论文部分内容阅读
摘 要：共享单车因借还方便，较好地解决了城市中最后一公里的难题，然其需求量受天气、地理环境等因素影响。本文根据共享单车借还车量的数据特征，搭建了BP神经算法模型，以工作日的不同时段作为变量，选择合适的激活函数与性能函数。该模型在一定程度上能够预测共享单车的需求量，以期优化单车调度，利于城市出行。
关键词：共享单车 BP神经网络 Tan-Sigmoid函数
Abstract： Shared bicycle is convenient because it is easy to borrow and return， which solves the problem of the last mile in the city， but its demand is affected by factors such as weather and geographical environment. Based on the data characteristics of shared bicycles borrowed and returned， this paper builds a BP neural algorithm model， using different time periods of the working day as variables， and selects the appropriate activation function and performance function. The model can predict the demand for shared bicycles to a certain extent， with a view to optimizing bicycle scheduling and facilitating urban travel.
Key Words： Shared bicycle; BP neural network; Tan-Sigmoid function
共享单车能解决了“最后一公里”的骑行难题，符合低碳出行理念，受到城市居民的青睐。共享单车可停放在任意地点，带来方便的同时也带来时空供需失衡问题[1]。由于共享单车的需求差异，不同地区的单车会出现供不应求及无人问津两种极差。因此，研究共享单车的时空需求、优化单车调度迫在眉睫。
查阅资料可发现国内外研究者对有桩“公共自行车”的资源分配问题研究较为完善，大致可分为两类：（1）研究公共自行车用车的影响因素;（2）研究优化调度公共自行车的方法[2-3]。然这些研究都是基于公共自行车存在集中站點的基础上的，不适用于共享单车。共享单车分散于城市中，它的起止位置仅与用户个人的使用目的有关，流动性较强。因此，为了系统研究城市内共享单车借还量的影响因素，并提出可行性高的优化策略，本文针对共享单车的特点，基于BP神经网络分析共享单车供需缺口，进一步优化各个区域共享单车的投放量。
1 BP神经网络
神经网络是一种类人脑的机器学习技术，通常包括输入层、输出层和隐含层，输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果，故神经网络在一开始也被称为感知器。然感知器模型只适用于两层神经网络，不能对隐含层的参数进行调整，基于此Rumelhart和McCelland等人提出了基于反向传播的学习算法，即BP神经网络[4-6]。
BP神经网络可分成正向传播和反向传播两部分。正向传播时，信号从输入层输入，经隐含层进行处理，最后传向输出层输出。当输出与期望值不相符时，则将误差信号按原来正向传播的通路反向传回，并修改隐含层的各个神经元的权系数，使误差信号达到最小值。实质上，BP算法就是一个求取误差函数最小值问题[7-8]。
2 数据预处理
同一区域内各个时段的借还车量是不同的，以一个礼拜作为一个整体来看，可将工作日和休息日分开预测。本文以工作日为例，早上7点之前和晚上23点以后，共享单车的借还车量很少，可作为一个整体时间段来进行预测，再将7点与23点之间的时间以2h作为一个划分，分成8个时间段。调用某个地区某一周工作日中各时段共享单车的借还量，数据如表1所示。
根据表1中的数据可看出，早上7点到9点之间为共享单车车辆使用高峰，其次为下午17点到19点之间，这是因为城市居民早晚上下班高峰引起的，符合城市生活的规律。然而数据中周一及周二的下午与晚上明显的低于周三周四，调研得知当天该区域天气状况较差。由此可知，共享单车的借还量与多种情况相关，所以在输入训练样本时要选取更多的数据，以期得到更准确的共享单车预测量。
3 共享单车优化模型建立
一般而言，共享单车都安装了GPS定位，可实时监测并记录车辆位置、骑行范围、车辆借还的区域和时间等数据，因此可通过分析这些数据，预测各区域各时段的借还车量，优化共享单车的车辆调度。先选取其中一个区域，统计在该区域各时段共享单车流量，再与该区域的实际需求量进行对比。根据共享单车历史借还车数据，可分开预测共享单车的借车需求和还车需求，这样各个区域借还车的差值就是该区域需要调度的共享单车数量。
