CN116993391A - 一种站点式共享单车系统使用需求预测方法 - Google Patents
一种站点式共享单车系统使用需求预测方法 Download PDFInfo
- Publication number
- CN116993391A CN116993391A CN202310710641.5A CN202310710641A CN116993391A CN 116993391 A CN116993391 A CN 116993391A CN 202310710641 A CN202310710641 A CN 202310710641A CN 116993391 A CN116993391 A CN 116993391A
- Authority
- CN
- China
- Prior art keywords
- demand
- shared bicycle
- matrix
- station
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种站点式共享单车系统使用需求预测方法,该方法包括如下步骤:1)采集共享单车系统用户出行历史数据和相关特征数据并进行数据预处理;2)提取共享单车站点网络拓扑结构信息并生成需求‑拓扑结构矩阵;3)提取共享单车使用需求时空相关信息并生成需求‑时空相关矩阵;4)生成需求分解矩阵,5)融合需求‑拓扑结构矩阵、需求‑时空相关矩阵和需求分解矩阵并完成需求预测。本发明考虑了共享单车站点网络的拓扑结构、时空相关性和外部特征等现实情况,提高共享单车系统使用需求的预测效果。
Description
技术领域
本发明涉及一种站点式共享单车系统使用需求预测方法,属于智能交通系统技术领域。
背景技术
共享单车作为一种经济环保的交通连接方式,不仅有利于交通结构的优化调整,也有望解决城市交通中的最后一公里问题。共享单车在慢行交通中也具有不可替代的作用,用户可以在指定的站点自由租用自行车,并将其归还到目的地附近的另一个站点,这一过程不仅有助于缓解城市交通拥堵,也有助于增加路网可达性。
然而,共享单车系统的潮汐现象通常会导致不同站点和时间段的自行车数量即需求和供应的局部不平衡。因此,共享单车系统的需求预测是一个基础性的研究问题,在站点层面的自行车再平衡分配中起着至关重要的作用。准确的需求预测可以为交通管理提供可靠的信息。当前,共享单车系统的经典需求预测方法适应性不强,在实际应用中效果不佳。
发明内容
技术问题:为了解决上述不足与缺陷,本发明提出一种站点式共享单车系统使用需求预测方法,通过该方法可以提高共享单车系统使用需求的预测精度。
技术方案:为了解决上述技术问题,本发明提出一种站点式共享单车系统使用需求预测方法,该方法包括以下步骤:
步骤1),采集共享单车系统用户出行历史数据和相关特征数据并进行数据预处理;
步骤2),提取共享单车站点网络拓扑结构信息并生成需求-拓扑结构矩阵;
步骤3),提取共享单车使用需求时空相关信息并生成需求-时空相关矩阵;
步骤4),生成共享单车系统使用需求分解矩阵;
步骤5),融合需求-拓扑结构矩阵、需求-时空相关矩阵和需求分解矩阵并完成需求预测。
进一步的,步骤1)中,采集的共享单车系统用户出行历史数据包括如下字段:开始站点ID,开始时间,结束站点ID,结束时间,用户ID,单车ID;采集的相关特征数据包括天气类型数据和节假日数据,并进行如下数据预处理:
步骤1.1),异常数据剔除,计算共享单车系统用户出行历史数据中每条记录的用车时长,用车时长=结束时间-开始时间,并将用车时长小于σ的记录剔除;
步骤1.2),需求数据聚合,设定时间步长τ,按照开始站点ID和结束站点ID统计每个时间步长内的用车需求量矩阵序列Yt,具体为:
其中,表示在第t个时间步长内从站点i至站点j的用车量,n表示研究区域内的共享单车站点数量;
步骤1.3),特征数据编码,将天气类型数据和节假日数据编码为如下形式:
其中,表示在第t个时间步长内站点i和站点j之间的天气类型,/>表示在第t个时间步长内节假日类型,具体取值方式为:
其中,θ1,θ2,为参数,并有,1>θ1>θ2>0,/>
进一步的,步骤2)中,提取的共享单车站点网络拓扑结构信息包括研究区域内非机动车道路网络邻接结构和各非机动车路段长度,并生成需求-时空相关矩阵,具体包括如下步骤:
步骤2.1),计算站点i至站点j的非机动车最短路径平均长度aij,具体计算公式为:
其中,k为最短路径数量,mu为第u条最短路径包含的路段数量,luv为第u条最短路径包含的第v条非机动车路段的长度;
步骤2.2),对站点i至站点j的非机动车最短路径平均长度aij序列进行归一化处理,具体计算公式为:
其中,max({aij})和min({aij})分别表示aij序列中的最大值和最小值;
步骤2.3),生成需求-时空相关矩阵Y1t,具体计算公式为:
Y1t=A⊙Yt
其中,⊙为Hadamard乘子。
进一步的,步骤2.1)中,站点i至站点j的非机动车最短路径使用K最短路算法得到。
进一步的,步骤3)中提取共享单车使用需求时空相关信息并生成需求-时空相关矩阵,具体包括如下步骤:
步骤3.1),通过Pearson相关系数或Spearman相关系数函数计算时空相关矩阵B,具体计算公式为:
其中,f(·)为Pearson相关系数或Spearman相关系数函数;
步骤3.2),生成需求-时空相关矩阵Y2t,具体计算公式为:
Y2t=B⊙Yt。
进一步的,步骤4)中生成共享单车系统使用需求分解矩阵,具体包括如下步骤:
步骤3.1),对序列Yt重新排列得到二维矩阵Y,具体为:
其中,表示在第λ个时间步长内从站点i至站点j的用车量;T表示研究时段内的总时间步长;
步骤3.2),利用二维离散小波变换算法对Y序列分解,具体为:
其中,g(·)表示二维离散小波变换函数或算法;C,D,E,F为分解序列,表示原序列Y的不同趋势、周期或误差波动信息;
步骤3.3),对矩阵C,D,E,F按照序列Yt的形式重新排列得到共享单车系统使用需求分解矩阵,具体为:
进一步的,步骤5)中融合需求-拓扑结构矩阵、需求-时空相关矩阵和需求分解矩阵并完成需求预测,具体包括如下步骤:
步骤5.1),矩阵融合,具体为:
Xt=β1·Y1t+β2·Y2t+β3·Ct+β4·Dt+β5·Et+β6·Ft
其中,β1,β2,β3,β4,β5,β6为参数;
步骤5.2),模型训练,以序列Pt-1和Qt-1为训练输入,Xt为训练输出,完成回归预测模型的训练,具体为:
步骤5.3),需求预测,具体为:
其中,h(·)表示完成训练的回归预测模型,为时滞步长,ξ为前置步长。
进一步的,步骤5.2)中的回归预测模型为RNN或GCN神经网络。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
本发明的技术方案考虑了共享单车站点网络的拓扑结构、时空相关性和外部特征等现实情况,提高了共享单车系统使用需求的预测效果,可为相关城市与交通工程实践提供参考依据。
附图说明
图1为本发明的流程框图;
图2为实施例共享单车站点网络图;
图3实施例共享单车站点1至站点2间的需求序列;
图4实施例共享单车站点1至站点2间的需求分解序列图;
图5实施例共享单车站点1至站点2间的预测对比图。
具体实施方式
为了便于本领域技术人员理解和实施本发明,以下结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本实施例采集了在某市区营运的共享单车系统公开数据集,包括开始站点ID,开始时间,结束站点ID,结束时间,用户ID,单车ID等字段;并从该市政府公开信息中采集了研究时段内的天气类型数据和节假日数据,部分数据如表1所示。
表1共享单车系统数据集
依照步骤1),对异常数据剔除并生成聚合需求序列,部分结果如图3所示。
依照步骤2),提取共享单车站点网络拓扑结构信息并生成需求-拓扑结构矩阵,部分结果如表2所示。
表2需求-拓扑结构矩阵,t=1
依照步骤3),提取共享单车使用需求时空相关信息并生成需求-时空相关矩阵,部分结果如表3所示。
表3需求-时空相关矩阵,t=1,Pearson相关系数
依照步骤4),生成共享单车系统使用需求分解矩阵,部分结果如图4所示。
依照步骤5),完成矩阵融合和需求预测,为检验预测效果,选用ARIMA和LSTM模型进行了对比,部分结果如图5所示。
需要理解的是,上述实施例仅为说明本发明的技术思想,对于本技术领域的普通技术人员来说在不脱离本发明原理的前提下还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种站点式共享单车系统使用需求预测方法,其特征在于,该方法包括以下步骤:
步骤1),采集共享单车系统用户出行历史数据和相关特征数据并进行数据预处理;
步骤2),提取共享单车站点网络拓扑结构信息并生成需求-拓扑结构矩阵;
步骤3),提取共享单车使用需求时空相关信息并生成需求-时空相关矩阵;
步骤4),生成共享单车系统使用需求分解矩阵;
步骤5),融合需求-拓扑结构矩阵、需求-时空相关矩阵和需求分解矩阵并完成需求预测。
2.根据权利要求1所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤1)中,采集的共享单车系统用户出行历史数据包括如下字段:开始站点ID,开始时间,结束站点ID,结束时间,用户ID,单车ID;采集的相关特征数据包括天气类型数据和节假日数据,并进行如下数据预处理:
步骤1.1),异常数据剔除,计算共享单车系统用户出行历史数据中每条记录的用车时长,用车时长=结束时间-开始时间,并将用车时长小于σ的记录剔除;
步骤1.2),需求数据聚合,设定时间步长τ,按照开始站点ID和结束站点ID统计每个时间步长内的用车需求量矩阵序列Yt,具体为:
其中,表示在第t个时间步长内从站点i至站点j的用车量,n表示研究区域内的共享单车站点数量;
步骤1.3),特征数据编码,将天气类型数据和节假日数据编码为如下形式:
其中,表示在第t个时间步长内站点i和站点j之间的天气类型,/>表示在第t个时间步长内节假日类型,具体取值方式为:
其中,θ1,θ2,为参数,并有,1>θ1>θ2>0,/>
3.根据权利要求2所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤2)中,提取的共享单车站点网络拓扑结构信息包括研究区域内非机动车道路网络邻接结构和各非机动车路段长度,并生成需求-时空相关矩阵,具体包括如下步骤:
步骤2.1),计算站点i至站点j的非机动车最短路径平均长度aij,具体计算公式为:
其中,k为最短路径数量,mu为第u条最短路径包含的路段数量,luv为第u条最短路径包含的第v条非机动车路段的长度;
步骤2.2),对站点i至站点j的非机动车最短路径平均长度aij序列进行归一化处理,具体计算公式为:
其中,max({aij})和min({aij})分别表示aij序列中的最大值和最小值;
步骤2.3),生成需求-时空相关矩阵Y1t,具体计算公式为:
Y1t=A⊙Yt
其中,⊙为Hadamard乘子。
4.根据权利要求3所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤2.1)中,站点i至站点j的非机动车最短路径使用K最短路算法得到。
5.根据权利要求1所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤3)中提取共享单车使用需求时空相关信息并生成需求-时空相关矩阵,具体包括如下步骤:
步骤3.1),通过Pearson相关系数或Spearman相关系数函数计算时空相关矩阵B,具体计算公式为:
其中,f(·)为Pearson相关系数或Spearman相关系数函数;
步骤3.2),生成需求-时空相关矩阵Y2t,具体计算公式为:
Y2t=B⊙Yt。
6.根据权利要求1所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤4)中生成共享单车系统使用需求分解矩阵,具体包括如下步骤:
步骤3.1),对序列Yt重新排列得到二维矩阵Y,具体为:
其中,表示在第λ个时间步长内从站点i至站点j的用车量;T表示研究时段内的总时间步长;
步骤3.2),利用二维离散小波变换算法对Y序列分解,具体为:
其中,g(·)表示二维离散小波变换函数或算法;C,D,E,F为分解序列,表示原序列Y的不同趋势、周期或误差波动信息;
步骤3.3),对矩阵C,D,E,F按照序列Yt的形式重新排列得到共享单车系统使用需求分解矩阵,具体为:
7.根据权利要求6所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤5)中融合需求-拓扑结构矩阵、需求-时空相关矩阵和需求分解矩阵并完成需求预测,具体包括如下步骤:
步骤5.1),矩阵融合,具体为:
Xt=β1·Y1t+β2·Y2t+β3·Ct+β4·Dt+β5·Et+β6·Ft
其中,β1,β2,β3,β4,β5,β6为参数;
步骤5.2),模型训练,以序列Pt-1和Qt-1为训练输入,Xt为训练输出,完成回归预测模型的训练,具体为:
步骤5.3),需求预测,具体为:
其中,h(·)表示完成训练的回归预测模型,为时滞步长,ξ为前置步长。
8.根据权利要求1或7所述的一种站点式共享单车系统使用需求预测方法,其特征在于,步骤5.2)中的回归预测模型为RNN或GCN神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710641.5A CN116993391A (zh) | 2023-06-15 | 2023-06-15 | 一种站点式共享单车系统使用需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710641.5A CN116993391A (zh) | 2023-06-15 | 2023-06-15 | 一种站点式共享单车系统使用需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993391A true CN116993391A (zh) | 2023-11-03 |
Family
ID=88530982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310710641.5A Pending CN116993391A (zh) | 2023-06-15 | 2023-06-15 | 一种站点式共享单车系统使用需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993391A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635216A (zh) * | 2023-12-22 | 2024-03-01 | 华南理工大学 | 基于改进gcn网络的共享单车需求量预测方法 |
