基于出行链的共享汽车区域出行需求预测.pdf

2023 年第 11 期85计算机应用信息技术与信息化基于出行链的共享汽车区域出行需求预测郭玉洁1GUO Yujie 摘要 随着共享汽车在我国的快速发展，居民的出行选择和出行方式发生了很大的变化，由传统的目的单一、方式固定逐渐变成多种目的和多种方式相结合的出行模式，出行链是指在一定时间范围内多目标的连续出行。预测用户使用共享汽车的出行需求是解决道路拥堵、满足居民出行需求的前提和基础。首先，将用户一天之内选择共享汽车完成的一系列出行记录记为共享汽车出行链，结合 RP/SP 调查法得到用户出行信息数据，通过对共享汽车出行链提取、出行分布量的计算、出行目的识别和出行需求预测，得到共享汽车区域出行需求分布总量。然后，建立 LSTM 需求预测模型，对区域内共享汽车站点的借还需求进行预测，为站点的规划布局提供科学的指导。关键词 共享汽车；出行链；出行需求预测；LSTM；站点规划布局 doi：10.3969/j.issn.1672-9528.2023.11.0201.江苏航空职业技术学院 江苏镇江 212016 基金项目 2023 年度院级重点课题资助项目（课题编号JATC23010103）0 引言随着资源的日益紧缺，我国大力发展低碳经济，共享汽车应运而生。当前，在全球碳中和背景下，低碳出行已经成为人们首选的交通出行方式，共享汽车作为一种新兴的新能源汽车，具有低能耗、零污染等优点，其在提高能源利用率、减少尾气排放方面具有很大优势。深受各国的喜爱，2022年，我国新能源汽车已经占据全球59%的份额，预计到 2025 年，我国新能源汽车保有量将达到 2672 万辆1。新能源共享汽车的发展对于节能减排、全面发展低碳经济，实现可持续发展具有重要的意义。科学的规划和管理决定了共享汽车系统是否能够满足人们的出行需求，而共享汽车借还需求预测是规划管理的前提与基础。共享汽车出行需求包括整个系统的整体需求以及各个站点间的借还车需求分布。当前，各站点存在共享汽车分布不均的问题。所以，合理预测共享汽车各站点的需求量，有利于解决“无车可借、无桩可还”的现象，减少共享汽车调度成本，提高运营效率。目前，国内外研究主要通过构建数学模型对行人出行需求进行预测。REGUE2以站点历史出行数据、时间等为基础，建立了一种基于梯度升降方法的需求预测模型。Kaltenbrun-ner3通过分析公共自行车的时间动态特征，构建了动态预测模型。Bowman 和 Ben-Akiva4建立了基于离散活动的选择模型体系，用于城市出行需求预测。耿雪等人5通过元胞划分对区域内的公共自行车出行次数进行了预测。柯水平等人6通过时间序列预测了各交通小区的公共自行车出行的需求总量。基于出行链的出行需求预测模型研究，能够更加科学与准确地为交通规划或制定相应的选址布局提供科学依据。Gain Han 和 Keemin Sohn7从 IC 卡数据中提取用户一周内的出行时空分布数据，并建立了连续隐马尔科夫链模型对出行目的进行识别。Graham Currie 等人8通过对出行链复杂性的研究显示出公共交通的特点和优势。Alex Anas9在出行链统一理论的研究中发现在总消费不变的情况下，出行链的出行成本更低。传统的预测方法没有考虑用户的出行活动链对共享汽车站点出行需求的影响，本文在现有研究的基础上，对共享汽车出行链提取、出行分布量的计算以及出行目的识别和出行需求预测问题进行深入分析。1 共享汽车出行链1.1 共享汽车出行链的定义出行链可以简单地定义为从出行起点至终点过程中至少停留一个目的地10。共享汽车出行链是指用户一天之内使用共享汽车完成的一系列出行的链记录，主要包括 5 类：A-A 型、A-sD 型、A-mD 型、A-sD-A 型和 A-mD-A 型，如图 1 所示。2023 年第 11 期86计算机应用信息技术与信息化A-AAADA-sDADA-sD-AAA-mDD1D2DnAD1D2DnA-mD-A图 1 共享汽车出行链示意图1.2 出行链数据调查本文用户出行调查采用 SP 和 RP 相结合的方式，主要内容包括站点周边土地利用性质、交通出行信息、出行目的三方面，其中用户出行意向调查采用 SP 调查的方法。调查发现，居民出行目的地主要包括工作（P1）、业务（P2）、休闲娱乐（P3）、购物（P4）四种类型，本文主要考虑这四类出行链。长度为 1、2、3 的出行链数量占到总数量的 92%，忽略出行链长度大于等于 4 的情况。将每次出行的起点和终点都定为家（P0），将出行链共分为 10 大类，具体分类如表 1 所示。表 1 居民出行链分类表出行链类型出行链长度123工作出行P0P1P0P0P1P3P0P0P1P4P0P0P1P3P4P0P0P1P2P1P0业务出行P0P2P0P0P2P3P0P0P2P4P0休闲娱乐出行P0P3P0购物出行P0P4P0表 1 中出行链类型为 P0P1P2P1P0 表示：某人早上从家驾驶共享汽车去公司上班，之后去其他地方处理一些业务，后回到公司，下班后驾驶共享汽车回家。