一种识别共享单车潮汐点的时空模型和基于KNN-LightGBM的租还需求预测方法

作者：柯日宏; 吴升^*; 柯玮文

来源：地球信息科学学报, 2023, 25(04): 741-753.

• 共享单车
• 电子围栏
• 时空模型
• 潮汐性
• 需求预测
• 机器学习
• 厦门

随着互联网租赁自行车(共享单车)的兴起，“共享单车+地铁”“共享单车+公交”已成为城市通勤的主要接驳方式，但共享单车的“潮汐效应”也成为共享单车管理和资源调配的“痛点”和“难点”。因此，发现共享单车的“潮汐规律”，准确预测共享单车停车区(电子围栏)的租还需求，对于共享单车的有序规范发展，优化用车体验和环境等具有重要意义。本文首先基于共享单车订单数据和“电子围栏”空间数据，提出一种识别共享单车潮汐点的时空模型并分析其潮汐性时空特征。该模型将潮汐点定义为短时间内因大量共享单车租或还从而导致无车可租或无车位可停的电子围栏，然后根据电子围栏在某时间段的状态进行分类，并赋予不同的缺车/缺停指数。结果显示该模型能够精准识别特定时段出现的潮汐点。随后，基于共享单车订单、城市信息点(POI)、道路、人口、土地利用、气温、风速等时空数据，并考虑局部范围内的电子围栏相关性，构建KNNLightGBM模型来预测共享单车租还需求：(1)利用主成分分析(Principal Component Analysis,PCA)进行特征提取；(2)利用KNN(K Nearest Neighbors)算法计算局部范围内电子围栏之间相关信息；(3)整合PCA提取的特征向量和电子围栏相关信息作为输入特征，利用LightGBM方法进行租还需求预测；(4)评估影响租还需求预测的特征重要性。结果表明：与常用的4种机器学习方法进行对比，KNN-LightGBM在不同时间尺度下的预测实验中RMSE、MAE的平均值均最小，R2和r平均值均最大，预测效果较好；利用KNN计算局部范围内的电子围栏相关性，能够有效的提高预测精度，与LightGBM相比，KNN-LightGBM的RMSE和MAE分别降低了10%和11%,R2和r分别提高了3%和4%；共享单车的历史订单数据对租还需求预测最为重要，与最近公共交通接驳站距离的重要性次之。

• 单位
  福州大学