摘要
近年来，以政府为主导的公共自行车和最新出现的新型互联网商业共享自行车——“共享单车”，共同组成了我国的自行车共享系统(Bicycle Sharing System)。作为打通城市“最初\最后一公里”的重要工具，公共自行车在构建城市高效且环保的居民出行体系中扮演着重要角色。本文针对现有公共自行车系统存在的诸如行业问题发现迟缓、车辆易损坏、找车难以及停车难等弊端，构建了一套以大数据驱动的综合方案，用以解决公共自行车存在的问题。 论文首先通过收集一段时间内居民对“公共自行车”的搜索数据和微博文本数据，利用数理统计、GIS制图以及中文分词、N-最短路径和TextRank等自然语义挖掘技术，从居民搜索行为和微博行为对公共自行车系统的时空分布特征与发展过程中存在问题进行了挖掘，并与“共享单车”这一新事物做了比较。随后针对当前有桩公共自行车存在的找车难、停车难等具体问题，提出了基于机器学习的公共自行车租赁点智能选址方案。通过分析居民出行轨迹中的步行路段，提取研究区步行O-D (Origin-Destination)流，利用高斯混合模型(Gaussian Mixture Model，GMM)对出行O-D点进行非监督空间聚类，得到的类中心作为候选租赁点，并将其与现有公交站台集成，以确保大部分候选租赁点在公交车站台附近。最后对租赁点选址进行了单目标优化数学建模，通过遗传算法求得最终选址方案。 研究结果初步表明:(1)互联网大数据（搜索数据、微博数据等）中蕴含着丰富的信息，从居民搜索行为和微博行为可以及时发现当前公共自行车系统发展过程中存在的许多问题;(2)针对有桩公共自行车分布不均衡问题，利用高斯混合模型(GMM)可以对居民出行轨迹数据进行空间聚类，自动生成公共自行车的候选租赁点;(3)利用遗传算法可以对候选租赁点进行单目标优化求解，确定最终选址方案;(4)相比于以往政府人员指定候选租赁点的经验性规划，本文提出的基于居民行为分析的公共自行车智能选址规划可以在一定程度上减少城市交通规划人员的工作量，合肥城区公共自行车这一案例研究进一步验证了本文提出的技术与方法的可行性。
NETL