可以看出，每个小区都包含以上 10 类出行链。出行链中第一次出行的起点产生量可表示为：（1）式中：为出行链 h 中以小区 m 为起点的第 k 次出行的出行量；Nm为小区 m 的居住人口数量；Tm为小区 m 的出行产生率，与出行链次数相等；h为通过居民出行调查得到的各个小区每类出行链的出行比例。（2）式中：Sm为小区 m 居住用地的面积；N 为城市总人口数量；M 为小区个数。当 k1 时，出行链中间节点 j 小区的产生量为同一出行链中 j 小区上游小区 j-1 的吸引量，即：（3）式中：为出行链 h 中以 m 为起点的第 k(k1)次出行在 j的产生量；为出行链 h 中以 m 为起点的第 k-1 次出行在 j 的吸引量；为出行链 h 中以 m 为起点的第 k-1次出行在 j 的上游小区 j-1 与 j 之间的出行分布量。小区 i 内 dhk类用地所能容纳的最大个体数量 Qidhk为：（4）式中：为小区 i 内 dhk 类用地的面积；为小区 i 内 dhk类用地的建筑容积率平均值，反映了该类土地的开发强度；为土地吸引强度的权重值；为 dhk 类用地的定额指标。将参数代入 Logistic 模型求解，得到一次出行中两小区之间的出行链出行分布量为：（5）式中：为出行链 h 的出行次数；为出行链 h 中以 m 为起点的第 k 次出行在 i、j 两小区间的分布量；为出行分布阻抗函数，与每次出行的成本相关。2 基于 LSTM 模型的共享汽车区域需求预测2.1 长短时记忆网络模型Hochreater 和 Schmidhuber14在 1997 年提出了 LSTM 的网络结构，LSTM 的单元结构如图 2 所示，LSTM 结构的核心是单元状态 ct，遗忘门将无用的输入“忘记”，由当前输入 xt、上一时刻步长输入 ht-1和上一时刻步长的单元状态 ct-1共同决定。输入门根据 xt、ct-1、ht-1共同决定单元状态 ct的输入信号。遗忘门输出门输入门当前状态C1Ct-1Xtht-1Ct-1Xtht-1Xtht-1ht图 2 LSTM 结构图本文通过提取用户出行链对共享汽车借还车出行目的进行识别，然后针对不同借还需求，预测共享汽车站点不同类型借还车目的每天的需求总量。采用的模型为基于 LSTM 神经网络的需求预测模型，具体的共享汽车出行需求预测流程如图 3 所示。本文以南京市清新家园、孝陵卫地铁站和森林摩尔 3 个共享汽车站点为例，3 个站点分别对应住宅区、工 2023 年第 11 期87计算机应用信息技术与信息化作区和商业区，应用连续 14 天的共享汽车出行链数据，分别预测这些站点基于家出行、基于工作出行和基于娱乐出行的3 种不同类型借还车目的需求量。具体预测流程如下。提取用户出行链识别用户的出行目的确定不同出行目的的出行需求划分训练样本训练LSTM需求预测模型图 3 需求预测流程图（1）提取预测站点 14 天的所有出行链数据。（2）识别用户的出行目的。（3）统计 3 种不同类型借还车目的需求量的时间预测。（4）对训练样本进行划分。（5）建立 LSTM 神经网络模型，应用训练数据训练共享汽车出行链出行目的需求预测 LSTM 模型，应用测试数据检验模型预测效果。2.2 数据采集本文以南京市共享汽车系统为例，以选取的工作区、住宅区、商业区 3 个站点为例，提取连续 14 天的共享汽车出行链数据。（1）清新家园站点（住宅区）从图 4 可以看到，清新家园站点的借还需求基本平衡。从不同类型出行目的分布情况看，工作日基于家和工作地的通勤需求居多，周末基于娱乐的通勤需求居多。图 4 住宅区共享汽车站点借还需求总量（2）孝陵卫地铁站站点（工作区）从图 5 可以看到，孝陵卫地铁站站点的共享汽车借还需求基本平衡，其中基于工作地通勤借还车需求量最多，基于娱乐通勤借还车的需求较少。图 5 工作区共享汽车站点借还需求总量（3）森林摩尔站点（商业区）从图 6 可以看到，森林摩尔站点的借还需求基本平衡。而其中最多的是基于娱乐通勤的借还车活动，其次就是基于工作地的通勤活动。图 6 商业区共享汽车站点借还需求总量2.3 模型训练与测试本文应用连续 14 个工作日的共享汽车出行链数据，数据时间序列长度为14，使用前10天的数据作为LSTM训练数据，最后 4 天作为 LSTM 测试样本。LSTM 模型的训练参数设置如表 2 所示。表 2 LSTM 训练参数设置表Parameter TypeHidden NeuronsDelays DLearning RateMomen-tumSequence LengthNumber1020.250.5142.4 清新家园站点（住宅区）需求预测结果本文选取清新家园作为住宅区特征站点，进行共享汽车需求预测研究。按照出行目的类型分别进行预测，结果如下。