基于天氣因素的共享單車騎行量預測

□晏鵬宇 張 華 王 雪 黎 鵬 劉雨軒 楊 東

[1. 電子科技大學 成都 611731；2. 四川省國際科技合作（以色列）研究院 成都 611731；3. 深圳職業(yè)技術學院 深圳 518055；4. 成都市氣象局 成都 610072]

引言

為了豐富大中城市市民短途出行方式，全球各大城市推出了有樁和無樁共享單車租賃服務。世界上最早的共享單車概念起源于1965年荷蘭的阿姆斯特丹[1]。中國共享單車服務始于2014年，目前已經(jīng)覆蓋60多個大中城市。截至2016年底總計約43萬輛公共自行車，全球排第一位，是第二名法國的9.5倍[2]。共享單車有效解決了人們短途出行需求，并節(jié)約了出行成本。此外，從城市交通系統(tǒng)角度，其還有效提升了城市道路的利用率，豐富了城市交通工具結構，對構建綠色低碳交通體系起到了積極作用。

我國早期多個共享單車平臺為快速占領市場份額，進行了多輪瘋狂“圈地運動”，使得許多大中城市的共享單車投放規(guī)模遠超于實際需求[3]。為鼓勵和規(guī)范共享單車的可持續(xù)性健康發(fā)展，進一步提升共享單車平臺的運維管理水平，我國中央和地方管理部門出臺了多項規(guī)范共享單車發(fā)展和車輛動態(tài)投放與回收的相關制度與措施[4～5]。與此同時，積極探索利用衛(wèi)星導航定位、地理信息系統(tǒng)和藍牙通信等技術，建立共享單車政府監(jiān)管與服務平臺，規(guī)范共享自行車的管理。例如，成都市成華區(qū)城管局建立了第三方共享單車智能管理平臺，通過藍牙技術實時監(jiān)控該區(qū)域內(nèi)地鐵站口、高校、商圈和景點等地點的單車使用和空閑堆積情況，并要求共享單車平臺對區(qū)域內(nèi)的單車實現(xiàn)實時動態(tài)投放和回收，提升車輛的有效利用率，避免多余車輛堆積。同時，還將每日單車閑置率和廢棄率等作為區(qū)域內(nèi)共享單車平臺考核評價的指標和下一階段單車投放總量的重要參考。然而，共享單車平臺在實際運營中難以準確預測用戶騎行量，時常造成單車投放與需求在時空維度上的不平衡[6]，出現(xiàn)人流多的地點無車可借，人流量少的地點車輛堆積，堵塞人行道和機動車道，甚至影響市民的正常出行，給城市交通秩序造成不良影響。

共享單車的需求不僅受到通勤用戶潮汐出行規(guī)律等因素影響[7]，還受到氣溫、降雨量和風力等天氣因素以及地理空間等多維復雜因素的影響。共享單車作為一種暴露在交通環(huán)境中的非機動出行方式，用戶騎行需求受天氣等自然因素的影響程度更為顯著。天氣狀態(tài)不僅會改變出行者的出行環(huán)境，還會影響出行者的生理和心理狀態(tài)，進而影響交通的有序運行。縱觀目前大多研究內(nèi)容主要集中于機動車交通工具，對于共享單車此類新型交通工具，特別是天氣因素對共享單車騎行量的影響，研究尚存在不足。研究天氣因素是否影響、如何影響共享單車作為交通工具出行的選擇以及各天氣因素之間的相互關系，有利于指導單車企業(yè)與相關管理部門更加科學合理地投放和管理。

