CN111489039B - 共享单车总量预测方法及*** - Google Patents
共享单车总量预测方法及*** Download PDFInfo
- Publication number
- CN111489039B CN111489039B CN202010294736.XA CN202010294736A CN111489039B CN 111489039 B CN111489039 B CN 111489039B CN 202010294736 A CN202010294736 A CN 202010294736A CN 111489039 B CN111489039 B CN 111489039B
- Authority
- CN
- China
- Prior art keywords
- shared bicycle
- city
- similar
- travel
- shared
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013439 planning Methods 0.000 claims abstract description 66
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 18
- 230000007306 turnover Effects 0.000 claims abstract description 12
- 238000011161 development Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种共享单车总量预测方法及***,方法包括:基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;将共享单车需求总量和所述共享单车参照规模与相似城市进行对比,确定目标城市在规划年的共享单车合理总量。本发明方法及***通过转移率法测算车辆需求总量,通过构建机器学习推理模型测算目标城市的共享单车总量上限。最终通过和相似城市进行对比,保证了测算结果的科学性和有效性。
Description
技术领域
本发明涉及公共交通技术,尤其涉及一种未投放共享单车城市在规划年的共享单车总量预测方法及***。
背景技术
2015年起,随着移动互联网技术的发展,以“随借随还”为主要特征的共享单车在各大城市逐渐铺开。在车辆投放初期,各企业为了最大程度地占领市场,出现了“过量投放”的现象,城市中车辆过剩,一方面严重影响城市景观、占用慢行空间,另一方面造成了巨大的资源浪费。
2017年起,各地政府部门对“共享单车”由“被动管理”转向“主动管理”,从投放、运营、管理等多个方面对“共享单车”的发展进行了规范。
对于已投放“共享单车”的城市,通过万人拥车率、单车使用数据、城市出行结构、城市环境承载力等数据可以准确地估计城市“共享单车”规模上限。但对于未投放“共享单车”的城市,如何通过科学、有效的方法确定“共享单车”规模上限,目前缺乏较为有效的手段。
因此,为了能够使未投放“共享单车”的城市能够准确、有效地预测“共享单车”合理的规模,亟待设计一种新的方法,在保证车辆投放数量能够满足市民出行需求的同时,减少车辆对城市空间、秩序、景观方面的影响。
发明内容
本发明的目的在于提供一种未投放共享单车的城市在规划年的共享单车总量预测方法。
本发明的另一目的在于提供一种实现该共享单车总量预测方法的***。
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面,提供了一种共享单车总量预测方法,包括:基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;将共享单车需求总量和所述共享单车参照规模与相似城市的对应参数进行对比,确定目标城市在规划年的共享单车合理总量。
在一实施例中,该方法的所述基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量包括:根据城市发展和城市用地情况,结合现阶段各交通方式居民出行量,预测规划年各交通方式居民出行量;调查获取共享单车引入城市后使用各交通方式的居民通过共享单车替代当前出行方式的概率,得到各交通方式向共享单车转移的概率;根据各交通方式向共享单车转移的概率和规划年各交通方式居民出行量,预测规划年共享单车出行需求。
在一实施例中,该方法的所述共享单车周转率根据共享单车企业盈亏平衡条件测算确定。
在一实施例中,该方法的所述基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型包括:确定目标城市的相似城市,收集目标城市和相似城市的城市特征数据,收集相似城市的共享单车使用特征数据;在地理信息***上对目标城市和相似城市的城市特征数据、相似城市的共享单车使用特征数据在空间上进行融合;在地理信息***中将目标城市和相似城市分别划为栅格,将融合后的数据进行空间集计处理和多要素关联分析;以相似城市的共享单车使用特征为因变量,以相似城市除共享单车使用特征外的其它城市特征为自变量,构建基于机器学习的推理模型。
在一实施例中,该方法的所述城市特征数据包括POI数据、公交线网数据、轨道线网数据和人口数据。
在一实施例中,该方法的所述将共享单车需求总量和共享单车参照规模与相似城市进行对比包括:分别基于共享单车需求总量和共享单车参照规模测算目标城市的共享单车万人拥车率,与相似城市的共享单车万人拥车率进行对比;将共享单车需求总量和共享单车参照规模与相似城市的共享单车总量进行对比。
根据本发明的另一方面,本发明还提供了一种共享单车总量预测***,包括:共享单车需求总量测算模块,用于基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;共享单车参照规模测算模块,用于基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;对比模块,用于将共享单车需求总量和所述共享单车参照规模与相似城市进行对比,确定目标城市在规划年的共享单车合理总量。
