[论文解读] Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network

Jianguo Chen, Kenli Li+3 more|arXiv (Cornell University)|Jan 19, 2021

Urban Transport and Accessibility参考文献 33被引用 4

一句话总结

本文提出了一种用于无桩公共自行车共享系统的动态自行车站点规划（BSDP）系统，采用门控图神经网络（GGNN）预测最优站点布局。通过聚类停靠点、将它们建模为随时间演化的加权有向图，并在图序列数据上进行训练，该系统实现了高预测准确率（AUC为0.91），并支持动态、收益优化且符合城市管理要求的站点规划。

ABSTRACT

Benefiting from convenient cycling and flexible parking locations, the Dockless Public Bicycle-sharing (DL-PBS) network becomes increasingly popular in many countries. However, redundant and low-utility stations waste public urban space and maintenance costs of DL-PBS vendors. In this paper, we propose a Bicycle Station Dynamic Planning (BSDP) system to dynamically provide the optimal bicycle station layout for the DL-PBS network. The BSDP system contains four modules: bicycle drop-off location clustering, bicycle-station graph modeling, bicycle-station location prediction, and bicycle-station layout recommendation. In the bicycle drop-off location clustering module, candidate bicycle stations are clustered from each spatio-temporal subset of the large-scale cycling trajectory records. In the bicycle-station graph modeling module, a weighted digraph model is built based on the clustering results and inferior stations with low station revenue and utility are filtered. Then, graph models across time periods are combined to create a graph sequence model. In the bicycle-station location prediction module, the GGNN model is used to train the graph sequence data and dynamically predict bicycle stations in the next period. In the bicycle-station layout recommendation module, the predicted bicycle stations are fine-tuned according to the government urban management plan, which ensures that the recommended station layout is conducive to city management, vendor revenue, and user convenience. Experiments on actual DL-PBS networks verify the effectiveness, accuracy and feasibility of the proposed BSDP system.

研究动机与目标

• 解决无桩公共自行车共享（DL-PBS）系统中站点部署效率低下、重复建设及管理不善的问题。
• 通过利用实时、大规模轨迹数据，克服传统系统中静态、依赖经验的站点规划局限。
• 开发一种动态、数据驱动的系统，以适应不断变化的城市需求模式，并同时支持运营商盈利与城市管理目标。
• 实现对未来自行车站点位置和使用情况的准确预测，以指导最优部署与调度策略。

提出的方法

• 使用DADC算法对大规模自行车停靠点进行聚类，从时空轨迹数据中识别候选站点位置。
• 基于聚类结果构建加权有向图模型，过滤掉低收益和低利用率的站点，以提升模型的相关性。
• 将不同时段的图模型整合为图序列模型，以捕捉站点使用模式的时间演化特征。
• 在图序列数据上训练门控图神经网络（GGNN），学习时间依赖关系并预测未来的站点位置与需求。
• 通过政府城市规划方案对预测的站点布局进行微调，以确保其可行性、合法性，并与城市规划保持一致。
• 将最终推荐的布局用于下游应用，如自行车调度、轨迹追踪和故障检测。

实验结果

研究问题

• RQ1 如何有效将大规模时空自行车轨迹数据转化为可操作的候选站点位置？
• RQ2 何种基于图的建模方法最能捕捉无桩系统中自行车站点使用情况随时间的动态演化？
• RQ3 门控图神经网络（GGNN）在预测未来自行车站点位置方面，相较于其他模型（如GCN、GNN、LSTM）的性能优势有多大？
• RQ4 如何在最大化服务质量和运营商收益的前提下，调整预测的站点布局以符合城市管理政策？

主要发现

• DADC聚类方法优于DPC和DBSCAN，平均AUC达到0.82，且随着数据量增加，性能显著提升。
• GGNN模型在所有对比模型中预测准确率最高，经过100次训练迭代后平均AUC达到0.91，显著优于GNN（0.83）、GCN（0.80）和LSTM（0.71）。
• GGNN展现出最快的收敛速度和最低误差，在100次迭代后达到最小平均RMSE为0.13，显著低于GNN（0.26）、GCN（0.29）和LSTM（0.33）。
• BSDP系统成功生成了可行、收益优化且符合城市要求的站点布局，证明了其实际可行性与集成潜力。
• 该系统处理真实世界DL-PBS数据集的能力，证实了其在不同城市行政区域中的可扩展性与鲁棒性。
• 在推荐阶段整合政府城市规划约束，确保了所提布局在操作上的可行性与政策合规性。