上述現(xiàn)實運營壓力和政府管制要求，迫使共享單車平臺的運營管理方式必須從粗放型向智能和精細化方式轉變。平臺需要根據(jù)實時天氣數(shù)據(jù)、用戶騎行規(guī)律以及時空特征因素，準確預測用戶騎行（需求）量，為日常運營中車輛投放與回收決策提供科學依據(jù)。本文在當前單車騎行價格等經(jīng)濟因素以及市場競爭態(tài)勢等相對穩(wěn)定情況下，構建了基于BP神經(jīng)網(wǎng)絡的天氣因素對共享單車騎行量的預測模型，利用2018年8～10月成都市成華區(qū)電子科技大學（沙河校區(qū)）及其周邊的摩拜單車騎行數(shù)據(jù)和成都市氣象局提供的該區(qū)域實時天氣數(shù)據(jù)，并結合用戶的潮汐騎行規(guī)律和地理空間的興趣點（Point of Interest, POI）數(shù)據(jù)[8]，分別訓練“每日”和“每時”的用戶騎行量預測模型，為管理決策者提供每天單車總投放數(shù)量決策和一天內(nèi)單車在興趣點之間的動態(tài)回收和調(diào)度決策。本文進一步利用該預測模型，分析了不同天氣條件下共享單車騎行量的變化特征，為下一步共享單車平臺或者第三方監(jiān)管平臺實現(xiàn)基于天氣因素的實時精準投放與回收提供了科學方法與依據(jù)。

一、文獻綜述

目前國內(nèi)外針對共享單車在社會影響、經(jīng)濟效益、法律條例以及運營管理等方面均有較深入的研究[9～18]，部分研究集中在某區(qū)域內(nèi)興趣地點和時段對騎行需求量的影響。例如，文獻[19]從空間和時間角度分析了共享單車出行需求存在時空不平衡現(xiàn)象，并利用長短期記憶神經(jīng)網(wǎng)絡方法（LSTM NNs）建立共享單車動態(tài)需求預測模型，預測了不同時間間隔（10 min、15 min、20 min和30 min）的共享單車出行量和吸引力。文獻[20]提出基于數(shù)據(jù)驅動圖濾波器（GCNN-DDGF）的新型圖卷積神經(jīng)網(wǎng)絡模型，該模型能夠學習站點間隱藏的異構配對關聯(lián)，從而預測大型共享單車網(wǎng)絡中站點級每小時的需求。文獻[21]將人工智能系統(tǒng)與人工神經(jīng)網(wǎng)絡預測技術相結合，開發(fā)了一種用于數(shù)值預測的新型預測框架（AIS-ANN）進行單車需求預測。在提出的AIS-ANN預測框架中，建立預測系統(tǒng)的機制主要有三種：人工神經(jīng)網(wǎng)絡、克隆選擇和相似性度量。文獻[22]采用支持向量機構建了基于SVM的共享單車需求預測模型。仿真實驗的復雜度方面利用主成分分析法進行了降低，對于數(shù)據(jù)噪聲的擾動，采用小波消噪的方式進行了減弱和消除。而文獻[23～24]則針對時間出行分布的非嚴格周期性，分別采用引入注意力機制的AM-LSTM和以隨機森林作基準的GRU-LSTM雙重方法結合的模型進行短期需求預測。文獻[25]基于Tanh，Logistic，Relu和Identiey四種不同激活函數(shù)構建了BP神經(jīng)網(wǎng)絡需求預測模型，并利用模型評估指標篩選了最優(yōu)單車需求預測模型。文獻[26]針對共享單車動態(tài)的時空特性，對系統(tǒng)狀態(tài)的短期時空分布預測進一步擴大。并采用卷積長短期記憶網(wǎng)絡（conv-LSTM）方法，解決了空間依賴和時間依賴。通過以上文獻回顧可發(fā)現(xiàn)，大部分文獻從區(qū)域人口和經(jīng)濟總量等社會經(jīng)濟宏觀因素評估共享單車的投放量，但未從日常運作的微觀角度考慮天氣條件對單車騎行量的影響。在具體預測方法方面，通過BP神經(jīng)網(wǎng)絡模型同時結合天氣因素來研究騎行需求的文獻尚較缺乏，且大多主要利用傳統(tǒng)的多元線性回歸模型以及基于時序的預測模型，由于這類模型自身對非線性關系表達能力較差，預測結果往往存在較大誤差。

