¹澳门大学科技学院，澳门

²北京理工大学珠海学院，广东 珠海

收稿日期：2022年2月23日；录用日期：2022年3月22日；发布日期：2022年3月29日

摘要

随着中国城市的发展，共享经济的概念已经逐渐融入人们的生活。共享单车、共享汽车、共享充电宝等新事物正在不断地改变着大家的生活习惯。摩拜单车、美团单车等知名共享单车企业成立以来，已经成为绿色出行、健康环保的代表。然而，共享单车的过度投放、安全隐患、管理混乱等问题也引起了共享单车管理者的关注，同时影响了各共享公司的运营和盈利。本研究根据实时收集到的时间、季节、天气、温度、湿度、风速等数据；构造更加符合共享单车使用场景的离散型变量，并将数据输入到不同的机器学习和深度学习模型，达到准确预测城市中的共享单车需求的目的。通过比较Rsquare、MSE、RMSE等指标来评估所有模型的预测效果。基于模型得出的结果，共享单车管理者能够合理投放相应数量的共享单车，达到减少浪费的目的。

关键词

共享单车，预测，机器学习

Shared Bicycles Demand Prediction Based on Machine Learning

Keyue Yan¹, Yimeng Wang¹, Ying Li²

¹Faculty of Science and Technology, University of Macau, Macao

²Beijing Institute of Technology, Zhuhai, Zhuhai Guangdong

Received: Feb. 23^rd, 2022; accepted: Mar. 22^nd, 2022; published: Mar. 29^th, 2022

ABSTRACT

With the development of Chinese cities, the concept of sharing economy has gradually been integrated into people’s lives. New concepts such as shared bicycles, shared cars, and shared power banks are constantly changing everyone’s living habits. Mobike, Meituan and other well-known sharing bicycles companies have become representatives of green travel, health and environmental protection since their establishment. However, problems such as excessive delivery of bicycles, potential safety hazards, and management confusion have aroused the concerns of bicycle-sharing managers, which also affects the operation and profitability of each sharing company. After collecting the data in real time, such as time of day, season, weather, temperature, humidity, and wind speed, this research constructs some new discrete variables which are more in line with the use of bicycle sharing scenarios. After feeding the data into different machine learning and deep learning models, they achieve accurate prediction of bike-sharing demand in cities; also R square, MSE, RMSE and other metrics are used to evaluate prediction effectiveness of all the models. Based on the prediction results, bicycle sharing companies’ managers can deliver the appropriate number of bicycles reasonably and reduce waste.

Keywords:Shared Bicycles, Prediction, Machine Learning

Copyright © 2022 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

共享经济是由德克萨斯州立大学的社会学教授马科斯–菲尔森和伊利诺伊大学的社会学教授琼–斯彭斯首先提出的。其基本概念是通过整合线下的闲置物品等资源，通过临时转让使用权获得回报 [1]。而共享单车就是共享公司通过利用互联网平台向居住在大城市的人们提供单车租赁服务，从中获得一定的报酬。如今，随着互联网的快速稳定发展，共享单车已经成为中国“新四大发明”之一。目前中国有30多家互联网租赁自行车运营企业，累计车辆数已超过1000万辆，累计服务人数已超过10亿人次 [2]。共享单车的现状已经成为研究的热点话题。随着共享单车使用量的增加，大城市的交通管理也将变得越来越困难。共享公司试图根据用户的使用数据寻找出如何控制某个城市中共享单车的数量。

在以往的研究当中，曹旦旦和范书瑞等人 [3] 通过传统的机器学习算法对共享单车的短时需求量进行建模预测。宋鹏和黄同愿等人 [4] 通过对原始数据消除噪声，降维处理，仅使用支持向量机模型就对单车的需求量有了很好的预测效果。李福和徐良杰等人 [5] 通过对比不同类型的机器学习模型，证明极端梯度推进决策树在共享单车需求上的预测效果更优。李天骋 [6] 在他的研究中加入了简单的神经网络模型，通过和集成学习的对比发现神经网络模型具有较好的表现。

