论文部分内容阅读
近年来共享单车快速兴起，但发展过程中存在许多问题，特别是单车供需不匹配，这类问题造成资源错配和浪费，本文基于天气指标对区域单车的骑行指标进行预测研究，研究中选取骑行量作为骑行指标，选取气温和下雨量作为天气指标。
基于机器学习的神经网络具备诸多优点：学习能力、泛化能力、高适应能力以及非线性映射能力，通过与线性回归、移动平滑法等几种传统方法做比较，本文选取BP神经网络用于预测研究，并建立模型，以成都市成华区建设路区域的骑行数据进行实证研究，通过网络参数的对比研究，逐步优化网络结构，同时对输入指标进行优化，提升网络模型的效果，用这个优化模型对以“日”为粒度的骑行量做了预测研究，并用五折交叉验证法进行了预测效果验证，与多元线性回归模型和ARIMA模型进行比较，结果表明BP神经网络的定量预测效果明显好于后两者。
最后对“小时”为粒度的骑行数据做了基于时空变量下的骑行特征研究，定量分析了区域内不同地点不同时段下的天气因素对骑行量的影响特征，对该区域内8个典型地点或06:00~23:59区间每小时的骑行量做了预测和对比研究。研究表明，不同地点或不同时段受天气因素影响的特征差距很大，个别地点的骑行特征与区域内总样本的骑行特征是截然不同的，这些研究结果为单车公司的车辆投放和调度管理提供了更详实的参考依据。
基于机器学习的神经网络具备诸多优点：学习能力、泛化能力、高适应能力以及非线性映射能力，通过与线性回归、移动平滑法等几种传统方法做比较，本文选取BP神经网络用于预测研究，并建立模型，以成都市成华区建设路区域的骑行数据进行实证研究，通过网络参数的对比研究，逐步优化网络结构，同时对输入指标进行优化，提升网络模型的效果，用这个优化模型对以“日”为粒度的骑行量做了预测研究，并用五折交叉验证法进行了预测效果验证，与多元线性回归模型和ARIMA模型进行比较，结果表明BP神经网络的定量预测效果明显好于后两者。
最后对“小时”为粒度的骑行数据做了基于时空变量下的骑行特征研究，定量分析了区域内不同地点不同时段下的天气因素对骑行量的影响特征，对该区域内8个典型地点或06:00~23:59区间每小时的骑行量做了预测和对比研究。研究表明，不同地点或不同时段受天气因素影响的特征差距很大，个别地点的骑行特征与区域内总样本的骑行特征是截然不同的，这些研究结果为单车公司的车辆投放和调度管理提供了更详实的参考依据。