在公交车上弄到高c的数据，共享单车数据有哪些应用

今天给各位分享在公交车上弄到高c的数据的知识，其中也会对共享单车数据有哪些应用进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

出租车GPS数据、共享单车数据、地铁刷卡数据、公交GPS数据是我们最常用的交通大数据，基于这些数据可以做很多的研究，发很多的论文。

今天开始我们进入到共享单车数据专题，来介绍一下共享单车数据长什么样子，有哪些应用。下面我们先来看共享单车数据的简介！

伴随着共享单车服务的出现，共享单车数据也成为近几年常见的一种时空大数据。在对共享单车数据做处理分析之前，需要先了解以下几个数据特征：

共享单车的服务方式（有桩？无桩？）

共享单车的采样间隔（采样间隔长）

共享单车的数据情况（不同单车公司数据情况、数据质量不同）

共享单车的位置准确性（开关锁位置相对准确，但路径信息不准确）

1.共享单车的服务方式

共享单车的服务方式主要可以分为：有桩共享单车（Dock-basedBicyclesharing）和无桩共享单车（DocklessBicyclesharing）。有桩共享单车指的是必须在停车桩的固定位置停车；无桩共享单车则无需寻找固定桩停车，使用更为便捷。不过现在越来越多的无桩共享单车会在手机APP上采用“电子栅栏”的方式，限制只能在地图上固定的停车范围内停车，这种情况相当于设立了一个“虚拟桩”，类似于有桩共享单车。

2.共享单车的采样间隔

由于每一辆单车一天可能只用几次，所以一辆单车一天产生的数据很少，也就是说共享单车数据的采样间隔长，这一点和之前的出租车GPS采样数据相比是有很大区别的。

3.共享单车的数据情况

不同共享单车公司的数据情况也存在差异，这可能是出于业务差异、成本方面的考虑等因素所造成的。业务上，有些是有桩的，有些是无桩的，有些是电子栅栏的；成本上，有些公司的共享单车数据可能包括单车的骑行轨迹，会记录骑行的路线，但通常为节省成本，大部分共享单车公司只在单车的开锁与关锁时产生数据，用以记录单车出行的起点与终点位置，也就是只有取车和还车数据。

4.共享单车的位置准确性

虽然有些公司可能会记录单车的骑行轨迹数据，但需要注意的是这类路径信息可能是不准确的，而开关锁的位置是相对准确的。因为共享单车公司为了要判断你的骑行距离、你的停车位置，所以对开关锁定位会相对准确一点。

介绍完共享单车数据的几个特征，我们一起来看一下共享单车的数据。共享单车数据可以分为两类情况：

1.开关锁记录数据

记录的是单车哪个时间在什么地方锁状态发生了变化。关键字段有：

比如1代表锁，有人开锁后锁状态变为0了，经过一段时间停车锁车后，锁状态又变为1，代表着一个单车订单的结束。通过开关锁的数据能从中识别订单的情况。需要注意的是，个体的标识为单车ID而非使用者的用户ID信息，数据所连续追踪的是单车，无法获得单车使用者的使用特征。

共享单车开关锁记录数据的字段

每一条记录都记录了单车什么时间在什么地方开始骑行，什么时间在什么地方结束骑行。关键字段有：

共享单车订单数据的字段

因此，拿到数据使用的时候要记得区分。如果拿到的是第一类开关锁记录，那么使用时需要先整理成第二类订单记录，才能在后面得到更好的应用。

我们对相关文献进行了整理，梳理出来5个应用方向，并对每个方向整理了代表论文，所有论文可以添加文末客服免费（不用转发）获取！我们来具体看下这5个方向：

共享单车系统的需求预测受到了广泛的关注，深度学习模型被广泛应用于解决时空交通需求预测，并产生更精确的预测结果。这些方法包括Ridge回归、Adaboost回归、支持向量回归、随机预测树和梯度增强回归树、卷积神经网络(CNN)、图CNN(GCNN)等。

论文1：Predictingstation-levelhourlydemandinalarge-scalebikesharingnetwork:Agraphconvolutionalneuralnetworkapproach

论文来源：TransportationResearchPartC

论文简介：该研究利用来自纽约市的CitiBSS的2800万次共享单车交易，提出了一种基于数据驱动图滤波器(GCNN-DDGF)的新型图卷积神经网络模型，该模型可以学习隐藏在大型共享单车网络中站点间的异构成对相关性，从而预测站点级小时需求。

论文2：Trafficpredictioninabike-sharingsystem

论文来源：SIGSPATIAL’15:Proceedingsofthe23rdSIGSPATIALInternationalConferenceonAdvancesinGeographicInformationSystems

