[论文解读] Bicycle-Sharing System Analysis and Trip Prediction

Jiawei Zhang, Xiao Pan+2 more|arXiv (Cornell University)|Apr 3, 2016

Human Mobility and Location-Based Analysis参考文献 15被引用 9

一句话总结

该论文提出了一种基于回归的新模型，利用用户、时间和车站特征来预测共享自行车系统中的个体行程目的地和时长。通过整合历史行程模式，该模型在目的地预测和行程时长推断方面均优于基线模型，在真实数据中实现了28%更低的MAE和30倍更高的R²得分。

ABSTRACT

Bicycle-sharing systems, which can provide shared bike usage services for the public, have been launched in many big cities. In bicycle-sharing systems, people can borrow and return bikes at any stations in the service region very conveniently. Therefore, bicycle-sharing systems are normally used as a short-distance trip supplement for private vehicles as well as regular public transportation. Meanwhile, for stations located at different places in the service region, the bike usages can be quite skewed and imbalanced. Some stations have too many incoming bikes and get jammed without enough docks for upcoming bikes, while some other stations get empty quickly and lack enough bikes for people to check out. Therefore, inferring the potential destinations and arriving time of each individual trip beforehand can effectively help the service providers schedule manual bike re-dispatch in advance. In this paper, we will study the individual trip prediction problem for bicycle-sharing systems. To address the problem, we study a real-world bicycle-sharing system and analyze individuals' bike usage behaviors first. Based on the analysis results, a new trip destination prediction and trip duration inference model will be introduced. Experiments conducted on a real-world bicycle-sharing system demonstrate the effectiveness of the proposed model.

研究动机与目标

• 为解决共享自行车系统中的车辆使用失衡问题，通过提前预测个体行程的目的地和时长。
• 分析真实用户行为模式，包括用户构成、时间趋势和空间使用趋势，以支持预测建模。
• 开发一个综合模型，同时利用用户、时间与车站等多种特征，以提升预测准确性。
• 通过提供行程开始前的准确预测，实现自行车的主动再调度。
• 在芝加哥Divvy系统的实际数据上评估模型性能，证明其对系统运营商的实际应用价值。

提出的方法

• 所提出的模型名为All，将用户、时间和车站特征整合到统一的回归框架中，用于行程目的地和时长的预测。
• 利用历史行程数据提取用户行为模式，包括行程开始时间以及车站层面的使用失衡情况。
• 模型采用多特征回归方法，其中每个特征（用户、时间、车站）均用于预测目的地车站和行程时长。
• 通过分析特征重要性，表明车站层面的历史数据对目的地预测最具预测力，而用户和时间特征则提供间接但有价值的信息。
• 使用MAE（平均绝对误差）和R²指标评估行程时长推断的准确性。
• 模型在涵盖多个季度的真实Divvy共享自行车数据上进行训练和测试，包含474个车站的150万次行程。

实验结果

研究问题

• RQ1 用户构成、时间模式和空间使用行为如何影响共享自行车系统中个体行程的目的地和时长？
• RQ2 用户、时间或车站特征的哪种组合能为行程目的地和时长提供最准确的预测？
• RQ3 是否能够通过整合所有可用特征（用户、时间、车站）的统一模型，超越仅使用单一特征类型模型的性能？
• RQ4 通过提前预测行程，能在多大程度上减少自行车失衡，从而实现主动再调度？
• RQ5 与基线模型相比，该模型在标准指标（如MAE和R²）下实现了多大的定量性能提升？

主要发现

• 所提出的All模型在行程时长预测中实现了7.39分钟的MAE，比Time-only基线模型低28%，比Station-only基线模型低10.64%。
• All模型在行程时长推断中达到0.059的R²得分，几乎是User和Station基线模型的两倍，且是Time-only基线模型的30倍。
• 仅使用车站层面的历史数据，在目的地预测中表现优于用户和时间特征，表明车站使用模式是行程目的地最直接的预测指标。
• 当所有特征（用户、时间、车站）被联合使用时，模型性能显著提升，证明了多模态数据融合的价值。
• 分析揭示了显著的空间失衡：235个车站的借车次数多于还车次数，234个车站的还车次数多于借车次数，凸显了预测性再平衡的必要性。
• 该模型能够准确预测行程目的地和时长，从而支持主动的自行车再调度，直接应对共享自行车系统中的运营挑战。