共享單車用戶騎行起訖點(diǎn)時(shí)空特征分析*

李 福 徐良杰，2▲ 陳國(guó)俊 朱然博

（1.武漢理工大學(xué)交通與物流學(xué)院 武漢 430063；2.湖北文理學(xué)院汽車與交通工程學(xué)院 湖北襄陽(yáng) 441053）

0 引 言

共享單車作為慢行交通的代表，有效解決了公共交通難以實(shí)現(xiàn)“最后一公里”末端需求的弊端。共享單車在發(fā)展過(guò)程中“車輛堆積”和“一車難求”現(xiàn)象愈發(fā)普遍，車輛供需失衡問(wèn)題嚴(yán)重[1]。該問(wèn)題的核心在于共享單車的需求量在時(shí)空上的變化與車輛供給的不匹配。共享單車在運(yùn)營(yíng)中會(huì)產(chǎn)生海量的用戶出行訂單數(shù)據(jù)，通過(guò)騎行大數(shù)據(jù)分析用戶騎行起訖點(diǎn)的時(shí)空特征，有助于挖掘共享單車的分布在空間上的集聚特征及其需求量在時(shí)間上的變化特征，從而為共享單車的供需失衡問(wèn)題提供新的解決思路。

關(guān)于共享單車的相關(guān)研究，國(guó)外學(xué)者對(duì)于騎行行為對(duì)城市交通的影響[2-4]及騎行行為的影響因素[5]方面的探討較多：Zhang 等[6]和Zhao 等[7]研究了建筑環(huán)境對(duì)用戶出行的影響，Yang 等[8]通過(guò)二元Logistic模型分析影響單車使用頻率的因素，Handy等[9]研究了土地利用對(duì)騎行行為的影響；El-Assi 等[10]、Meng等[11]研究了天氣狀況對(duì)用戶出行需求的影響。國(guó)內(nèi)學(xué)者針對(duì)共享單車的研究較多的聚焦于用戶調(diào)查[12]、需求預(yù)測(cè)與調(diào)度管理[13-14]方面，孫啟鵬等[15]、曹旦旦等[16]、李福等[17]分別構(gòu)建了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型、極端梯度推進(jìn)決策樹(shù)模型對(duì)共享單車的需求進(jìn)行了預(yù)測(cè)。

目前，已有較多學(xué)者針對(duì)共享單車的OD 時(shí)空特征及其影響因素展開(kāi)了研究：鄧力凡等[18]基于騎行訂單數(shù)據(jù)分析了用戶的騎行需求的時(shí)間分布和空間熱點(diǎn)，對(duì)停車設(shè)施的建設(shè)提供了相關(guān)建議；類似的，楊永崇等[19]等利用ArcGIS 工具得出了用戶出行OD分布的熱力圖，分析其與土地利用和時(shí)間維度間的關(guān)系；高楹等[20]從接駁的角度分析了地鐵站周圍的共享單車站點(diǎn)的騎行需求時(shí)間變化特征與影響因素，研究的區(qū)域更為細(xì)化。盡管對(duì)于騎行OD 時(shí)空特征的研究成果已較為豐富，但大多聚焦于1 個(gè)城市內(nèi)所有用戶的騎行量的時(shí)間分布和空間熱點(diǎn)，忽略了不用區(qū)域的騎行時(shí)間特征的差異，且研究局限于從OD各自的使用情況去進(jìn)行分析，未考慮1個(gè)區(qū)域的車輛流入與流出情況，不利于分析各區(qū)域的共享單車的供需變化。

綜上所述，目前關(guān)于共享單車的用戶騎行特征的分析，偏向于在空間上分析大范圍內(nèi)的OD 的分布情況，從時(shí)間上統(tǒng)計(jì)整體用戶的騎行需求的分布，缺乏對(duì)不用區(qū)域OD 的時(shí)間特征的差異進(jìn)行分析。為此，本文基于共享單車的騎行大數(shù)據(jù)，通過(guò)空間聚類處理，分析用戶騎行OD點(diǎn)的集聚特征；并對(duì)所得的聚集區(qū)的OD 差值的時(shí)間序列進(jìn)行聚類，分析不同區(qū)域的用戶騎行時(shí)間特征的差異，從而挖掘不同區(qū)域的共享單車的供需變化特征、便于有針對(duì)性的解決共享單車的供需失衡問(wèn)題。

