建成环境与共享单车流率的非线性关系研究

doi:10.12141/j.issn.1000-565X.220141

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (2): 100-110.doi: 10.12141/j.issn.1000-565X.220141

所属专题： 2023年交通运输工程

建成环境与共享单车流率的非线性关系研究

路庆昌徐标崔欣

长安大学电子与控制工程学院，陕西西安 710064

收稿日期:2022-03-18 出版日期:2023-02-25 发布日期:2023-02-01
通信作者: 路庆昌（1984-），男，教授，博士生导师，主要从事交通运输系统规划、环境与交通行为分析。 E-mail:qclu@chd.edu.cn
作者简介:路庆昌（1984-），男，教授，博士生导师，主要从事交通运输系统规划、环境与交通行为分析。
基金资助:
国家自然科学基金面上项目(71971029);霍英东青年教师基金项目(171069)

Research on the Non-linear Relationship Between Built Environment and Bike-sharing Flow Rate

LU Qingchang XU Biao CUI Xin

School of Electronics and Control Engineering，Chang’an University，Xi’an 710064，Shaanxi，China

Received:2022-03-18 Online:2023-02-25 Published:2023-02-01
Contact: 路庆昌（1984-），男，教授，博士生导师，主要从事交通运输系统规划、环境与交通行为分析。 E-mail:qclu@chd.edu.cn
About author:路庆昌（1984-），男，教授，博士生导师，主要从事交通运输系统规划、环境与交通行为分析。
Supported by:
the National Natural Science Foundation of China(71971029);the Huo Yingdong Education Foundation of China(171069)

摘要/Abstract

摘要：

共享单车流率的大小体现了城市空间环境内车辆盈缺的程度，理解其变化及其诱因对于城市单车的调度具有重要意义。由于出行目的和外界环境因素的复杂多变，共享单车流率和建成环境特征之间的关系很难通过具有线性假设的统计学模型来解析。基于此，本研究利用上海市中心城区的共享单车数据，基于极端梯度提升树模型（XGBoost）和机器学习的解释性方法部分依赖图（PDP）来探究建成环境对共享单车流率的贡献度和非线性影响，以及流率的非线性模式在工作日和周末的变化。结果显示，特征重要度和非线性机制在两个时段差异化显著。居住人口密度、教育设施密度和住宅设施密度对工作日单车流率的解释度较高，分别为19.18%、13.16%和12.92%，并且具有明显的阈值效应。其中居住人口密度和教育设施密度对于单车净流出率具有正向影响，分别在11 600 人/km²和8个/km²达到最大；住宅设施密度对单车净流出率具有负向影响，对应的阈值为40 个/km²。各变量对周末单车流率的解释度差异较小，但非线性关系仍不可忽视。具体来说，到市中心的距离和公交线数密度对周末单车净流入率正向影响显著，有效范围为18~23 km和28~52 条/km²；容积率对周末单车净流出率正向影响范围在0.89~1.41。上述发现表明XGBoost模型可以有效弥补传统回归模型（MLR）线性假设的偏见，建成环境特征贡献度和影响范围的揭示也为管理部门针对具有不同建成环境水平地区的单车调度提供决策建议。

关键词: 共享单车流率, 建成环境, 极端梯度提升树模型, 非线性, 调度管理

Abstract:

The bike-sharing(BS) flow rate reflect the degree of surplus and shortage of vehicles in urban spatial environment. Understanding its changes and incentives is of great significance for urban BS scheduling. Due to the complexity and variability of travel purposes and external environmental factors, it is difficult to analyze the relationship between the BS flow rate and the characteristics of the built environment through a statistical model with linear assumptions. Therefore, this study explored the contribution of the built environment to the BS flow rate and the nonlinear effects on the flow rate, as well as the changes of the nonlinear model of the BS flow rate on weekdays and weekends based on the data of BS in the downtown of Shanghai, through the extreme gradient boosting tree model (XGBoost) and the interpretive method partial dependence plot (PDP) of machine learning. The results show that the feature importance and nonlinear mechanism are significantly different in the two periods. The density of residential population, educational facilities and residential facilities has a high degree of explanation for the weekday BS flow rate, which is 19.18%, 13.16% and 12.92%, respectively, and has a significant threshold effect. The density of residential population and the density of educational facilities have a positive impact on the net BS outflow rate, reaching the maximum at 11 600 person per km² and 8 educational facilities per km² respectively; the density of residential facilities has a negative impact on the net BS outflow rate, and the corresponding threshold is 40 residential facilities per km².There is little difference in the explanatory degree of each variable to weekend BS flow rate, nevertheless the nonlinear relationship cannot be ignored. Specifically, the distance to the city center and bus line number density have a significant positive impact on the weekend net BS inflow rate, with the effective range of 18~23 km and 28~52 routes per km². The positive influence range of plot ratio on net BS outflow rate at weekends is 0.89~1.41. The above findings show that XGBoost model can effectively compensate for the bias of linear assumption of traditional regression model (MLR), and the disclosure of the contribution degree and influence scope of built environment characteristics also provides decision-making suggestions for the management department for BS dispatching in areas with different built environment levels.