本文采用BP神经网络算法对共享单车各区域进行需求预测。若输入用X表示，输出用Y表示，权值用W表示。第k层第1个神经元的输出，可通过该神经元的输入经过激活函数得到：
3.1 设计输入与输出
设计输入与输出变量，输出为某区域工作日的共享单车借还车数量，同一区域内，待预测的共享单车借还需求与相同时段的借还车数量相关，由此输入变量可选取相同时段的历史借还车使用量，如表1所示。 3.2 激活函数
共享单车借还车量是非线性变化的，需在神经网络的隐含层与输出层的神经元之间选取合适的激活函数，为实现输入到输出的非线性映射，激活函数可选取非线性的Sigmoid函数。Sigmoid函数为S型生长曲线，可将一个实数映射到（0，1）的区间，具有平滑、易于求导的优点，然反向传播时，容易出现梯度消失的情况。另外，Sigmoid函数的输出恒为正值，会影响收敛速度，故本文采用Sigmoid函数的改进版Tan-Sigmoid函数作为激活函数，公式如下。
在公式（9）中，x为上层神经元的输入，其函数如图1所示。Tan-Sigmoid函数是S型饱和函数，以零为中心，值域为（-1，1），收敛速度快，且可微性更好。
3.3 性能函数
性能函数是用来计算输出结果与期望值之间的误差的，能直接反映预测的准确性，通常用均方根误差（RMSE）、均方误差（MSE）、平均绝对误差（MAE）进行衡量。
RMSE用来衡量参数估计值与真值之间的均方根，如公式（10）所示。
通常情况下，与均方误差（MSE）和平均绝对误差（MAE）相比较，均方根误差（RMSE）能更准确地衡量预测精度，RMSE越小，模型预测的越准确。
基于搭建的共享单车预测模型，预测某区域未来相同时间段的共享单车需求量，其预测结果如表2所示。
4 结语
共享单车被推出至今，避免了有桩公共自行车借还车不便的缺陷，很好地解决了城市中最后一公里的难题。若企业能根据需求量对各个城市进行合理投放，将能最大化利用共享单车的资源。本文根据共享单车借还车量的数据特征，搭建了BP神经算法模型，从设计输入输出变量到激活函数、性能函数的选择一一进行了介绍，未来可结合天气、日期、城市的人文特征等多方面因素进行研究，进而得到更精准的需求预测，以期达到共享单车供需平衡。
参考文献
[1] 杨军，赵继新，易安军，等.基于BP神经网络算法的共享单车需求预测[J].西部交通科技，2019（2）：155-158.
[2] 田雨.基于神经网络的共享单车避让行为的建模与仿真[J].科学技术创新，2017（30）：137-138.
[3] 杨鸿麟，曹小曙，李涛，等.城市居民使用共享单车的行为意愿及影响因素分析—以西安市为例[J]. 干旱区资源与环境， 2019（6）：78-83.
[4] Mccelland P， Lash J A， Hathaway D R. Identification of major autolytic cleavage sites in the regulatory subunit of vascular calpain II. A comparison of partial amino-terminal sequences to deduced sequence from complementary DNA.[J].1989，264（29）：17428-31.
[5] Kook H， Goldman F， Padley D， et al. Reconstruction of the immune system after unrelated or partially matched T-cell-depleted bone marrow transplantation in children： immunophenotypic analysis and factors affecting the speed of recovery.[J]. 1996， 88（3）：1089.
[6] Boyang Li， Chen Liu. Parallel BP Neural Network on Single-chip Cloud Computer[C]// 2015 IEEE 17th International Conference on High Performance Computing and Communications， 2015 IEEE 7th International Symposium on Cyberspace Safety and Security， and 2015 IEEE 12th International Conference on Embedded Software and Systems. IEEE， 2019.
[7] Zhenpeng Liu， Yupeng He， Wensheng Wang，等. DDoS Attack Detection Scheme Based on Entropy and PSO-BP Neural Network in SDN[J]. 中國通信， 2019（7）.
