李穎宏 馬 勇

（北方工業(yè)大學(xué)城市道路交通智能控制技術(shù)北京市重點實驗室，北京 100043）

隨著綠色出行和環(huán)保觀念的深入人心，共享單車自推出以來不僅深受用戶喜愛，也減輕了城市路網(wǎng)壓力和擁堵情況，方便了“最后一公里”的出行。共享單車進(jìn)入城市的一年多時間里，發(fā)展速度極快。隨著使用單車的用戶增多，共享單車企業(yè)投放車輛數(shù)量也是與日俱增。然而，一味地增大投放量，在增強(qiáng)城市交通服務(wù)能力方面并未成正比性，反而帶來了一系列令人質(zhì)疑的問題，其中亂停亂放、高峰期一車難求尤為嚴(yán)重，這些存在的問題如何運用高效科學(xué)的方法去解決已成為一個關(guān)于共享單車的熱門話題。

針對這些問題，國內(nèi)各共享單車企業(yè)對共享單車系統(tǒng)的研究主要可以歸納以下幾個方面：（1）預(yù)測研究，如摩拜使用深度學(xué)習(xí)方法對供需進(jìn)行預(yù)測，具體將Tensorflow框架下的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于單車流量預(yù)測；（2）智能調(diào)度研究，如摩拜的紅包單車，通過綜合運用物聯(lián)網(wǎng)、云計算和大數(shù)據(jù)，對單車實現(xiàn)實時狀態(tài)的精確控制，發(fā)現(xiàn)單車“黑洞”，以貼紅包的方式，激發(fā)用戶自覺自行，讓單車離開“黑洞”，回到需要單車的地方；（3）智能站點設(shè)立的研究，如“摩拜智能推薦停車點”，該停車點可實現(xiàn)亞米級定位，實時掌握停車區(qū)域內(nèi)單車的數(shù)量、狀態(tài)、位置及各區(qū)間的流量情況等信息，為車輛投放、調(diào)度和運維提供智能指引。

共享單車的需求預(yù)測是一個共享需求比較新的問題。陳昕昀[1]等利用BP神經(jīng)網(wǎng)絡(luò)對公共自行車單站點調(diào)度需求量進(jìn)行預(yù)測研究，發(fā)現(xiàn)了自行車流量隨時間分布的規(guī)律；Borgnat[3]等使用里昂自行車共享系統(tǒng)的歷史數(shù)據(jù)，通過組合模型來預(yù)測一天每小時的需求量；近來有很多學(xué)者將機(jī)器

學(xué)習(xí)的方法運用到預(yù)測需求量[4-5]。以上這些方法幾乎都局限于有樁式公共自行車的研究，而針對無樁式的共享單車，目前涉及成型的理論及方法并不多，并且針對有樁式公共自行車的需求預(yù)測方法往往具有局限性，不能兼顧出行的空間和非空間屬性。

本文使用一種序列化的神經(jīng)網(wǎng)絡(luò)模型，該模型在解決梯度爆炸和梯度消失的基礎(chǔ)上，能夠提取共享單車出行OD序列間的依賴信息，即流量的時間變化規(guī)律，建立基于LSTM的線性回歸預(yù)測模型。其次，針對不同地域間出行的自流動性和關(guān)聯(lián)性，在提出的預(yù)測模型基礎(chǔ)上，將軌跡數(shù)據(jù)中挖掘的距離特征納入預(yù)測模型，以時空的角度來描述各個出行區(qū)域之間的相互影響，利用摩拜公司30多萬條單車軌跡數(shù)據(jù)，通過劃分不同的特征數(shù)據(jù)集，訓(xùn)練模型，并驗證了該模型在共享單車需求預(yù)測方面的優(yōu)越性。

1 LSTM算法

長短期記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM），由 Sepp Hochreiter和Jürgen Schmidhuber于1997年提出的，是一種特定形式的循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM通過增加門操作，即輸入門、遺忘門、輸出門，優(yōu)化了自循環(huán)的權(quán)重，保持權(quán)重的動態(tài)變化性，在模型參數(shù)固定的情況下，在一定程度上解決了梯度消失或者梯度膨脹的問題。

