多種共享出行方式的時空數據可視化分析

王亞歌 王洪海 韋良芬

摘? 要：在綠色低碳理念逐漸興起的時代大背景下，共享出行應運而生，挖掘用戶多種出行方式的時空規律是城市管理與規劃研究的有效方法。基于美國舊金山灣區BayWheels公開的時空軌跡數據集，從時間和空間的角度出發，采用數據可視化方式直觀揭示用戶騎行時空分布特征。研究發現，用戶出行情況與工作日和非工作日關系密切，工作日用戶出行具有明顯的潮汐現象等時空特征。文章通過對用戶出行時空軌跡數據的研究，多角度分析用戶共享出行的時空規律特征，為完善城市管理與提高共享運營企業效率提供理論支撐，進而更好地推動城市的可持續發展。

關鍵詞：共享出行；共享單車；共享電單車；時空數據分析

中圖分類號：TP391? 文獻標識碼：A? 文章編號：2096-4706（2023）17-0015-06

Visualization Analysis of Spatiotemporal Data for Multiple Shared Travel Modes

WANG Yage， WANG Honghai， WEI Liangfen

（School of Computer and Artificial Intelligence， Chaohu University， Hefei? 238024， China）

Abstract： In the context of the gradual rise of green and low-carbon concepts， shared travel has emerged. Exploring the spatiotemporal patterns of users' various travel modes is an effective method for urban management and planning research. Based on the publicly available spatiotemporal trajectory dataset of BayWheels in the San Francisco Bay Area of the United States， the spatiotemporal distribution characteristics of user cycling are intuitively revealed through data visualization from a temporal and spatial perspective. Research has found that user travel is closely related to both working and non working days， and user travel on working days exhibits significant spatiotemporal characteristics such as tidal phenomena. The paper analyzes the spatiotemporal characteristics of user shared travel from multiple perspectives through the study of user travel spatiotemporal trajectory data， providing theor

0? 引? 言

近年來，隨著移動互聯網、綠色出行理念和基于位置服務的發展，共享出行這種新興的交通方式的發展突飛猛進，同時也正改變著城市交通結構。隨著機動車保有量的持續增長和人口的聚集，城市公共交通問題日益突出，相較于其他出行方式，共享出行方式是一種值得提倡的新興出行方式。共享出行方式旨在減少交通工具碳排放，為城市的中短途出行提供解決方案。由于其具有高效、便捷、綠色、靈活和價廉等優勢，既能夠滿足用戶需求，又能夠避免閑置資源浪費，迅速受到廣大用戶和資本的追捧和喜愛。

國內公共自行車是最早共享出行方式且多數由政府出資投入使用的，推行的初衷在于綠色交通、低碳出行的理念。公共自行車的出現，為城市增添了靚麗，方便了城市短途出行，讓大眾重拾對自行車的喜愛。但是，由于公共自行車帶有固定的停車樁，會存在停車樁的設置并不合理、停車樁不能夠便捷快速地找到或者停車的時候找不到停車樁的種種問題[1]。

隨著移動互聯網的快速發展，一種新的共享出行方式即共享單車呼之欲出。在城市各個角落都可以發現色彩斑斕的共享單車，使用靈活便捷且老少皆宜，能夠有效地解決人們出行“最后一公里”的問題[2]，與其他公共交通出行產生協同效應。共享單車的出行數據迅速成為位置服務的熱門研究對象，能夠從大量的出行數據中挖掘出用戶的時空出行特征[3]和共享單車減排效應的時空分析[4]，突顯其具有較高的研究價值和現實意義。相較于公共自行車、共享單車不存在停車樁的束縛，車輛的投入量大，共享單車使用表現更加便捷，受眾普及率更高一些[5]。

繼共享單車后，在共享運營的催化下共享電單車應運而生，它是集合互聯網技術的新型交通工具，用戶可通過網絡租賃的方式，循環共享使用，比如熟知的美團、哈啰、電斑馬等。共享電單車發展得如火如荼，出行需求與技術進步為共享電單車提供發展土壤，并助力推廣新能源、智能化、數字化、輕量化交通裝備。

共享電單車主要服務于高校校園、景區和城市部分區域，例如高校校區規模日漸擴大，隨著共享電單車涌入大學校園，滿足大學生學習、社交和日常出行需求，提高了出行效率，能夠一定程度上促進大學生積極參加各種活動，更加豐富校園生活[6]。

共享電單車相較于公共自行車和共享單車，除了具備二者的相同優點外，還具備電子圍欄功能，能夠規范有序停車，騎行體驗更佳，服務管理效果更好。但是，共享電單車仍然面臨車輛電池技術突破、維護成本高、安全保障和交通管理難等問題，涉及多方面管理問題，曾一度被叫停，隨著行業發展的規范化共享電單車發展仍未來可期[7]。國內共享電單車公開數據集并未對外公開，相關理論認識和研究不夠完善。

