北京市摩拜共享单车源汇时空特征分析及空间调度

doi:10.12082/dqxxkx.2018.180272

地球信息科学学报 ›› 2018, Vol. 20 ›› Issue (8): 1123-1138.doi: 10.12082/dqxxkx.2018.180272

• 地理空间分析综合应用 • 上一篇下一篇

北京市摩拜共享单车源汇时空特征分析及空间调度

高楹¹, 宋辞², 舒华², 裴韬^2,^*

1. 首都师范大学燕都学院,北京 100048
2. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京 100101

收稿日期:2018-06-04 修回日期:2018-06-30 出版日期:2018-08-25 发布日期:2018-08-24
通讯作者: 裴韬
作者简介:
作者简介：高楹(1997-),男,本科生,主要从事GIS空间分析理论及应用。E-mail: thankyoumyfriend@126.com
基金资助:
国家自然科学基金项目(41421001、41525004)

Spatial-temporal Characteristics of Source and Sink Points of Mobikes in Beijing and Its Scheduling Strategy

GAO Ying¹, SONG Ci², SHU Hua², PEI Tao^2,^*

1. Honours College of Capital Normal University, Beijing 100048, China
2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China

Received:2018-06-04 Revised:2018-06-30 Online:2018-08-25 Published:2018-08-24
Contact: PEI Tao
Supported by:
National Natural Science Foundation of China, No.41421001, 41525004.

摘要/Abstract

摘要：

共享单车是解决城市出行最后一公里的重要工具。然而,共享单车在使用过程中出现了供需时空失衡的现象,导致部分区域无车可用,而另一些区域却车满为患。这一现象不仅给用户带来不便,同时也降低了单车周转效率。解决供需失衡问题,关键在于探究共享单车供需失衡的时空分布特征。本文定义了共享单车的“源”、“汇”点,采用2017年5月10日至2017年5月16日北京市摩拜单车数据以及土地利用分类等多源数据,分析了共享单车工作日与周末,以及早、晚高峰期间强源、强汇点的分布特征,并结合土地类型信息分析了不同用地类型的单车使用模式,从而进一步提出了共享单车的空间调度模型。结果显示,在考虑不同土地利用类型的影响下,摩拜共享单车强源汇点分布模式具有明显的时空异质性：① 工作日单车使用量明显高于周末,且不同土地利用类型的源汇分布显著不同,如居住用地、商业金融用地等地净流入、流出密度更大,绿地等地区则相对较小;② 对比早晚高峰期间,同一地区的单车使用源汇模式极可能相反,如教育科研用地、商业金融用地等带有办公性质的地区会有“早汇晚源”的特征,而居住用地则是“早源晚汇”;③ 同一类土地利用在工作日与周末的早晚高峰期间,单车使用的源汇特征亦存在差异,如办公性质的地区在周末时源汇比例会明显产下降。基于上述结果,本文提出了一种局部优化的调度模型,并通过实际数据进行了检验。该模型在一定程度上可以解决车辆空间分配不均衡的问题,提高城市共享资源使用率,增加人们出行的方便程度。

关键词: 摩拜共享单车, 源汇点, 时空特征, 空间调度, 北京

Abstract:

Sharing bicycles is an important tool for solving the "last mile" travel problem in a city. However, the imbalance between supply and demand of sharing bicycles occurred frequently, which leads to significant spare of bicycles and obvious inconvenience for users. The key to solve this problem is to understand the spatial and temporal distribution characteristics of sharing bicycles’ supply and demand. In this case, this study defines the intensive "source" and intensive "sink" points of sharing bicycles, and uses Mobikes cycling data and land use type data to analyze the distribution characteristics of the intensive source and intensive sink points during the workdays and weekends, as well as the morning and evening peaks. Combined with the land type information, we further analyze the characteristics of sharing bicycles' usage under different land use types and propose a local scheduling model based on spatial neighborhood. Results show that under different land use coverage, the distribution of intensive source and intensive sink points of sharing bicycles show significant spatial and temporal heterogeneous patterns: (1) The usage of sharing bicycles during work days is obviously higher than weekends, and the distribution of the intensive source and intensive sink is obviously different among different land use types. For example, the net inflow and outflow density in areas such as residential, commercial, financial lands are greater than those of green areas; (2) In the morning and evening peak periods, the source and sink attributes of the same area are always showing a converse pattern. For instance, areas with offices such as education and scientific research lands and commercial and financial lands will have the characteristics of "morning sinks and evening sources", while the residential lands will be "morning sources and evening sinks"; (3) During the morning and evening peak periods of weekdays and weekends, there are also differences in characteristics of the sources and sinks of the same type of land use. For instance, the proportion of the intensive sources and intensive sinks will obviously decline in the office area on weekends. Based on the results above, this paper proposes a local optimized scheduling model. It is found that the model can effectively reduce the imbalance of bicycles' space allocation and increase the resource's utilization and the convenience of people's travelling.