1 研究數(shù)據(jù)概況

1.1 研究區(qū)域

北京市作為首批共享單車的投放城市和全國(guó)共享單車投放量最多的城市，共享單車用戶基數(shù)多，用戶出行數(shù)據(jù)量龐大，其共享單車用戶群體在數(shù)量和使用習(xí)慣上均較為穩(wěn)定，研究區(qū)域具有典型性和代表性。在多家運(yùn)營(yíng)企業(yè)中，摩拜單車投放占比最大，日均騎行量最高。因此，選用北京市中心城區(qū)的摩拜單車用戶使用數(shù)據(jù)為分析對(duì)象。

1.2 數(shù)據(jù)來(lái)源

研究的數(shù)據(jù)主要來(lái)源于2017 年摩拜杯算法挑戰(zhàn)賽中提供的共享單車用戶訂單數(shù)據(jù)集，數(shù)據(jù)集內(nèi)容包括共享單車用戶的訂單號(hào)、共享單車ID、用戶ID、單車類型、騎行的起始時(shí)間、騎行的起點(diǎn)，以及終點(diǎn)位置（Geohash編碼加密），部分?jǐn)?shù)據(jù)及數(shù)據(jù)格式見(jiàn)表1。

表1 用戶訂單數(shù)據(jù)集包含的內(nèi)容及格式Tab.1 Content and format of user order data set

數(shù)據(jù)樣本集涵蓋了2017年5月10日—25日的共3 214 096份摩拜單車用戶出行訂單，包含485 465輛共享單車和349 693 個(gè)用戶。這些數(shù)據(jù)基于用戶自發(fā)的騎行行為，可以較客觀地反映共享單車的騎行時(shí)間特征和空間特征。

1.3 處理方法

首先利用Python中的pandas和numpy等模塊讀取和處理數(shù)據(jù)。數(shù)據(jù)集中，用戶騎行的起始點(diǎn)位置通過(guò)Geohash加密，根據(jù)Geohash地理編碼原理對(duì)起終點(diǎn)位置進(jìn)行解碼，將Geohash編碼轉(zhuǎn)為經(jīng)緯度。

其次通過(guò)Python 對(duì)數(shù)據(jù)集進(jìn)行清洗，刪除騎行距離、騎行起訖點(diǎn)異常的數(shù)據(jù)，選取符合需求的、有效的數(shù)據(jù)子集。運(yùn)用Mean-shift 均值漂移聚類算法對(duì)用戶騎行的空間分布進(jìn)行聚類處理，得出用戶騎行起訖點(diǎn)的聚集區(qū)，隨后對(duì)不同聚集區(qū)的用戶騎行時(shí)間特征進(jìn)行層次聚類，挖掘出幾類典型的騎行時(shí)間分布。

2 時(shí)空聚類算法

2.1 空間聚類

根據(jù)共享單車用戶騎行起訖點(diǎn)的密度分布，尋找用戶騎行起始與終止的聚集區(qū)，用以分析用戶的騎行的空間特征。選用基于密度劃分的聚類算法對(duì)對(duì)用戶的騎行的起訖點(diǎn)進(jìn)行無(wú)監(jiān)督的學(xué)習(xí)，將北京市整個(gè)區(qū)域的數(shù)據(jù)集分割為不同的區(qū)域，使得同1 個(gè)區(qū)域內(nèi)的騎行起訖點(diǎn)分布盡可能地集中，同時(shí)不在同一區(qū)域中的騎行起訖點(diǎn)分布的差異性也盡可能地大。

2.1.1 算法概述

均值漂移（mean-shift）算法[21]是1種基于核密度梯度估計(jì)的快速統(tǒng)計(jì)迭代算法，在圖像分割和目標(biāo)跟蹤等領(lǐng)域應(yīng)用廣泛。