在本研究中，我们将基于共享单车使用环境的基本特征，利用实时数据来探讨时间、季节、天气、温度、湿度、风速等因素对共享单车需求量的影响。通过输入预处理后的数据对多种机器学习和深度学习模型，例如人工神经网络模型 [7] 和长短记忆神经网络模型 [8] 进行训练，预测共享单车需求量并对各模型之间的效果评估。结果显示，上述数据对共享单车的需求量有很好的预测。其中深度学习模型表现更佳。在现实场景中，通过收集共享单车周边的环境数据，共享公司可以根据数据进行建模对共享单车的需求量进行预测，从而达到精准投放对应数量共享单车的目的。

2. 研究方法

2.1. 数据描述

在本研究中，我们使用从Kaggle网站 [9] 下载的共享单车需求数据。原始数据集包含了从2011年01月01日00:00到2012年12月19日23:00的1小时间隔数据，一共包含了10,886个样本。数据集中共有12个字段，其中“count”是我们要预测的结果标签。

在自变量中，“temp”、“atemp”、“humidity”、“windspeed”、“casual”和“registered”是连续型变量，表示用户在租用共享单车时的温度、湿度和风速。其中“temp”和“atemp”是温度的两种不同表达方式，“casual”和“registered”表示使用共享单车的用户是否为平台的注册用户。但是在数据集中，“casual”和“registered”的求和等于我们需要预测的变量“count”。为了防止出现数据泄漏的问题，在进行数据预处理时直接删除这两个变量。此外，“season”、“holiday”、“workingday”和“weather”都是离散型变量。预处理时将使用频率编码(Frequency Encoding)。

在此研究中，虽然数据集本身已经提供了自变量，但我们希望可以构造更多有意义的自变量用来做预测，从而提高模型的精度。根据“season”、“weather”、“temp”、“humidity”、“windspeed”等其余变量，我们可以构建一些常见的指标作为探索性数据分析的变量。

2.2. 探索性数据分析

首先，我们绘制要预测的结果标签“count”的图表。其频率分布如图1所示。

图1. 变量“count”的频率分布图

从图中可以看出共享单车的使用量集中在0~200之间，但在200~1000的大范围之间，仍有大量的数据分布，预测标签的数据分布不平衡会影响机器学习方法的预测结果。因此，我们用log (“count”)的计算公式对“count”进行对数预处理。对数运算后的新分布如图2所示。它的范围基本上在0到7之间；且分布也更加平缓，对数分布处理后的数据要比处理前要好得多，且对基于机器学习和深度学习中回归分析也会更加友好。

接下来对连续变量进行相关分析，相关系数矩阵的可视化如图3所示。变量“temp”和“atemp”是高度相关的。为了降低预测模型的维度，可以删除“atemp”这一特征。

连续变量“humidity”的绘制如图4所示，湿度分布范围为0~100，在47~77 (25%百分位数~75%百分位)之间分布较多，其余变量较少。所以我们重新定义了一个离散变量“humi_categori”。当湿度小于40时，“humi_categori”为低，当它在47~77时，“humi_categori”为正常，而当它大于77时，“humi_categori”为高。

图2. 变量log (“count”)的频率分布图

图3. 连续变量的相关系数矩阵

图4. 变量“humidity”的频率分布图

连续变量“windspeed”的绘制如图5所示，湿度分布范围为0~40，更多的分布在7~17之间(25%百分位数~75%百分位)。所以我们重新定义了一个离散变量“wind_categori”。当风速小于7时，“wind_categori”为低，当它在7~17时，“wind_categori”为正常，当它大于17时，“wind_categori”为高。

图5. 变量“windspeed”的频率分布图

对于离散型变量，可以根据探索数据分析过程中的实际情况构造额外的变量，如图6所示。通过观察一天中不同时间段的自行车实际使用情况，我们发现上午7~9点和下午16~19点用户对共享单车的使用需求非常大，而其他时间段的共享单车使用量相对较低。因此，我们构建了一个新的变量“hour_categori”，将7~9点、16~19点作为共享单车的高峰期，其余时间作为休闲期。

图6. 不同时间段的共享单车使用量

构建完所有的变量之后，为了提高模型计算速度；减少训练时间。我们用频率编码(Frequency Encoding)的方法取代独热编码(One-hot Encoding)来处理所有的离散变量 [10]，并删除无用的变量，留下14个独立变量作为机器学习模型的输入。

3. 机器学习模型

3.1. 线性回归(Linear Regression)

普通线性回归模型(Linear Regression)是最简单也是最传统的机器学习模型，在计量经济学和金融计算领域被广泛使用。在本研究中，我们将通过梯度下降的迭代优化方法调整线性回归模型的参数 [11]。

