考虑潜在需求的共享单车移动链的自循环行为的分析方法

本发明涉及交通大数据和机器学习领域，特别涉及一种考虑潜在需求的共享单车移动链的自循环行为的分析方法。

背景技术：

1、共享单车系统自2016引入中国后发展迅速，为城市带来了显著的经济与环境效益。但过度增长的共享单车数量给城市造成压力，提高了运营成本。与传统的叫车服务相比，受制于个体可接受步行距离与单车分布的随机性，共享单车服务尚存未被满足的需求。尽管对共享单车出行模式及需求的研究逐步深入，但很少有研究探索共享单车出行链，即单车在起始点与后续起始点间的运动轨迹的特点和影响。显然，研究出行链及其中的自循环行为能帮助识别共享单车出行序列中的往返模式，为调度工作提供指导。

2、在数据筛选模型的应用中，过去有利用tobit似然函数和高斯过程模型，通过历史数据中的时变供应限制更准确地预测用户需求。然而，高斯过程模型很难平衡大规模场景下的计算复杂度和近似能力。

3、现存的共享单车空间分析主要集中在共享单车使用需求与建筑环境之间的关系，包括对共享单车系统整体的网络分析和以用户为中心的时空分析，但研究受统计数据稀缺和个人隐私的限制。

4、现有技术存在的问题及缺陷：

5、(1)缺乏对自循环链地理特征的研究：虽然自循环链的概念已经被提出并在一些研究中被使用，但目前还缺乏对影响自循环链形成的地理特征的深入研究。

6、(2)共享单车真实需求预测的挑战：目前的方法往往不能准确地预测共享单车的实际需求，尤其是在考虑到供应限制的情况下。

7、(3)缺乏对共享单车移动链的空间分布的理解：虽然已经进行了一些空间分析，但这些分析主要集中在共享单车使用需求和建筑环境之间的关系，而没有充分理解共享单车移动链在不同交通分析区域(tazs)的空间分布。

8、解决以上问题的难度：

9、(1)复杂的地理特征：自循环链的形成可能受多种因素影响，如地形、人口密度、道路网络和地区功能等，这些因素的综合影响使得分析变得复杂。

10、(2)需求预测的不确定性：预测共享单车的实际需求需要考虑多种因素，包括时间、空间、天气、节假日等，这些因素的变化可能导致需求的大幅波动。

11、(3)数据限制：对共享单车移动链的空间分布进行深入理解需要大量的高质量数据，但目前可能缺乏这样的数据，尤其是关于用户行程链和用户社会经济特征的数据。

技术实现思路

1、本发明提供考虑潜在需求的共享单车移动链的自循环行为的分析方法，通过共享单车的起终点(original-destination，o-d)行程数据重构共享单车出行移动链，并分析其中的车辆自循环行为，探究车辆自循环行为的形成机理。

2、为了实现上述目的，本发明提供以下技术方案：

3、本发明提供考虑潜在需求的共享单车移动链的自循环行为的分析方法，所述分析方法包括：

4、(1)根据共享单车的起终点(original-destination，o-d)行程数据确定每个网格的库存状况，标定审查标签；

5、(2)通过多重删失托比特模型(multiply censored tobit model)预测每个网格的出行需求；

6、(3)利用供需匹配方法，根据最小车队规模形成新的共享单车出行链；

7、(4)重建共享单车出行链；

8、(5)识别重建共享单车出行链中的自循环链，并对各种指标进行分析。

9、进一步的，步骤(1)的具体步骤为：

10、(11)计算每个网格的初始共享单车数量t0，找出研究时间段内城市中所有共享单车的第一个开锁位置，并根据网格进行聚合；

11、(12)根据(destination-original，d-o)停车数据，确定共享单车最后锁定位置和下一个解锁位置的转移位置，如果网格位置有变化，将虚拟行程插入到起终点(original-destination，o-d)行程数据中，这样可以通过行程数据获取共享单车的所有位置变化；插入虚拟行程以确保共享单车位置变化的连续性；

12、(13)对所有网格在一个小时的时间窗口内进行库存的迭代处理；

13、(14)为每天的每个网格添加审查标签li，定义当网格的库存供应充足时，li＝0，当网格的库存供应不足时，li＝1。

14、如果一天中的18个小时(早上6:00-晚上24:00)的库存值小于或等于3，我们将这一天该网格的被审查标签li设置为1。也就是说，当li＝1时，这个网格的可用供应不足，可能存在潜在需求。

