共查询到10条相似文献,搜索用时 15 毫秒
1.
共享单车的需求量预测对于共享单车企业的精细化运营十分重要,是解决单车区域供需平衡的前提。为精准预测共享单车需求量,本文首先分析了纽约Citi Bike 2017—2019年共享单车数据的时空特征,探究了共享单车出行的分布规律;其次,融合卷积神经网络的特征提取能力和双向长短期记忆网络的双向时序数据处理能力,构建了卷积双向长短时记忆网络CNN-BiLSTM模型;然后,结合出行数据、气象数据及单车时空出行特征,采用相关性分析法探究了单车需求量的显著影响因子,并作为模型输入特征,对模型进行训练,生成单车预测模型;最后,选取CNN、LSTM、BiLSTM、CNN-LSTM作为对比模型,对CNN-BiLSTM预测模型效果进行评价。对比结果表明,CNN-BiLSTM模型的MAE和RMSE最小,分别为0.035和0.058;R2最大,为0.922,模型预测效果最佳。本文可为实际的共享单车调度与再分配提供参考依据。 相似文献
2.
为了解决共享单车乱停乱放等问题,满足政府对相关企业统一监管的需求,本文通过研究了数据处理、存储、分析技术以及基于道路网络分析Voronoi图(简称网络Voronoi图)的共享单车监管技术,设计了基于"天地图"的共享单车大数据监管平台。平台调用"天地图·江苏"最新基础地理信息数据服务,叠加公交、小区、交通设施等专题数据,基于大数据框架,建立了大数据分析模型,对单车骑行分布进行统计分析,实现了单车查询统计、停车区域管理、单车聚集预警、轨迹分析预测、监管区域划分、监管轨迹跟踪等功能,为统一的精准监管提供了有效途径,可提高单车企业调度维护车辆的积极性,为"绿色出行"的实现奠定基础。 相似文献
3.
4.
5.
共享单车在“低碳交通”的背景之下应运而生,给人们的出行带来了极大的便捷,同时,在共享单车的使用和管理过程中也存在一些问题,例如共享单车的投放不均衡等。本研究以北京市核心区为研究区,利用空间大数据分析等方法,对共享单车出行的时间序列和空间特征进行了分析,结果表明:(1)从共享单车出行的时间特征来看,一是从工作日的共享单车日均出行量远远大于休息日的日均出行量,工作日的日均出行量为623 257辆,休息日的日均出行量为245 039辆;二是工作日和休息日的共享单车出行高峰时段均为上午8点—9点以及下午的17点—18点;三是共享单车的出行时长主要集中在10 min以内,30 min以上的占比较少;(2)从共享单车出行的空间特征来看,一是北京市核心区工作日共享单车的出行呈现出“大聚集,小分散”的特点,且早高峰与晚高峰共享单车出行的空间流动趋势恰好相反,休息日呈现出“早分散,晚集聚”的特点。 相似文献
6.
针对传统上单独采用K-means或DBSCAN等方法对共享单车位置数据聚类时造成的聚类结果与真实的聚类结构不符的问题,本文提出了一种基于共享单车时空大数据的细粒度聚类方法(FGCM)。该方法通过DBSCAN进行初始聚类,并在此基础上采用GMM-EM算法进行细部聚类,以提取细粒度层级的热点区域。试验表明,该方法可根据密度阈值排除噪声和离群值,无需指定细部聚类簇数,簇的形状和大小比较灵活。在对共享单车大数据位置特征进行聚类时,与传统的单独采用K-means或DBSCAN的方法相比,FGCM具备更高的精细程度,能够充分展现共享单车的实际聚集特征,可用于规划共享单车电子围栏等设施,在不降低通勤效率的基础上规范共享单车的停放问题。 相似文献
7.
针对目前城市共享单车停放区管理精准化、规范化的需求,提出了一种共享单车停放区沿道路线自动编码的方法,并借助ArcGIS地理处理工具及ArcObject编程接口对该方法进行了实现,实验结果表明该方法是合理的、有效的. 相似文献
8.
9.
利用共享单车大数据的城市骑行热点范围提取 总被引:1,自引:0,他引:1
共享单车成为市民出行不可或缺的一种代步方式,也对城市交通运行管理和规划发展带来压力和挑战。本文利用Python程序获取了2017年9月20日ofo单车的全天候位置数据,通过Arc GIS传统分析工具进行了西安市用户骑行行为的时空间特征分析,提取了用户出行OD模型及城市骑行热点路段。结果发现,在城市轨道交通、城市产业分配、医院学校分布及时间维度的影响下,骑行存在不同空间特征。基于大数据分析提取热点,利用可视化表达数据集合与相关城市数据集综合分析,可为集中规划非机动车设施、更好地优化城市空间布局提供新思路。 相似文献