公共自行车使用时空特性挖掘及租还需求预测

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KMeans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。     

降雨量对OD 行程时间可靠性影响分析

为详细研究降雨量对OD行程时间可靠性的影响，基于Uber 出行共享的3 年美国波士顿10 对OD行程时间数据及WeatherUnderground 网站提供的小时历史天气，构建了OD行程时间高斯混合模型(GMM). 模型参数利用EM法进行求解，K 值根据K-S 检验后的P 值 (大于0.500 0)进行确定，模型分位数利用二分法进行求解. 提出一种基于缓冲指数(BI)的新指标——缓冲指数变化率(BIVR)作为定量评估指标. 结果表明：降雨会降低总体OD行程时间可靠性，降低效果随降雨量提高而增强，但增强效果并不明显；尽管可能性较低，但当降雨处于次要影响因素时可能提高可靠性；小雨天气可视为正常天气；雨天可靠性显著低于正常天气，居民在雨天(除小雨外)出行应预留更多时间.     

降雨量对OD行程时间可靠性影响分析

为详细研究降雨量对OD行程时间可靠性的影响，基于Uber 出行共享的3 年美国波士顿10 对OD行程时间数据及WeatherUnderground 网站提供的小时历史天气，构建了OD行程时间高斯混合模型(GMM). 模型参数利用EM法进行求解，K 值根据K-S 检验后的P 值 (大于0.500 0)进行确定，模型分位数利用二分法进行求解. 提出一种基于缓冲指数(BI)的新指标--缓冲指数变化率(BIVR)作为定量评估指标. 结果表明：降雨会降低总体OD行程时间可靠性，降低效果随降雨量提高而增强，但增强效果并不明显；尽管可能性较低，但当降雨处于次要影响因素时可能提高可靠性；小雨天气可视为正常天气；雨天可靠性显著低于正常天气，居民在雨天(除小雨外)出行应预留更多时间.