1.1 前言

在进入21世纪以后，目前的城市公共自行车已经经历了三个发展阶段，第一代公共自行车出现在1965年，单车来源于他人捐赠，公共自行车系统由政府出资养护，出行者免费使用无锁无固定停车桩的自行车。到了1991年的第二代公共自行车，有固定的租借站点，并且需要押金。第三代公共自行车增加了借还自行车的专用设施，租借者需要提供个人信息并且支付一定的押金。自行车的使用路线等信息可以被追踪和记录，使用过程产生的费用可以通过多种方式支付。

2016年出现了具有第四代公共自行车雏形的共享单车。与传统的公共自行车相比，去除了固定停车桩，并且能够使用移动设备进行车辆租借，具有一定信用等级的用户能够免交押金。这些特点能够缩短出行者的步行距离，并且使租借过程更加便捷，吸引更多的出行者选择自行车出行，进而对共享单车租借需求产生影响。

共享单车作为“绿色”交通方式，是提高城市运行效率并且减少环境污染的有效途径并在全国各城市得到大力推广。但共享单车在投放时存在盲目的行为，从而造成共享单车数量及规模投放过多的浪费现象，或共享单车投放不足和投放不合理的紧缺现象。而共享单车投放的数量规模与其租借需求量密切相关，因此需要对共享单车租借需求预测进行研究^[1]-[4]。

1.2 国内外研究现状

1.2.1 公共自行车租借需求预测方法

在公共自行车租借需求预测的研究中，其借需求预测常用方法通常有如下几种。

（1）时间序列模型

时间序列预测方法，是将预测目标的历史数据，按照时间的顺序排列起来成为时间序列，然后分析他随时间变化的趋势，外推预测目标的未来值。而时间序列统计方法下，又包含了自回归法（AR）、滑动平均法（MA）、自回归滑动平均法（ARMA）、差分自回归滑动平均模型法（ARIMA）、季节性差分自回归滑动平均模型法（SARIMA）。运用时间序列分析进行量的预测，实际上将所有的影响因素归结到时间这一因素上，只承认所有影响因素的综合作用，该方法突出考虑了时间因素在预测中的作用，暂不考虑外界具体因素的影响。

时间序列模型建模简单，在拥有大量采集到的实际数据用来建模的情况下，预测的精确度也会比较高，该模型的缺点是在数据有间断或是受到随机干扰的时候，预测的精确度会降低^[5]。

Andreas Kaltenbrunner, Rodrigo Meza^[7]-[10]等人通过对巴塞罗那的 PBS 租赁点内剩余自行车数量进行分析，从而得到城市范围内的人群流动及出行规律。在此基础上利用 ARMA 方法建立公共自行车流量时间序列进行预测，通过实验结果证明了该方法具有一定的精确度和适用性。

JiWon Yoon, Fabio Pinelli等人基于ARIMA方法建立时间-空间序列公共自行车流量预测系统，预测各租赁点内公共自行车剩余数量。预测结果可以给用户提供一个最好的租还自行车租赁点选择，从而提高用户借到和还回自行车的几率，减少用户因“无车借”、“无空位还”问题而浪费的时间^[11]-[12]。

Haitao Xu, Jing Ying等人为了克服单一预测模型的缺陷，综合利用聚类算法和 SVM 算法建立了一个混合模型进行公共自行车流量预测，预测某日 PBS 的租还使用人次，并使用真实数据证明了该混合模型具有较高的预测精确度。