共享单车系统的网络级与站点级预测：以旧金山湾区为例
计算机与社会
2020-09-22 v1 物理与社会
摘要
本文在网级与站点级两个层面应用机器学习，为旧金山湾区共享单车系统建立自行车可用量预测模型。在站点级研究共享单车系统（BSS）是提供决策者、规划者与运营者所需细节以作出重要选择与结论的完整问题。我们使用随机森林与最小二乘提升作为单变量回归算法，对站点级可用自行车数量建模。对于多变量回归，我们应用偏最小二乘回归（PLSR）以减少所需预测模型数量，并在网级复现系统中不同站点的时空交互。尽管单变量模型的预测误差略低，我们发现多变量模型在网级预测上结果令人鼓舞，尤其在站点数较多且空间相关的系统中。此外，站点级分析结果表明人口统计信息与其他环境变量是建模 BSS 中自行车的重要因子。我们还证明站点级在时刻 t 建模的可用自行车对自行车计数模型有显著影响。站点邻居与预测时域被发现为显著预测因子，其中 15 分钟为最有效的预测时域。
引用
@article{arxiv.2009.09367,
title = {Network and Station-Level Bike-Sharing System Prediction: A San Francisco Bay Area Case Study},
author = {Huthaifa I. Ashqar and Mohammed Elhenawy and Hesham A. Rakha and Mohammed Almannaa and Leanna House},
journal= {arXiv preprint arXiv:2009.09367},
year = {2020}
}