目前僅少部分文獻考慮了溫度、降雨量等自然因素對單車騎行量的影響。文獻[27]基于歷史數(shù)據(jù)、天氣數(shù)據(jù)和時間數(shù)據(jù)，采用兩層深度的LSTM模型實時預測未來一段時間內(nèi)城市不同區(qū)域的單車租賃和歸還情況。文獻[28]則綜合考慮了時間、天氣、建筑環(huán)境、基礎設施和空間等因素，開發(fā)了廣義極值（GEV）計數(shù)模型，預測各個站點每小時的單車開關鎖數(shù)量。文獻[29]則借助天氣數(shù)據(jù)（溫度、濕度、風速、能見度、太陽輻射、降雪、降雨），每小時租用單車的數(shù)量和日期信息，運用數(shù)據(jù)挖掘技術建立了每小時單車需求預測模型，提出了一種特征濾波方法以消除不可預測的參數(shù)。文獻[30]基于套索回歸、隨機森林和迭代決策樹等機器學習方法研究了共享單車短期（基于小時）內(nèi)需求預測的主要影響因素，研究結果發(fā)現(xiàn)，影響共享單車短期需求的主要因素包括：特定的位置因素，時間因素以及天氣條件因素。文獻[31]則采用長短期記憶（LSTM）神經(jīng)網(wǎng)絡模型預測了共享單車的短期需求量，并與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡（RNN）和BP神經(jīng)網(wǎng)絡模型預測結果進行了對比分析，驗證了LSTM魯棒性更高，泛化能力更強，且預測結果曲線與真實結果曲線相吻合。此外，預測實驗結果表明：影響單車需求量的主要因素包括溫度、節(jié)假日、季節(jié)和早晚高峰時間段等。

本文將利用摩拜單車平臺提供的成都市電子科技大學（沙河校區(qū)）及其周邊的歷史騎行數(shù)據(jù)和成都市氣象站提供的天氣數(shù)據(jù)，分析影響單車騎行量的天氣因素及其相關性的強弱，并結合主成分分析法選取其中主要的影響因素作為輸入變量，在此基礎上構建基于BP神經(jīng)網(wǎng)絡的共享單車騎行量預測模型，并與傳統(tǒng)的多元線性回歸模型以及基于時序的預測模型進行對比分析。最后基于真實的數(shù)據(jù)集驗證所建預測模型的準確性、有效性和可靠性。以此幫助共享單車企業(yè)更加智能和精細地預測用戶需求的特征與規(guī)律，為共享單車的投放和調(diào)運提供更加科學合理的解決方案，從而提升企業(yè)的運營管理水平。

需要注意的是，本文從日常微觀運作角度出發(fā)，研究關于電子科技大學（沙河校區(qū)）及其周邊區(qū)域內(nèi)，摩拜單車平臺的騎行量在“每日”和“每時”受天氣因素的影響。在研究問題中，假設對影響市場中整體騎行量的經(jīng)濟因素，如共享單車騎行的價格和成本，以及該區(qū)域內(nèi)其他共享單車平臺的競爭策略與行為等均保持不變或者相對穩(wěn)定。其次，由于本文研究區(qū)域—電子科技大學（沙河校區(qū)）及其周邊的共享單車總體呈現(xiàn)供大于求的情況，并且在城市管理部門的實時監(jiān)管下該平臺能夠及時地進行單車調(diào)度，總體上實現(xiàn)了單車供需的基本匹配。因此，本文采用摩拜單車平臺記錄的騎行量來反映需求量具有一定的可靠性和準確性保證。

二、數(shù)據(jù)描述與相關性分析

本文從摩拜單車公司（現(xiàn)為美團共享單車）獲取了成都市成華區(qū)電子科技大學（沙河校區(qū)）及其周邊2018年8月1日～10月31日的騎行數(shù)據(jù)，具體信息包括：騎行日期、單車ID、單車開鎖和閉鎖的時間（精確到秒）與開關鎖的經(jīng)緯度，共25.4萬條記錄；以及成都市氣象局提供的該區(qū)域氣象觀測站同期以小時為單位的氣溫和降雨量數(shù)據(jù)，共2 929條記錄。其中部分共享單車騎行數(shù)據(jù)的原始記錄如表1所示。