1.1 LSTM模型

LSTM模型結(jié)構(gòu)定義如圖1所示，它包含三個門操作，控制和保護(hù)每一個元胞的狀態(tài)。該操作既能夠丟棄低狀態(tài)數(shù)據(jù)，又能夠向狀態(tài)中加入新的數(shù)據(jù)。

圖1 LSTM原理結(jié)構(gòu)圖

1.2 LSTM的向前傳播

由模型的結(jié)構(gòu)圖可知，LSTM實現(xiàn)了三個門計算，即遺忘門、輸入門和輸出門。遺忘門處理的數(shù)據(jù)是上個樣本的短期記憶和本次樣本的輸入，通過Sigmoid函數(shù)決定保留多少上一時刻的單元狀態(tài)到當(dāng)前時刻的單元狀態(tài)；輸入門決定如何將新信息和舊信息相結(jié)合，嵌入到新的狀態(tài)；輸出門決定當(dāng)前時刻的單元狀態(tài)有多少輸出。每個LSTM包含了三個輸入，即上時刻的單元狀態(tài)、上時刻的LSTM的輸出和當(dāng)前時刻輸入。LSTM向前傳播機(jī)制如下：

遺忘門：

式中：[]—兩個向量相連合并；

Wf—遺忘門的權(quán)重矩陣；

σ—sigmoid函數(shù)；

bf—遺忘門的偏置項。

輸入門：

第一部分是上一步得到的過濾后的長期狀態(tài)信息，第二部分是根據(jù)上個元胞的和本元胞的輸入獲得的更新信息。當(dāng)前時刻的單元狀態(tài)由遺忘門輸入和上一時刻狀態(tài)的積加上輸入門兩部分的積，即：

輸出門：

輸入結(jié)合本次和上次的短期狀態(tài)信息，獲取新的信息，再點乘長期記憶的狀態(tài)通過tanh函數(shù)正規(guī)化得到輸出。

2 預(yù)測模型的構(gòu)建

共享單車作為一種短距離出行工具，在復(fù)雜的城市交通網(wǎng)絡(luò)中，已經(jīng)成為城市“慢交通”系統(tǒng)的一部分。相對于機(jī)動車流量的動態(tài)特性，共享單車流量有其獨特的自流動特性，使得某些騎行區(qū)域點之間具有一定的關(guān)聯(lián)性，某一騎行域的共享單車預(yù)測需求量不僅與自身歷史時刻流量相關(guān)，而且與該區(qū)域有直接或者間接流量流動的區(qū)域相關(guān)。若預(yù)測模型僅考慮目標(biāo)區(qū)域在歷史與未來時間間隔內(nèi)單車流量的相關(guān)性，而忽略其相關(guān)區(qū)域的流量狀況，將不可避免地降低預(yù)測準(zhǔn)確性。因此，建立如圖2的預(yù)測模型框架。

首先 ，將單車軌跡數(shù)據(jù)按照各區(qū)塊出行時間劃分成日內(nèi)單車流量時間序列；然后利用K-means聚類算法，以與預(yù)測區(qū)域有直接或者間接流量流動為依據(jù)，進(jìn)行聚類劃分，得到日內(nèi)相關(guān)區(qū)塊單車流量時間序列，輸入到LSTM神經(jīng)網(wǎng)絡(luò)模型，找出時空特性規(guī)律；最后利用線性回歸預(yù)測模型得到預(yù)測值。

圖2 基于LSTM的預(yù)測模型圖

2.1 K-means聚類

本文所用到的部分專業(yè)術(shù)語定義如下：

n：區(qū)域數(shù)；

Si：第i個區(qū)域 ；

Sij：與i區(qū)域相關(guān)的j區(qū)域；

fSit：t時刻Si區(qū)域的單車出行需求流量；

fSijt：t時刻j區(qū)域到i區(qū)域的單車流量；

Lm：第m條歷史出行軌跡。

某一區(qū)域共享單車出行流量在受該區(qū)域位置影響的同時，也與其相關(guān)區(qū)域的單車出行規(guī)律相關(guān)。本文基于各區(qū)域歷史出行軌跡信息及出行規(guī)律，得到共享單車流量，以及本區(qū)域的單車需求量，提出了二次K-means算法，得到與預(yù)測區(qū)域直接相關(guān)的區(qū)域簇。第一次先按區(qū)域的地理位置進(jìn)行聚類，得到區(qū)域簇，第二次從得到的N個區(qū)域中按軌跡信息得到與預(yù)測區(qū)域Si相關(guān)的區(qū)域S1，S2，S3，...，Sn。