算法的基本原理為沿著數(shù)據(jù)密度上升的方向?qū)ふ揖鄞攸c(diǎn)，步驟如下。

步驟1。設(shè)想在1個(gè)N個(gè)樣本點(diǎn)的特征空間，確定滑動(dòng)窗口半徑h，初始隨機(jī)選取1個(gè)中心點(diǎn)x，離中心點(diǎn)距離為h的空間內(nèi)的所有點(diǎn)，記做集合mh。

步驟2。計(jì)算從中心點(diǎn)開(kāi)始到集合M中每個(gè)元素的向量，整個(gè)圓形空間內(nèi)所有向量的平均值即為偏移均值。設(shè)mh(x)表示空間上的均值漂移向量，其定義為

式中：x為初始中心點(diǎn)；xi∈M；G(x)為核函數(shù)，常用高斯核函數(shù)；w(xi)≥0，為點(diǎn)xi的權(quán)重值。

步驟3。將中心點(diǎn)沿著偏移均值的方向移動(dòng)，移動(dòng)規(guī)則為

式中：xt、xt+1分別為移動(dòng)t次和t+1次狀態(tài)下的中心點(diǎn)；mh(xt)為移動(dòng)t次狀態(tài)下求得的偏移均值。

步驟4。重復(fù)步驟2～3，在每1次迭代后中心點(diǎn)向密度更高的區(qū)域移動(dòng)，直到收斂，記下此時(shí)的中心點(diǎn)；再次重復(fù)上述所有步驟，直到空間內(nèi)所有點(diǎn)被歸類。根據(jù)每個(gè)類中空間內(nèi)的點(diǎn)的訪問(wèn)頻率，取訪問(wèn)頻率最大的那個(gè)類，作為當(dāng)前點(diǎn)集的所屬類。

2.1.2 參數(shù)標(biāo)定

均值漂移算法的所需參數(shù)為所選的核函數(shù)G(x)與滑動(dòng)窗口半徑h。

由于此次研究中的用戶騎行起訖點(diǎn)OD 樣本為二維空間數(shù)據(jù)，無(wú)需引入高斯核函數(shù)，且空間內(nèi)每個(gè)分布點(diǎn)的選取權(quán)重相同，則均值漂移向量化簡(jiǎn)為

通常當(dāng)某區(qū)域內(nèi)訂單數(shù)量到達(dá)50左右時(shí)可視為該區(qū)域?yàn)橛脩趄T行聚集區(qū)。計(jì)算數(shù)據(jù)集中任意騎行起點(diǎn)與其最近的第50個(gè)點(diǎn)的距離，距離分布見(jiàn)圖1。

圖1 騎行起點(diǎn)與其最近的第50個(gè)點(diǎn)的距離分布曲線Fig.1 The distance distribution curve between the starting point of riding and its nearest 50th point

圖1的分布曲線在距離為0.001 9處存在顯著拐點(diǎn)，當(dāng)距離大于0.001 9后隨著距離的增加騎行起點(diǎn)數(shù)量基本不在變化。表明絕大多數(shù)的騎行起點(diǎn)與其最近的第50個(gè)點(diǎn)的距離均小于0.001 9，因此選取為滑動(dòng)窗口半徑為0.001 9，保證聚集區(qū)內(nèi)存在一定量的騎行訂單以反映騎行的時(shí)間特征，同時(shí)避免滑動(dòng)窗口選取過(guò)大導(dǎo)致騎行起訖點(diǎn)的集聚特征不明顯。

2.2 時(shí)間聚類

基于共享單車的騎行起訖點(diǎn)的空間聚類結(jié)果，分析不同區(qū)域的用戶騎行的時(shí)間分布特征。聚集區(qū)域內(nèi)的1 d 中共享單車的借車與還車需求量變化可直接反應(yīng)該區(qū)域的用戶的騎行時(shí)間特征，因此選用不同區(qū)域的用戶的借車與還車量的累計(jì)差值的時(shí)間序列曲線，對(duì)其進(jìn)行聚類分析，探究不同區(qū)域的用戶騎行特征的差異。