在一实施例中,该***的所述共享单车需求总量测算模块包括:规划年各交通方式居民出行量预测模块,用于根据城市发展和城市用地情况,结合现阶段各交通方式居民出行量,预测规划年各交通方式居民出行量;转移的概率获得模块,用于根据调查获取共享单车引入城市后使用各交通方式的居民通过共享单车替代当前出行方式的概率,得到各交通方式向共享单车转移的概率;共享单车出行需求计算模块,用于根据各交通方式向共享单车转移的概率和规划年各交通方式居民出行量,预测规划年共享单车出行需求。
在一实施例中,该***的所述共享单车参照规模测算模块包括:特征数据收集模块,用于确定目标城市的相似城市,收集目标城市和相似城市的城市特征数据,收集相似城市的共享单车使用特征数据;数据融合模块,用于在地理信息***上对目标城市和相似城市的城市特征数据、相似城市的共享单车使用特征数据在空间上进行融合;栅格化处理模块,用于在地理信息***中将目标城市和相似城市分别划为栅格,将融合后的数据进行空间集计处理和多要素关联分析;推理模型构建模块,用于以相似城市的共享单车使用特征为因变量,以相似城市除共享单车使用特征外的其它城市特征为自变量,构建基于机器学习的推理模型。
在一实施例中,该***的所述对比模块包括:万人拥车率对比模块,用于分别基于共享单车需求总量和共享单车参照规模测算目标城市的共享单车万人拥车率,与相似城市的共享单车万人拥车率进行对比;共享单车总量对比模块,将共享单车需求总量和共享单车参照规模与相似城市的共享单车总量进行对比。
本发明方法及***实施例的有益效果是:一方面通过转移率法准确测算了车辆需求总量,满足居民的出行需求。另一方面,通过构建机器学习推理模型,通过城市特征分析的方法,测算了目标城市的共享单车总量上限,保证目标城市在投放共享单车时,减少车辆对城市空间、秩序、景观方面的影响。最终通过和相似城市进行对比方法,判断上述测算结果是否符合实际,保证了最终测算结果的科学性和有效性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1是本发明方法实施例的流程示意图;
图2是本发明***实施例的模块示意图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
如图1所示,本发明实施例公开了一种共享单车总量预测方法,其主要步骤包括:
S1、基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;
需要说明的是,在该步骤中,规划年的各交通方式出行量可以由现年度各交通方式出行量结合城市发展和城市用地情况预测得到,也可根据各交通方式出现量的年度同比增长速度进行预测。
转移率法指的是将各交通方式出行量乘以向共享单车出行方式的转移概率得到共享单车出行需求量,例如:公共汽车的出行量为500万人次/年,乘公共汽车的居民改用共享单车的概率为10%,则会产生50万人次/年的共享单车使用需求。
共享单车需求总量则与共享单车需求量和周转率有关,在同样的共享单车需求量下,周转率越高,所需要的共享单车数量就越少。目前部分城市共享单车投放过量或投放位置不合理,导致日周转率较低,约为1.1~1.5次/辆。因此在规划时,可以设定共享单车日周转率为3~5次/辆左右。
S2、基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;
需要说明的是,相似城市指的是已投放共享单车并且规模较为合理、且同等人口级别或交通规模的城市,最好选择轨道交通、地铁等特征相似的城市。例如以2019年还未投放共享单车的苏州市为目标城市,可以南京市、杭州市和深圳市为相似城市。南京市、杭州市和深圳市均完成了共享单车规模上限的测算并已进行了车辆清理工作,2019年上述三个城市的共享单车总量均处于较为合理的规模。
城市特征则指的是POI(兴趣点)数据、公交线网数据、轨道线网数据、人口数据等数据。共享单车使用特征可以采用共享单车运营数据,如共享单车总量、日周转率等。
构建基于机器学习的推理模型,指的是利用机器学习的方法,构建共享单车使用特征和其他城市特征的推理模型,从而带入目标城市的城市特征后,就能获得目标城市的共享单车使用特征,进而获得共享单车参照规模。机器学习可以采用随机森林、人工神经网络、贝叶斯学习、深度学习、关联规则等算法,在此不做限制,只要构建的推理模型能够较为准确地反映共享单车使用特征与其他城市特征之间的关联关系即可。
S3、将共享单车需求总量和共享单车参照规模与相似城市的对应参数进行对比,确定目标城市在规划年的共享单车合理总量。
需要说明的是,仅通过共享单车需求总量判断共享单车合理总量是不太准确的,因为无论是各交通方式在规划年的出行量还是转移率,均涉及较多变量,可能导致结果偏差较大。此外,随着共享单车的投放到位,转移率可能会逐渐增长。共享单车参照规模则无法考虑到各城市之间的交通、居民出行习惯等区别,因此将共享单车需求总量和共享单车参照规模二者一起考虑,并与相似城市的对应参数进行对比能够得到一个较为合理准确的结果。
在可能的实施例中,步骤S1具体包括:
S1-1、利用公共自行车刷卡数据、公共汽车刷卡数据、轨道交通刷卡数据、出租车上下客数据,结合城市居民出行结构,测算现状各交通方式居民出行总量。根据城市发展、城市用地等情况,预测规划年各交通方式居民出行总量。
S1-2、通过问卷调查等方式,获取共享单车引入城市后使用各交通方式的居民通过共享单车替代当前出行方式的概率,得到各交通方式向共享单车转移的概率。
S1-3、根据各交通方式向共享单车转移的概率和规划年各交通方式居民出行量,预测规划年共享单车出行需求。
优选地,可以根据规划年共享单车的运营企业能够盈亏平衡条件来设定共享单车日周转率,从而能够在保证企业能够健康发展的同时,满足居民的出行需求。
在可能的实施例中,步骤S2具体包括:
S2-1、确定目标城市的相似城市,收集目标城市和相似城市的城市特征数据,包括POI数据、公交线网数据、轨道线网数据和人口数据,收集相似城市的共享单车使用特征数据;
S2-2、在地理信息***(GIS)上对目标城市和相似城市的城市特征数据、相似城市的共享单车使用特征数据在空间上进行融合;
S2-3、在地理信息***中将目标城市和相似城市分别划为栅格,例如划分为500m×500m的栅格,将融合后的数据进行空间集计处理和多要素关联分析,包括分析相似城市各栅格中的“共享单车”使用特征以及目标城市和相似城市除“共享单车”使用特征外的其它城市特征;