3.2. 支持向量机(SVM)

SVM可以用于解决线性和非线性的分类或者回归问题。与SVM分类模型一样，SVM回归模型在找到目标函数后需要在函数的两边构建一个间隔。与分类模型相比，回归模型希望间隔能够覆盖尽可能多的实例，同时限制间隔以外的实例 [12]。在利用权重向量最小化解决优化边际的约束优化问题后，可以得到目标函数并计算出预测值。

3.3. 集成学习

“随机森林是决策树的一个集合体” [13]。随机森林(Random Forest)预测器的本质是决策树模型。与构建单一的决策树不同，随机森林会从随机选择的样本特征中找到最佳特征来划分子节点，而不是使用数据中的所有特征来构建决策树 [14]。虽然不同的决策树之间相互独立，但随机森林的最终输出取决于森林中的每个决策树。同样地，预测值是随机森林中所有决策树预测结果的平均值。

Adaboost是一种广泛使用的集成学习方法。然而，Adaboost中的预测器之间有着很高的相关性。首先，Adaboost尝试训练一个预测器并使用其进行预测。根据样本误差，Adaboost算法将会更新实例权重，再将新的权重用于训练下一个预测器，并一直重复以上步骤 [15]。

Bootstrap Aggregating (Bagging)是机器学习模型中的一种集成学习的方法。与单一机器学习模型作为预测器不同，Bagging算法中拥有许多预测器。Bagging会随机抽取相同数量的样本到不同的样本集中，然后使用每个独立的样本集来训练预测器。每个预测器结果的平均值就是回归中的最终预测值。

Xgboost也叫eXtreme Gradient Boosting，是一个优化的分布式梯度提升库，其目的是实现高效、灵活的特点。可移植性强 [16]。Xgboost包是一个用于大规模并行提升树的工具，通过使用这个工具我们可以很容易进行建模研究。

3.4. 深度学习

人工神经网络(ANN)模型最早由神经生理学家Warren McCulloch和数学家Walter Pitts提出 [7]。该模型是通过模拟动物大脑中生物神经元的工作情况而发明的。如今，各行各业都有大量数据可供人工神经网络训练，优化参数，从而达到很好的预测效果。因此，人工神经网络的整体性能往往优于其他传统的机器学习模型。

上述所有的模型都是没有记忆的，变量输入与输入之间没有保存任何状态。这些模型大部分情况下用于预测结构型数据。而长短记忆神经网络(LSTM)则需要输入整个序列；遍历输入序列的所有序列元素，并保存一个状态(state) [8]，这样的网络结构设计使得LSTM模型在处理时间序列类型的数据具有更好的拟合效果。

4. 研究结果

实验过程中将80%数据用作训练集，剩下20%的数据作为测试集。下面5个回归指标将被用于衡量不同模型的评估效果。

R square描述了使用预测值和只使用平均值与真实值之间的较小误差的比较。值域通常位于0和1之间。当R square接近1时，表示使用这个模型的预测值可以得到更小的误差，模型的拟合效果越好。同理，如果一个回归模型的R square越接近于0，甚至低于0，这个模型的表现则非常糟糕。R square的计算公式如下。

$\text{R square}=1-\frac{{\displaystyle {\sum }_{i=1}^n{\left(y_i-{\widehat{y}}_i\right)}^2}}{{\displaystyle {\sum }_{i=1}^n{\left(y_i-{\overline{y}}_i\right)}^2}}$ (1)

平均绝对误差(MAE)是预测误差的平均绝对值。模型对应的MAE越小，模型则有更好的效果。其公式如下：

$\text{MAE}=\frac{{\displaystyle {\sum }_{i=1}^n\left|y_i-{\hat{y}}_i\right|}}{n}$ (2)

此外，平均平方误差(MSE)是预测误差的平方的平均值，人们通常希望其值很低。而平均平方误差(RMSE)是MSE的平方根。RMSE的值越小说明模型效果越好。这两个指标的公式如下：

$\text{MSE}=\frac{{\displaystyle {\sum }_{i=1}^n{\left(y_i-{\hat{y}}_i\right)}^2}}{n}$ (3)

$\text{RMSE}=\sqrt{\frac{{\displaystyle {\sum }_{i=1}^n{\left(y_i-{\hat{y}}_i\right)}^2}}{n}}$ (4)