對(duì)于共享單車，由于受用戶騎行的早晚高峰的影響，其存在明顯的極大或極小值，采用歐氏距離、動(dòng)態(tài)時(shí)間歸整（DTW）等方法時(shí)易受部分極值的影響而使得2組時(shí)間序列間的距離過(guò)大；同樣的，由于共享單車的時(shí)間序列波動(dòng)大、不平滑的特征，不適宜用自回歸滑動(dòng)平均模型（ARMA）等衡量相似度。

本研究借用統(tǒng)計(jì)學(xué)中衡量2組變量之間的相關(guān)程度的相關(guān)系數(shù)來(lái)衡量時(shí)間序列的相似度，相關(guān)系數(shù)高則表明隨著1組時(shí)間序列的變化，另1組時(shí)間序列隨之變化，2組時(shí)間序列的相似度高。對(duì)于2組維度為n的時(shí)間序列X和Y，spearman 相關(guān)系數(shù)p為[21]

3 特征分析

3.1 空間特征分析

對(duì)北京市部分區(qū)域內(nèi)（Geohash 編碼為wx4g4，wx4g1，wx4g3，wx4g6）的用戶騎行進(jìn)行分析?；谏鲜鏊惴ú襟E和參數(shù)，選取數(shù)據(jù)集中對(duì)應(yīng)區(qū)域數(shù)據(jù)，運(yùn)用均值漂移算法對(duì)數(shù)據(jù)集中2周的騎行起訖點(diǎn)數(shù)據(jù)進(jìn)行學(xué)習(xí)，部分區(qū)域聚類結(jié)果見(jiàn)圖2。

圖2 騎行起訖點(diǎn)的聚類結(jié)果Fig.2 Clustering results of starting and ending points of riding

圖2中黑點(diǎn)為共享單車用戶的騎行聚集區(qū)的中心點(diǎn)，聚集區(qū)的分布呈現(xiàn)以下特征。

1）共享單車的騎行聚集區(qū)的分布與所在區(qū)域的城市路網(wǎng)的布局形式基本相同。圖2中共享單車的騎行聚集區(qū)分布較為均勻，相鄰的點(diǎn)之間的橫向、縱向間距基本相同，呈現(xiàn)明顯的5 橫4 縱的分布帶，符合北京市道路網(wǎng)的方格網(wǎng)狀的布局形式。

2）共享單車的騎行聚集區(qū)集中分布在城市的主干路與次干路上。圖2中騎行聚集區(qū)集中分布在東大橋路、東三環(huán)、金臺(tái)路、東四環(huán)、朝陽(yáng)北路、建國(guó)路等，各路網(wǎng)內(nèi)的分布相對(duì)分散。

3）共享單車的騎行聚集區(qū)主要位于公共交通站點(diǎn)、居住區(qū)，以及休閑娛樂(lè)場(chǎng)所。圖2中騎行聚集區(qū)主要位于呼家樓、朝陽(yáng)公園等地鐵公交站點(diǎn)，以及中國(guó)國(guó)際貿(mào)易中心等商業(yè)中心和社區(qū)。

為進(jìn)一步探究共享單車用戶的騎行起訖點(diǎn)分布在不同時(shí)間段是否存在差異，選取天氣狀況為晴天，分別對(duì)工作日與非工作日、早晚高峰與平峰的騎行起訖點(diǎn)數(shù)據(jù)進(jìn)行學(xué)習(xí)，聚類結(jié)果見(jiàn)圖3。

圖3（a）中圓點(diǎn)與星形點(diǎn)分別為工作日與非工作日的共享單車用戶的騎行聚集區(qū)的中心點(diǎn)，由圖3（a）可見(jiàn)：在整體上，工作日與非工作日的聚集區(qū)的分布大致相同。為了進(jìn)一步地對(duì)比用戶的騎行分布在工作日與非工作日是否存在差異，統(tǒng)計(jì)每個(gè)興趣點(diǎn)（point of interest，POI）區(qū)域的每日用戶出行量（借車量與還車量之和），平均值見(jiàn)圖4。

圖4 不同類型POI區(qū)域的平均每日出行量Fig.4 Average daily trips in different types of POI areas

