长度估计方法
CN104599502A (zh) 一种基于视频监控的车流量统计方法
CN107195177B (zh) 基于分布式内存计算框架对城市交通路况的预测方法
CN104715610A (zh) 一种面向城市交通的交通指数计算方法
CN109840640B (zh) 一种电动汽车充电桩的选址方法和系统
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备
CN104182633B (zh) 分层次的交通运行评价方法
CN112150045B (zh) 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统
CN111428154A (zh) 基于四叉树划分优化的单车gps数据多视图可视交互分析方法
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN116704750B (zh) 一种基于聚类算法的交通状态识别方法、电子设备、介质
Zahraie et al. SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods
CN115879016A (zh) 共享单车出行潮汐时段的预测方法
CN108596381B (zh) 基于od数据的城市停车需求预测方法
Fior et al. Correlating extreme weather conditions with road traffic safety: A unified latent space model
Xu et al. Research on estimation method of mileage power consumption for electric vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant