CN116993391A - 一种站点式共享单车系统使用需求预测方法 - Google Patents

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

一种站点式共享单车系统使用需求预测方法

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Y_t，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a_ij，具体计算公式为：

其中，k为最短路径数量，m_u为第u条最短路径包含的路段数量，l_uv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a_ij序列进行归一化处理，具体计算公式为：

其中，max({a_ij})和min({a_ij})分别表示a_ij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Y_1t，具体计算公式为：

Y_1t＝A⊙Y_t

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Y_2t，具体计算公式为：

Y_2t＝B⊙Y_t。

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Y_t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Y_t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：

X_t＝β₁·Y_1t+β₂·Y_2t+β₃·C_t+β₄·D_t+β₅·E_t+β₆·F_t

其中，β₁,β₂,β₃,β₄,β₅,β₆为参数；

步骤5.2)，模型训练，以序列P_t-1和Q_t-1为训练输入，X_t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Y_t，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a_ij，具体计算公式为：

其中，k为最短路径数量，m_u为第u条最短路径包含的路段数量，l_uv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a_ij序列进行归一化处理，具体计算公式为：

其中，max({a_ij})和min({a_ij})分别表示a_ij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Y_1t，具体计算公式为：

Y_1t＝A⊙Y_t

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Y_2t，具体计算公式为：

Y_2t＝B⊙Y_t。

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Y_t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Y_t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：

X_t＝β₁·Y_1t+β₂·Y_2t+β₃·C_t+β₄·D_t+β₅·E_t+β₆·F_t

其中，β₁,β₂,β₃,β₄,β₅,β₆为参数；

步骤5.2)，模型训练，以序列P_t-1和Q_t-1为训练输入，X_t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。