近年來共享出行方式發展的蒸蒸日上，離不開物聯網、人工智能和大數據技術的發展。隨著公共自行車的出現、共享單車的發展以及共享電單車的爆發式增長，這三種共享出行方式進一步完善了城市慢行系統，不斷推動智慧城市建設發展。

但是，由于用戶出行數據隱私保護、數據采集機制落后等，使得目前國內關于共享出行的數據公開有限，研究較少且相關研究比較單一，即缺少將多種共享出行方式進行綜合分析研究，而且目前國內共享單車和共享電單車的用戶使用群體大，分布率和使用頻率高。通過對三種共享出行方式的出行時空數據進行挖掘和分析，既能明確用戶的出行規律，以可視化的方式解讀用戶出行時空特征，明確用戶的實際出行需求，便于用戶合理安排出行，避開出行高峰時間段。研究分析有助于為用戶提供更多元化、個性化服務[8]，有助于為城市決策者客觀地評估共享出行方式的情況，有助于企業運營管理提出理論依據，有助于城市交通管理部門掌握慢行道路的使用現狀以及趨勢。

1? 數據預處理

1.1? 數據集概況

共享數據集選用的是美國舊金山地區的Bay Wheels公司公開的軌跡數據，包含2021年1月1日至12月31日一年的公共自行車、共享單車和共享電單車的經緯度出行數據。

官方提供的數據是按月公布的，因此需要利用Python中的Pandas模塊對數據進行解析和讀取，將全年的數據進行合并，合并后的數據集有2 035 151條。數據集共有ride_id、rideable_type、started_at、ended_at、start_station_name、start_station_id、end_station_name、end_station_id、start_lat、start_lng、end_lat、end_lng、member_casual 13個字段，即共享車輛的編號及類型、開始及結束時間、終點站和起點站的ID及經緯度坐標和用戶類型，其中只有公共自行車才有start_station_name、start_station_id、end_station_name、end_station_id 四字段。

1.2? 數據預處理

數據集存在數據冗余、錯誤數據和異常數據等情況，由于數據集直接影響后續的相關分析，數據預處理這一環節就顯得尤為重要。

對數據進行清洗，先設置經緯度的過濾條件，即舊金山地區的經緯度范圍，將不在此經緯度范圍的數據點作為異常數據進行剔除；調用Python模塊中的drop dduplicates和drop函數，去除共享單車數據中冗余重復以及重復的記錄。另外，針對數據中存在的缺失值，采用的缺失值補全的方法，即使用某些值進行替代。

另外，為了方便后續的分析和研究需要對原始軌跡數據中的時間字段進行解析，獲取不同時間周期內的出行情況，即將開始時間分解成，開始年、開始月、開始日、開始小時、開始分鐘等字段，結束時間也同樣如此。同時，計算出騎行時間、騎行距離并生成相應的字段，最后將處理好的數據進行存儲。

2? 時空數據可視化分析

數據可視化以一種更加直觀、清晰的方式增加對數據的理解，主要以圖形的方式呈現，針對要分析的具體問題，挖掘出數據中隱藏的關系，有助于提取有用的特征，具有很大的應用價值。尤其當數據量比較大的時候，常規的統計方法會出現數據崩潰的現象，使用Python的Pandas工具集，如直方圖可以通過用pyplot的hist方法進行繪制。

基于三種共享出行方式的時空軌跡數據，對公共自行車、共享單車和共享電單車的這三種共享方式的騎行數據從時間和空間兩個角度進行可視化分析。具體來說，先分析全年出行量、工作日和非工作日的騎行情況、騎行距離、時長時速以及用戶畫像的，然后通過熱力圖渲染分析用戶出行區域情況。

2.1? 時間特征可視化分析

2.1.1? 全年騎行量分析

在圖1中，docked_bike為公共自行車，classic_bike為共享單車，electric_bike為共享電單車。數據集的時間范圍是2021年1月1日至2021年的12月31日。

總體來看，這三種共享出行方式中公共自行車的全年出行量相對較少，出行量波動較為平穩，這是因為舊金山每平方英里只有1.5個樁式公共自行車停車樁，華盛頓是其4倍多，說明公共自行車投放量有限，需求量大于供給。共享電單車出行量在這三種共享出行方式中屬于最大的，同樣在6—10月較其他月份出行量大，出行峰值在10月份，日出行量接近7 000。共享單車出行量介于以上二者之間，同樣在6—10月的出行量較其他月份增長明顯。可見，在寒冷季節用戶使用量較少，溫度相對較高的6—10月更適合用戶選擇共享方式出行，每月出行量與季節和溫度有關。