S2-4、以相似城市的共享单车使用特征为因变量,以相似城市除共享单车使用特征外的其它城市特征为自变量,构建基于机器学习的推理模型。
在可能的实施例中,步骤S3具体包括:
S3-1、分别基于共享单车需求总量和共享单车参照规模测算目标城市的共享单车万人拥车率,与相似城市的共享单车万人拥车率进行对比;
S3-2、将共享单车需求总量和共享单车参照规模与相似城市的共享单车总量进行对比。
最终,综合考虑万人拥车率和规模总量两个维度的对比结果,确定目标城市的合理车辆规模上限。
如图2所示,本发明还提供了一种共享单车总量预测***,包括:
共享单车需求总量测算模块101,用于基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;
共享单车参照规模测算模块102,用于基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;
对比模块103,用于将共享单车需求总量和所述共享单车参照规模与相似城市进行对比,确定目标城市在规划年的共享单车合理总量。
优选地,共享单车需求总量测算模块101包括:
规划年各交通方式居民出行量预测模块,用于根据城市发展和城市用地情况,结合现阶段各交通方式居民出行量,预测规划年各交通方式居民出行量;
转移的概率获得模块,用于根据调查获取共享单车引入城市后使用各交通方式的居民通过共享单车替代当前出行方式的概率,得到各交通方式向共享单车转移的概率;
共享单车出行需求计算模块,用于根据各交通方式向共享单车转移的概率和规划年各交通方式居民出行量,预测规划年共享单车出行需求。
优选地,共享单车参照规模测算模块102包括:
特征数据收集模块,用于确定目标城市的相似城市,收集目标城市和相似城市的城市特征数据,收集相似城市的共享单车使用特征数据;
数据融合模块,用于在地理信息***上对目标城市和相似城市的城市特征数据、相似城市的共享单车使用特征数据在空间上进行融合;
栅格化处理模块,用于在地理信息***中将目标城市和相似城市分别划为栅格,将融合后的数据进行空间集计处理和多要素关联分析;
推理模型构建模块,用于以相似城市的共享单车使用特征为因变量,以相似城市除共享单车使用特征外的其它城市特征为自变量,构建基于机器学习的推理模型。
优选地,对比模块103包括:
万人拥车率对比模块,用于分别基于共享单车需求总量和共享单车参照规模测算目标城市的共享单车万人拥车率,与相似城市的共享单车万人拥车率进行对比;
共享单车总量对比模块,将共享单车需求总量和共享单车参照规模与相似城市的共享单车总量进行对比。
综上所述,本发明方法和***实施例能够科学、有效地预测未投放“共享单车”城市的共享单车规模上限。一方面,通过城市交通实际运营数据和居民问卷调查数据,准确测算了车辆需求总量,同时考虑了企业盈利的盈亏平衡。另一方面,通过构建机器学习推理模型和城市特征分析的方法,测算了目标城市的共享单车总量上限,保证目标城市在投放共享单车时,减少车辆对城市空间、秩序、景观方面的影响。最终通过相似城市的万人拥车率和车辆总量对比的方法,判断上述测算结果是否符合实际,保证了最终测算结果的科学性和有效性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
以上所述仅为本申请的较佳实例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (4)
1.一种共享单车总量预测方法,其特征在于,包括:
S1、基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;
其中,基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,具体包括:
根据城市发展和城市用地情况,结合现阶段各交通方式居民出行量,预测规划年各交通方式居民出行量;
调查获取共享单车引入城市后使用各交通方式的居民通过共享单车替代当前出行方式的概率,得到各交通方式向共享单车转移的概率;
根据各交通方式向共享单车转移的概率和规划年各交通方式居民出行量,预测规划年共享单车出行需求;
S2、基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;
其中,基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,具体包括:
确定目标城市的相似城市,收集目标城市和相似城市的城市特征数据,收集相似城市的共享单车使用特征数据;
在地理信息***上对目标城市和相似城市的城市特征数据、相似城市的共享单车使用特征数据在空间上进行融合;
在地理信息***中将目标城市和相似城市分别划为栅格,将融合后的数据进行空间集计处理和多要素关联分析;
以相似城市的共享单车使用特征为因变量,以相似城市除共享单车使用特征外的其它城市特征为自变量,构建基于机器学习的推理模型;
S3、将共享单车需求总量和共享单车参照规模与相似城市的对应参数进行对比,确定目标城市在规划年的共享单车合理总量;
其中,将共享单车需求总量和共享单车参照规模与相似城市的对应参数进行对比,具体包括:
分别基于共享单车需求总量和共享单车参照规模测算目标城市的共享单车万人拥车率,与相似城市的共享单车万人拥车率进行对比;
将共享单车需求总量和共享单车参照规模与相似城市的共享单车总量进行对比。
2.根据权利要求1所述的共享单车总量预测方法,其特征在于,所述共享单车周转率根据共享单车企业盈亏平衡条件测算确定。
3.根据权利要求1所述的共享单车总量预测方法,其特征在于,所述城市特征数据包括POI数据、公交线网数据、轨道线网数据和人口数据。
4.一种共享单车总量预测***,其特征在于,包括:
共享单车需求总量测算模块,用于基于规划年的各交通方式出行量,利用转移率法获得规划年的共享单车出行需求量,根据共享单车出行需求量和共享单车周转率计算规划年的共享单车需求总量;
共享单车参照规模测算模块,用于基于相似城市的城市特征和共享单车使用特征,构建基于机器学习的推理模型,带入目标城市的城市特征,测算目标城市的共享单车参照规模;