[8] Bo Li， Xitian Tian， Min Zhang. Thermal error modeling of machine tool spindle based on the improved algorithm optimized BP neural network[J]. International Journal of Advanced Manufacturing Technology， 2019（9）.
关键词：共享单车 BP神经网络 Tan-Sigmoid函数
Abstract： Shared bicycle is convenient because it is easy to borrow and return， which solves the problem of the last mile in the city， but its demand is affected by factors such as weather and geographical environment. Based on the data characteristics of shared bicycles borrowed and returned， this paper builds a BP neural algorithm model， using different time periods of the working day as variables， and selects the appropriate activation function and performance function. The model can predict the demand for shared bicycles to a certain extent， with a view to optimizing bicycle scheduling and facilitating urban travel.
Key Words： Shared bicycle; BP neural network; Tan-Sigmoid function
共享单车能解决了“最后一公里”的骑行难题，符合低碳出行理念，受到城市居民的青睐。共享单车可停放在任意地点，带来方便的同时也带来时空供需失衡问题[1]。由于共享单车的需求差异，不同地区的单车会出现供不应求及无人问津两种极差。因此，研究共享单车的时空需求、优化单车调度迫在眉睫。
查阅资料可发现国内外研究者对有桩“公共自行车”的资源分配问题研究较为完善，大致可分为两类：（1）研究公共自行车用车的影响因素;（2）研究优化调度公共自行车的方法[2-3]。然这些研究都是基于公共自行车存在集中站點的基础上的，不适用于共享单车。共享单车分散于城市中，它的起止位置仅与用户个人的使用目的有关，流动性较强。因此，为了系统研究城市内共享单车借还量的影响因素，并提出可行性高的优化策略，本文针对共享单车的特点，基于BP神经网络分析共享单车供需缺口，进一步优化各个区域共享单车的投放量。
1 BP神经网络
神经网络是一种类人脑的机器学习技术，通常包括输入层、输出层和隐含层，输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果，故神经网络在一开始也被称为感知器。然感知器模型只适用于两层神经网络，不能对隐含层的参数进行调整，基于此Rumelhart和McCelland等人提出了基于反向传播的学习算法，即BP神经网络[4-6]。
BP神经网络可分成正向传播和反向传播两部分。正向传播时，信号从输入层输入，经隐含层进行处理，最后传向输出层输出。当输出与期望值不相符时，则将误差信号按原来正向传播的通路反向传回，并修改隐含层的各个神经元的权系数，使误差信号达到最小值。实质上，BP算法就是一个求取误差函数最小值问题[7-8]。
2 数据预处理
同一区域内各个时段的借还车量是不同的，以一个礼拜作为一个整体来看，可将工作日和休息日分开预测。本文以工作日为例，早上7点之前和晚上23点以后，共享单车的借还车量很少，可作为一个整体时间段来进行预测，再将7点与23点之间的时间以2h作为一个划分，分成8个时间段。调用某个地区某一周工作日中各时段共享单车的借还量，数据如表1所示。
根据表1中的数据可看出，早上7点到9点之间为共享单车车辆使用高峰，其次为下午17点到19点之间，这是因为城市居民早晚上下班高峰引起的，符合城市生活的规律。然而数据中周一及周二的下午与晚上明显的低于周三周四，调研得知当天该区域天气状况较差。由此可知，共享单车的借还量与多种情况相关，所以在输入训练样本时要选取更多的数据，以期得到更准确的共享单车预测量。
3 共享单车优化模型建立
一般而言，共享单车都安装了GPS定位，可实时监测并记录车辆位置、骑行范围、车辆借还的区域和时间等数据，因此可通过分析这些数据，预测各区域各时段的借还车量，优化共享单车的车辆调度。先选取其中一个区域，统计在该区域各时段共享单车流量，再与该区域的实际需求量进行对比。根据共享单车历史借还车数据，可分开预测共享单车的借车需求和还车需求，这样各个区域借还车的差值就是该区域需要调度的共享单车数量。
本文采用BP神经网络算法对共享单车各区域进行需求预测。若输入用X表示，输出用Y表示，权值用W表示。第k层第1个神经元的输出，可通过该神经元的输入经过激活函数得到：