由圖4 可見(jiàn)：雖然工作日與非工作日的騎行聚集區(qū)的分布大致相同，但公交地鐵站點(diǎn)、工作區(qū)等區(qū)域的出行量在非工作日降低60%～70%。

圖3（b）中圓點(diǎn)與星形點(diǎn)分別為高峰與平峰的共享單車用戶的騎行聚集區(qū)的中心點(diǎn)，由圖3（b）可見(jiàn)：在城市主干路、公交站點(diǎn)以及小區(qū)等處，高峰與平峰期間的騎行聚集區(qū)的分布基本相同；而在國(guó)際貿(mào)易中心、新世界百貨等商業(yè)區(qū)域，平峰期間的騎行聚集區(qū)多于早晚高峰。

圖3 聚類結(jié)果Fig.3 Clustering results of working days and non-working days，peak and average peak

綜合上述分析，共享單車用戶騎行的空間分布在整體上受時(shí)間段的影響不大，部分區(qū)域存在差異；而不同土地利用性質(zhì)區(qū)域的出行量在不同時(shí)間段的變化較大。騎行行為受出行需求驅(qū)動(dòng)，因此從出行需求的角度出發(fā)，探究騎行起訖點(diǎn)的空間分布在不同時(shí)間段產(chǎn)生差異的原因：在1周內(nèi)，由于通勤需求的影響，工作日的用戶騎行起訖點(diǎn)在城市干道上的公交站點(diǎn)的分布更為密集；而非工作日的娛樂(lè)需求增加，則在休閑娛樂(lè)點(diǎn)的出行更為頻繁；居住區(qū)域以及商業(yè)區(qū)域出行為每日的固定需求，因此其騎行起訖點(diǎn)的分布基本不受影響。在1 d內(nèi)，盡管高峰期間的騎行訂單數(shù)量更多，但在公交站點(diǎn)及居住區(qū)域的騎行起訖點(diǎn)的空間分布在高峰與平峰期間無(wú)顯著差異；而平峰期間的購(gòu)物需求更多，則平峰期間發(fā)生在商業(yè)區(qū)域的騎行行為相較高峰期間更多。

3.2 時(shí)間特征分析

基于對(duì)騎行起訖點(diǎn)的空間聚類結(jié)果，運(yùn)用上述的時(shí)間聚類算法，對(duì)不同騎行聚集區(qū)的某一工作日的借車與還車量的累計(jì)差值的時(shí)間序列曲線進(jìn)行聚類處理，得到6種典型的時(shí)間序列，見(jiàn)圖5。

圖5 中縱坐標(biāo)為1 d 內(nèi)累計(jì)的借車量與還車輛的差值，橫坐標(biāo)為時(shí)間。為描述方便，根據(jù)不同類型的時(shí)間序列所反映的借車量與還車量的相對(duì)大小以及借還車的時(shí)間段，將上述6 種時(shí)間序列曲線反映的騎行時(shí)間特征分別記為：借少還多型、借多還少型、先還后借型、先借后還型、借少波動(dòng)型和借多波動(dòng)型。不同的類型的騎行時(shí)間特征所對(duì)應(yīng)的騎行聚集區(qū)域的實(shí)際位置見(jiàn)表2。

圖5 6類典型的時(shí)間序列曲線Fig.5 Six typical time series curves

表2 中，不同的騎行時(shí)間特征所對(duì)應(yīng)的聚集區(qū)域在土地利用性質(zhì)上有著明顯的相似性。為進(jìn)一步驗(yàn)證某區(qū)域的土地利用性質(zhì)對(duì)騎行時(shí)間特征存在影響，通過(guò)高德地圖接口采集各個(gè)騎行聚集區(qū)周圍的POI 興趣點(diǎn)的距離作為原始變量，對(duì)不同騎行時(shí)間特征的POI興趣點(diǎn)進(jìn)行因子分析，運(yùn)用SPSS得到各成分的初始特征值方差的占比，得到騎行時(shí)間特征主導(dǎo)因子結(jié)果見(jiàn)圖6。

表2 騎行時(shí)間特征所對(duì)應(yīng)的騎行聚集區(qū)域位置Tab.2 The location of riding gathering area corresponding to riding time characteristics

