摘 要

随着中国经济的快速发展，城市居民数量不断上升，城市交通及环境问题随着时间不断恶化。发展公共自行车系统是解决“最后一公里”的主要手段，有利于缓解交通拥堵，为人们的出行提供方便。目前的时代处于互联网和智能手机得到了较为广泛的普及的阶段，以互联网技术为基础的各种共享经济也随之而发展。其中共享单车是共享经济在慢行交通中的典型代表，2016年最早出现了OFO小黄车，随后出现摩拜自行车，再到如今多个品牌的共享单车。

本文首先对公共自行车系统进行介绍，其中有公共自行车的国内外发展过程，公共自行车的出行条件和模式，还有在城市的交通系统中公共自行车的功能定位。然后根据共享单车的使用行为特征，分析影响共享单车借还需求的因素。利用Logit模型得到各出行方式的效用函数，然后对居住点、商业点、行政办公点的共享单车租借需求进行预测。

关键词：共享单车；租借需求；预测模型

Abstract

With the rapid development of China's economy and the increasing number of urban residents, urban traffic and environmental problems are deteriorating over time. The development of public bicycle system is the main measures to solve the problem of "last mile", which is conducive to easing traffic congestion and providing convenience for people's travel. At present, the era of Internet and smart phones have been widely popularized, and all kinds of shared economy based on Internet technology also develop. Sharing bike is a typical representative of the shared economy in slow traffic and OFO appeared earliest in 2016, followed by a mobike, and now many brands of shared bicycles.

T his paper first introduces the public bicycle system, including the development of public bicycles at home and abroad, the travel conditions and modes of public bicycles, and the function of public bicycles in the urban transportation system. Then, according to the behavior characteristics of sharing bicycles, the factors affecting the demand for shared bicycles are analyzed. At last，the NML model is used to predict the shared bicycle rental demand in the area of residential, commercial and administrative offices.

Key Words：sharing bike；rental demand；prediction model

目 录

第1章 绪论 1

1.1研究背景 1

1.2国内外相关理论研究现状 1

1.3研究意义 4

1.4研究内容、方法及技术路线 4

第2章 城市公共自行车系统分析 6

2.1公共自行车系统 6

2.1.1发展历程 6

2.1.2公共自行车系统的优点 7

2.1.3公共自行车系统发展过程中出现的问题 9

2.2共享单车的使用环境与条件 9

2.3共享单车的功能定位 11

2.4本章小结 12

第3章 共享单车出行特征分析 13

3.1不同用地属性租借特征分析 13

3.1.1典型用地分类 13

3.1.2居住点共享单车使用特征分析 14

3.1.3商业点共享单车使用特征分析 14

3.1.4行政办公点共享单车使用特征分析 15

3.2共享单车使用特征分析 16

3.2.1使用时间 16

3.2.2个体属性 18

3.3本章小结 20

第4章 共享单车租借需求预测模型 21

4.1租借需求预测模型 21

4.1.1多项logit模型及算法 21

4.1.2模型的建立 24

4.2共享单车投放规模测算 26

4.2.1共享单车规模测算方法 27

4.2.2共享单车停车规模测算方法 28

4.3算例分析 29

4.3.1共享单车需求预测算例 29

4.3.2共享单车租借规模预测算例 30

4.4本章小结 32

第5章 总结与展望 33

5.1研究结论 33

5.2研究展望 33

参考文献 35

致谢 36

第1章 绪论

研究背景

目前我国的经济实力不断上升，居民的生活水平不断提高，出行者对于出行工具各个方面的要求也不断提高，导致了城市机动车保有量急剧上升。截至2017年底，全国私人汽车登记数量超过3亿辆。其中，在2017年内在新注册登记的机动车三千多万辆，其中包含汽车2813万辆，创历史新高。居民频繁使用机动车出行导致了许多问题，包括空气质量的恶化、能源的过度使用、城市噪音不断等。政府部门在意识到上述问题后，为了缓解这些问题，在宏观调控层面提出了“优先发展公共交通”的政策。

在该政策的推动下，公共自行车作为公共交通的分支，也得到了快速的发展。公共自行车具有环保、方便、节能的特点,为城市交通条件的改善带来了持续和长期的贡献。公共自行车（Public Bicycle）又称为共享单车（Bike Sharing），公共自行车系统的定义是公司或组织在客流聚集的区域内设置公共自行车租赁点，随时为出行者提供公共自行车进行中短距离的出行，并以使用时间作为收费依据，向公共自行车使用者征收一定的使用费，以该服务系统和配套的公共自行车基础设施，提供公共自行车出行服务的城市公共交通系统^[1]。

