近些年来，共享单车系统在很多城市中已经被广泛地部署。共享单车服务不仅有助于解决“最后一公里”的交通接驳问题，并且有利于缓解城市交通拥挤。作为日常共享单车管理中的重要任务之一，准确地预测未来短期内的共享单车用量有助于单车运营商将空闲单车调度到用户需求量较高的城市区域，避免由于共享单车在城市区域中供需不平衡对用户使用体验产生负面影响。因此，准确地预测共享单车需求量在近年来受到了广泛的关注。其中，许多深度学习算法被用来预测短期内城市区域的共享单车使用量。一种典型的做法是将卷积神经网络和循环神经网络相结合，以捕捉历史出行需求的时空依赖关系。对于典型的卷积神经网络来说，卷积操作是通过卷积核在网格化的城市区域中的移动，提取相邻城市区域的骑行特征信息。通常这些研究认为彼此相邻的区域会提供有效信息，进而提升预测精度。然而，由于影响骑行活动的因素有很多（例如，建筑环境特征，出行行为的空间变化），相邻区域的单车使用情况并不总是相似的，而相距较远的城市区域在单车使用模式上可能会表现出更相似的特征。为了利用这些远距离城市区域之间的隐藏联系，本研究提出了一种基于不规则卷积长短期记忆网络的深度学习模型（IrConv+LSTM）以提高短期单车共享需求预测。该模型通过改进传统的卷积架构，采用非规则卷积架构，利用“语义邻居”之间的隐藏联系，进一步提升短期单车需求预测的精度。该模型与一系列的基准模型在五个数据集（新加坡、芝加哥、华盛顿、纽约和伦敦）上进行性能测试和对比。我们发现， IrConv+LSTM模型在这些城市中的预测表现优于其他基准模型。并且，这个模型也在不同自行车使用水平的区域和高峰期表现出卓越的性能。因此，该研究认为“超越空间邻域的思维”可以进一步改善城市自行车共享系统的出行需求预测。
该研究已于2023年发表于Transportation Part C: Emerging Technologies ( Li, Xinyu, et al. "Improving short-term bike sharing demand forecast through an irregular convolutional neural network." Transportation Research Part C: Emerging Technologies 147 (2023): 103984.) 。
 

共享单车,深度学习,交通需求预测,时空分析,非规则卷积