原文传递
考虑时空异质性的共享单车需求预测研究
| 论文题名： | 考虑时空异质性的共享单车需求预测研究 |
| 关键词： | 共享单车;需求预测;时空地理加权回归模型;卷积神经网络;时空异质性 |
| 摘要： | 共享单车作为一种“互联网+”时代共享经济催生的新兴出行方式，凭借其绿色便捷的优势，近年来得到了迅速的发展，但因单车投放数量不合理造成的资源浪费和城市公共空间被侵占的问题也十分严重，而解决此问题的关键就在于对共享单车的需求进行准确的预测。因此本文基于共享单车出行数据、城市路网数据、公共交通站点数据、城市POI数据和天气数据等多源数据，对共享单车需求的时空异质性及其影响因素的时空异质性进行了研究，建立了考虑时空异质性的共享单车需求预测模型。 本文以北京市四环线内的中心城区为研究对象，首先将研究区域划分为1289个500m×500m的网格，利用数据挖掘和可视化等技术，从时间和空间维度分析共享单车需求的分布特征，发现共享单车需求存在时空异质性；然后根据特征分析和文献资料选取了时间、路网、公共交通、土地利用、天气五个方面的18个因素作为初始自变量，并通过建立普通线性回归模型筛选出11个显著的自变量：工作日、夜间、次干路密度、交叉口密度、最近地铁站距离、公交站点密度、住宅类POI密度、风景名胜类POI密度、温度、湿度、风速，进而建立时空地理加权回归（GTWR）模型，分析各因素对共享单车需求的影响机理，结果发现各因素对共享单车需求的影响存在明显的时空异质性；最后将显著自变量作为特征因子，基于卷积神经网络（CNN）和门控单元神经网络（GRU），构建了多特征CNN-GRU组合预测模型，并对模型的预测性能进行评估，结果表明该预测模型很好地捕捉了共享单车需求分布的时空特性，可以准确地预测各网格区域各时段的共享单车需求，模型的均方根误差（RMSE）为3.236，平均绝对误差（MAE）为1.963，与循环神经网络（RNN）、长短时记忆神经网络（LSTM）、GRU神经网络模型和不加入特征因子的CNN-GRU模型相比，预测性能更优。 |
| 作者： | 杜开瑞 |
| 专业： | 交通运输工程 |
| 导师： | 肖梅 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