Key words: Mobikes, source and sink points, spatial-temporal characteristics, spatial scheduling, Beijing

高楹, 宋辞, 舒华, 裴韬. 北京市摩拜共享单车源汇时空特征分析及空间调度[J]. 地球信息科学学报, 2018, 20(8): 1123-1138.DOI:10.12082/dqxxkx.2018.180272

GAO Ying,SONG Ci,SHU Hua,PEI Tao. Spatial-temporal Characteristics of Source and Sink Points of Mobikes in Beijing and Its Scheduling Strategy[J]. Journal of Geo-information Science, 2018, 20(8): 1123-1138.DOI:10.12082/dqxxkx.2018.180272

图/表 21

图1

表1

图2

图3

图4

图5

表2

图6

图7

图8

表3

图9

图10

表4

图11

图12

图13

图14

表5

表6

表7

参考文献 22

[1]	共享单车一天骑了七千万人次创造经济社会影响2213亿. .
	[70 million people rides sharing bicycles a day, creating economic and social impact of 221.3 billion yuan. of 221.3 billion yuan. .]
[2]	刘亚楠. 共享单车发展研究分析[J].时代金融,2017(8):251-254.
	[ Liu Y N.Research and Analysis on the development of shared bicycle[J]. Times Finance, 2017(8):251-254. ]
[3]	Frade I, Ribeiro A.Bicycle sharing systems demand[J]. Procedia-Social and Behavioral Sciences, 2014,111(111):518-527. doi: 10.1016/j.sbspro.2014.01.085
[4]	Robert Cervero, Olga L. Sarmiento, Enrique Jacoby, et al.Influences of built environments on walking and cycling: lessons from Bogotá[J]. International Journal of Sustainable Transportation, 2009,3(4):203-226. doi: 10.1080/15568310802178314
[5]	Reid Ewing, Robert Cervero.Travel and the built environment[J]. Journal of the American Planning Association, 2010,76(3):265-294. doi: 10.1080/01944361003766766
[6]	Kemperman A, Timmerman H.Influences of built environment on walking and cycling by latent segments of aging population[J]. Transportation Research Record Journal of the Transportation Research Board, 2010,2134(2134):1-9. doi: 10.3141/2134-01
[7]	Moudon A V, Lee C, Cheadle A D, et al.Cycling and the built environment, a US perspective[J]. Transportation Research Part D Transport & Environment, 2005,10(3):245-261. doi: 10.1016/j.trd.2005.04.001
[8]	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. doi: 10.1007/s11116-015-9669-z
[9]	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. doi: 10.1016/j.jtrangeo.2016.11.014
[10]	Liu Z, Jia X, Cheng W.Solving the last mile problem: Ensure the success of public bicycle system in Beijing[J]. Procedia - Social and Behavioral Sciences, 2012,43(4):73-78. doi: 10.1016/j.sbspro.2012.04.079
[11]	罗桑扎西,甄峰,尹秋怡.城市公共自行车使用与建成环境的关系研究——以南京市桥北片区为例[J].地理科学,2018,38(3):332-341.
	[ Luo S Z X, Zhen F, Yin Q Y. How built environment influence public bicycle usage: Evidence from the bicycle Sharing system in Qiaobei Area, Nanjing[J]. Scientia Geographica Sinica, 2018,38(3):332-341.]
[12]	王海星,王德占,申金升.蚁群算法解决有时间窗的车辆优化调度问题研究[J].物流技术,2006(11):37-40. doi: 10.3969/j.issn.1005-152X.2006.11.013
	[ Wang H X, Wang D Z, Shen J S.Ant colony algorithm for VRP with time windows[J]. Logistics Technology, 2006(11):37-40. ] doi: 10.3969/j.issn.1005-152X.2006.11.013