（一）影響因素分析

因缺少庇護裝置和控溫設備，共享單車與地鐵、公交車、汽車等其他交通工具相比，其用戶的騎行意愿受溫度、降雨量等外部天氣因素影響較大。此外，天氣因素還包括：風力、降雪量、空氣質(zhì)量等。由于成都地區(qū)常年風力較弱，基本無降雪，空氣質(zhì)量良好，故本文以氣溫、降雨量以及降雨時長作為主要指標進行考量。每小時整點時刻的溫度記錄為時刻溫度，精確到0.1 ℃，每小時的總降雨量記錄為時刻降雨量，精確到0.1 mm，并以小時為單位統(tǒng)計了各個地點在每個時段內(nèi)的騎行量。同時，為了避免不同地點和潮汐現(xiàn)象等微觀因素對預測效果的影響，本文在所研究區(qū)域內(nèi)選取了8個具有代表性的興趣地點，主要包括有地鐵口、公交站口、高校和商場入口等。

表 1 部分單車騎行數(shù)據(jù)原始記錄

（二）相關性分析和主成分分析

基于所獲取的單車騎行數(shù)據(jù)和氣象數(shù)據(jù)，本文首先以“日”為單位進行影響因素的相關性分析。從表2可以看出，日均溫度和日下雨時長之間的相關性為-0.125，呈弱負相關關系；日均溫度和日總雨量之間的相關性為0.122，呈弱正相關關系；而日總雨量與日下雨時長為強相關關系，其相關性為0.709。其中，日均溫度、日總雨量和日下雨時長與日騎行量均呈強負相關關系。以上數(shù)據(jù)說明研究天氣因素對日騎行量的影響具有一定的必要性，因日總雨量與日下雨時長關于騎行量的解釋具有較大的信息重疊性，故考慮通過主成分分析法進一步篩選變量。

將以上三種因子解釋騎行量的占比由高到低進行排序，觀察各因子累計解釋占比。統(tǒng)計結果如表3所示：

表 3 總方差解釋

從表3可以看到，日均溫度、日總雨量和日下雨時長的解釋占比分別為56.964%、34.685%和8.351%。日均溫度和日總雨量兩個因子的累計解釋占比為91.649%，這表明絕大部分的信息可以被日均溫度和日下雨總量所表達，即這兩個因子基本可以解釋日騎行量，故在以“日”為單位的BP神經(jīng)網(wǎng)絡預測模型中，日總雨量和日下雨時長選擇其中之一作為輸入變量即可，本文選取日總雨量進行進一步的研究。

三、改進的BP神經(jīng)網(wǎng)絡預測模型

以往使用的ARIMA等模型均為基于時序的預測應用，隨著時間推移進行順序處理，不僅會耗時長，而且對計算資源要求極高。而BP神經(jīng)網(wǎng)絡模型無以上基于時序的預測模型弊端，且其理論發(fā)展已較為成熟，作為一種前向傳輸網(wǎng)絡，其還具有強大的并行處理能力、非線性映射能力、自適應性和泛化能力等優(yōu)點。

（一）輸入數(shù)據(jù)處理

1. “日”和“時”為單位的數(shù)據(jù)處理

通過統(tǒng)計分析發(fā)現(xiàn)在每天00:00～5:59時段內(nèi)的單車騎行量不足總數(shù)據(jù)的1%，故本文僅統(tǒng)計每天06:00～23:59這個時段共計18個小時的騎行數(shù)據(jù)。為排除其他干擾因素，統(tǒng)計數(shù)據(jù)中剔除周末和節(jié)假日的單車騎行數(shù)據(jù)。在以“日”為單位的統(tǒng)計中，日下雨時長在[0，18]小時范圍內(nèi)取整數(shù)，經(jīng)統(tǒng)計得到以“日”為單位的“騎行-天氣”數(shù)據(jù)共62個。在以“時”為單位的統(tǒng)計中，由于統(tǒng)計騎行時間段為06:00～23:59，將觀察到的“時刻”以小時為單位依次編號：6，7，…，23，經(jīng)過統(tǒng)計整理共得到8 928個“騎行-天氣”數(shù)據(jù)。

2. 興趣地點的數(shù)據(jù)處理

本文在所研究的電子科技大學（沙河校區(qū)）及其周邊區(qū)域內(nèi)選取了8個具有代表性的興趣地點，其中包括有：前鋒路地鐵站、電子科大食堂、圖書館等，將其依次編號為：1，2，…，8，并根據(jù)歷史騎行數(shù)據(jù)，繪制了如圖1所示的8個興趣地點的熱力圖。這些興趣點的日平均開鎖次數(shù)在10次以上，代表了該區(qū)域內(nèi)用戶密集借還單車的位置，這也是單車運營管理者對單車回收和投放的重要地點。

