| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 共享自行车应用现状 | 第12-14页 |
| 1.2.1 公共自行车国内外应用现状 | 第12-13页 |
| 1.2.2 共享单车国内外应用现状 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.3.1 公共自行车国内外研究现状 | 第14-15页 |
| 1.3.2 共享单车国内外研究现状 | 第15页 |
| 1.4 目前存在的问题 | 第15-17页 |
| 1.5 研究路线与章节安排 | 第17-20页 |
| 1.5.1 研究路线 | 第17页 |
| 1.5.2 章节安排 | 第17-20页 |
| 第2章 共享自行车流量变化规律与影响因素分析 | 第20-32页 |
| 2.1 流量的总体分布概况 | 第20-21页 |
| 2.2 流量变化量的定义 | 第21-22页 |
| 2.3 流量变化量在时间分布上的规律 | 第22-24页 |
| 2.4 流量变化量与气象状况的关系 | 第24-26页 |
| 2.5 空间分布和站点之间的关系 | 第26-28页 |
| 2.6 基于GeoHash的共享单车虚拟站点划分方法 | 第28-31页 |
| 2.6.1 GeoHash编码 | 第28-29页 |
| 2.6.2 GeoHash递归组码算法 | 第29页 |
| 2.6.3 GeoHash算例分析 | 第29-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 共享自行车调度需求预测与平衡性分析 | 第32-51页 |
| 3.1 流量变化量预测 | 第32页 |
| 3.2 流量变化量预测问题定义 | 第32-33页 |
| 3.3 基于K-Medoids的站点聚类算法 | 第33-34页 |
| 3.3.1 K-Medoids聚类算法 | 第33页 |
| 3.3.2 站点聚类算法 | 第33-34页 |
| 3.3.3 站点相似度矩阵 | 第34页 |
| 3.4 基于极限梯度提升(XGBoost)的流量变化量预测模型 | 第34-41页 |
| 3.4.1 根据影响因素构建特征 | 第34-35页 |
| 3.4.2 梯度提升决策树(GBDT)算法 | 第35-37页 |
| 3.4.3 极限梯度提升(XGBoost)算法 | 第37-38页 |
| 3.4.4 Stacking集成方法 | 第38-39页 |
| 3.4.5 构建堆叠集成的XGBoost的流量变化量预测模型(SMVP) | 第39-41页 |
| 3.5 实证分析 | 第41-46页 |
| 3.5.1 数据集的选取与预处理 | 第41-42页 |
| 3.5.2 特征对比基准 | 第42页 |
| 3.5.3 模型对比基准 | 第42-43页 |
| 3.5.4 超参数设置 | 第43页 |
| 3.5.5 评价标准 | 第43-44页 |
| 3.5.6 实验结果 | 第44-46页 |
| 3.6 区域的调度需求预测 | 第46-48页 |
| 3.6.1 站点调度需求累加预测 | 第47页 |
| 3.6.2 站点调度需求整体预测 | 第47-48页 |
| 3.7 区域的车辆平衡性分析 | 第48-49页 |
| 3.8 算例分析 | 第49-50页 |
| 3.9 本章小结 | 第50-51页 |
| 第4章 共享自行车用户出行规律分析与候选地预测 | 第51-65页 |
| 4.1 数据探索与影响因素分析 | 第51-58页 |
| 4.1.1 起始地、目的地规律探索 | 第51-56页 |
| 4.1.2 用户行为规律探索 | 第56-58页 |
| 4.2 基于FP-Growth算法的用户出行候选地预测模型 | 第58-62页 |
| 4.2.1 频繁模式树(FP-Tree) | 第59-60页 |
| 4.2.2 用户出行候选地预测模型(CGM) | 第60-62页 |
| 4.3 实证分析 | 第62-64页 |
| 4.3.1 数据集的选取与预处理 | 第62页 |
| 4.3.2 模型对比基准 | 第62-63页 |
| 4.3.3 模型评价标准 | 第63页 |
| 4.3.4 实验结果 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 共享自行车用户出行目的地预测与分流策略 | 第65-83页 |
| 5.1 用户出行目的地预测的作用 | 第65页 |
| 5.2 基于深度学习的用户出行目的地预测模型 | 第65-75页 |
| 5.2.1 卷积神经网络(CNN) | 第65-68页 |
| 5.2.2 循环神经网络(RNN) | 第68-69页 |
| 5.2.3 长短期记忆网络(LSTM) | 第69-71页 |
| 5.2.4 基于时空数据的目的地预测网络DPNNst模型 | 第71-75页 |
| 5.3 实证分析 | 第75-78页 |
| 5.3.1 数据集的选取与预处理 | 第75-76页 |
| 5.3.2 模型对比基准 | 第76页 |
| 5.3.3 模型评价标准 | 第76页 |
| 5.3.4 实验结果 | 第76-78页 |
| 5.4 用户分流的作用与方法 | 第78-81页 |
| 5.4.1 推荐还车地点 | 第79-80页 |
| 5.4.2 引导用户辅助流量的平衡 | 第80页 |
| 5.4.3 引导用户缓解交通压力 | 第80-81页 |
| 5.5 算例分析 | 第81页 |
| 5.6 本章小结 | 第81-83页 |
| 第6章 结论与展望 | 第83-85页 |
| 6.1 结论 | 第83-84页 |
| 6.2 展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 附录 | 第89-91页 |
| 详细摘要 | 第91-93页 |