论文简介：该研究提出了一个分层预测模型来预测未来一段时间内从每个站点集群中租出/归还的自行车数量，以便执行共享单车调度的任务。该研究采用了一个双侧聚类算法，通过梯度提升回归树（GBRT）和基于多相似性的推理模型来预测各集群间的出租比例和集群间的过渡，在此基础上可以很容易地推断出从每个集群租出/返回的自行车数量。通过纽约市和华盛顿特区的两个共享单车系统，证实了该模型的优越性。

论文3：Dynamiccluster-basedover-demandpredictioninbikesharingsystems

论文来源：UbiComp'16:Proceedingsofthe2016ACMInternationalJointConferenceonPervasiveandUbiquitousComputing

论文简介：为了解决共享单车过度需求站点的出现，该研究提出了一个动态的基于集群的过度需求预测框架。根据环境，构建了一个加权相关网络来建模自行车站点之间的关系，并动态地将自行车使用模式相似的相邻站点分组成簇。然后采用蒙特卡罗模拟方法预测每个集群的超额需求概率。利用来自纽约市和华盛顿特区的真实数据进行评估，结果表明，该框架准确地预测了过度需求集群，并显著优于基线方法。

共享单车数据挖掘结果能够为共享单车的高效调度提供支持。如将每个交易记录中提取的旅行时间、自行车结帐、起始站和结束站名称、起始站和结束站纬度/经度、用户ID、用户类型等数据作为共享单车行为和需求的依据，从而为共享单车调度提供具体方案。

论文1：ADynamicApproachtoRebalancingBike-SharingSystems

论文简介：根据历史共享单车数据来预测网络状况，该研究使用Birth-Death过程来模拟站点的占用率，并提出一个动态的再调度策略，决定何时重新分配自行车，使用图论来选择重新平衡路径和所涉及的站点。该研究通过纽约市共享单车提供的数据验证了该框架，数值模拟表明，能够适应网络波动性质的动态策略优于基于静态时间表的再平衡方案。

论文2：Inventoryrebalancingandvehicleroutinginbikesharingsystems

论文来源：EuropeanJournalofOperationalResearch

论文简介：该研究结合每个共享单车站点的服务水平要求，和最优的车辆路线设计，提出了一个启发式算法对单车库存进行再平衡。该研究提供了来自Hubway（马萨诸塞州波士顿）和CapitalBikeshare（华盛顿特区）的真实世界数据的广泛计算结果，结果表明该启发式方法优于纯混合整数编程的模拟和约束编程方法。

3.共享单车系统的运营决策

基于互联网的共享单车系统的出现产生了大量的时空数据，这些数据不仅可以支持我们研究详细的出行模式和停车需求，同时也为我们划分共享单车系统的覆盖区域和政策区划提供了机会。此外，共享单车作为解决短程出行问题的交通方式，通常会与其他公共交通服务联合起来进行城市规划设计。

论文1：PolicyZoningforEfficientLandUtilizationBasedonSpatio-TemporalIntegrationbetweentheBicycle-SharingServiceandtheMetroTransit

论文简介：该研究利用共享单车出行数据和地铁出行数据，提取指标来评估共享单车系统与地铁系统的连接性能和运营潜力。还采用一种基于自行车吸引区区域的覆盖区域划分和政策分区的方法，将上海的地铁站分为四个具有不同特征的群组，包括有效利用土地的站点、有潜力促进BS服务的站点、BS服务有缺陷的站点以及有潜力提高土地利用效率的站点。根据这四个集群的不同需求模式和运营绩效，提出了相应的城市规划与政策建议。

论文2：HotspotsIdentificationandClassificationofDocklessBicycleSharingServiceunderElectricFenceCircumstances

论文来源：JournalofAdvancedTransportation

论文简介：电动围栏作为一种有效的共享单车停车管理解决方案，在以较低的运营成本引导无底座自行车的使用方面具有很大的潜力。然而，随着电子围栏的实施，出现了新的问题。热点地区的电动围栏位置与停车需求不匹配，导致城市中心区停车拥堵。本文提出了一种新的自行车热点识别和分类方法与自行车热点评价框架，以厦门岛为例，分别识别出47个拾取热点和53个返回热点。根据需求和土地利用特点，提出停车管理方案和政策建议。本文的研究结果为不同地区无底座自行车共用电动围栏的布局提供了指导。

论文3：Howland-useandurbanformimpactbicycleflows:evidencefromthebicycle-sharingsystem(BIXI)inMontreal

论文来源：JournalofTransportGeography

论文简介：该研究根据加拿大蒙特利尔第一个共享单车系统BIXI所有站点的共享单车数据，采用了易于应用于其他地区的多层次统计建模方法，从站点层面分析了气象数据、时间特征、自行车基础设施、土地利用和建筑环境属性对共享单车供需数量的影响。研究结果能够帮助识别导致蒙特利尔共享自行车使用量增加的因素，并提供有关车站大小和位置决策的城市规划建议，以最大限度地利用和可用性为目标。