平均绝对百分比误差(MAPE)描述了预测误差的在真实值上的平均占比，当MAPE越接近于0，则预测误差的平均占比越低，模型效果越好；当MAPE越接近于1，预测误差较大，模型效果越差。

$\text{MAPE}=\frac{{\displaystyle {\sum }_{i=1}^n\left|\frac{y_i-{\hat{y}}_i}{y_i}\right|}}{n}$ (5)

传统机器学习模型评估包含了线性模型，SVM模型以及集成学习模型，且所有传统机器学习模型将调用Sklearn机器学习包 [17] 进行实验，结果如表1所示。Random Forest、Bagging和Xgboost等集成学习模型的拟合度R square均超过了0.9，说明回归效果很好。并且它们的MSE均在0.16左右，RMSE在0.41左右，相对较低的误差说明了模型表现良好。然而，集成学习模型Adaboost和SVM的表现却比较一般：R square处于0.7以下；MAE，MSE和RMSE也处于较高水平，说明误差较大。在MAPE指标上，拟合效果越差的模型，MAPE也会越高。通过这6个机器学习模型综合对比，由于线性模型在设计上更难找到不同变量之间非线性的联系，Linear Regression模型在所有指标表现最差。

表1. 传统机器学习模型评估

真实环境中ANN有神经元层数，神经元数量，激活函数等许多参数可供大家进行选择。为了使实验简单快速，我们使用普通的神经网络进行回归预测，利用Keras [18] 构造实验所需的深度学习模型。在其它参数不变的情况下，我们尝试使用不同的隐藏神经层数量和神经元数量来进行实验。和传统机器学习模型的实验一样，R square，MAE，MSE，RMSE和MAPE会被用来评估模型的效果。不同ANN模型的实验结果如表2所示。

表2. 人工神经网络模型评估

基于表2的实验结果，随着隐藏层和神经元数量的增加，R square有逐渐提高的趋势，其整体平均性能达到91.80%。整体上比传统机器学习模型的R square更大；模型拟合度更好。同样，MAE、MSE和RMSE也随着神经网络复杂度的增加而减小。特别是当ANN的隐藏层数等于3，神经元数等于40的时候，这些指标达到最优状态。在平均值上，MAE (0.2901)、MSE (0.1534)、RMSE (0.3911)和MAPE (0.0712)也比传统机器学习模型的评估参数更小。综上，在大数据的支持下深度学习ANN模型在回归预测上往往有更好的结果。

同样，Keras也可用于构造LSTM模型。为了方便与ANN进行对比，实验中的LSTM模型将会使用和ANN相同的隐藏层数和神经元数量。R square，MAE，MSE，RMSE和MAPE也会被用来评估模型的效果。LSTM的回归结果如表3所示。

表3. 长短记忆神经网络模型评估

通过对比两个深度学习模型的预测结果发现，虽然ANN与LSTM表现均非常优秀，但在随着神经网络复杂度的增加，LSTM的表现比ANN更加地稳定。通过表3可知，R square的平均值会保持在0.9222的水平，MAE，MSE，RMSE和MAPE也不会出现大幅度的浮动。最终平均值为MAE (0.2700)、MSE (0.1437)、RMSE (0.3785)和MAPE (0.0685)。所有指标均优于传统机器学习模型，误差也比ANN模型更小。基于此共享单车使用量的数据，LSTM在预测上，总体效果会更加占优。因此优先推荐使用LSTM这类时序类模型进行建模预测；其次使用ANN模型进行建模。

5. 总结

在共享单车数量的需求上，本研究提出了基于各种不同类型的机器学习模型。用季节、天气、温度、湿度、风速等变量训练模型，进行共享单车需求数量的预测。通过对比不同类型的模型，实验结果显示传统的机器学习模型和深度学习模型在预测上均有很好的效果，其中深度学习表现更佳，在不同的模型参数下依旧有比较稳定优秀的结果。在未来的研究中，还可以收集更多不同种类的实时数据(如：地理信息，使用者信息等)，尝试使用不同的特征进行模型训练。探索不同类型的变量对模型预测准确度的影响。

文章引用

颜轲越,王祎萌,李 莹. 基于机器学习的共享单车需求预测
Shared Bicycles Demand Prediction Based on Machine Learning[J]. 计算机科学与应用, 2022, 12(03): 697-706. https://doi.org/10.12677/CSA.2022.123071

参考文献