[发明专利]共享单车出行影响因素识别方法、系统及存储介质

说明书

本发明公开了一种共享单车出行影响因素识别方法、系统及存储介质，所述方法包括：获取共享单车数据、兴趣点数据和城市道路数据；对获取的共享单车数据、兴趣点数据和城市道路数据进行预处理；根据预处理的数据，划分样本单元网格，统计共享单车的起点和终点数量、兴趣点数量和城市道路长度；根据样本单元网格，构建混合地理加权回归模型，对影响共享单车出行的起点和终点分布的建成环境因素进行识别。本发明结合混合地理加权回归模型，能够识别不同空间单元的建成环境因素对共享单车出行的影响作用，由此能够对具备不同建成环境特征的空间单元的共享单车投放、调配提供根据，为共享单车企业运营策略、交通规划以及相关公共政策提供参考。

技术领域

本发明涉及一种共享单车出行影响因素识别方法、系统及存储介质，属于建成环境和交通行为领域。

背景技术

智慧社会的建设。共享单车作为中国“新四大发明“之一，凭借随取随放、方便快捷、绿色环保以及能够解决”最先/最后一公里“的交通出行难题等等优点得到迅速推广，但其乱停乱放、过度投放等现象也对城市交通秩序和城市形象造成负面影响。因此，基于智能技术精准识别城市建成环境对共享单车的出行特征的影响，实现不同地区的共享单车的合理投放和调配，匹配产品供给和用户需求是当前政府、企业和市民共同关注的重点。

既有研究发现，建成环境会影响人的活动，从而对交通行为造成影响。研究建成环境与交通行为之间的关系可通过构建计量模型进行模拟仿真。传统的全局回归模型估计的参数具全局性和平稳性，但忽略了空间的非平稳性。根据地理学第一定律(Tobler's firstlaw)，任何事物都与其他事物相关，而相近事物之间的关联则更紧密。空间异质性会导致回归模型的同一自变量在不同的观测位置具备不同的回归系数。而地理加权回归模型(Geographically weighted regression,GWR)通过局部加权最小二乘法估计可得到空间单元样本的参数，能反映空间的非平稳性，其回归系数是空间位置的函数。混合地理加权回归模型(MGWR)则兼具全局回归模型和地理加权回归模型的优势，包含全局变量和局部变量，兼顾空间的平稳性和非平稳性，能够获得更好的拟合效果，从而提高共享单车出行影响因素识别的有效性和精确度。

发明内容

本发明的第一个目的是为了解决上述现有技术的缺陷，提供了一种共享单车出行影响因素识别方法，该方法结合混合地理加权回归模型，能够识别不同空间单元的建成环境因素对共享单车出行的影响作用。

本发明的第二个目的在于提供一种共享单车出行影响因素识别系统。

本发明的第三个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

共享单车出行影响因素识别方法，所述方法包括：

获取共享单车数据、兴趣点数据和城市道路数据；

对获取的共享单车数据、兴趣点数据和城市道路数据进行预处理；

根据预处理的数据，划分样本单元网格，统计共享单车的起点和终点数量、兴趣点数量和城市道路长度；

根据样本单元网格，构建混合地理加权回归模型，对影响共享单车出行的起点和终点分布的建成环境因素进行识别。

进一步的，所述对共享单车数据、兴趣点数据和城市道路数据进行预处理，具体包括：

对共享单车数据进行清洗，剔除重复采集和未曾移动的数据点信息，生成模拟的出行轨迹，存储出行距离、出行时长和出行速度信息；

计算所述出行轨迹的起点经纬度和终点经纬度；

从兴趣点数据中筛选保留餐饮、风景名胜、公司企业、购物、金融保险服务、科教文化服务、生活服务、体育休闲服务、医疗保健服务、住宅、住宿服务、政府机构及社会团体、交通设施共十三类兴趣点，记为二级类别；