K-means聚類算法如下：

輸出 ：Si：S1，S2，S3，...，Sn。

（2）初始化k=0；

（3）while k ＜ K do ；

（4）for i = 1:n do；

（6）k = k+1;

（8）for j = 1:N do；

（9）Sij包含于Lij；

（10）更新Si：S1，S2，S3，...，Sn；

（11）返回Si：S1，S2，S3，...，Sn。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)模型

LSTM在循環(huán)神經(jīng)網(wǎng)絡(luò)RNN結(jié)構(gòu)上增加了各層的門限節(jié)點：遺忘門、輸入門、輸出門。通過調(diào)節(jié)門限的打開或關(guān)閉，判斷模型各層網(wǎng)絡(luò)的長時間記憶狀態(tài)在該層的輸出結(jié)果是否加入當(dāng)前層的計算中，從而實現(xiàn)模型的記憶功能。本文基于LSTM神經(jīng)網(wǎng)絡(luò)模型的特性，對提出的線性網(wǎng)絡(luò)預(yù)測模型進(jìn)行訓(xùn)練優(yōu)化，搭建三層單胞神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

圖3 三層LSTM神經(jīng)網(wǎng)絡(luò)模型圖

該模型的計算方式與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相似，結(jié)合結(jié)構(gòu)圖1，根據(jù)式ot=σ(Wo×[ht-1,xt]+bo)和ht=ot×tanh(ct)可進(jìn)行計算。模型的訓(xùn)練步驟如下：

（1）數(shù)據(jù)樣本的準(zhǔn)備。經(jīng)過數(shù)據(jù)預(yù)處理得到的共享單車出行數(shù)據(jù)，通過K-means聚類得到關(guān)聯(lián)的出行規(guī)律樣本數(shù)據(jù)集作為模型的數(shù)據(jù)輸入。

（2）網(wǎng)絡(luò)參數(shù)的初始化。使用python的keras庫，完成訓(xùn)練參數(shù)的調(diào)整，具體參數(shù)包括最大迭代次數(shù)、學(xué)習(xí)率、激活函數(shù)等。

（3）網(wǎng)絡(luò)模型的訓(xùn)練。采用BPTT（back-propagation through time）訓(xùn)練算法，進(jìn)行梯度檢測，使用隨機(jī)梯度下降算法（SGD）更新權(quán)重，一直到滿足最小誤差函數(shù)需求為止。

（4）網(wǎng)絡(luò)模型的測試。訓(xùn)練過程如圖4所示。

圖4 LSTM模型訓(xùn)練圖

2.3 線性網(wǎng)絡(luò)預(yù)測模型

基于上節(jié)二次聚類得到的區(qū)域簇S1，S2，S3，...，Sn，本節(jié)將各區(qū)域點之間的復(fù)雜網(wǎng)絡(luò)關(guān)系簡化為一個結(jié)構(gòu)圖，如圖5所示。預(yù)測區(qū)域Si，其他區(qū)域為Si的相關(guān)區(qū)域點，Vin為特定時刻相關(guān)區(qū)域Sn點到Si區(qū)域點的車流量。

圖5 網(wǎng)絡(luò)模型預(yù)測結(jié)構(gòu)

本研究模型是通過將特定時間間隔的車流量以及相關(guān)的權(quán)重線性組合，得到預(yù)測區(qū)域的表達(dá)式，如式（7）所示：

本文建立的單一線性預(yù)測網(wǎng)絡(luò)模型的均方根誤差都隨著預(yù)測時間間隔的增加而增加，時間間隔越長，對時間特性的學(xué)習(xí)能力越弱，不確定因素影響就越大，導(dǎo)致預(yù)測的均方根誤差就越大，因此，本文采用一種時間特性學(xué)習(xí)模型LSTM(Long short-term memory)對軌跡數(shù)據(jù)中隱藏的出行時間規(guī)律進(jìn)行訓(xùn)練學(xué)習(xí)，將長時間間隔內(nèi)流量的流動特性納入預(yù)測模型中，提高預(yù)測模型的準(zhǔn)確性與精度。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)描述