[13]	柳祖鹏,李克平,朱晓宏.基于蚁群算法的公共自行车站间调度优化[J].交通信息与安全,2012,30(4):71-74. doi: 10.3963/j.issn.1674-4861.2012.04.016
	[ Liu Z P, Li K P, Zhu X H.Optimal dispatch between stations for public bicycle based on ant colony algorithm[J]. Journal of Transport Information and Safety, 2012,30(4):71-74. ] doi: 10.3963/j.issn.1674-4861.2012.04.016
[14]	丁秋雷,胡祥培,李永先.求解有时间窗的车辆路径问题的混合蚁群算法[J].系统工程理论与实践,2007,27(10):98-104. doi: 10.3321/j.issn:1000-6788.2007.10.013
	[ Ding Q L, Hu X P, Li Y X.A hybrid ant colony system for vehicle routing problem with time windows[J]. System Engineering Theory and Practice, 2007,27(10):98-104. ] doi: 10.3321/j.issn:1000-6788.2007.10.013
[15]	李军. 车辆调度问题的分派启发式算法[J].系统工程理论与实践,1999,19(1):27-33.
	[ Li J.Generalized assignment heuristics for vehicle scheduling[J]. System Engineering Theory and Practice, 1999,19(1):27-33. ]
[16]	葛显龙,王旭,代应.基于改进遗传算法的有时间窗车辆调度问题研究[J].计算机应用研究,2011,28(2):445-447. doi: 10.3969/j.issn.1001-3695.2011.02.009
	[ Ge X L, Wang X, Dai Y.Analysis on vehicle scheduling problem with time window based on improved genetic algorithm[J]. Application Research of Computers, 2011,28(2):445-447. ] doi: 10.3969/j.issn.1001-3695.2011.02.009
[17]	张建国,吴婷,蒋阳升,等.基于蚁群算法的公共自行车系统调度算法研究[J].西华大学学报:自然科学版,2014,33(3):70-76. doi: 10.3969/j.issn.1673-159X.2014.03.016
	[ Zhang J G, Wu T, Jiang Y S, et al.Study on scheduling algorithm for public bicycle system based on ant colony algorithm[J]. Journal of Xihua University(Natural Science Edition), 2014,33(3):70-76. ] doi: 10.3969/j.issn.1673-159X.2014.03.016
[18]	Rudloff C, Lackner B.Modeling demand for bikesharing systems: Neighboring stations as source for demand and reason for structural breaks[J]. Transportation Research Record Journal of the Transportation Research Board, 2014,2430:1-11. doi: 10.3141/2430-01
[19]	北京历史天气. .
	[ Beijing's historical weather. ]
[20]	黄萌,陶迎春,刘光,等.北京市道路名称分类与方向统计分析[J].北京测绘,2017(2):118-120.
	[ Huang M, Tao Y C, Liu G, et al.Analysis of Beijing's Road Names and Road Orientation Distributions[J]. Beijing Surveying and Mapping, 2017(2):118-120. ]
[21]	庄楚天,吴戈.基于站点爬虫数据的公共自行车系统时空特征分析[J].交通信息与安全,2017,35(3):51-58. doi: 10.3963/j.issn.1674-4861.2017.03.007
	[ Zhuang C T, Wu G.Spatial-temporal characteristics of a shared bicycle system based on web crawler data[J]. Journal of Transport Information and Safety, 2017,35(3):51-58. ] doi: 10.3963/j.issn.1674-4861.2017.03.007
[22]	Guo D, Zhu X, Jin H, et al.Discovering spatial patterns in origin-destination mobility data[J]. Transactions in Gis, 2012,16(3):411-429. doi: 10.1111/j.1467-9671.2012.01344.x

土地利用类型	工作日强汇点平均净流入车辆	工作日强源点平均净流出车辆	周末强汇点平均净流入车辆	周末强源点平均净流出车辆
商业金融用地	46.07	46.84	12.45	12.69
市政公共用地	35.33	55.86	11.60	9.66
仓储用地	31.25	41.33	9.65	13.87
铁路用地	56.73	31.94	9.41	10.75
工业用地	35.11	38.19	8.45	10.35
公共设施用地	48.22	36.08	10.69	9.64
绿地	48.85	40.52	10.56	9.77
教育科研用地	41.18	38.48	11.26	10.95
居住用地	36.76	35.93	10.59	10.41
农业用地	34.00	21.50	7.50	6.50
道路用地	61.02	48.58	13.90	12.80