2.1.2? 工作日與非工作日騎行情況分析

將2021年6月內一周的騎行數據按照日期的星期屬性進行劃分，得到工作日的騎行量大于非工作日，三種共享出行方式的出行情況大致相同，因此這三種共享出行方式的出行量均與星期屬性存在較強的相關性，作為日常通勤工具，用戶在工作日選擇共享出行方式用于出勤、上課等，在非工作日可能多用于游玩等，一周的騎行情況如圖2所示。

分別計算2021年6月份工作日和非工作日在每個時間段騎行量，并總結分析工作日和非工作日的騎行情況。

在工作日，共享車騎行呈現出比較明顯的多高峰出行，即出行早高峰和晚高峰，存在午間小高峰但不夠明顯。公共自行車在12點、14點和17點這幾個時間段出現多個峰值，午間高峰較為突出。共享單車和共享電單車的騎行量在早上7點后快速增加，在早上8點達到高峰；在中午12點出現午間小高峰，在17至18點出現了騎行晚高峰。在晚高峰之后，共享單車和共享電單車的騎行量逐漸呈下降趨勢，如圖3所示。

在非工作日，三種共享出行方式并未出現明顯的騎行早高峰和晚高峰，騎行量較高的時間段主要集中在10至17點，由于這三種共享方式均是全天不限時間使用，在下午和晚上的騎行量較工作日更受歡迎，因而在周末的凌晨0至2點這個時間段，三種共享出行方式均出現騎行高潮，該時段公交車處于停運狀態且出租車數量較少，因而共享單車和共享電單車填補了公交和出租車運營的“空窗期”，如圖4所示。

2.1.3? 騎行時長時速分析

根據2021年6月份的三種共享出行方式的騎行數據，繪制騎行時長時速分布圖。公共自行車、共享單車和共享電單車這三種共享出行方式的時間分布情況基本一致，工作日騎行時間的峰值區間在5至10分鐘之間，而從非工作日騎行情況來看騎行時間則相對較長一些，騎行時間的峰值區間在5至12分鐘之間，圖5則以共享電單車為例進行說明。

根據騎行時間和騎行距離計算得到這三種共享出行方式的騎行時速情況，如圖6所示。公共自行車用戶騎行時速近九成的時速都低于10 km。共享單車用戶的騎行時速的高峰區間在8至12 km，在時速10 km出現峰值。共享電單車騎行時速的高峰區間在10至15 km，在時速13 km出現峰值，時速遠低于新國標最高限速的一半，與公共自行車和共享單車的城市慢行交通出行方式互為補充。三種共享出行方式的全程騎行速度大致相同，均屬“慢行”范疇。

2.2? 騎行空間特征可視化分析

2.2.1? 騎行距離分析

數據集中的數據是經緯度坐標，屬于球面坐標系統，而球面兩點間距離計算不同于平面，因此采用haversine函數求解共享騎行數據中起點和終點之間的距離，其中，dij表示數據點起點和終點間的騎行距離，r表示地球平均半徑；αi、αj表示數據點xi、xj的經度值，βi、βj表示數據點xi、xj的緯度值，且均轉化為弧度形式表示。如式（1）所示：

根據2021年6月一個月的騎行距離數據，由圖7和圖8可知，工作日和非工作日的騎行距離分布情況相差不大。公共自行車騎行量少且騎行距離較短，可見用戶的使用頻率較低。共享單車在1 km的騎行數量達到峰值，騎行量隨著距離增加而減少，屬于短途出行。共享電單車的騎行距離的變化趨勢與共享單車基本一致，騎行距離在1.5 km達到峰值，較共享單車的峰值增加了0.5左右。這三種共享出行方式的用戶騎行距離都屬于中短距離出行。

共享單車解決了用戶在1至2 km范圍內的出行需求，而針對2 km以上的出行距離則更多選擇共享電單車，共享電單車騎行距離3至5 km以上也占一定比例，這也說明公共自行車和共享單車屬于短途出行，共享電單車屬于中短途出行方式，這就對續航能力要求不是很高，一定程度上降低了成本，而對于中長途的距離用戶更可能選擇機動車的方式。

箱形圖能夠反映原始數據的分布情況且可以將多組數據進行比較，箱線圖中，箱體的中間有一條線則為中位數xm，箱子的上下底為數據的上四分位數Q3和下四分位數Q1，上邊緣和下邊緣分別是Q3+1.5IQR和Q1-1.5IQR，其中IQR為Q3與Q1的差值。在圖9中，呈現出三種共享出行方式的騎行距離分布情況，根據圖中的中位數可知共享電單車的平均距離相比較大。根據箱型圖的形狀得到共享單車的騎行距離分布比較集中，因為箱型圖的高較小。根據箱型圖中位數和上下四位數的間距可以得到，公共自行車和共享單車騎行距離主要分布在1 km左右，而共享電單車騎行距離主要分布在2 km左右，且只有共享電動車Q1的值高于1 km。