15、进一步的，经步骤(13)库存的迭代处理后实时库存表示为(t0+t)；

16、其中，t＝{t1,…,tm}，表示在m小时的观察期中的网格中的停车数减去出发的车辆的数量；

17、t0表示该网格中的初始库存车辆数。

18、进一步的，步骤(2)中通过多重删失托比特模型预测网格在位置i处的出行需求为：

19、

20、其中，yi是在位置i的观察到的需求，yiu是上删失阈值，每个位置点的阈值不同；

21、yi*是潜在需求的潜在变量，yi*＝f(xi)+εi；

22、xi是解释变量；

23、f(·)预测潜在需求的目标函数；

24、εi是服从均值为零且方差为正态分布的误差项；

25、当某一网格的库存价值不足时，会出现(yi*≥yiu,yi＝yiu)即li＝1，表明潜在的需求大于供给，则表示为：

26、

27、

28、其中，g(xi；tj,mj)是贝叶斯决策树的输出，tj是由j＝1，…，m索引的决策树，m是模型中的树的总数；mj是tj的终端节点参数集。

29、进一步的，步骤(3)中形成新的共享单车出行链的步骤为：

30、遍历每条出行，搜索最近的可用共享单车分配到行程，如果没有共享单车在可接受的步行距离内，生成一辆新共享单车，直到完成所有行程；最后，将生成一个字典，用于存储共享单车所有的轨迹点。

31、进一步的，步骤(4)中重构共享单车出行链的具体过程为：

32、(41)初始化和排序：初始化一个空字典来存储共享单车链，按照开始时间对出行数据进行排序；

33、(42)计算距离：对于出行数据中的每一次行程，计算当前位置与每一辆共享单车最后记录位置之间的距离；

34、(43)选择和更新：如果存在至少一辆在可接受步行距离内的共享单车，选择最近的那辆共享单车，然后更新共享单车链字典，将新的位置分配给选定的共享单车序列；

35、(44)创建新的共享单车：如果没有在可接受步行距离内的共享单车，使用当前的位置详情创建一个新的共享单车，并加入到共享单车链字典中。

36、进一步的，步骤(5)中识别重建共享单车出行链中的自循环链的具体步骤为：

37、(51)获取步骤(4)中重构的共享单车出行链，其中每个共享单车链节点都包含经纬度信息；

38、(52)匹配经纬度到网格id，利用经纬度信息，将每个共享单车链节点的经纬度与网格信息进行匹配，以确定该共享单车链节点所对应的网格id；

39、(53)遍历每个共享单车链节点，计算网格id出现的次数，对于每个共享单车链节点，统计其所对应的网格id在整个自行车链中出现的次数，这可以通过在遍历过程中使用一个计数器或者字典来实现；

40、(54)如果一个网格id在整个共享单车链中出现了n次，认为该网格形成了n-1个自循环链，其中n≥2。

41、进一步的，步骤(5)中需要分析的指标为：

42、筛选出自循环链后，以交通分析小区(tazs)为分析单位，计算自循环链的自环比率、各区域内的自环链密度(单位：km/km2)、跨区域自环链密度(单位：km/km2)；

43、自循环链的自环比率等于一个自循环链形成的环的个数除以所有经过的位置点数；

44、各区域内的自环链密度

45、

46、跨区域自环链密度

47、

48、其中，scin是一个交通分析小区taz里的自循环链；

49、是一个交通分析小区taz里的自循环链的长度(单位：km)；

50、staz是交通分析小区taz的面积；

51、是一个交通分析小区taz内所有跨区自环链的裁切的长度(单位：km)。

52、本发明具有以下有益效果：

53、(1)提高调度效率：通过深入理解自循环链的形成机制和地理特征，可以帮助更有效地进行自行车调度，降低调度成本。

54、(2)增强服务质量：准确预测共享单车的实际需求可以帮助改进服务，减少用户寻找可用自行车的时间和距离，提高用户满意度。

55、(3)促进资源利用和环境保护：通过优化自行车移动链的空间分布，可以促进资源的合理利用，减少无效行程，从而有助于环境保护。