（1）基于家的通勤出行从图 7 可以看出，LSTM 模型对于住宅区基于家通勤出2023 年第 11 期88计算机应用信息技术与信息化行的借还车需求预测效果良好，第 2 天的预测精度有所下降，但整体平均相对误差为 4.5%，实现了高精度预测。12345678910Time（Day）65707580859095100Demand（Number）data1data2True values of training samplesOutput value of LSTM network051015202530354045InstancesError Histogram with 20 Bins-0.9586-0.851-0.7434-0.6359-0.5283-0.4207-0.3132-0.2056-0.098040.0095250.11710.22470.33220.43980.54730.65490.76250.870.97761.085Errors=Targets-OutputsTrainingValidationTestZero Error-0.500.51Target-0.500.51Output=0.58*Target+0.031Training:R=0.60633DataFitY=T-0.500.51Target-0.500.51Output=0.15*Target+0.011Validation:R=0.18108DataFitY=T-0.500.51Target-0.500.51Output=0.097*Target+0.055Test:R=0.051194DataFitY=T-0.500.51Target-0.500.51Output=0.46*Target+0.029All:R=0.44513DataFitY=T图 7 住宅区基于家的通勤活动还车需求预测（2）基于工作的通勤出行从图 8 可以看出，工作日的借还车需求量较大，周末的需求明显下降，对于住宅区基于工作的通勤活动借还车需求预测，第 6 天的预测误差较大，达到 30%，但整体平均相对误差为 5.05%，达到了预测目的。12345678910Time（Day）051015202530354045505560Demand（Number）data1data2True values of training samplesOutput value of LSTM network051015202530InstancesError Histogram with 20 Bins-1.243-1.129-1.015-0.9017-0.788-0.6743-0.5606-0.4469-0.3332-0.2195-0.10580.007840.12150.23520.34890.46260.57630.690.80370.9174Errors=Targets-OutputsTrainingValidationTestZero Error-0.500.51Target-0.500.51Output=0.38*Target+0.13Training:R=0.41213DataFitY=T-0.500.51Target-0.500.51Output=-0.055*Target+0.11Validation:R=-0.047797DataFitY=T-0.500.51Target-0.500.51Output=0.44*Target+0.14Test:R=0.40887DataFitY=T-0.500.51Target-0.500.51Output=0.31*Target+0.13All:R=0.31839DataFitY=T图 8 住宅区基于工作的通勤活动还车需求预测（3）基于娱乐的通勤出行从图 9 可以看出，对于住宅区基于娱乐的通勤活动借还车需求预测，周末借还车需求量较大，相当于工作日的需求量之和，LSTM 模型除了第 6 天和第 8 天的预测误差达到10%以上，整体平均相对误差为6.87%，基本实现了良好预测，达到预测目的。12345678910Time（Day）051015202530354045505560Demand（Number）data1data2True values of training samplesOutput value of LSTM network 2023 年第 11 期89计算机应用信息技术与信息化0510152025303540InstancesError Histogram with 20 Bins-0.9323-0.8145-0.6967-0.5789-0.4611-0.3434-0.2256-0.10780.0099920.12780.24560.36330.48110.59890.71670.83450.95231.071.1881.306Errors=Targets-OutputsTrainingValidationTestZero