基于用户行为的共享单车真实需求预测动态聚类优化算法
《Future Transportation》:User-Behaviour-Based Dynamic Clustering Optimisation Algorithm for True Demand Prediction of Shared Bikes
【字体:
大
中
小
】
时间:2026年08月27日
来源:Future Transportation 2.5
摘要
无桩共享单车系统对于可持续城市出行日益重要,但其常常面临供需之间的空间错配问题。传统需求预测主要依赖历史骑行记录,因此当用户放弃寻找单车时,会系统性地低估真实需求。为应对这一局限性,我们提出了一种基于用户行为的动态聚类优化算法,该算法通过"黄金距离"概念将观测到的骑行行为与潜在未满足需求整合在一起——黄金距离是一种区域自适应的服务半径阈值,通过从成功骑行运营日志中启发式估计并结合推断的未满足需求事件得出,可作为基于行为动机的步行容忍度的聚合代理指标。基于此前AIoT赋能的需求预测框架,该方法首先应用HDBSCAN密度聚类来发现内在的需求拓扑结构,然后通过拉伸感知的自适应k-medoids方法仅对那些违反黄金距离覆盖约束的聚类进行选择性优化。区域级真实需求使用XGBoost回归模型进行预测,随后基于历史活动份额下采样至聚类级别。在来自香港三个区域(将军澳、沙田和屯门)一整年运营数据上的实验表明,所提出的流水线在比DBSCAN基线更精细的运营分辨率下生成了符合黄金距离的服务区域:68.0%至78.5%的聚类覆盖率下,86.5%至91.6%的聚类需求点位于其所属质心所在区域的黄金距离之内,而基线在49.7%至88.1%的覆盖率下仅能达到60.0%至71.1%。分辨率公平评估表明,先前报告的聚类级RMSE优势主要反映的是更细的汇报单元而非更好的预测精度:相同的固定区域级预测在逐步变粗的空间单元上评估时,RMSE跨越五到七倍的区间;而在匹配的聚类分辨率下,DBSCAN基线在聚类级指标上等于或超过所提出的流水线。因此,精度评估采用尺度无关指标进行,在所提方法并非两者中更精确的前提下,本工作的贡献定位于可操作部署、行为约束的空间分区,而非逐聚类的预测精度。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号