3.1 设计输入与输出
设计输入与输出变量，输出为某区域工作日的共享单车借还车数量，同一区域内，待预测的共享单车借还需求与相同时段的借还车数量相关，由此输入变量可选取相同时段的历史借还车使用量，如表1所示。 3.2 激活函数
共享单车借还车量是非线性变化的，需在神经网络的隐含层与输出层的神经元之间选取合适的激活函数，为实现输入到输出的非线性映射，激活函数可选取非线性的Sigmoid函数。Sigmoid函数为S型生长曲线，可将一个实数映射到（0，1）的区间，具有平滑、易于求导的优点，然反向传播时，容易出现梯度消失的情况。另外，Sigmoid函数的输出恒为正值，会影响收敛速度，故本文采用Sigmoid函数的改进版Tan-Sigmoid函数作为激活函数，公式如下。
在公式（9）中，x为上层神经元的输入，其函数如图1所示。Tan-Sigmoid函数是S型饱和函数，以零为中心，值域为（-1，1），收敛速度快，且可微性更好。
3.3 性能函数
性能函数是用来计算输出结果与期望值之间的误差的，能直接反映预测的准确性，通常用均方根误差（RMSE）、均方误差（MSE）、平均绝对误差（MAE）进行衡量。
RMSE用来衡量参数估计值与真值之间的均方根，如公式（10）所示。
通常情况下，与均方误差（MSE）和平均绝对误差（MAE）相比较，均方根误差（RMSE）能更准确地衡量预测精度，RMSE越小，模型预测的越准确。
基于搭建的共享单车预测模型，预测某区域未来相同时间段的共享单车需求量，其预测结果如表2所示。
4 结语
共享单车被推出至今，避免了有桩公共自行车借还车不便的缺陷，很好地解决了城市中最后一公里的难题。若企业能根据需求量对各个城市进行合理投放，将能最大化利用共享单车的资源。本文根据共享单车借还车量的数据特征，搭建了BP神经算法模型，从设计输入输出变量到激活函数、性能函数的选择一一进行了介绍，未来可结合天气、日期、城市的人文特征等多方面因素进行研究，进而得到更精准的需求预测，以期达到共享单车供需平衡。
参考文献
[1] 杨军，赵继新，易安军，等.基于BP神经网络算法的共享单车需求预测[J].西部交通科技，2019（2）：155-158.
[2] 田雨.基于神经网络的共享单车避让行为的建模与仿真[J].科学技术创新，2017（30）：137-138.
[3] 杨鸿麟，曹小曙，李涛，等.城市居民使用共享单车的行为意愿及影响因素分析—以西安市为例[J]. 干旱区资源与环境， 2019（6）：78-83.
[4] Mccelland P， Lash J A， Hathaway D R. Identification of major autolytic cleavage sites in the regulatory subunit of vascular calpain II. A comparison of partial amino-terminal sequences to deduced sequence from complementary DNA.[J].1989，264（29）：17428-31.
[5] Kook H， Goldman F， Padley D， et al. Reconstruction of the immune system after unrelated or partially matched T-cell-depleted bone marrow transplantation in children： immunophenotypic analysis and factors affecting the speed of recovery.[J]. 1996， 88（3）：1089.
[6] Boyang Li， Chen Liu. Parallel BP Neural Network on Single-chip Cloud Computer[C]// 2015 IEEE 17th International Conference on High Performance Computing and Communications， 2015 IEEE 7th International Symposium on Cyberspace Safety and Security， and 2015 IEEE 12th International Conference on Embedded Software and Systems. IEEE， 2019.
[7] Zhenpeng Liu， Yupeng He， Wensheng Wang，等. DDoS Attack Detection Scheme Based on Entropy and PSO-BP Neural Network in SDN[J]. 中國通信， 2019（7）.
[8] Bo Li， Xitian Tian， Min Zhang. Thermal error modeling of machine tool spindle based on the improved algorithm optimized BP neural network[J]. International Journal of Advanced Manufacturing Technology， 2019（9）.