-
2023
- 2023-06-15 CN CN202310710641.5A patent/CN116993391A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635216A (zh) * | 2023-12-22 | 2024-03-01 | 华南理工大学 | 基于改进gcn网络的共享单车需求量预测方法 |
CN117635216B (zh) * | 2023-12-22 | 2024-04-30 | 华南理工大学 | 基于改进gcn网络的共享单车需求量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Contextualized spatial–temporal network for taxi origin-destination demand prediction | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN111653088A (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN112466117A (zh) | 基于深度时空残差网络的路网短时交通流预测方法 | |
Qiu et al. | Dynamic Electronic Toll Collection via Multi-Agent Deep Reinforcement Learning with Edge-Based Graph Convolutional Networks. | |
CN114529081A (zh) | 一种时空联合的交通流量预测方法及装置 | |
CN116993391A (zh) | 一种站点式共享单车系统使用需求预测方法 | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
Qiu et al. | Taxi origin-destination demand prediction with contextualized spatial-temporal network | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
Jomaa et al. | A hybrid convolutional approach for parking availability prediction | |
CN116665448A (zh) | 一种基于图卷积网络的交通速度实时预测方法及系统 | |
Shao et al. | Estimation of urban travel time with sparse traffic surveillance data | |
CN114091772B (zh) | 基于编码器解码器的多角度融合道路交通流量预测方法 | |
Epperlein et al. | Resource allocation with population dynamics | |
CN113903171B (zh) | 一种基于高速路网时空特性的车辆群智感知节点优化方法 | |
CN115660157A (zh) | 智慧城市充电桩建造规划方法和物联网系统、装置及介质 | |
Niu et al. | Highway Temporal‐Spatial Traffic Flow Performance Estimation by Using Gantry Toll Collection Samples: A Deep Learning Method | |
CN112508225B (zh) | 基于谱聚类算法的多细节交通小区划分方法及系统 | |
Yuan et al. | A novel learning approach for citywide crowd flow prediction | |
Chen et al. | An overall analysis method of urban road parking lots based on data mining | |
Li et al. | Short‐Term IoT Data Forecast of Urban Public Bicycle Based on the DBSCAN‐TCN Model for Social Governance |
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 |