蔡夢琴 王艷敏 柯文娟 石志穎

【摘 要】從地鐵站、公交站等到目的地的“最后一公里”的問題，一直困擾著人們。共享單車的爆發(fā)式增長與“放養(yǎng)式”發(fā)展帶來了一系列問題，引起了社會各界的廣泛關注。文章基于南京市共享單車借還數(shù)據(jù)，利用線性判別分析、k-近鄰、貝葉斯判別分析、隨機森林、支持向量機等方法構建不同區(qū)域共享單車需求波動趨勢預測模型，基于模型預測結果，為南京市共享單車區(qū)域管理提供建議。

【關鍵詞】共享單車;判別分析;支持向量機;隨機森林;需求預測

【中圖分類號】U491.225 【文獻標識碼】A 【文章編號】1674-0688（2021）12-0076-03

1 研究意義

共享單車平穩(wěn)、有序、健康、綠色、持續(xù)發(fā)展的關鍵是實現(xiàn)供需平衡，即共享單車的投放比與用戶的需求度相匹配。用戶的需求是一個動態(tài)的變化過程，受多種因素影響，故通過對各個因素進行分析，用戶需求可呈現(xiàn)出一定的可預測性。動態(tài)調(diào)整共享單車區(qū)域投放數(shù)量，降低運營成本、協(xié)調(diào)資源、提升用戶體驗、增強服務質(zhì)量，對共享單車行業(yè)的可持續(xù)發(fā)展具有重大意義。

關于共享單車的需求預測，國內(nèi)外學者已進行了大量研究。例如，宋鵬等[1]構建了基于不同核函數(shù)支持向量機的共享單車需求預測模型，并進行仿真模擬。蘇影[2]以北京市摩拜單車的出行數(shù)據(jù)為基礎，使用K-means聚類法對共享單車的投放區(qū)域進行了劃分，并利用Xgboost算法對各區(qū)域內(nèi)共享單車用戶需求進行動態(tài)預測，建立了共享單車動態(tài)調(diào)配優(yōu)化模型，得到動態(tài)調(diào)配方案。焦志倫等[3]探討了共享單車短期（基于小時）需求預測的主要影響因素，并對不同模型的預測效果進行比較分析。史越[4]分析了共享單車需求特征，提出了共享單車調(diào)度網(wǎng)絡構建方法，建立了共享單車需求量預測模型，并進行了實例研究。

基于此，本課題以南京市為例，調(diào)查與研究共享單車的需求波動，分析預測共享單車供需之間存在的問題，了解供需不平衡的原因，從而提出具有針對性、可操作性的解決對策，以促進共享單車長久發(fā)展。

2 共享單車需求預測的基本原理與方法

2.1 共享單車需求現(xiàn)狀和波動分析

自行車共享世界地圖網(wǎng)站曾對世界范圍內(nèi)的自行車規(guī)劃進行統(tǒng)計，結果顯示，截至2019年底中國自行車共享項目已投放約47萬輛公共自行車，全球排第一位。

基于南京市2019年3月18—24日共享單車需求數(shù)據(jù)繪制共享單車借還數(shù)據(jù)折線圖（如圖1所示）。

由此可以看出，共享單車的需求具有明顯的時空特征和呈周期性變化。上午9時為集體早高峰時期，下午6～7時為集體晚高峰時期，晚7時以后共享單車需求量整體下降。共享單車白天的需求量明顯大于夜晚，同時存在高峰期和低谷期，呈現(xiàn)兩個波峰、兩個波谷，需求波動變化特點顯著。

2.2 共享單車需求波動影響因素理論分析

共享單車是當前人們重要的出行方式之一，影響共享單車需求的因素有很多，比如時間、季節(jié)、天氣、溫度、風速及節(jié)假日等，都對共享單車的需求產(chǎn)生影響。

3 基于判別分析的共享單車需求波動趨勢預測模型的構建與應用

3.1 分類結果的評價指標

分類算法通過預測變量可以很好地將類別進行分離，混淆矩陣匯總了正確分類和錯誤分類的數(shù)量，當數(shù)據(jù)量足夠大，并且兩個類別都不稀少時，這種估計是可靠的。

對于分類效果的評估，使用幾種常用的預測精度測算指標（見表1）。

定義錯誤率：

FN+（1）

準確率：

TP+（2）

召回率：

reall==（3）

精準率：

precision=（4）

F1得分（使用調(diào)和平均結合召回率和精度的指標）：

F1=（5）

其中，P為精準率，R為召回率。

3.2 數(shù)據(jù)選取及樣本分析

選取2019年3月18—24日的南京市共享單車需求量作為樣本數(shù)據(jù)（如圖2所示）。

計算樣本數(shù)據(jù)的描述性統(tǒng)計量：樣本總量為5 040個，樣本均值為311.467 658 7，標準差為291.425 311 5，樣本最小值為0，最大值為1 208，下四分位數(shù)為510，上四分位數(shù)為31，可得出共享單車需求量離散程度較高。從分布形狀來看，計算得到選取樣本的偏度為0.714 939，峰度為-0.509 132，可得出共享單車需求量數(shù)據(jù)呈現(xiàn)右偏分布，并且數(shù)據(jù)分布比標準正態(tài)分布平坦。