2.2.2? 騎行熱力圖可視化分析

熱力圖通過用戶騎行量渲染地圖顏色，以描繪出用戶騎行量及分布情況，區域顏色越深則用戶越熱衷出行該地區。通過BDP數據可視化平臺繪制公共自行車、共享單車和共享電單車的起點和終點騎行熱力圖，數據以2021年6月份為例進行分析。

根據舊金山三種共享出行的熱點區域，其中公共自行車和共享電單車騎行熱點區域主要集中在城市東北部密集的城區和城市周邊景點。共享電單車起點騎行熱點區域分布更加分散且按照城市路網方格布局，基本上車輛已布滿城市的各個地方，金金山東北角相較于其他區域放置更多的車輛，城市南邊和西邊主要是景區、新興的綜合區和住宅區和學校等。終點騎行熱點區域更加集中，這是因為共享單車屬于新能源需要充電，也能夠說明共享電單車存在車輛調度管理以保證用戶能夠有車可以騎，需要工作人員在夜間將車輛回收并放回規定區域，如圖10所示。

3? 結? 論

通過對多種共享出行時空軌跡數據的研究分析，多方面多角度的解讀用戶共享出行的時空規律特征。具體來說，從騎行時間特征上來看，每個月份的騎行量波動可能與季節溫度差異有關；工作日的騎行量存在明顯的騎行早晚高峰，而非工作日沒有；公共自行車的騎行量最少，騎行距離和時速都相對較低；公共自行車和共享單車都為“最后一公里”服務，均屬于短途出行。共享電單車大部分的出行距離在2至5 km之間，屬于中短途出行的最佳選擇，比共享單車和公共自行車更加省時省力，騎行時速相對較快。

從騎行空間特征來看，共享出行主要集中服務于城市的商業區、住宅區、景區和學校等區域，能夠為通勤者和高校學生帶來極大便利。其中，公共自行車騎行量受限于停車樁的規劃，使用不夠靈活，存在找停車樁的苦惱。共享單車解決這一局限，用戶使用更加靈活，即用即掃，即停即放。共享電單車，需要更換電池和調度管理，需要工作人員在晚上將共享電單車托運到規定的區域，工作量和工作范圍比較大，涉及的維護管理成本也比較大。

共享出行是新興的綠色出行方式，憑借其便捷、經濟、共享的特點，為用戶的中短途出行提供多元化選擇，踐行綠色減排理念，助力構建智慧和低碳交通體系。充實城市公共交通的配套體系，讓更多的用戶參與到低碳出行中來，助力實現交通運輸的可持續發展。同時為城市管理和建議者提升共享出行服務水平、巡查管理、及時充電、合理規劃停車區域等提供理論支撐和建議。

參考文獻：

[1] 蔡顥琳，徐健，朱利蓉，等.共享經濟下公共自行車發展中的問題及對策 [J].現代商貿工業，2019，40（4）：59-61.

[2] 王家寶，余園園，敦帥.共享單車：現狀、問題與對策 [J].管理現代化，2018，38（5）：99-101.

[3] 周超，周亞男，李振世，等.基于大數據的南京市共享單車時空特征研究 [J].西南師范大學學報：自然科學版，2018，43（10）：66-73.

[4] 李文翔，唐桂孔，劉博，等.基于摩拜騎行數據的上海市共享單車減排效益時空分析 [J].環境科學學報，2021，41（11）：4752-4759.

[5] 翟永，劉津，陳杰，等.基于馬爾可夫鏈的無樁共享單車車輛投放規模分析 [J].北京交通大學學報，2019，43（5）：27-36.

[6] 王丹.基于大學城調查數據的校園共享電單車用戶出行行為分析 [J].統計與管理，2020，35（3）：96-99.

[7] 周若蘭，鄭琰.共享電單車發展現狀的問題及對策分析 [J].物流科技，2021，44（2）：78-80.

[8] 李想，李亞男，馬紅光.考慮乘客效用的多元化共享出行平臺協同定價策略研究[J/OL].中國管理科學，2022：1-10.[2023-03-04].https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD67s_kBxcpWeyaeLZSIuMe9jAVB8l8GgZhSpT7OmB-tQvwbFDZGvKeOz&uniplatform=NZKPT.

作者簡介：王亞歌（1993—），女，漢族，河南泌陽人，助教，碩士，研究方向：數據挖掘、機器學習；王洪海（1975—），男，漢族，安徽壽縣人，教授，碩士，研究方向：智能數據分析；韋良芬（1975—），女，漢族，安徽舒城人，教授，碩士，研究方向：計算機硬件系統研究。

etical support for improving urban management and improving the efficiency of shared operation enterprises， thereby better promoting the sustainable development of cities.

Keywords： shared travel; shared bicycle; shared electric bicycle; spatiotemporal data analysis