时空特征融合的城市共享单车出行规律理解与需求预测方法研究

Urban dockless bike-sharing, an emerging type of shared mobility solutions, has great implications for promoting low carbon travel, mitigating traffic congestions, and improving health conditions of urban residents. The brand new “scan and go” service provided by dockless bike-sharing has resulted in the changes in the spatiotemporal patterns of ridership as well as how they are influenced by external factors. Moreover, the traditional travel demand forecast models, which are built at the level of bike rental stations, are no longer feasible to the dockless bike-sharing systems. To fill the research gap, this project aims to conduct empirical analysis using Hong Kong and Singapore as case studies. First, by integrating multi-source urban spatiotemporal data, we employ spatiotemporal data mining and spatial autoregressive models to better understand the usage patterns of dockless bike-sharing under different urban contexts and spatiotemporal scales. Then, by integrating convolutional neural network (CNN) and long short-term memory model (LSTM), the project proposes a deep learning framework to predict the usage of urban dockless bike-sharing. The framework is able to support adaptive learning of high-dimensional spatial features, and then form these features into sequences for integrating spatial and temporal features. The project could provide some experiences for future research on relevant topics, and support decision makings on the management of dockless bike-sharing systems and optimization of urban resources.

作为一种新型的共享出行模式，共享单车在推动城市绿色出行、缓解交通系统压力以及提高民众身体素质等方面具有重要意义。针对共享单车“随取随用”的服务方式带来的用户出行时空规律和动因的变化，以及传统基于租赁站点的“有桩”自行车系统出行预测方法不再适应于新型数据的问题，本项目拟将香港和新加坡作为案例，开展有关城市共享单车出行的实证研究。首先，通过结合城市多源时空数据，引入相应的时空数据挖掘方法和空间自回归模型，系统地揭示单车用户群体在不同城市场景、多时空尺度下的出行特点；其次，提出一种联合CNN和LSTM模型的复合型深度学习方法应用于单车出行需求预测，该方法能够从多源时空数据中自适应地生成高维空间特征，并在不同时间点构成高维特征序列，实现时空特征的有效融合。本项目的开展不仅能为后续相关研究提供一定实践经验，还将有利于共享单车的科学管理和城市资源的优化配置，为相关服务行业和监管部门提供重要的决策支持。

作为一种新型的共享出行模式，共享单车在推动城市绿色出行、缓解交通系统压力以及提高民众身体素质等方面具有重要意义。针对共享单车“随取随用”的服务方式带来的用户出行时空规律和动因的变化，以及传统基于租赁站点的“有桩”自行车系统出行预测方法不再适应于新型数据的问题，本项目将新加坡、香港、新北市等城市作为研究案例，开展了有关城市共享单车出行的实证研究以及短时出行需求预测模型的开发。以新加坡作为研究案例，项目首先提出了一种基于特征值分解的单车系统骑行使用规律的分析方法，揭示了共享单车系统使用时间变化规律在空间上的差异性、以及与城市建成环境要素之间的关系。在此基础上，项目提出一种融合CNN与LSTM的时空记忆深度学习网络(STMN)。该框架采用卷积长短时记忆模型和特征工程技术来捕捉历史数据中的空间-时间依赖关系，以完成预测任务。研究以和两个无桩共享单车系统（新加坡和新北市）和两个有桩单车系（统芝加哥和纽约）作为研究区域，对STMN模型与现有的深度学习基线模型进行了系统的评估与比较。研究发现STMN模型在所有城市均取得了最佳的预测效果，该模型在城市中处于不同需求水平的区域以及早晚高峰时段均有优异的表现。该项目在实施期间发表了若干论文，其中部分论文的研究方法与发现被广泛讨论引用，成为ESI热点与高被引论文。项目也通过大数据可视化的方式对研究结果进行了呈现，产生了一定的社会关注度。本项目对城市共享单车骑行的时空规律与动因、与城市建成环境要素关系、以及短时出行需求预测方法的开发做出了一定的贡献，完成了项目拟定的研究内容与目标。