隨著政府推行的有樁公共自行車和企業(yè)推行的無樁共享單車的大力發(fā)展,共享自行車連接了用戶出行的起始地與目的地之間的“最后一公里”,是一種綠色環(huán)保的出行方式。但是在最近幾年的運營過程中也出現(xiàn)了許多問題,由于潮汐現(xiàn)象的存在,公共自行車容易出現(xiàn)“租/還難”問題,而無樁的共享單車則出現(xiàn)了租車難（或有壞車）、亂停放等問題。流量的不平衡不但造成了自行車利用率的下降,還會造成交通擁堵和城市管理混亂問題。為了有效的解決共享自行車出現(xiàn)的問題,本文創(chuàng)新的結合了公共自行車和共享單車兩種模式進行研究,提出從調度需求預測與用戶分流兩個方面展開的解決思路,并運用機器學習技術實現(xiàn)智能化預測。論文首先介紹了兩種共享自行車的異同以及國內外發(fā)展和研究現(xiàn)狀,同時提出存在的問題以及不足。然后,本文先以杭州市公共自行車數(shù)據(jù)為例分析了影響共享自行車流量的因素,然后定義了預測需求所需要的流量變化量,并介紹了基于Geo Hash的共享單車虛擬站點劃分方法。之后,本文介紹了梯度提升樹算法和堆疊（Stacking）集成方法,并創(chuàng)新的提出了基于堆疊集成方法的極限梯度提升（XGBoost）流量變化量預測的機器學習模型SMVP,最后在杭州市公共自... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：93 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 共享自行車應用現(xiàn)狀
        1.2.1 公共自行車國內外應用現(xiàn)狀
        1.2.2 共享單車國內外應用現(xiàn)狀
    1.3 國內外研究現(xiàn)狀
        1.3.1 公共自行車國內外研究現(xiàn)狀
        1.3.2 共享單車國內外研究現(xiàn)狀
    1.4 目前存在的問題
    1.5 研究路線與章節(jié)安排
        1.5.1 研究路線
        1.5.2 章節(jié)安排
第2章 共享自行車流量變化規(guī)律與影響因素分析
    2.1 流量的總體分布概況
    2.2 流量變化量的定義
    2.3 流量變化量在時間分布上的規(guī)律
    2.4 流量變化量與氣象狀況的關系
    2.5 空間分布和站點之間的關系
    2.6 基于GeoHash的共享單車虛擬站點劃分方法
        2.6.1 GeoHash編碼
        2.6.2 GeoHash遞歸組碼算法
        2.6.3 GeoHash算例分析
    2.7 本章小結
第3章 共享自行車調度需求預測與平衡性分析
    3.1 流量變化量預測
    3.2 流量變化量預測問題定義
    3.3 基于K-Medoids的站點聚類算法
        3.3.1 K-Medoids聚類算法
        3.3.2 站點聚類算法
        3.3.3 站點相似度矩陣
    3.4 基于極限梯度提升(XGBoost)的流量變化量預測模型
        3.4.1 根據(jù)影響因素構建特征
        3.4.2 梯度提升決策樹(GBDT)算法
        3.4.3 極限梯度提升(XGBoost)算法
        3.4.4 Stacking集成方法
        3.4.5 構建堆疊集成的XGBoost的流量變化量預測模型(SMVP)
    3.5 實證分析
        3.5.1 數(shù)據(jù)集的選取與預處理
        3.5.2 特征對比基準
        3.5.3 模型對比基準
        3.5.4 超參數(shù)設置
        3.5.5 評價標準
        3.5.6 實驗結果
    3.6 區(qū)域的調度需求預測
        3.6.1 站點調度需求累加預測
        3.6.2 站點調度需求整體預測
    3.7 區(qū)域的車輛平衡性分析
    3.8 算例分析
    3.9 本章小結
第4章 共享自行車用戶出行規(guī)律分析與候選地預測
    4.1 數(shù)據(jù)探索與影響因素分析
        4.1.1 起始地、目的地規(guī)律探索
        4.1.2 用戶行為規(guī)律探索
    4.2 基于FP-Growth算法的用戶出行候選地預測模型
        4.2.1 頻繁模式樹(FP-Tree)
        4.2.2 用戶出行候選地預測模型(CGM)
    4.3 實證分析
        4.3.1 數(shù)據(jù)集的選取與預處理
        4.3.2 模型對比基準
        4.3.3 模型評價標準
        4.3.4 實驗結果
    4.4 本章小結
第5章 共享自行車用戶出行目的地預測與分流策略
    5.1 用戶出行目的地預測的作用
    5.2 基于深度學習的用戶出行目的地預測模型
        5.2.1 卷積神經(jīng)網(wǎng)絡(CNN)
        5.2.2 循環(huán)神經(jīng)網(wǎng)絡(RNN)
        5.2.3 長短期記憶網(wǎng)絡(LSTM)
        5.2.4 基于時空數(shù)據(jù)的目的地預測網(wǎng)絡DPNNst模型
    5.3 實證分析
        5.3.1 數(shù)據(jù)集的選取與預處理
        5.3.2 模型對比基準
        5.3.3 模型評價標準
        5.3.4 實驗結果
    5.4 用戶分流的作用與方法
        5.4.1 推薦還車地點
        5.4.2 引導用戶輔助流量的平衡
        5.4.3 引導用戶緩解交通壓力
    5.5 算例分析
    5.6 本章小結
第6章 結論與展望
    6.1 結論
    6.2 展望
致謝
參考文獻
附錄
詳細摘要


【參考文獻】：
期刊論文
[1]共享單車定位技術分析[J]. 董平.  微型電腦應用. 2017(08)
[2]我國共享單車企業(yè)的經(jīng)營管理模式創(chuàng)新及盈利模式探索[J]. 杜懌平.  科技管理研究. 2017(15)
[3]“互聯(lián)網(wǎng)+共享模式”下單車市場的瓶頸與對策[J]. 劉欣萌.  交通財會. 2017(08)
[4]共享單車:互聯(lián)網(wǎng)技術與公共服務中的協(xié)同治理[J]. 郭鵬,林祥枝,黃藝,涂思明,白曉明,楊雅雯,葉林.  公共管理學報. 2017(03)
[5]基于Geohash的面數(shù)據(jù)區(qū)域查詢[J]. 金安,程承旗,宋樹華,陳波.  地理與地理信息科學. 2013(05)
[6]杭州公共自行車設施現(xiàn)狀調查與思考[J]. 錢儉,鄭志鋒,馮雨峰.  規(guī)劃師. 2010(01)
[7]歐洲第三代公共自行車系統(tǒng)案例及啟示[J]. 王志高,孔喆,謝建華,尹立娥.  城市交通. 2009(04)

碩士論文
[1]公共慢行系統(tǒng)的動態(tài)調度建模與滾動時域調度算法研究[D]. 趙敬洋.浙江工業(yè)大學 2010



本文編號：3633015