Key words: bike-sharing flow rate, built environment, extreme gradient boosting tree model, non-linear, scheduling management

中图分类号:

U491.1

路庆昌, 徐标, 崔欣. 建成环境与共享单车流率的非线性关系研究[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 100-110.

LU Qingchang, XU Biao, CUI Xin . Research on the Non-linear Relationship Between Built Environment and Bike-sharing Flow Rate[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(2): 100-110.

图/表 9

图1

表1

图2

图3

表2

表3

图4

图5

图6

参考文献 26

1	DU Y C， DENG F W， LIAO F X ．A model framework for discovering the spatio-temporal usage patterns of public free-floating bike-sharing system［J］．Transportation Research Part C：Emerging Technologies，2019，103：39-55.
2	LI W X， CHEN S W， DONG J S，et al ．Exploring the spatial variations of transfer distances between dockless bike-sharing systems and metros［J］．Journal of Transport Geography，2021，92：1-11.
3	PAL A， ZHANG Y ．Free-floating bike sharing：Solving real-life large-scale static rebalancing problems［J］．Transportation Research Part C：Emerging Technologies，2017，80：92-116.
4	YANG H T， ZHANG Y B， ZHONG L Z，et al ．Exploring spatial variation of bike sharing trip production and attraction：a study based on Chicago’s Divvy system［J］．Applied Geography，2020，115：1-11.
5	EL-ASSI W， MAHMOUD M S， HABIB K N ．Effects of built environment and weather on bike sharing demand：a station level analysis of commercial bike sharing in Toronto［J］．Transportation，2017，44（3）：589-613.
6	莫海彤，魏宗财，翟青．老城区共享单车出行特征及影响因素研究——以广州为例［J］．南方建筑，2019（1）：7-12.
	MO Haitong， WEI Zongcai， ZHAI Qing ．Travel behaviors and influencing factors of bike sharing in old town：the case of Guangzhou［J］．South Architecture，2019（1）：7-12.
7	MATEO-BABIANO I， BEAN R， CORCORAN J，et al ．How does our natural and built environment affect the use of bicycle sharing？［J］．Transportation Research Part A：Policy and Practice，2016，94：295-307.
8	曹小曙，罗依．中国大陆城市建成环境与共享单车配置的关系［J］．中山大学学报（自然科学版），2020，59（1）：77-85.
	CAO Xiaoshu， LUO Yi ．Relationship between built environment and bikeshare allocation in the mainland of China［J］．Acta Scientiarum Naturalium Universitatis Sunyatseni（Natural Science Edition），2020，59（1）：77-85.
9	ALCORN L G， JIAO J F ．Bike-sharing station usage and the surrounding built environments in major Texas cities［J］．Journal of Planning Education and Research，2019（7）：1-14.
10	WANG X Z， LINDSEY G， SCHONER J E，et al ．Modeling bike share station activity：Effects of nearby businesses and jobs on trips to and from stations［J］．Journal of Urban Planning and Development，2016，142（1）：04015001.
11	严亚磊，于涛，沈丽珍．共享单车出行的建成环境影响机制——以上海市为例［J］．上海城市规划，2020（6）：85-91.
	YAN Yalei， YU Tao， SHEN Lizhen ．The impact mechanism of built environment on shared bikes travel：a case study of Shanghai［J］．Shanghai Urban Planning Review，2020（6）：85-91.
12	DING C， CAO X Y， WANG Y P ．Synergistic effects of the built environment and commuting programs on commute mode choice［J］．Transportation Research Part A：Policy and Practice，2018，118：104-118.
