论文部分内容阅读
随着经济不断发展,城市化进程不断加快,道路交通问题日益严重。其中,交通拥堵和环境污染是道路交通问题最突出的两个方面。为了缓解城市交通拥堵,减少环境污染,在人们环保意识的逐渐增强和政府的大力推动下,公共自行车系统(Public Bicycle System,PBS)迅猛发展,有效地缓解了城市道路交通问题。但是公共自行车用户出行的潮汐性带来的“无车借”、“无位还”问题制约了PBS的进一步发展。因此利用智能算法进行公共自行车租借预测,从而引导用户前往合适的公共自行车租赁点进行租车还车操作,同时及时提醒PBS运营公司提前进行公共自行车调度是很有必要的。然而,传统的交通流预测研究大多集中在机动车辆的道路交通流预测方面,针对公共自行车的预测研究还较少,也很少有根据公共自行车的使用特性进行有针对性的研究。本文对机动车交通流预测模型和公共自行车的使用特性进行了研究,提出了一种基于多源数据的公共自行车短时租借预测模型,使用公共自行车历史租借记录、天气、节假日数据,解决了公共自行车短时租借预测问题。本文的主要贡献与创新有:(1)根据公共自行车的使用特性,结合公共自行车历史租借记录、天气、节假日数据进行预测;(2)使用K-means算法和朴素贝叶斯分类模型,根据天气、节假日数据进行公共自行车租借规律预测。实验证明,这两种算法结合进行公共自行车租借规律预测具有较好的预测效果;(3)使用分类后的数据构建时间序列训练数据集,分别训练APSO-BP神经网络模型,进行公共自行车短时租借预测。通过使用APSO算法优化BP神经网络的训练,可以克服BP神经网络收敛速度慢、容易陷入局部最优的缺陷。实验证明,APSO-BP神经网络模型用于公共自行车短时租借预测的精确度较高;(4)针对一些人流量特别大的租赁点,使用时间序列数据与空间数据结合,构建时空结合的公共自行车租借预测训练数据集,用于训练APSO-BP神经网络模型。实验证明,对于人流量特别大的租赁点,时空结合的公共自行车短时租借预测精确度比时间序列公共自行车短时租借预测精确度高。