圖 1 興趣地點1-8騎行熱力圖

（二）模型構建

1. 輸入層和輸出層設計

由于輸入變量會直接影響到網(wǎng)絡的輸出結果，故輸入變量和節(jié)點數(shù)的選取特別重要，根據(jù)上述相關性和主成分分析，初步確定日均溫度和日總雨量作為輸入變量。本文研究內(nèi)容為天氣因素對騎行量的影響，故輸出變量確定為“日騎行量”或“時刻騎行量”。

2. 網(wǎng)絡參數(shù)的確定

3. 隱含層設計

此外，傳遞函數(shù)的選擇也需要進一步優(yōu)化，本文通過數(shù)值實驗發(fā)現(xiàn)：tansig相比傳遞函數(shù)logsig輸出的平均公差更小，所對應的網(wǎng)絡結構更優(yōu)。此外，影響B(tài)P神經(jīng)網(wǎng)絡預測性能的還有學習訓練的函數(shù)類型，經(jīng)過研究發(fā)現(xiàn)系統(tǒng)公差最小的為trainlm參數(shù)，故本文選取的訓練函數(shù)為trainlm。采用隨機抽樣的方法，從總體樣本中選取了12天作為試驗樣本，根據(jù)以上確定的參數(shù)和相關函數(shù)所構建的基于天氣因素的BP神經(jīng)網(wǎng)絡模型，以“日”為單位進行騎行量的預測，此時預測輸出值和實際值（即期望值）的對比如圖2所示，誤差結果如圖3所示。

從圖2的曲線走勢可以發(fā)現(xiàn)，11個走勢中，除第8個預測結果稍有些異常導致7→8和8→9的兩個趨勢預測不夠精準之外，其余9個趨勢預測均較為準確，且準確率約為81.82%。進而從圖3關于BP神經(jīng)網(wǎng)絡模型預測誤差曲線圖中，可看出第2、3、8個預測樣本誤差偏大，但相對誤差不超過15%，故此模型具有較高的可靠性與準確性。為進一步檢驗其準確性，下面將進行模型誤差對比析。

圖 2 實際值-預測值對比（日騎行量）

圖 3 BP神經(jīng)網(wǎng)絡預測誤差（日騎行量）

（三）模型準確性檢驗

K折交叉驗證法是神經(jīng)網(wǎng)絡模型普遍采用的檢驗方法，K值通常由其樣本總數(shù)來確定。本文選取五折交叉驗證法進行檢驗，即將總樣本數(shù)均分為5份，輪流選取其中1份作為測試樣本，其余4份作為訓練樣本，共進行5輪驗證，最后將5次的測試樣本誤差和訓練誤差求平均。本文以RMSE作為誤差指標，并將其結果與ARIMA模型、多元線性回歸的誤差進行對比，結果如表4所示。

表 4 模型驗證對比（日騎行量）

在表4中，R方為擬合優(yōu)度，由于非線性的特點，多元線性回歸模型的擬合優(yōu)度只有0.429，其RMSE高達581.6，ARIMA（0，1，1）模型的總樣本RMSE同樣高達401.7，訓練樣本和預測樣本的RMSE均較高，而BP神經(jīng)網(wǎng)絡模型的總樣本RMSE只有163.12，預測樣本和訓練樣本的誤差均較小，明顯優(yōu)于多元線性回歸模型和ARIMA（0，1，1）模型。

四、基于BP神經(jīng)網(wǎng)絡模型的騎行量仿真及分析

（一）以“日”為單位的騎行量仿真及分析

根據(jù)以上建立的改進的BP神經(jīng)網(wǎng)絡模型，分別在給定日降雨量和日均溫度下進行共享單車騎行量預測。將20 mm確定為恒定日降雨量，以步長為2從2℃～42 ℃進行日均溫度的取值，共21個溫度值。同理，將22 ℃設定為日均溫度的恒定溫度，以步長為2從2mm～34 mm進行日降雨量的取值，共17個降雨量值。將上述兩組天氣數(shù)據(jù)作為輸入數(shù)據(jù)，利用所建立的改進的BP神經(jīng)網(wǎng)絡預測模型進行共享單車日騎行量的預測，結果如圖4所示。

