基于大數(shù)據(jù)的共享單車移動趨勢分析與預(yù)測

王宇洋

（北京市育英學(xué)校，北京 100036）

0 引言

近年來，很多城市的共享單車數(shù)量快速達(dá)到飽和狀態(tài)，共享單車的存量非常大且處于流動變化狀態(tài)，在為市民提供騎行便利的同時，也對城市管理提出了新的要求和挑戰(zhàn)。如何及時掌握和分析城市中海量共享單車的數(shù)量、實(shí)時位置和移動規(guī)律，是值得研究的課題。共享單車的騎行數(shù)據(jù)也是分析城市人群出行愛好與規(guī)律的最佳數(shù)據(jù)，通過大數(shù)據(jù)分析可以預(yù)測單車使用的高峰時段和地點(diǎn)，為城市管理者等提供及時可靠的決策依據(jù)。

1 共享單車位置數(shù)據(jù)的獲取

共享單車應(yīng)用程序所使用的數(shù)據(jù)包是采用JSON（JavaScript Object Notation，Java腳本對象標(biāo)記）格式，這是一種輕量級的數(shù)據(jù)交換格式，因其易閱讀和編寫，也易于機(jī)器解析和生成，可以有效提升網(wǎng)絡(luò)傳輸效率，故在網(wǎng)絡(luò)軟件中廣泛應(yīng)用。

通過對原始數(shù)據(jù)包進(jìn)行研究，可以得出以下的數(shù)據(jù)格式：

對本地POST發(fā)送數(shù)據(jù)包進(jìn)行分析，獲得共享單車服務(wù)器API接口，采用Python語言編寫網(wǎng)絡(luò)爬蟲類程序，將API中發(fā)送數(shù)據(jù)中的位置坐標(biāo)數(shù)據(jù)分別寫入兩層的嵌套循環(huán)，在城市范圍內(nèi)，以適當(dāng)?shù)牟介L對城市范圍內(nèi)單車進(jìn)行快速掃描，得到全部共享單車GPS信息當(dāng)前數(shù)據(jù)，寫入文件。

對于車輛類型，JSON數(shù)據(jù)中的BikeType有1和2兩種可能，經(jīng)過對比分析，可以看出1代表新型車、2代表舊款車。

2 數(shù)據(jù)處理與編程實(shí)現(xiàn)

在得到原始數(shù)據(jù)后，不能直接將其輸入GIS系統(tǒng)進(jìn)行圖形展示和分析。某些數(shù)據(jù)因GPS波動的原因會造成車輛頻繁或大幅度移動，故需要對數(shù)據(jù)進(jìn)行進(jìn)一步篩選。

根據(jù)研究目的，選擇以下篩選方法：

（1）保留：車輛ID相同且位置變化適中的車輛

（2）去除：車輛ID不同或者位置變化極大（小）的車輛

根據(jù)所選研究的時間區(qū)段，移動經(jīng)緯度超過0.4可能性不大，于是選擇0.4作為數(shù)據(jù)的上限；同時車輛的小規(guī)模移動（GPS波動）可能性亦存在，于是選擇經(jīng)緯度變化0.0002作為下限。數(shù)據(jù)經(jīng)過處理后，分別將同一ID單車的前后位置存于Excel表中（如表1所示）。

表1 共享單車實(shí)時位置數(shù)據(jù)表

數(shù)據(jù)處理部分的編程實(shí)現(xiàn)核心代碼如下：

數(shù)據(jù)處理后的結(jié)果文件集中包含了按日期和時間排序的共享單車實(shí)時位置信息。

3 數(shù)據(jù)分析

3.1 車輛類型分析

首先，需要對車輛ID進(jìn)行去重處理。

在完成對車輛ID的去重處理后，可以分別統(tǒng)計車輛類型1和類型2的共享單車數(shù)量。統(tǒng)計結(jié)果為：車輛類型為2的共享單車為10 486輛，車輛類型為1的共享單車為35 403輛。共享單車在城市的總投放量的官方公布數(shù)據(jù)為37萬輛，則可對城市中不同類型共享單車數(shù)量估算如下：

（1）類型1的共享單車數(shù)據(jù)約為236 284輛。（2）類型2的共享單車數(shù)據(jù)約為69 985輛。

可以看出，在車輛改進(jìn)后，數(shù)據(jù)顯示有大量投放新型車的現(xiàn)象，原舊款車的單車成本高達(dá)5 000元而新型車成本為3 000元，大數(shù)據(jù)分析所反映的規(guī)律符合客觀事實(shí)。

