基于共享汽车数据驱动的用户用车特征分析与预测建模

发布时间：2020-04-07 20:38

【摘要】：共享汽车是共享经济模式在交通出行中的主要表现形式,是实现绿色出行及共享出行的关键手段。共享汽车出行模式的应用可以减少私家车数量同时提升车辆使用效率,从而达到节约资源和缓解交通拥堵的目标。因此共享汽车受到越来越多人们的关注和使用。共享汽车的健康发展需要依靠共享汽车企业的推动,而通过建立合理的企业运营策略以提高共享汽车企业的利润,是保障共享汽车企业健康发展,进一步推动共享汽车行业发展的重要途径。然而,在现阶段的共享汽车发展中,共享汽车运营商普遍面临盈利焦虑难题,即高投入和低回报之间的矛盾。盈利焦虑问题产生的根源是运营商对用户的用车及出行行为缺乏深入的了解。因此,分析共享汽车用户的用车出行行为规律,建立用车行为模型具有十分重要的理论意义和应用价值。现有对共享汽车用户的研究主要是从行业发展的角度,对用户的用车目的和用车需求量等进行分析。但是以共享汽车企业发展的角度研究公司利润与用户用车行为关系的文献却相对较少。共享汽车企业的利润主要来源于用户的用车行为。因此,本文以提高共享汽车企业的利润为目标,通过对不同利润贡献用户的用车行为进行分析与类别预测,进而为公司制定以用户为中心的运营策略提供意见。为研究共享汽车用户对企业利润贡献与用车行为之间的关系,本文研究基于共享汽车运营商收集的5202位用户产生的共计6万多条订单数据对用户的用车行为特征展开分析。首先,通过二阶聚类方法将所有新用户按用车总金额分为三类,分别是高利润贡献用户、中利润贡献用户和低利润贡献用户;然后,对用户开始用车后84天内的用车行为特征进行挖掘。本文建立了多项逻辑回归模型用于分析不同利润贡献用户的用车行为,得出共享汽车用户在用车时间、空间、车型偏好和时长里程等方面的分布规律及不同类用户用车行为的差异;最后,本文利用多层感知机神经网络预测模型对用户进行了分类预测建模。为了提高预测精度,本研究提出基于用车周期特征的用户分类预测思路。根据预测精度随观察期时长的变化曲线,确定使时间成本最小而预测精度较高的最优观察期时长值。本模型以多维数据变量作为输入变量,同时以此为基础通过最短的观察期来预测用户84天时间窗内的用户利润贡献类型。研究结果表明,利用新用户前5周的数据就可以准确预测该新用户84天的类别,预测精度达到85%以上。本文的研究成果为共享汽车公司的用户管理和公司盈利提供科学的决策支持。具有较好的实用性,有助于共享汽车行业的发展。
【图文】：

流程图,汽车用,流程图,互联网技术

图１－２共享汽车用户的用车流程图逡逑Ｆｉｇ．邋１－２邋Ｃａｒｓｈａｒｉｎｇ邋ｕｓａｇｅ邋ｐｒｏｃｅｓｓ逡逑观察图１－２可知，基于移动互联网技术的共享汽车用车过程如下：逡逑（１）

示意图,生成阶段,信息,数据采集

图２－１数据采集示意图逡逑Ｆｉｇ．邋２－１邋Ｓｃｈｅｍａｔｉｃ邋ｄｉａｇｒａｍ邋ｏｆ邋ｄａｔａ邋ａｃｑｕｉｓｉｔｉｏｎ逡逑如图２－１所示，在数据的生成阶段，信息主要产生于两个方面。首先，用户在逡逑使用共享汽车服务的过程会产生用车信息，包括取车网点、还车网点、用车时间等逡逑信息；其次，车辆、停车位等基础设备的状态在共享汽车运营过程中也会产生实时逡逑信息。用户用车信息和基础设备实时状态信息会以数据的形式实时发送到共享汽逡逑车运营平台的云服务器中。通常情况下，完整的平台系统是由用户、云服务器和基逡逑础设备构成［６１］。其中，基础设备通过传感等设备将实时状态信息数据上传到云服逡逑务器。云服务器是系统的连接和控制核心、用户是使用终端，易享行搭建的共享汽逡逑车运营平台同样应用此架构。基于共享汽车运营平台，用户可以通过智能手机等移逡逑动互联网设备实现共享汽车的使用，，并且将用车信息传到云服务器中。同时，基础逡逑设备通过传感器等设备将实时状态信息数据传到云服务器。值得注意的是
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491

【参考文献】