13	MA T， LIU C， ERDOGAN S ．Bicycle sharing and public transit：does Capital Bikeshare affect Metrorail ridership in Washington，DC？［J］．Transportation Research Record，2015，2534（1）：1-9.
14	ZHAO D， ONG G P， WANG W，et al ．Effect of built environment on shared bicycle reallocation：A case study on Nanjing，China［J］．Transportation Research Part A：Policy and Practice，2019，128：73-88.
15	上海市交通委员会．2020年上海市互联网租赁自行车经营服务报告［EB/OL］．［2021-01-15］．.
16	吴文静，景鹏，贾洪飞，等．基于K均值聚类与随机森林算法的居民低碳出行意向数据挖掘［J］．华南理工大学学报（自然科学版），2019，47（7）：105-111.
	WU Wenjing， JING Peng， JIA Hongfei，et al ．Low carbon travel intention data mining for residents based on k-means clustering and random forest algorithm［J］．Journal of South China University of Technology（Natural Science Edition），2019，47（7）：105-111.
17	FAGHIH-IMANI A， ELURU N， EL-GENEIDY A M，et al ．How land-use and urban form impact bicycle flows：evidence from the bicycle-sharing system （BIXI） in Montreal［J］．Journal of Transport Geography，2014，41：306-314.
18	GUO D S， ZHU X， JIN H，et al ．Discovering spatial patterns in origin‐destination mobility data［J］．Transactions in GIS，2012，16（3）：411-429.
19	CHEN T Q， GUESTRIN C ．Xgboost：a scalable tree boosting system［C］∥Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining，USA：ACM，2016：785-794.
20	MOLNAR C，Interpretable machine learning［M］．USA：Leanpub，2020：147-154.
21	高楹，宋辞，郭思慧，等．接驳地铁站的共享单车源汇时空特征及其影响因素［J］．地球信息科学学报，2021，23（1）：155-170.
	GAO Ying， SONG Ci， GUO Sihui，et al ．Spatial-temporal characteristics and influencing factors of source and sink of dockless sharing bicycles connected to subway stations［J］．Journal of Geo-Information Science，2021，23（1）：155-170.
22	ZHAO J B， WANG J， DENG W ．Exploring bikesharing travel time and trip chain by gender and day of the week［J］．Transportation Research Part C：Emerging Technologies，2015，58：251-264.
23	马新卫，季彦婕，金雨川，等．基于时空地理加权回归的共享单车需求影响因素分析［J］．吉林大学学报（工学版），2020，50（4）：1344-1354.
	MA Xinwei， JI Yanjie， JIN Yuchuan，et al ．Geographically and temporally weighted regression for modeling spatio-temporal variation in dockless bikeshare usage demand［J］．Joural of Jilin University（Engineering and Technology Edition），2020，50（4）：1344-1354.
24	WANG F R， ROSS C L ．Machine learning travel mode choices：comparing the performance of an extreme gradient boosting model with a multinomial logit model［J］．Transportation Research Record，2018，2672（47）：35-45.
25	孔静．无桩式共享单车站点需求预测及调度路径优化研究［D］．西安：长安大学，2018.
26	ZHANG Y， THOMAS T， BRUSSEL M，et al ．Exploring the impact of built environment factors on the use of public bikes at bike stations：case study in Zhongshan，China［J］．Journal of Transport Geography，2017，58：59-70.

变量类别	变量名	平均值	标准差	最小值	最大值
人口密度	居住人口密度	12 832	11 244	0	62 981
人口密度	就业人口密度	6 195	8 771	0	71 124
土地利用与服务设施	容积率	0.614	0.678	0	4.318
	土地利用混合度	0.452	0.231	0	0.792
	餐饮设施密度	56	61	0	612
	购物设施密度	42	92	0	1 862
	休闲设施密度	16	28	0	308
	教育设施密度	19	41	0	428
	办公设施密度	71	117	0	1 133
	住宅设施密度	58	108	0	758
道路设计	道路密度	15.490	46.650	0	1 671.580
道路设计	交叉口密度	35	39	0	419
交通基础设施可达性	公交站点密度	4	4	0	24
	地铁站点密度	0	1	0	3
	公交线数密度	25	36	0	346
	停车场密度	16	29	0	208
区位条件	到市中心的距离	18.652	6.724	0.392	33.943