本文基于300萬摩拜共享單車用戶出行記錄數(shù)據(jù)，進(jìn)行預(yù)處理后作為實驗數(shù)據(jù)驗證模型的有效性與準(zhǔn)確性。數(shù)據(jù)是連續(xù)兩周用戶出行記錄，經(jīng)過數(shù)據(jù)的規(guī)則預(yù)處理及樣本篩選，構(gòu)建數(shù)據(jù)集。數(shù)據(jù)信息如表1所示。

表1 用戶單車出行軌跡數(shù)據(jù)表

3.2 評價標(biāo)準(zhǔn)

本文采用均方根誤差（RMLSE）率作為評價標(biāo)準(zhǔn)來評價模型的有效性。

3.3 結(jié)果分析

利用綜上數(shù)據(jù)與評價指標(biāo)，對預(yù)測結(jié)果與模型的有效性和準(zhǔn)確性進(jìn)行分析。

3.3.1 聚類結(jié)果分析

在本文的實驗中，使用k-means聚類對出行軌跡數(shù)據(jù)進(jìn)行聚類，得到了部分出行軌跡相關(guān)簇，如圖6所示?？梢钥闯?，單車出行在一定距離之間出行的相關(guān)性。

圖6 K-means聚類

3.3.2 預(yù)測結(jié)果分析

選取簇點較密集和較稀疏的區(qū)域點，圖7為兩個區(qū)域在單一網(wǎng)絡(luò)模型下不同時間間隔的RMLSE的變化，由圖7可知，聚類簇點越密集，相關(guān)站點越多，預(yù)測結(jié)果越準(zhǔn)確，相反，簇點稀疏，相關(guān)站點越少，使得可依據(jù)的出行歷史數(shù)據(jù)較少，預(yù)測精度降低。無論簇點密集與否，隨著時間間隔的增加，RMLSE也呈現(xiàn)增加趨勢，因為不確定因素的增多，使得預(yù)測誤差也越大。

圖7 無LSTM模型下的線網(wǎng)絡(luò)預(yù)測誤差

圖8 為通過LSTM提取長時間數(shù)據(jù)特征之后，將長時間特性納入網(wǎng)絡(luò)預(yù)測模型，選取上述簇點，得到RMLSE隨時間間隔的變化規(guī)律。

圖8 LSTM模型下的線性網(wǎng)絡(luò)預(yù)測誤差

由圖8可知，隨著時間間隔的增加，預(yù)測的RMLSE明顯有所下降，預(yù)測準(zhǔn)確性得到一定的提升。

3.3.3 預(yù)測方法比較

為了驗證LSTM網(wǎng)絡(luò)對長時間特性的學(xué)習(xí)測特性，本文選取循環(huán)神經(jīng)網(wǎng)RNN和支持向量機(jī)SVM進(jìn)行比較，如圖9所示，本文的最終預(yù)測精度要高于其他兩種模型，并且能更快地收斂。

圖9 預(yù)測模型效果比較圖

4 結(jié)語

本文在已建立的網(wǎng)絡(luò)模型的基礎(chǔ)上，利用LSTM網(wǎng)絡(luò)對長時間間隔的歷史數(shù)據(jù)的學(xué)習(xí)特性，降低了網(wǎng)絡(luò)預(yù)測模型對長時間間隔數(shù)據(jù)的敏感性，提升了預(yù)測的準(zhǔn)確性；通過與已有預(yù)測方法的比較，證實了該改進(jìn)模型的實用性及有效性，并在一定程度上對預(yù)測的精度得到提升，預(yù)測誤差率僅為0.293?；诠蚕韱诬囓壽E數(shù)據(jù)，對其需求的預(yù)測，未來將考慮更多因素如出行規(guī)律、工作日、天氣等來改進(jìn)模型。