土地利用类型	工作日早高峰强汇点平均净流入车辆	工作日早高峰强源点平均净流出车辆	周末早高峰强汇点平均净流入车辆	周末强源点平均净流出车辆
商业金融用地	34.62	23.85	6.88	4.50
市政公共用地	54.55	47.75	11.21	5.86
仓储用地	25.54	39.84	4.36	8.56
铁路用地	51.79	22.73	6.56	5.50
工业用地	30.48	29.75	5.13	6.19
公共设施用地	33.23	23.02	6.46	4.83
绿地	47.98	30.07	6.72	5.43
教育科研设计用地	29.24	21.46	5.49	4.27
居住用地	30.97	23.52	5.13	4.72
农业用地	19.00	0.00	4.33	4.40
道路用地	41.00	27.23	6.75	4.77

土地利用类型	工作日晚高峰平均每个强汇点净流入车辆	工作日晚高峰平均每个强源点净流出车辆	周末晚高峰平均每个强汇点净流入车辆	周末晚高峰平均每个强源点净流出车辆
商业金融用地	21.33	26.61	4.86	5.70
市政公共用地	21.98	45.59	4.50	6.90
仓储用地	15.38	19.67	3.91	5.79
铁路用地	17.86	26.05	4.21	4.43
工业用地	23.59	28.15	4.42	6.63
公共设施用地	21.10	23.33	4.67	4.72
绿地	25.68	31.71	4.95	5.53
教育科研设计用地	18.50	23.02	5.03	4.96
居住用地	19.24	25.15	4.75	4.58
农业用地	17.00	0.00	4.20	4.14
道路用地	25.86	31.24	5.71	6.38

调出网格行、列号	调入网格行、列号	调度量
26, 41	25, 40	640
26, 39	25, 40	519
25, 41	25, 40	69
24, 8	23, 9	1027
25, 45	24, 46	943
34, 31	33, 32	686
32, 32	33, 32	180
27, 34	28, 35	567
29, 34	28, 35	282
27, 40	26, 40	590
…	…	…

调入用地	调出用地
调入用地	商业金融用地	市政公用设施用地	仓储用地	铁路用地	混合用地	工业用地	公共设施用地	绿地	教育科研用地	居住用地	体育用地	水域	机场用地	农业用地	道路用地	调出网格 (车辆)总数
商业金融用地	1(119)						2(136)	5(186)		9(1466)	1(78)				1(117)	19(2102)
市政公用设施用地						2(61)		5(103)		3(304)						10(468)
仓储用地					1(83)			1(58)						3(45)		5(186)
铁路用地				1(81)		2(19)	1(1)	4(5)		6(760)						14(866)
混合用地					5(725)	1(23)	1(19)	11(514)	1(6)	6(376)				4(20)		29(1683)
工业用地		1(56)			1(18)	3(67)		6(446)		6(814)					1(114)	18(1515)
公共设施用地	1(5)					1(2)	5(801)	1(59)		4(846)	1(30)					13(1743)
绿地	8(453)			3(535)	7(755)	9(1416)	18(488)	220(7526)	8(199)	108(9308)	3(24)	4(89)	3(117)	13(127)	2(57)	406(21094)
教育科研用地							3(99)	7(233)	10(1339)	22(3718)		1(4)				43(5393)
居住用地	11(265)	2(319)	2(453)	3(328)	2(125)	14(1628)	20(2713)	118(9414)	19(2765)	229(30053)	9(454)	1(2)		8(102)	2(382)	440(49003)
体育用地							1(1)	1(2)								2(3)
水域								7(29)		2(28)		1(3)		1(1)		11(61)
机场用地													2(25)			2(25)
农业用地					1(53)	4(57)		15(204)		5(146)		2(17)		14(266)		41(743)
道路用地							2(314)	2(193)		10(1769)	1(145)				2(233)	17(2654)
调入网格(车辆)总数	21(842)	3(375)	2(453)	7(944)	17(1759)	36(3273)	53(4572)	403(18792)	38(4309)	410(49588)	15(731)	9(115)	5(142)	43(561)	8(903)