由表2和圖6可見(jiàn)：借少還多型的聚集點(diǎn)大多分布在商業(yè)區(qū)，該類型的騎行時(shí)間特征的區(qū)域1 d內(nèi)的用戶的借車量小于還車量，其差值呈現(xiàn)平穩(wěn)負(fù)增長(zhǎng)的曲線。與此相反，借多還少型的聚集點(diǎn)大多分布在居住區(qū)，該類型的騎行時(shí)間特征的區(qū)域1 d內(nèi)的用戶的借車量大于還車量，其差值呈現(xiàn)平穩(wěn)正增長(zhǎng)的曲線。

先還后借型的聚集點(diǎn)大多分布在公交地鐵站點(diǎn)與工作區(qū)，該類型的騎行時(shí)間特征的區(qū)域的早高峰期間的還車量遠(yuǎn)大于借車量，而晚高峰期間的借車量大于還車量，借還車差值曲線呈現(xiàn)顯著的凹型；先借后還型的聚集點(diǎn)大多分布在公交站點(diǎn)與居住區(qū)，該類型的騎行時(shí)間特征的區(qū)域1 d 內(nèi)的借還車行為與先還后借型相反，借還車差值曲線呈現(xiàn)顯著的凸型。

借少波動(dòng)型與借多波動(dòng)性的借車量與還車量的差值較小且多次小幅度波動(dòng)，該類型的騎行時(shí)間特征所對(duì)應(yīng)的地點(diǎn)在各類用地性質(zhì)的區(qū)域均有分布，前者多出現(xiàn)在居住區(qū)與商業(yè)區(qū)，后者較多出現(xiàn)在居住區(qū)與工作區(qū)。

由圖6 可見(jiàn)：騎行時(shí)間特征的主導(dǎo)因子占比在工作日與非工作日會(huì)產(chǎn)生變化。非工作日時(shí)，借少還多型的騎行時(shí)間特征受商業(yè)區(qū)的影響變小，受居住區(qū)的影響變大；借多還少型的騎行時(shí)間特征的分布區(qū)域變化較小，受商業(yè)區(qū)的影響略微變大；先還后借型的騎行時(shí)間特征受工作區(qū)的影響變小；先借后還型的騎行時(shí)間特征受公交地鐵站點(diǎn)、居住區(qū)的影響變小，受休閑娛樂(lè)區(qū)域的變大。借少波動(dòng)型和借多波動(dòng)型的騎行特征受不同POI區(qū)域的影響程度在工作日與非工作日變化較小。

除此之外，同一區(qū)域的騎行時(shí)間特征在工作日與非工作日亦存在差異。工作日呈現(xiàn)借少還多型騎行時(shí)間特征的區(qū)域在非工作日會(huì)出現(xiàn)波動(dòng)型與借少還多2種特征，見(jiàn)圖7。前者的商業(yè)區(qū)往往靠近工作區(qū)，而后者多靠居住區(qū)。

圖7 借少還多型區(qū)域的非工作日騎行特征Fig.7 Riding characteristics of non-working days in the area of“borrowing less and repaying more”

在工作日呈現(xiàn)借多還少型、先還后借型、先借后還型騎行特征的區(qū)域，在非工作日的借還車差值大多會(huì)出現(xiàn)不同程度的削減，見(jiàn)圖8～9。

圖8 借少還多型區(qū)域的非工作日騎行特征Fig.8 Riding characteristics of non-working days in the area of“borrowing less and repaying more”

圖9 先還后借型、先借后還型區(qū)域的非工作日騎行特征Fig.9 Riding characteristics of non-working days in the areas of“return before borrowing”and“borrowing before returning”

由于借少波動(dòng)型、借多波動(dòng)型區(qū)域的借車量與還車量在整體上較為平衡，該類型區(qū)域的借車量與還車量的差值的波動(dòng)受隨機(jī)因素的影響較大，在工作日與非工作日的借還車差值的變化無(wú)顯著規(guī)律，見(jiàn)圖10。

