论文总字数：27026字

摘 要

随着城市公交系统的不断发展以及人们的生活水平不断地提升，越来越多的人们开始选择乘坐机动车辆进行出行活动，这些活动在为人们带来生活便捷的同时也带来了如交通拥堵，环境污染等一系列的问题。共享单车的出现很好的解决了这一问题，帮助进行短途旅行的人们尽可能的避免使用机动车辆出行，并使得最后一公里的调度变得更加容易实现。但是，任何一项发明的出现都不是十全十美的，在高峰时段部分关键站点很容易出现无车可用但同时周边站点仍有众多空闲这两的现象，这种资源供求不平现象的出现极大的影响了人们的出行效率以及共享单车公司的盈利能力。因此本文将结合历史数据，通过一系列的分析寻找能够结合历史数据进行短期共享单车站点需求预测的方法。

本文将针对上述高峰期站点供求不平衡现象进行分析，结合站点历史数据，采用基于时间序列分析方法的ARIMA方法（即自回归积分滑动平均模型），通过数据采集、数据整理，数据拟合从而寻找最适合数据特性的预测方法进行预测。整个预测模型以尽可能满足人们在站点对于OFO共享单车的需求为最终目的，通过整合历史数据进行预测，最终将运用模型得到的预测结果与高峰时段南京市某站点的实际共享单车数量进行比对，检验预测方法的准确性。结果表明，本文所提出的模型和算法可以实现预测南京市大行宫地铁站附近OFO共享单车于某日早高峰时段的需求量。

关键词：共享经济；OFO共享单车；需求预测；时间序列分析；ARIMA预测方法

Abstract

With the continuous development of the continuous improvement of people’s living standards, more and more people have begun to choose motorized vehicles to travel. It brings people convenience but a series problems. The emergence of shared bicycles has solved this problem very well, helping people on short trips to avoid using motorized vehicles as much as possible and making the last kilometer schedule easier to achieve. In the course of the development of shared bicycles, we have found that it has a series of problems that need to be resolved. During the peak hours, some key sites are prone to car-free but at the same time there are still many idle in the surrounding sites. This phenomenon of resource supply and demand unevenness has greatly affected people's travel efficiency and the profitability of the shared bicycle company. Therefore, this thesis will use a series of analysis to find a method that can combine the historical data for short-term shared bicycle station demand forecasting.

This thesis will analyze the unbalanced supply and demand of the above-mentioned peak stations, combine the historical data of the site, and use the ARIMA method based on the time series analysis method (that is, the autoregressive integral sliding average model) to predict. The entire forecasting model aims at satisfying people’s need for OFO shared bicycles at the site as far as possible, and integrates historical data to make predictions. Finally, the forecast results obtained by using the model are compared with the actual number of shared bicycles at a site in Nanjing during peak hours, test the accuracy of the prediction method. The results show that the model and algorithm presented in this paper can successfully predict the demand for OFO shared bicycles near the DAXINGGONG subway station in Nanjing during the morning peak period. The successful application of this method will lay the foundation for the further optimization of shared bicycles, facilitate the proper integration of shared bicycle resources within a certain area, and help the healthy development of shared economy in China.

Key Words: Sharing Economy, OFO Shared Bicycle, Demand Prediction, Time Series Analysis, ARIMA Prediction.

目录

摘要 3

Abstract 4

第一章 绪论 6

1.1 选题背景及意义 6

1.1.1选题背景 6

1.1.2 选题意义 6

1.2 研究现状 7

1.2.1 国外研究现状 7

1.2.2国内研究现状 7

1.3研究内容与主要框架 8

第二章 相关理论 10

2.1 共享经济 10

2.2 共享单车与共享单车 10

2.3 共享单车需求现状 11

第三章 OFO共享单车投放现状分析 15

3.1 共享单车运营现状 15

3.1.1 OFO共享单车 16

3.1.2 摩拜单车 16

3.1.3小蓝车bluegogo 17

3.2 共享单车城市投放现状 18

3.3 共享单车处理与回收分析 13

第四章 基于ARIMA的OFO共享单车站点需求预测模型构建 20

4.1时间序列建模方法简介 20

4.2 ARIMA算法预测思路与步骤 21

4.3 共享单车需求预测模型的构建 22

第五章 基于需求预测模型的大行宫地铁站单车需求的实证分析 23

5.1南京市OFO共享单车需求数据分析 23

5.2 南京市玄武区大行宫地铁站OFO共享单车数据预测 27

5.3预测结果的应用 29

第六章 结论与展望 30

6.1 研究结论 30

6.2 未来展望 30

致谢 32

参考文献 33

第一章 绪论

1.1 选题背景及意义

1.1.1选题背景

随着当今社会人们的收入水平的快速增长，越来越多的家庭开始选择购买车辆，通过汽车出行也基本成为了大部分人们的出行首选；截至2017年底，超过3.10亿辆机动车辆被中国家庭所拥有，而汽车的数量达到了2.17亿；除了车辆数量极高以外，机动车辆的驾驶人数也是节节攀升，达到了3.85亿人次。车辆和驾驶人数的增加一方面证明了国内的生活水平不断提高，同时带来的一系列问题也是无法忽视的。城市的空气开始出现由于车辆过多造成的污染，不仅如此，在直辖市及省会级城市这类车辆拥堵相对之下更严重的城市，在交通干线两侧一定距离之内、噪音污染也对居民造成了极大的影响。

为解决各大城市中广泛出现的交通拥堵现状并减少由机动车辆过多带来的一系列其他问题。北京政府在国内率先开展城市公共自行车服务，在该服务取得成功之后向全国各城市逐渐普及。这种低收费，低门槛，低污染的新型出行方式服务很好的满足了城市内的短途出行需求，人们无需再通过驾驶车辆出行，而是仅仅通过使用站点内停放的公共自行车即可达到目的地。但是由于公共自行车的数量限制以及停车点固定等问题，其本身无法彻底解决人们对于自行车出行需求。

剩余内容已隐藏，请支付后下载全文，论文总字数：27026字