3.2 車輛移動分析

根據(jù)數(shù)據(jù)統(tǒng)計，有近四成車輛在研究時間內(nèi)從未發(fā)生移動。對于此現(xiàn)象分析有兩種可能：

（1）由于時間是冬天，騎行人較少。

（2）車輛處在小區(qū)內(nèi)、偏僻位置或無法開始騎行（損壞，上鎖）。

3.3 移動趨勢分析

首先，通過百度地圖開放平臺獲取城市內(nèi)主要地鐵站的坐標(biāo)，并將其輸入GIS系統(tǒng)，并在其周圍200米建立緩沖區(qū)，便于統(tǒng)計車輛移動信息。

然后，將處理后文件輸入GIS系統(tǒng)，由起點(diǎn)向終點(diǎn)連線。同時將起點(diǎn)和終點(diǎn)坐標(biāo)輸入GIS系統(tǒng)，與緩沖區(qū)做相交處理，將起點(diǎn)設(shè)為紅色，終點(diǎn)為綠色。

以下將對大數(shù)據(jù)做具體分析。

3.4 宏觀分析

從宏觀總體上看，用車集中區(qū)不在城市中心城區(qū)，而是呈現(xiàn)圍繞地鐵沿線的條帶狀或是在郊區(qū)的聚集區(qū)域（如圖1所示）。

其中，在地圖的左下方的聚集區(qū)均圍繞地鐵；而位于地圖左上的聚集區(qū)經(jīng)百度地圖查詢，為三個科技產(chǎn)業(yè)園所在處，青年人居多，騎行行為多，故出現(xiàn)了聚集現(xiàn)象。中心城區(qū)騎行次數(shù)并不多，分析原因：

（1）中心城區(qū)小區(qū)成熟，部分居民在冬季選擇乘私家車出行。

（2）中心城區(qū)公共交通便利、路網(wǎng)發(fā)達(dá)，多數(shù)居民在冬季選擇公交出行。

3.5 不同時段和地段分析

（1）0～9 時：

在0～9時的時間段內(nèi)，在郊區(qū)的地鐵站附近多呈現(xiàn)為綠色點(diǎn)聚集，說明大量居民選擇地鐵站作為終點(diǎn)（如圖2所示）。

在對北京市東北五環(huán)外馬泉營地鐵站附近的數(shù)據(jù)分析顯示，在上班高峰期，居民多乘坐地鐵向城市中心移動，幾乎沒有人從地鐵站出發(fā)向外騎行。

在市中心城區(qū)的情況就與之相反，多呈現(xiàn)紅色聚集，說明多數(shù)地鐵乘客下車后，騎行共享單車前往上班的地點(diǎn)，在中心城區(qū)的地鐵站，大多數(shù)騎行方向均呈現(xiàn)向外的發(fā)散狀。

圖1 共享單車分布情況宏觀分析

圖2 郊區(qū)地鐵站附近共享單車大數(shù)據(jù)分析

（2）9～16 時：

對于9～16時段，中心城市和郊區(qū)的地鐵區(qū)域并無大的差別，而相比于早高峰，產(chǎn)業(yè)園附近車輛移動則更密集，且出發(fā)點(diǎn)與終點(diǎn)大多重合，經(jīng)使用百度地圖查詢確認(rèn)，上述地點(diǎn)附近大多有麥當(dāng)勞、肯德基等餐飲業(yè)，反映了騎行者用餐等需求的行為規(guī)律。

4 結(jié)語

經(jīng)過本次對城市共享單車位置大數(shù)據(jù)的研究工作，提出了一套數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)分析和可視化展示的實(shí)現(xiàn)方法，數(shù)據(jù)處理過程均采用計算機(jī)編程實(shí)現(xiàn)，計算結(jié)果經(jīng)過實(shí)踐證明正確可行，通過對上述大數(shù)據(jù)規(guī)律的探索，能夠?qū)蚕韱诬嚨氖褂酶叻鍟r段與地段有正確的認(rèn)識，驗證了大數(shù)據(jù)技術(shù)方法的實(shí)用性，為我們的城市管理更加高效提供實(shí)時可靠的數(shù)據(jù)支撐，具有良好的推廣應(yīng)用價值。