2016年出现的共享单车以“ofo”和“摩拜单车”这两个品牌为领导，通过互联网技术为依托构建租借平台，主要服务于部分区域内出行者的中短距离出行和公共交通工具之间换乘。有效改善了公共交通换乘或公共交通站点与目的地之间“最后一公里”的问题，公共交通系统的竞争力也因此得到了提升，吸引了更多的出行者选择公共交通出行，使得公共交通成为城市交通结构中心的发展方向。

国内外相关理论研究现状

在公共自行车租借需求预测研究中，其借需求预测常用方法通常有如下几种。

（1）时间序列模型

时间序列预测的方法是把对预测目标存在影响的因素综合起来，通过“时间”进行描述，分析预测目标随时间变化而变化的规律，从而预测目标未来时间的数值。而时间序列统计方法下，又包含了Auto Regressive Model(自回归法)、Moving Average Model（滑动平均模型）、Auto-Regressive and Moving Average Model（自回归滑动平均模型）、Autoregressive Integrated Moving Average Model（差分自回归滑动平均模型）、Seasonal Autoregressive Integrated Moving Average（季节性差分自回归滑动平均模型法）。利用时间序列模型来进行数量的预测，在实际的应用情况中，该模型在较大程度上依赖于时间因素对于模型的影响，只考虑所有影响因素的整体效应。这种方法的特点在于时间因素在预测中起较大的作用，缺乏外部因素的考虑和具体因素的影响。

时间序列模型的结构较为简洁，通过使用采集到的大量符合实际情况的数据进行建模，在一定程度上能够保证预测的精确度，单该模型的不足之处在于如果数据完整性或准确性达不到一定要求，会导致预测的精确度降低^[2]。

Andreas Kaltenbrunner, Rodrigo Meza^[3]-[6]等人通过对Barcelona的公共自行车系统部分租借点可租借的自行车数量进行调查记录，通过调查得到的数据分析出公共自行车租借站点一定范围内的人群的出行特征及其出行规律。在此基础上建立了以自回归滑动平均模型为基础的公共自行车流量时间序列对公共自行车需求进行了预测，该模型预测结果证明了自回归滑动平均模型在数量预测上具有一定的精确度和适用性。

JiWon Yoon， Fabio Pinelli等人通过差分自回归滑动平均模型构建了时空序列公共自行车借还流量预测方法，预测各公共自行车租借点内公共自行车可租借的数量。出行者可根据该模型的预测结果获取最佳的公共自行车借还点，从而保证出行者在公共自行车租借点可借到自行车或存在停车位来完成还自行车行为，减少出行者在租赁点无车可借或没有位置归还自行车所浪费的时间^[7]-[8]。

Haitao Xu， Jing Ying等人为了克服单一预测模型的缺陷，建立了一个基于聚类算法和 SVM 算法的混合模型对公共自行车租借需求进行了预测，获取了公共自行车系统租借点在特定时间内的自行车借还频率，该模型的预测精确度和较高的可靠性由实际数据得出的预测结果所证明^[9]。

（2）非集计模型

最近几年内，研究人员开始重视非集计模型，该模型也趁此机会得以出现较大的发展。非集计方法以个体作为分析对象， 充分利用每个个体的数据，构造以个体的原始资料作为基本元素的模型。非集计模型的特点是可以通过较小的样本量，获得较高预测精度的预测结果。所以本文将使用非集计模型进行交通方式划分计算。非集计模型中比较常用的是Logit模型， Logit模型包括有二元Logit模型、无序多分类Logit模型和有序多分类Logit模型。Logit模型包含两条应用条件，其一是出行者选择出行方式的决策是相互独立的，决策之间不存在相互影响；第二条是假定出行者选择的出行方式是其本人认为效用最大的出行方案。从居民的实际出行规律进行观察，以上的这两个应用条件是符合城市居民出行规律的。另外一个方面，在Logit模型的构造当中，出行者对交通方式的选择符合正态分布，将对人们出行方式选择产生影响的因素综合为线性函数的因子，这些因子可以包括出行时间、出行费用、出行距离等^[10]-[12]。

Faghih-Imani等通过构建混合线性模型评估自行车基础设施、社会人口特征和土地使用等因素对共享自行车使用效率的影响，构建了二元Logit模型确定了自行车再平衡的时间段，为研究不同环境下的自行车再平衡问题提供参考^[13]。