对比模块,用于将共享单车需求总量和共享单车参照规模与相似城市进行对比,确定目标城市在规划年的共享单车合理总量;
其中,所述共享单车需求总量测算模块具体包括:
规划年各交通方式居民出行量预测模块,用于根据城市发展和城市用地情况,结合现阶段各交通方式居民出行量,预测规划年各交通方式居民出行量;
转移的概率获得模块,用于根据调查获取共享单车引入城市后使用各交通方式的居民通过共享单车替代当前出行方式的概率,得到各交通方式向共享单车转移的概率;
共享单车出行需求计算模块,用于根据各交通方式向共享单车转移的概率和规划年各交通方式居民出行量,预测规划年共享单车出行需求;
所述共享单车参照规模测算模块具体包括:
特征数据收集模块,用于确定目标城市的相似城市,收集目标城市和相似城市的城市特征数据,收集相似城市的共享单车使用特征数据;
数据融合模块,用于在地理信息***上对目标城市和相似城市的城市特征数据、相似城市的共享单车使用特征数据在空间上进行融合;
栅格化处理模块,用于在地理信息***中将目标城市和相似城市分别划为栅格,将融合后的数据进行空间集计处理和多要素关联分析;
推理模型构建模块,用于以相似城市的共享单车使用特征为因变量,以相似城市除共享单车使用特征外的其它城市特征为自变量,构建基于机器学习的推理模型;
所述对比模块具体包括:
万人拥车率对比模块,用于分别基于共享单车需求总量和共享单车参照规模测算目标城市的共享单车万人拥车率,与相似城市的共享单车万人拥车率进行对比;
共享单车总量对比模块,将共享单车需求总量和共享单车参照规模与相似城市的共享单车总量进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294736.XA CN111489039B (zh) | 2020-04-15 | 2020-04-15 | 共享单车总量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294736.XA CN111489039B (zh) | 2020-04-15 | 2020-04-15 | 共享单车总量预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489039A CN111489039A (zh) | 2020-08-04 |
CN111489039B true CN111489039B (zh) | 2023-05-19 |
Family
ID=71798751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294736.XA Active CN111489039B (zh) | 2020-04-15 | 2020-04-15 | 共享单车总量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489039B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743789A (zh) * | 2021-09-07 | 2021-12-03 | 吉林大学 | 基于城市建成环境因素的共享单车空间分布量估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909731A (zh) * | 2017-10-23 | 2018-04-13 | 东南大学 | 一种基于大数据的城市共享单车投放管理*** |
CN108133302A (zh) * | 2016-12-01 | 2018-06-08 | 上海浦东建筑设计研究院有限公司 | 一种基于大数据的公共自行车潜在需求预测方法 |
CN109582664A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车出行特征分析方法 |
CN110009046A (zh) * | 2019-04-09 | 2019-07-12 | 中通服公众信息产业股份有限公司 | 一种基于大数据的城市社区安全预测方法 |
CN110163660A (zh) * | 2019-04-19 | 2019-08-23 | 深圳大学 | 一种共享单车投放规模测算方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200410375A1 (en) * | 2018-03-16 | 2020-12-31 | Ford Motor Company | Optimizing and predicting availability of resources in a shared vehicle environment |
-
2020
- 2020-04-15 CN CN202010294736.XA patent/CN111489039B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133302A (zh) * | 2016-12-01 | 2018-06-08 | 上海浦东建筑设计研究院有限公司 | 一种基于大数据的公共自行车潜在需求预测方法 |
CN107909731A (zh) * | 2017-10-23 | 2018-04-13 | 东南大学 | 一种基于大数据的城市共享单车投放管理*** |
CN109582664A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车出行特征分析方法 |
CN110009046A (zh) * | 2019-04-09 | 2019-07-12 | 中通服公众信息产业股份有限公司 | 一种基于大数据的城市社区安全预测方法 |
CN110163660A (zh) * | 2019-04-19 | 2019-08-23 | 深圳大学 | 一种共享单车投放规模测算方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111489039A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lazarus et al. | Micromobility evolution and expansion: Understanding how docked and dockless bikesharing models complement and compete–A case study of San Francisco | |