圖10 借少波動(dòng)型、借多波動(dòng)型區(qū)域的非工作日騎行特征Fig.10 The characteristics of non-working day riding in the area of“borrowing less with volatility”and“borrowing more with volatility”

綜上，不同的土地利用性質(zhì)在不同時(shí)間段對(duì)于不同的出行目的吸引程度存在差異，由此產(chǎn)生了不同區(qū)域的借車量與還車量的波動(dòng)。商業(yè)區(qū)對(duì)居民出行的吸引較為明顯，出行產(chǎn)生量相對(duì)較少，且各時(shí)段的出行吸引量較為均衡，因此該區(qū)域的騎行時(shí)間特征多為借少還多型。對(duì)于住宅區(qū)，當(dāng)通勤人群較多時(shí)，該區(qū)域的早高峰的出行產(chǎn)生量較大，而晚高峰的出行吸引量均較大，因此形成了先借后還型的騎行特征；當(dāng)通勤人群較少時(shí)，則出行產(chǎn)生量相對(duì)較多且各時(shí)段較為均衡，形成借多還少型的騎行特征。在工作區(qū)的出行吸引發(fā)生在早高峰，而出行產(chǎn)生發(fā)生在晚高峰，因此形成先借后還型的騎行特征。公交地鐵站點(diǎn)較為特殊，靠近居住區(qū)的站點(diǎn)在早高峰將周邊的出行匯集至公共交通，而在晚高峰承擔(dān)“最后一公里的”作用，形成先還后借的騎行特征；靠近工作區(qū)的站點(diǎn)的出行產(chǎn)生于吸引的時(shí)間段恰好相反，形成先借后還的騎行特征。在居住與商業(yè)混合、居住與工作混合的區(qū)域，出行產(chǎn)生量與吸引量較為平衡，借還車量的差值較小且波動(dòng)更加隨機(jī)。另一方面，非工作日的剛性出行需求相較工作日低，因此非工作日的借還車差值大多會(huì)出現(xiàn)不同程度的削減。

4 結(jié)束語(yǔ)

1）在空間上，雖然不同時(shí)間段的騎行聚集區(qū)的出行量存在差異，但騎行聚集區(qū)的分布大致相同，與城市路網(wǎng)的布局形式相似。受出行需求的影響，公交地鐵站點(diǎn)的騎行分布在工作日更為密集，但不受早晚高峰的影響；居住區(qū)與商業(yè)區(qū)的騎行分布基本不受通勤影響，但商業(yè)區(qū)的騎行分布在平峰期間更為密集。

2）在時(shí)間上，商業(yè)區(qū)易形成借少還多型的騎行特征，居住區(qū)易形成借多還少型的騎行特征，靠近居住區(qū)的公交站點(diǎn)與靠近工作區(qū)的公交站點(diǎn)，分別形成先還后借與先借后還的騎行特征；多種用地性質(zhì)混合的區(qū)域，借還車的差值較小且易產(chǎn)生波動(dòng)。

3）在6類騎行時(shí)間特征中，借少還多型、借多還少型、先還后借型和先借后還型的騎行時(shí)間特征受不同POI區(qū)域的影響程度在工作日與非工作日會(huì)產(chǎn)生變化。除此之外，同一區(qū)域的騎行時(shí)間特征在工作日與非工作日亦存在差異。

本文的研究通過(guò)聚類方法分析了不同騎行聚集區(qū)的共享單車借車量與還車量變化的差異，并通過(guò)因子分析了得到了騎行特征與土地性質(zhì)之間的關(guān)聯(lián)。某區(qū)域的共享單車借車量與還車量直接反映該區(qū)域的調(diào)度需求，研究成果適用于針對(duì)不同的騎行聚集區(qū)展開(kāi)共享單車的調(diào)度運(yùn)營(yíng)，有助于解決共享單車的供需失衡問(wèn)題。由于研究數(shù)據(jù)獲取的限制，本文未涉及共享單車的實(shí)時(shí)分布數(shù)據(jù)，忽略了共享單車的供給和外部環(huán)境因素對(duì)于用戶騎行的影響，可進(jìn)一步開(kāi)展研究。