基于站点的汽车共享需求的空间感知预测
机器学习
2024-12-23 v2
摘要
近年来，汽车共享服务已成为私人个体出行的可行替代方案，有望提供更可持续、资源高效且仍舒适的交通。关于短期预测和优化方法的研究改善了汽车共享服务的运营与车队控制；然而，长期预测与空间分析在文献中较为匮乏。我们提出利用空间感知学习算法分析基于站点的汽车共享服务的月平均需求，这些算法兼具高预测性能与可解释性。我们的研究使用了丰富的社会人口、基于位置（如POI）和汽车共享特有特征作为输入，这些特征提取自大型专有汽车共享数据集和公开可用数据集。我们首先比较不同建模方法的性能，发现具有地理坐标作为部分输入特征的全局随机森林（Random Forest）在测试数据上以0.87的R平方分数取得最高预测性能。而局部线性模型地理加权回归（GWR）在样本外预测精度上几乎与之持平。我们进一步利用这些模型识别汽车共享需求的空间与社会人口驱动因素。通过SHAP值对随机森林的分析，以及GWR和MGWR模型的系数，揭示除人口密度和汽车共享供给外，周边POI等其他空间特征也起主要作用。此外，MGWR对影响汽车共享行为的因素的多尺度异质空间分布提供了令人兴奋的见解。总之，我们的研究为诊断和规划汽车共享站点布局时选择有效且可解释的方法提供了见解。
引用
@article{arxiv.2303.14421,
title = {Spatially-aware station based car-sharing demand prediction},
author = {Dominik J. Mühlematter and Nina Wiedemann and Yanan Xin and Martin Raubal},
journal= {arXiv preprint arXiv:2303.14421},
year = {2024}
}
备注
19 pages, 7 figures