论文题目：基于共享单车的城市居民骑行规律研究
摘要：伴随着快速的城市化进程,环境恶化、交通拥堵等诸多挑战开始凸显出来。面对众多城市化带来的挑战,建造绿色和可持续的交通系统对城市的持续发展至关重要,共享交通即是其中一个重要的组成部分。随着物联网与移动支付技术的成熟,共享单车在中国经历了爆发式的增长,共享单车在极大方便居民生活的同时,也存在许多现实的问题。现有研究主要集中于人类流动基本规律的探索,却缺乏对于共享交通工具的移动特征以及其与出行者之间的交互关系的分析,而这两个问题对于设计更为高效与用户友好的共享单车系统具有重要意义,因为未来在共享经济与交通技术进一步发展的情景下,出行者很可能不再使用自己专有的交通工具,而是更倾向于使用共享的交通工具。目前各大无桩共享单车系统都可以详细记录每次骑行的相关信息,这为研究骑行行为背后的隐藏模式提供了一个独特的研究契机。过去研究发现全出行模式下,人类移动具有很普适的规律性,例如出行距离与回转半径都遵循幂律分布;本文中通过将每辆自行车视为一个单独的个体,在分析了六个城市共计数近千万条共享单车的骑行数据后发现,单车以及用户的移动规律在不同城市并没有稳定的普适规律,而且共享单车的移动模式与人类的移动模式往往也有很大不同。尽管不同城市有各种各样的显著差异,但所有的差异都可以通过用户在选择单车过程中体现出来的普适幂律标度行为来很好地解释,这种标度行为是从出行者与自行车之间的复杂相互作用涌现出来的。这样的标度行为表明,虽然用户会以较高的概率选到车况排名靠前的车,但是也会以不小的概率选到车况排名靠后的车。上述发现可以深化我们对于共享单车系统以及用户行为的理解,助力于更有效的设计。目前对于共享单车系统,一个重要问题便是如何解决供需失衡与自行车的调度,它对于系统的稳定运行以及提升用户体验尤为重要。通过考虑自行车流量的空间特征和时间特征,可以很好的提高流量预测的准确性。因此,通过将区域及其之间的关系抽象成图数据结构,本文还提出了一个基于图卷积神经网络（GCN）的流量预测框架。本框架不仅反映了区域之间的空间依赖性,还反映了时间模式。同时还将本文预测框架与其他几种经典回归模型进行了比较,结果表明,此方法比其他的预测模型具有更好的性能,可以很好的预测下一时间步的流量值,对于运营公司调度有很好的帮助作用,也可以提高用户找车的友好度。本文的研究成果对于共享经济时代其他类似的场景也具有重要的借鉴意义,最终可以助力于创建一个更绿色、健康与更可持续的未来城市。
关键词：共享单车;标度行为;移动规律;图卷积神经网络;流量预测
学科专业：软件工程
摘要
abstract
第一章 绪论
1.1 研究意义
1.2 研究现状
1.2.1 城市计算和人类移动
1.2.2 共享单车的移动规律研究
1.2.3 流量预测
1.3 本文的主要工作
1.4 论文的章节安排
第二章 基础理论与相关工作
2.1 空间搜索树
2.1.1 空间搜索树简介
2.1.2 构造和搜索
2.2 多主体建模
2.3 标度律
2.3.1 标度律简介
2.3.2 人类移动的标度律
2.4 深度学习模型
2.4.1 卷积神经网络
2.4.2 循环神经网络
2.4.3 图卷积神经网络
2.5 本章小结
第三章 骑行移动模式
3.1 数据预处理
3.2 城市骑行行为特征统计
3.2.1 动力学特征
3.2.2 轨迹差异
3.3 旅行者及共享交通工具不一致的移动模式
3.3.1 个体层面
3.3.2 群体层面
3.3.3 影响因素
3.4 本章小结
第四章 单车选择过程中涌现出的标度律
4.1 从用户和自行车的相互作用中产生的标度关系
4.1.1 标度关系
4.1.2 重标度
4.1.3 按数量分组的排名分布
4.2 应用多主体建模模拟单车选择过程
4.2.1 构造出行模型
4.2.2 选择机制
4.2.3 选择模型效果
4.2.4 添加移动因素的模拟效果
4.3 本章小结
第五章 流量预测
5.1 实验预处理
5.1.1 邻接矩阵
5.1.2 特征矩阵
5.2 GCN基本框架
5.3 实验结果
5.3.1 评估指标
5.3.2 回归实验对比
5.4 本章小结
第六章 总结和展望
6.1 课题总结
6.2 未来展望
参考文献
致谢
作者和导师简介
附件