变量	VIF	变量	VIF	变量	VIF
地铁站密度	1.790	公交线数密度	1.819	休闲设施密度	6.846
公交站密度	3.745	住宅设施密度	3.919	土地利用混合度	6.905
到市中心的距离	3.055	办公设施密度	3.737	容积率	6.698
交叉口密度	4.491	教育设施密度	4.663	居住人口密度	5.548
停车场密度	6.908	餐饮设施密度	4.911	就业人口密度	4.440
道路总长	1.196	购物设施密度	2.276	—	—

建成环境变量	工作日单车流率			周末单车流率
	XGBoost模型		MLR模型	XGBoost模型		MLR模型
	重要性/%	排序	回归系数	重要性/%	排序	回归系数
地铁站密度	0.74	10	8.94×10^-5	7.85	8	-3.34×10^-3
公交站密度	6.38	7	-4.92×10^-3***	10.62	4	3.78×10^-3**
到市中心的距离	21.25	2	7.10×10^-3***	12.22	1	-1.49×10^-4**
交叉口密度	7.91	5	-1.31×10^-5	7.61	9	-6.04×10^-4
道路总长	7.26	6	5.12×10^-5	9.93	7	-1.94×10^-5
公交线数密度	10.25	3	-2.80×10^-4**	11.53	3	6.99×10^-6*
住宅设施密度	26.91	1	-2.00×10^-5	7.27	10	-1.44×10^-4
办公设施密度	8.67	4	5.38×10^-6	10.36	6	1.05×10^-4
购物设施密度	4.56	9	-1.08×10^-4*	12.01	2	1.00×10^-4***
就业人口密度	6.07	8	3.67×10^-6***	10.60	5	1.39×10^-6
R²	0.69		0.48	0.62		0.43
MAE	0.11		0.13	0.12		0.18
MSE	0.04		0.07	0.06		0.13

[1]	解辉, 沈刚, 刘东, 等. 单绳缠绕式矿井提升机制动瞬态冲击抑制策略[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 141-150.
[2]	魏鹏, 何磊, 许伟鹏, 等. 基于水平集带方法的柔顺机构拓扑优化研究[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 93-101.
[3]	邓满宇, 袁行飞, 董永灿. 考虑不同失效模式的索杆结构构件面积缺损限值研究[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 52-61.
[4]	丁江, 卢蒙恩, 曾梓洋, 等. 一种可调谐非线性磁式压电能量采集器[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 30-43.
[5]	张广驰, 乐文英, 庞海舰, 等. IRS辅助认知无线携能通信网络的发射功率最小化算法[J]. 华南理工大学学报(自然科学版), 2023, 51(3): 110-123.
[6]	文尚胜, 丘志强, 许函铭, 等. 基于差分算法优化的自复位粒子滤波算法[J]. 华南理工大学学报(自然科学版), 2023, 51(3): 133-145.
[7]	韩光, 许立忠. 十字型微谐振梁多场耦合振动及信号分析[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 10-19.
[8]	陈小红, 胡芳. 基于可能度的交叉口信号控制区间优化模型[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 29-40.
[9]	李刚, 李锋, 丁孺琦, 等. 基于关节力矩补偿的液压机械臂末端力软测量[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 140-152.
[10]	张艺瀚王平胡景丰. 不对称双体船非线性横摇阻尼及横摇运动分析[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 26-33.
[11]	上官文斌, 方致远, 李利平, 等. 动力总成-副车架悬置系统的刚体模态和位移控制计算方法[J]. 华南理工大学学报(自然科学版), 2021, 49(3): 1-7.
[12]	陈松茂陈宇林鲁忠臣. 基于多参数协同耦合作用的熔融沉积填充速度优化控制研究[J]. 华南理工大学学报(自然科学版), 2021, 49(12): 53-60,68.
[13]	徐海祥, 李超逸, 余文曌, 等. 基于扩张状态观测器的智能船舶循迹预测控制[J]. 华南理工大学学报(自然科学版), 2021, 49(12): 143-152.
[14]	周大为, 左曙光, 吴旭东, 等. 考虑变刚度解耦膜的液压悬置动特性快速预测模型[J]. 华南理工大学学报（自然科学版）, 2020, 48(6): 8-15.
[15]	张宁张德宇古泉. 基于数值子结构的 OpenSees 与 LS-DYNA 联合计算[J]. 华南理工大学学报（自然科学版）, 2020, 48(5): 15-21.

建成环境与共享单车流率的非线性关系研究

Research on the Non-linear Relationship Between Built Environment and Bike-sharing Flow Rate

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价