Error-0.500.51Target-0.500.51Output=0.22*Target+0.04Training:R=0.30042DataFitY=T-0.500.51Target-0.500.51Output=-0.16*Target+0.056Validation:R=-0.22333DataFitY=T-0.500.51Target-0.500.51Output=-0.4*Target+0.059Test:R=-0.29349DataFitY=T-0.500.51Target-0.500.51Output=0.055*Target+0.046All:R=0.062577DataFitY=T图 9 住宅区基于娱乐的通勤活动还车需求预测综合以上对于住宅区共享汽车出行链出行目的地需求预测结果可以看出，预测精度较好的是基于家的通勤活动和基于工作的通勤活动，都达到了高精度预测的效果；而对于基于娱乐的通勤活动，预测效果略微下降，但也都实现了良好预测。造成这种情况的原因是，住宅区基于家通勤和基于工作通勤的活动较多，样本数量大，预测结果精确；基于娱乐通勤的活动少，预测精度较低。3 结论本文建立了出行链来记录用户一天内选择共享汽车完成的一系列出行活动，通过提取不同类型的共享汽车出行链，识别出行链的出行目的地，在此基础上建立长短时记忆网络模型（LSTM），对共享汽车站点不同出行目的地借还需求量进行预测。结果发现，相比于传统的 SP/RP 调查方法，出行链按一定的时间序列对不同目的地出行活动进行记录，包含了大量的时间、空间、方式和活动类型信息，可以进行可视化分析。参考文献：1 刘卓然,陈健,林凯,等.国内外电动汽车发展现状与趋势J.电力建设,2018,36(7):25-32.2 REGUE R,RECKER W.Proactive vehicle routing with inferred demand to solve the bike sharing rebalancing problemJ.Transportation research part E:logistics and transportation review,2017,72:192-209.3 KALTENBRUNNER A,MEZA R,GRIVOLLA J,et al.Urban cycles and mobility patterns:exploring and predicting trends in a bicycle-based public transport systemJ.Pervasive mobile computing,2016,6(4):455-466.4 BOWMAN J L,BEN-AKIVA M E.Activity based disaggre-gate travel demand model system with activity sehedulesJ.Transportation research part A,2001,35(1):1-28.5 耿雪,田凯,张宇,等.巴黎公共自行车租赁点规划设计J.城市交通,2009,7(4):21-29.6 柯水平,白子建.西安市明城墙区公共自行车道路交通系统设计 J.北方交通,2010(10):68-72.7 HAN G,SOHN K.Activity imputation for trip-chains elicited from smart-card data using a continuous hidden Markov mod-elJ.Transportation research part B methodological,2016,83:121-135.8 CURRIE G,DELBOSE A.Exploring the trip chaining be-haviour of public transport users in melbourneJ.Transport policy,2011,18(2):204-210.9 ANAS A.A unified theory of consumption travel and trip chainingJ.Journal of urban,2011,18(1):73-88.10 周家中,张殿业.多模式交通网络下的城市交通出行链行为模型 J.华南理工大学学报(自然科学版),2014,42(2):125-131.11 HOCHREITER S,SCHMIDHUBER J.Long short-term memoryJ.Neural computation,1997,9(8):1735-1780.【作者简介】郭玉洁（1995），女，陕西渭南人，硕士研究生，助教，研究方向：交通运输。（收稿日期：2023-07-12 修回日期：2023-07-26）