圖 4 不同日均溫度/降雨量下日騎行量預測

由圖4可看出，日均溫度在2 ℃～20 ℃范圍內(nèi)，隨著溫度的上升，日騎行量明顯上升，尤其約在12 ℃之后，日騎行量開始迅猛增長，第一個日騎行量峰值出現(xiàn)在20 ℃左右，在超過20 ℃之后，日騎行量開始逐漸下降，在30 ℃時日騎行量出現(xiàn)極小值拐點，之后隨著溫度的上升，日騎行量再次增加。以上數(shù)據(jù)表明，在12 ℃～20 ℃范圍內(nèi)，日騎行量受溫度的影響最為敏感，騎行的最適溫度范圍為18 ℃～24 ℃。關于超過30 ℃之后，騎行量再次增加的原因，結合實際情況進行推測是由于高溫刺激了更多用戶需求，其選擇騎行代替步行，從而減少高溫灼曬時間。

同樣，通過圖4可以清晰看到降雨量對騎行量的影響呈明顯的指數(shù)下降趨勢，降雨量較小時日騎行量快速下降，隨著降雨量逐漸增大的同時，騎行量下降幅度減緩。這點結合實際情況進行推測是由于在初始降雨時，用戶需求易受降雨的影響，其會選擇其他出行方式代替騎行，從而騎行量逐漸遞減；但當降雨量超過20 mm時，騎行量變化則趨于平穩(wěn)。

（二）以“時”為單位的騎行量仿真及分析

以下基于時刻和空間兩種維度進行騎行量仿真及分析，簡稱為基于“時空”的預測，其預測方法與以“日”為單位的方法類似，不同之處是前者輸入變量增加了時刻和地點變量，且均以小時為單位進行溫度、降雨量和騎行量的統(tǒng)計，故基于“時空”維度下的預測包含有更多信息，其細粒度也更高。采用上述改進的BP神經(jīng)網(wǎng)絡預測模型，對目標區(qū)域內(nèi)不同地點的不同時刻騎行量進行預測。

由圖1可知，地點參數(shù)為8個興趣地點。以地點1代表的電子科大食堂為例，共收集到1 116個樣本，取其中1 050個作為訓練樣本，剩余66個則作為預測樣本，相關預測結果如圖5所示。在圖5中，橫坐標為預測樣本序號，縱坐標數(shù)值為地點1（電子科大食堂）在特定時刻的每小時單車騎行量預測值，從圖5可發(fā)現(xiàn)66個預測樣本的預測結果與實際輸出值較為吻合，每個峰值的騎行量也有較好地反映出來。

圖 5 地點1時空參數(shù)下時刻騎行量預測對比

（三）其他條件下的騎行特征分析

1. 溫度影響下的不同地點騎行特征

為了研究不同地點受溫度影響的騎行量變化特征，本文在具有代表性的8個興趣地點中選取了其中2個地點進行對比分析，分別是地點1（電子科大食堂）和地點4（電子科大第二教學樓）。時刻參數(shù)選取編號為8的早上08:00～08:59，此時段為上課高峰期，溫度的選取從12 ℃～40 ℃以步長為2進行統(tǒng)計，時刻雨量取恒定值0 mm，預測結果如圖6。

圖 6 不同地點受溫度影響的時刻騎行量預測

由圖6可見，地點1（電子科大食堂）每小時的騎行總量明顯多于地點4（電子科大第二教學樓），且地點1（電子科大食堂）大體呈現(xiàn)倒U分布，在24 ℃左右時，達到騎行量高峰。地點4（電子科大第二教學樓）的騎行量受溫度影響較小，在溫度逐漸上升的過程中，總體呈現(xiàn)緩慢下降趨勢。結合實際情況分析，食堂的人口流動量比教學樓多，其騎行量固然大于教學樓的單車騎行量。

