共享单车系统分析与流量预测方法研究

发布时间：2020-05-09 10:11

【摘要】：共享单车系统是近年来出现的一种新型交通工具,国内外越来越多的人会选择骑共享单车出行。虽然共享单车给我们生活带来了诸多方便,但是也存在着一些问题。由于在不同时间不同站点共享单车的租出和归还是不平衡的,因此,需要不断地更新这种平衡。本文通过预测和重新分配解决这一问题。在本文中,主要是对共享单车系统中的站点流量预测问题展开研究。本文的工作主要概括如下:1.提出了一种基于双层近邻传播(Affinity Propagation,AP)聚类的共享单车系统层次预测模型。首先提出了一种双层近邻传播聚类算法(TL-AP),采用TL-AP聚类算法将共享单车站点分为若干类,其中考虑到了共享单车站点的地理位置信息和站点间的迁移趋势信息。TL-AP聚类与K-means等其它聚类算法相比,不需要预先设置初始聚类中心与聚类个数(K值),这在一定程度上减少了主观经验导致的误差。然后使用基于多相似参考模型来预测类内部站点间、类与类间的迁移比例,结合预测出的所有站点的租出流量,以此可以推导出每个类(站点)的共享单车租出和归还情况。本文使用纽约(NYC)共享单车系统对提出的预测模型进行了验证,并将其与当前一些广泛使用的预测模型所得的结果进行比较,实验结果表明所提出的的预测模型是优于那些方法的。2.提出了一种基于趋势迭代高斯混合模型(Gaussian Mixture Model,GMM)聚类的共享单车系统层次预测模型。首先提出了一种基于趋势迭代的GMM聚类算法(TL-GMM)采用TL-GMM聚类算法将共享单车站点划分为多个类,聚类中同时考虑了站点的地理位置信息和站点间的迁移趋势信息,使用范式将趋势降维,进行聚类迭代。TL-GMM聚类与K-means等其它聚类算法相比,是在聚类时投影到数据样本点上并不是得到一个确定的聚类标记,而是得到每个类的概率,这在聚类中具有重要的意义,能提高聚类精度。其次,使用梯度增强回归树(Gradient Boosting Regressor Tree,GBRT)来预测整个租出流量。最后,采用基于多相似参考模型预测共享单车类间的租出和归还比例,以此推导出共享单车在每个类(站点)上未来时间里的迁移情况。本文分别将提出的预测模型在纽约市(NYC)和华盛顿特区(D.C.)的共享单车系统上进行验证,并将预测结果和当前一些广泛使用的预测方法以及先前提出的基于双层近邻传播聚类的共享单车系统层次预测模型的预测结果相比,实验结果表明所提的预测模型是优于这些方法的。
【图文】：

单车,纽约市,平均流量

图 1. 2014 年 8 月纽约市共享单车平均流量预测模型框架[1]中首次提出了应用到共享单车系统中的层次预测模型，该模型预测未来时间每个站点（类）的租出/归还数量，以实现再分配。首先，该预测模型首先采用 K-means，将共享单车站点聚成若干类。然后使用梯度增强回归树来预测将在城市中总的共量，采用基于多相似性的推理模型来预测租出比例和类间转换，以租出/归还为基础导出在每个类的共享单车租出和归还数量。该模型预测分为两个部分：租出（check和归还（check-in）预测，如图 2 所示，为了实现这一目标，整个预测模型由五部分1）层次站点聚类学习：将站点聚类成类。站点根据其地理位置信息和迁移信息进行2）整个租出流量学习：通过梯度增强回归树（GBRT）[34]预测上层租出流量，即整量。3）租出比例学习：通过基于多相似性的推理模型[1]预测租出比例。4）类间转换学习：在租出共享单车后，预测类间的转换对于归还预测是必要的。在中应用基于多相似性的推理模型[1]。

框架图,框架图,层次,聚类

图 2. 层次预测框架图[1]出的预测模型，在一定程度上，预测了共享单车的租出/归还比例，取但是在聚类方法的选用上，，[1]模型中选用的 K-means 方法在聚类精度上基于[1]中的层次模型，提出了新的聚类方法弥补 K-means 聚类带来的
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;U491.225

【相似文献】