北京市摩拜共享单车源汇时空特征分析及空间调度

Spatial-temporal Characteristics of Source and Sink Points of Mobikes in Beijing and Its Scheduling Strategy

RichHTML

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 21

参考文献 22

相关文章 15

Metrics

本文评价

推荐阅读 0

时段	车辆数阈值
工作日	38
周末	10
工作日早高峰	19
工作日晚高峰	20
周末早高峰	4
周末晚高峰	5

土地利用类型	净调出量	净调入量
商业金融用地	1983	723
市政公用设施用地	468	375
仓储用地	186	453
铁路用地	785	863
混合用地	958	1034
工业用地	1379	3206
公共设施用地	942	3771
绿地	13 568	11 446
教育科研用地	4054	2970
居住用地	18 950	19 535
体育用地	3	751
水域	58	112
机场用地	0	117
农业用地	477	295
道路用地	2421	670

[1]	杜毅贤, 徐家鹏, 钟琳颖, 侯盈旭, 沈婕. 网络舆情态势及情感多维特征分析与可视化——以COVID-19疫情为例[J]. 地球信息科学学报, 2021, 23(2): 318-330.
[2]	高楹, 宋辞, 郭思慧, 裴韬. 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.
[3]	赵鹏军, 曹毓书. 基于多源地理大数据与机器学习的地铁乘客出行目的识别方法[J]. 地球信息科学学报, 2020, 22(9): 1753-1765.
[4]	张亚, 刘纪平, 周亮, 王勇, 李鹏飞. 基于DBSCAN算法的北京市顺丰快递服务设施集群识别与空间特征分析[J]. 地球信息科学学报, 2020, 22(8): 1630-1641.
[5]	赵韶雅, 杨星斗, 戴特奇, 张超. 基于刷卡数据的公共汽车客流网络复杂性日内变化研究[J]. 地球信息科学学报, 2020, 22(6): 1254-1267.
[6]	湛东升, 谢春鑫, 张文忠, 丁亮, 许婧雪, 甄茂成. 基于累计机会可达性的北京城市公共服务设施复合功能识别[J]. 地球信息科学学报, 2020, 22(6): 1320-1329.
[7]	王姣娥, 杜方叶, 靳海涛, 刘瑜. 基于交通出行链的就医活动识别理论框架与方法体系[J]. 地球信息科学学报, 2020, 22(4): 805-815.
[8]	孙杰, 毛智慧, 王乐, 邓磊. 居住区典型地物热环境的日变化及其相互影响分析[J]. 地球信息科学学报, 2020, 22(2): 279-289.
[9]	林金煌, 陈文惠, 张岸. 2019年北京市PM_2.5人群暴露剂量特征分析[J]. 地球信息科学学报, 2020, 22(12): 2348-2357.
[10]	崔晓临, 张佳蓓, 吴锋, 张倩, 吴尧慧. 基于多源数据融合的北京市人口时空动态分析[J]. 地球信息科学学报, 2020, 22(11): 2199-2211.
[11]	汪雪淼, 孟庆岩, 赵少华, 李娟, 张琳琳, 陈旭. GF-2在城市绿地分类及景观格局度量中的应用[J]. 地球信息科学学报, 2020, 22(10): 1971-1982.
[12]	杨土士, 王伟文, 常鸣, 王雪梅. 北京市潜在风道的数值模拟与综合识别[J]. 地球信息科学学报, 2020, 22(10): 1996-2009.
[13]	胡顺石, 张辰璐, 彭雨龙, 谭子芳. 湖南省不同云状态的时空特征分析[J]. 地球信息科学学报, 2019, 21(5): 688-698.
[14]	徐晓宇, 李梅. 基于开源大数据的北京地区餐饮业空间分布格局[J]. 地球信息科学学报, 2019, 21(2): 215-225.
[15]	黄葵, 卢毅敏, 魏征, 陈鹤, 张宝忠, 马文津. 土地利用和气候变化对海河流域蒸散发时空变化的影响[J]. 地球信息科学学报, 2019, 21(12): 1888-1902.