3.3 預測結果分析

分別利用線性判別分析（LDA）、k-近鄰（k-NN）、貝葉斯（Bayes）判別、隨機森林（Random forest）、支持向量機（SVM）對一周內(nèi)的共享單車需求波動趨勢進行預測。

3.3.1 訓練集與測試集結果分析

在每個樣本區(qū)間內(nèi)將80%的數(shù)據(jù)劃分為訓練集，20%的數(shù)據(jù)劃分為測試集，利用Python軟件進行仿真。我們給出上述5種判別分析算法在一周期的樣本區(qū)間內(nèi)訓練集預測精度指標和測試集預測精度指標的對照結果（如3圖所示）。

由圖3可以看到，運用5種判別分析算法預測共享單車需求波動趨勢，在訓練集上的預測精度指標均優(yōu)于測試集上的預測精度指標，這是符合常理的。

3.3.2 5種預測模型測試集結果比較分析

評價一個預測模型的優(yōu)劣主要看其在測試集上的預測精度指標，對共享單車的需求量的預測結果進行分析，得到基于5種預測模型的預測精度指標對比結果（如圖4所示）。

對5種預測模型進行對比，模型預測精度按從高到低依次排序：從測試集正確率角度來看，隨機森林>貝葉斯判別>k-近鄰>LDA>SVM;從測試集精確度角度來看，隨機森林>LDA>k-近鄰>貝葉斯判別分析>SVM;從測試集召回率角度來看，5種預測模型預測精度從高到低依次排序為SVM>隨機森林>貝葉斯判別分析>LDA>k-近鄰;從測試集F1角度來看，隨機森林>k-近鄰>SVM>LDA>貝葉斯判別分析;從5個精度指標的平均值角度來看，隨機森林>SVM>k-近鄰>貝葉斯判別分析>LDA;從預測模型的穩(wěn)定性角度來看，5種預測模型預測結果穩(wěn)定性程度從高到低依次為k-近鄰、LDA、隨機森林、貝葉斯判別分析、SVM。

因此綜合來看，隨機森林預測模型預測精度最高且預測結果的穩(wěn)定性較好，得到如下結論：隨機森林預測模型在共享單車需求量預測方面具有最好的效果。

4 研究結論及預測結果

4.1 研究結論

本文在對共享單車的需求波動特征進行系統(tǒng)梳理的基礎上，針對共享單車的需求波動趨勢預測問題，把樣本分為2個部分，80%為訓練集，20%為測試集，分別構建LDA分析、k-近鄰、貝葉斯判別分析、隨機森林、SVM 5種預測模型。對得到的預測結果，分別利用訓練集的正確率、精確度、召回率、F1值，以及測試集的正確率、精確度、召回率、F1值等預測結果精度指標進行分析，得到如下結論。

（1）對比5種預測模型在共享單車的需求波動特征訓練集和測試集上的預測結果，5種預測模型整體預測效果表現(xiàn)良好。

（2）在預測共享單車的需求波動時，SVM預測模型預測精度最高且具有最小的預測波動性，隨機森林預測模型具有次高的預測精度且預測結果的穩(wěn)定性較好，但SVM 模型易出現(xiàn)過擬合現(xiàn)象。因此得到如下結論：在預測共享單車的需求波動時，隨機森林預測模型在預測共享單車的需求波動趨勢預測方面效果最好。

4.2 隨機森林預測及結論分析

4.2.1 模型建立

將時間、共享單車需求量作為輸入變量，下一個星期的共享單車需求量作為輸出變量，建立隨機森林的預測模型，使用pycharm運行，得出下一個星期的共享單車需求量。

4.2.2 模型求解分析

運行代碼得出圖像如圖5所示。

由圖5可知，2019年3月25—31日的共享單車預測的需求波動規(guī)律相同，相比3月18—24日的共享單車需求量下降的趨勢，3月25—31日在上午9時左右達到第一次需求高峰時期、下午6～7時達到第二次需求高峰時期，但是整體高峰、低峰及平峰時期的共享單車需求量都比上一個星期少，由此得出下一個星期的共享單車需求量下降。通過對實際數(shù)據(jù)進行分析得出，理論結果與實際相符。

參 考 文 獻

[1]宋鵬，黃同愿，劉渝橋.基于SVM的共享單車需求預測[J].重慶理工大學學報（自然科學），2019（7）：187-

194.

[2]蘇影.基于數(shù)據(jù)分析的共享單車動態(tài)調(diào)配優(yōu)化研究[D].北京：北京交通大學，2019.

[3]焦志倫，金紅，劉秉鐮，等.大數(shù)據(jù)驅(qū)動下的共享單車短期需求預測——基于機器學習模型的比較分析[J].商業(yè)經(jīng)濟與管理，2018（8）：16-25，35.

[4]史越.共享單車需求預測及調(diào)度方法研究[D].北京：北京交通大學，2019.