论文4：区域建成环境对共享单车日变特征的影响--以厦门市为例

论文简介：该研究基于2018年厦门市近三个月的共享单车数据进行分区研究,建立了描述共享单车日出行量长期波动变化的指标体系,细分了五种区域共享单车出行模式,并探究了区域建成环境对共享单车出行量日变特征的影响。研究发现：建成环境会影响区域共享单车的日出行量及其长期的波动变化。人口密度、交通可达性以及各类POI数量均会正向影响区域共享单车的日出行量,而POI类别、与轨道交通的联系以及土地利用多样性则会对日出行量的波动变化特征产生不同的影响,土地利用多样性越高,日出行量变化越均匀。管理者可以据此安排针对性分区管理策略。

4.出行行为分析

出行行为分析是指利用各类地理空间大数据研究人类时空间行为的一类研究。共享单车数据是地理空间大数据中的一类重要数据，它所反映的人类时空间行为主要体现在城市人群出行规律与人类移动特性两个方面。

论文1：UnderstandingspatiotemporalpatternsofbikingbehaviorbyanalyzingmassivebikesharingdatainChicago

论文简介：该研究通过分析芝加哥大量的共享单车数据，调查了芝加哥共享单车出行模式。通过构建共享单车流相似性图、快速贪婪算法检测共享单车流的空间社区，从中发现了工作日和周末的独特出行模式，以及不同客户之间的不同出行趋势。此外，该研究还利用分层聚类方法研究了自行车和码头的时间需求。

论文2：UnderstandingBike-SharingSystemsusingDataMining:ExploringActivityPatterns

论文来源：SocialandBehavioralSciences

论文简介：该研究根据共享单车系统的运营数据，使用数据挖掘法来深入了解洞察复杂的自行车活动模式。活动模式揭示了自行车分布的不平衡性，并更好地理解了系统结构，从而有助于城市规划和共享单车的运营决策。

论文3：ExploringBikesharingTravelPatternsandTripPurposesUsingSmartCardDataandOnlinePointofInterests

论文来源：NetworksandSpatialEconomics

论文简介：该研究收集了纽约市大量的智能卡出行数据，利用已识别的车站类型和智能卡数据，进行潜在的狄利克雷分配分析(LDA)，以发现隐藏的共享单车出行模式和出行目的。结果表明，居住在共享单车站附近的人更有可能在早高峰换乘其他通勤工具。所提出的方法可用于为交通运输机构提供有用的城市规划指导和建议，以制定战略和监管。

论文4：疫情期间共享单车的使用行为与意愿

论文简介：该研究利用网络问卷，调查疫情前后公众对共享单车的选择意愿与使用行为。通过建立多元逻辑回归模型分析疫情期间共享单车使用频率的影响因素，结果显示，用户的复工状况、对疫情的担忧程度、所处地区的交通管控程度以及共享单车的经济性、便捷性、安全性等对其有显著影响。在聚类分析的基础上总结了疫情期间共享单车的三种使用模式，并分析用户的年龄、环保意识和城市的交通拥堵程度、交通管控措施对使用模式选择的影响。

5.环境效益和公共健康

越来越多的人意识到，自行车共享是一种日常出行选择，可以减少汽车的使用，提高城市的可持续竞争力，也可以从一定程度上改善公共健康。

论文1：FutureenergyuseandCO2emissionsofurbanpassengertransportinChina:Atravelbehaviorandurbanform-basedapproach

论文简介：该研究将288个地级市的出行活动分解为关键结构要素和城市因素，扩展了现有的活动、模式份额、能源强度、燃料/碳强度模型框架(ASIF)。他们在五种模式(私家车、公交车、出租车、摩托车和自行车)中进行了研究。为了减少使用私家车，该研究设计了将剩余交通模式分配给非机动车模式（例如共享单车计划）的方式。

论文2：Mobilephonedatainurbanbicycle-sharing:Market-orientedsub-areadivisionandspatialanalysisonemissionreductionpotentials

论文简介：该研究利用手机数据识别共享单车使用的潜在需求，继而构造链路网络来表示潜在需求的空间分布，并在此基础上对共享单车的潜在使用模式、潜在需求空间分布以及潜在减排进行了划分。该研究利用在东京获得的大约3400万条GPS轨迹数据集对所提出的方法进行了测试，在该地区计算中引入了共享单车系统可能可以减少的排放量。

论文3：Bikesharingandtheeconomy,theenvironment,andhealth-relatedexternalities

论文简介：该研究基于《2016年北京交通发展年报》，定量讨论了共享单车的外部性，即共享单车对经济、能源使用、环境和公共健康的影响。结果表明，共享单车极大地减少了交通，降低了能源消耗，减少了有害气体的排放，普遍改善了公共卫生，并促进了经济增长。

关于本次在公交车上弄到高c的数据和共享单车数据有哪些应用的问题分享到这里就结束了，如果解决了您的问题，我们非常高兴。