2. 雨量影響下的不同地點騎行特征

同樣的處理方法，時間上選取12:00～12:59時段（編碼12），將溫度設為恒定值20 ℃，降雨量以步長為2，在0～40 mm范圍內(nèi)進行取值，其預測結果如圖7所示。同時為更詳細了解低降雨量（橢圓圈出部分）下不同地點的騎行量特征，圖8展示了圖7中降雨量從0～4 mm，步長為0.2的騎行量更細致的預測結果。從圖7和圖8可以看到，降雨量在1 mm及以下時，地點1（電子科大食堂）和地點4（電子科大第二教學樓）的騎行量均隨降雨量的增加而減少，地點1（電子科大食堂）的下降速度尤為急劇，騎行量從50下降到10左右。地點4（電子科大第二教學樓）的騎行量從13下降到5。而雨量在1 mm以上時，兩地騎行量受降雨量的影響均較小。

圖 7 不同地點受雨量影響的時刻騎行量預測

圖 8 不同地點受雨量影響的時刻騎行量預測（降雨量在4 mm以下）

3. 不同溫度下不同地點的騎行量特征

同樣，以地點1（電子科大食堂）和地點4（電子科大第二教學樓）為例，降雨量取恒定值0 mm，時間上以步長為1在06:00～23:59進行取值，為更詳細分析不同地點不同時刻的騎行量特征，加入溫度維度信息，分別取14 ℃和20 ℃，預測結果如圖9所示。

圖 9 不同溫度不同地點的時刻騎行量預測（14 ℃、20 ℃）

從圖9可看到，地點1（電子科大食堂）的騎行量遠高于地點4（電子科大第二教學樓），其在08:00～08:59、12:00～12:59和18:00～18:59三個時間段均達到了騎行量高峰，反映了食堂就餐時間對騎行量的影響。地點4（電子科大第二教學樓）在11:00～11:59、17:00～17:59和21:00～21:59三個時間段均達到了騎行量高峰，反映出午餐和晚餐時間，教學樓（地點4）的騎行時間要早于食堂（地點1）1個小時，并且在21點存在一個開鎖高峰，與實際下課或下自習情況相符合。此外，地點4（電子科大第二教學樓）的騎行量受溫度影響程度明顯低于地點1（電子科大食堂），特別是在騎行高峰期。

五、結論

本文基于BP神經(jīng)網(wǎng)絡建立了針對天氣因素（溫度和降雨量）對騎行量影響的預測模型，并通過五折交叉驗證法對比證明了BP神經(jīng)網(wǎng)絡模型的可行性與可靠性，利用成都市成華區(qū)電子科技大學（沙河校區(qū)）及其周邊的真實騎行數(shù)據(jù)與天氣數(shù)據(jù)驗證了所建模型準確度約為81%。之后，本文分別以“日”和“時”為單位分析了該區(qū)域內(nèi)興趣地點基于上述天氣因素的騎行量預測結果。在以“日”為單位的騎行量仿真分析中發(fā)現(xiàn)，不同溫度下騎行量的變化特征為，在12 ℃～20 ℃，日騎行量受溫度的影響最為敏感，騎行的最適溫度范圍為18 ℃～24 ℃，超過30 ℃之后，騎行量會再次增加；不同降雨量下騎行量的變化特征為，初始降雨時，用戶需求易受降雨的影響，選擇步行代替騎行，從而騎行量逐漸遞減；但降雨量一旦超過20 mm時，騎行量變化則趨于平穩(wěn)。在以“時”為單位的騎行量仿真分析中發(fā)現(xiàn)，不同地點在不同時刻的騎行量受溫度和降雨量的影響程度差異較大，需不同地點區(qū)別管理。從共享單車運營的角度出發(fā)，每個聚集地點和典型時段需要區(qū)別管理，并設置相應的管理優(yōu)先級，如高頻騎行或敏感度較高的地點和時段進行優(yōu)先投放和調(diào)度，以確保這些地點和相應時段供應充足。

由于本文研究收集僅為2018年8～10月該區(qū)域內(nèi)的數(shù)據(jù)，若能獲得一年甚至兩年的相關騎行和氣象數(shù)據(jù)，經(jīng)過大規(guī)模數(shù)據(jù)訓練后的預測模型將具有更好的預測效果。此外，以“時”為單位進行預測的情況下，部分地點的某些時段騎行量為個位數(shù)，預測精度會有所降低。未來研究將基于跨度更大的數(shù)據(jù)，進一步完善基于BP神經(jīng)網(wǎng)絡的共享單車騎行量預測模型的準確性。