Huang et al. | Solving the station-based one-way carsharing network planning problem with relocations and non-linear demand | |
Zheng et al. | Simulating land use change in urban renewal areas: A case study in Hong Kong | |
Zhang et al. | Sensing the pulse of urban refueling behavior: A perspective from taxi mobility | |
Zope et al. | Benchmarking: A tool for evaluation and monitoring sustainability of urban transport system in metropolitan cities of India | |
Deng et al. | Integrating operational decisions into the planning of one-way vehicle-sharing systems under uncertainty | |
Tian et al. | Traffic generated by mixed-use developments: Thirteen-region study using consistent measures of built environment | |
Wang et al. | Trajectory analysis for on-demand services: A survey focusing on spatial-temporal demand and supply patterns | |
Ji et al. | How does dockless bike-sharing system behave by incentivizing users to participate in rebalancing? | |
Vilaça et al. | Life cycle assessment of shared and private use of automated and electric vehicles on interurban mobility | |
Van Oort et al. | Short term ridership prediction in public transport by processing smart card data | |
Li et al. | Improving service quality with the fuzzy TOPSIS method: a case study of the Beijing rail transit system | |
Ukkusuri et al. | Assessing the impact of urban off-hour delivery program using city scale simulation models | |
Xu et al. | Mobility and evaluation of intercity freight CO2 emissions in an urban agglomeration | |
Chen et al. | The impact of rainfall on the temporal and spatial distribution of taxi passengers | |
Rodrigues et al. | Spatiotemporal variation of taxi demand | |
Wang et al. | The role of urban form in the performance of shared automated vehicles | |
Li et al. | Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory | |
Li et al. | Factors affecting bike-sharing behaviour in Beijing: price, traffic congestion, and supply chain | |
Ban et al. | Curvature-based distribution algorithm: rebalancing bike sharing system with agent-based simulation | |
Liu et al. | Developing an Extenics‐Based Model for Evaluating Bus Transit System | |
CN111489039B (zh) | 共享单车总量预测方法及*** | |
Aguiar et al. | MobiWise: Eco-routing decision support leveraging the Internet of Things | |
Wang et al. | A user-based adaptive joint relocation model combining electric car-sharing and bicycle-sharing | |
Li et al. | What determines the real-world CO2 emission reductions of ridesplitting trips? |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |