基于宁波市公共自行车刷卡数据、POI(Point of Interest)数据、气象和空气质量等数据,从数据驱动视角,深入挖掘公共自行车使用的时空特征及站点租还车需求预测.在时间上,采用K-Means算法,将站点聚为5类,探讨各类站点的时变需求规律及影响因素;在空间上,提出基于POI数据的站点用地类型识别方法,将站点分为居住类、交通设施类、办公类和商业休闲类.构建以15,30,60 min为间隔,以租还车需求为目标变量的随机森林预测模型,并与常用的BP(Back Propagation)神经网络、K最近邻方法进行比较.结果表明,随机森林模型的精度更高,适用性更强.以30 min为间隔的站点租还车需求预测精度最高,考虑站点土地利用类型后能有效提高模型的预测精度.本文结果可作为未来站点平衡调度的依据并推广应用于共享单车系统,为改善服务水平提供技术和理论支撑.
NETL
NSTL
万方数据
维普
