作品名称：基于深圳市共享单车数据的出行目的推断与时空特征研究

参赛学校：广州大学地理科学与遥感学院

指导老师：李少英

团队成员：庄财钢 高枫 赖志鹏 谭紫玲

共享单车被认为是一种低成本、低排放的交通出行方式，在解决城市“最后一公里”出行、推动市民绿色低碳出行、促进居民体育锻炼等方面发挥着重要的作用。共享单车于2016年诞生于中国，随后迅速遍及全球各大城市。共享单车的出现，从根本上改变了居民的出行行为。利用共享单车时空轨迹大数据推断共享单车的出行目的，有助于理解共享单车出行行为、出行模式及其与城市结构的关系。

本研究提出了基于重力模型和贝叶斯法则的共享单车出行目的推断研究框架（图1）。该框架除了考虑时间、距离与建成环境因素外，还考虑了已有交通出行研究中忽视的活动类型比例和POI服务容量因素，据此构建了基础模型与两个改进模型。该研究框架与模型方法应用于深圳市，并利用居民出行调查数据进行验证。通过两种改进模型与基础模型的比较，证明了引入出行活动类型比例和POI服务容量可以提高推断模型的有效性。根据所推断的共享单车用户出行目的，进一步探讨不同出行活动的时空格局，可为骑行设施规划与共享单车调度管理提供决策参考。

图1 研究框架流程图

研究方法

本研究推断共享单车出行目的的基本思路是根据共享单车骑行终点的位置划定出行候选区，并根据候选区内POI分布，推断共享单车的出行目的（图2）。首先，构建出行目的活动类型与POI类别间的映射关系模式（图3）；其次，通过汇总统计骑行停车终点与POI数据的最近距离，确定最大步行半径（图4），并创建出行目的推断的候选区（图2）；最后，将各骑行终点与其候选区内所有POI进行空间关联。

图2 共享单车出行目的推断示意图

图3 部分目的活动类型与POI类别映射关系

图4 最大步行半径统计与划定结果

基于骑行终点与候选区内POI的关联结果，本研究利用重力模型，计算用户骑行终点与候选区内某一POI的吸引力大小，并利用贝叶斯法则汇总得到最终出行目的的概率大小。在此过程中，我们构建了基础重力模型（模型I）和两个改进重力模型（模型II、模型III），如下：

模型I:首先是采用基础重力模型，将距离、时间、建成环境三个因子纳入模型中。其中距离因子采用单车骑行终点与POI间的欧氏距离的平方表示，时间因子则根据不同类型POI的开放时间确定权重，建成环境因子则通过候选区内与该POI具有相同类型的POI总数进行表征，具体公式如下：

模型II:考虑不同POI类型存在的数量差异，以及总体建成环境对候选区内局部建成环境的影响，本研究利用频数密度与类型数量占比表征活动目的类型比例，并将其引入模型II中，具体公式如下：

模型III:不同POI类别的规模、承载力或容量往往存在明显的差异。例如一个大学POI和一个幼儿园POI所容纳的人口数量差异很大，又如一个地铁站POI与一个公交站POI也存在较大的差异。本研究利用AOI（兴趣面，类别与POI对应）与TUD（腾讯用户密度）数据，通过空间统计工具得到各类POI的平均人口密度，以表征各类POI的服务容量，代入模型II,得到模型III，计算公式如下：

通过上述的重力模型，可以计算得到单车用户骑行终点与候选区内所有POI的吸引力大小，本研究通过贝叶斯公式进行汇总计算，得到共享单车用户访问每个POI的概率大小，概率最大者作为最终的推断出行目的，计算公式如下所示：

模型验证

通过图5中的比较可以发现，模型I的推断结果与出行目的类型所对应的POI数量的比例较为接近，同时“回家”与“上班”两类出行目的推断数量比例差距悬殊，不太符合正常的居民出行模式。而在模型II使用频数密度后，推断结果发生明显变化，其推断数量占比也更趋合理。模型II与模型III虽然在推断结果的数量占比上变化不大，但通过图6中的对比可以发现，在引入POI服务容量后，服务容量更大的POI类型其作为推断目的的数量占比明显提高，更进一步提升模型的合理性。

图5 各类出行目的在三个模型的推断结果对比

图6 模型II与模型III四类POI的推断结果数量对比

本研究从深圳市居民出行调查数据集中选取453条与共享单车骑行相关数据，与共享单车出行目的推断结果进行对比验证。结果显示，模型III与调查数据在时间维度上的数量占比均最为接近（图7），进一步证明了引入出行活动类型比例和POI服务容量可以提高推断模型的有效性与准确性。

图7 模型III与调查数据在时间维度上的比较

研究结果

基于模型III的推断结果，对深圳市居民骑行时空特征进行分析。图8显示，各类出行类型均呈现具有很强周期性的时间分布模式，其分布规律基本符合城市居民日常的出行活动规律。除此之外，可以发现在周末，深圳市居民仍存在明显的早高峰的“上班”活动，反映出周末的加班现象；而“交通换乘”活动则在一周内均呈现明显的早晚双高峰，体现了共享单车在辅助居民日常通勤上所发挥的重要作用。

图8 不同目的类型共享单车用户出行时间特征

通过不同出行目的类型的空间分布特征（图9），进一步揭示了深圳市共享单车出行的一些有趣规律。例如，深圳市“回家”与“上班”活动集聚的区域相似，不仅分布在市中心，而且在郊区（例如，龙华与龙岗区的工业园区周围）也有明显的集聚。这一现象主要是由于深圳郊区工人的平均通勤距离远低于中心城市工人的平均通勤距离，因为郊区的房价较低，工业园区通常为员工提供住房。这个发现与《深圳市2019年居民出行行为调查报告》一致，该报告显示深圳郊区居民主要是第二产业从业人员，通勤距离较短，汽车保有量较低。因此，我们可以得出结论：在郊区通勤距离较短的人更多地直接采用共享单车往返工作地与居住地。这意味着，共享单车运营商应关注深圳郊区工业区和居民区之间的通勤出行需求。通过揭示不同出行活动的空间模式特征，可为共享单车管理提供更具针对性的决策建议。

图9 不同出行目的类型共享单车用户出行空间分布特征

指导老师点评

该论文提出了一种针对共享单车骑行时空大数据的用户出行目的推断框架，引入了活动目的类型占比与POI服务容量等常被交通地理研究所忽略的影响因素，使得用户骑行的推断结果准确性得到显著提升。最后以深圳市为例，探讨居民使用共享单车出行的时空特征，为共享单车的需求预测与调度优化提供重要的决策参考。该研究成果已在国际权威期刊Journal of Transport Geography发表，研究内容具有显著的创新型与实用性。