Hierarchical Prediction Based on Two-Level Affinity Propagation Clustering for Bike-Sharing System

نظام مشاركة الدراجة هو وسيلة نقل جديدة ظهرت في السنوات الأخيرة أكثر وأكثر سوف يختار الناس ركوب مشاركة الدراجات في الداخل والخارج. هناك أيضًا عوامل غير مواتية تؤثر على تجربة ركوب الزبون في نظام مشاركة الدراجات. بسبب الإيجارات أو إعادة الدراجات إلى محطات مختلفة في فترات مختلفة غير متوازنة ، يحتاج النظام إلى إعادة التوازن بشكل متكرر. لذلك ، هناك حاجة ملحة للتنبؤ وإعادة تخصيص الدراجات. في هذا البحث ، نقترح نموذج تنبؤ هرمي يتنبأ بعدد الإيجارات أو العوائد إلى كل كتلة )محطة( في فترة مستقبلية لتحقيق إعادة التوزيع. أولا ، نقترح خوارزمية نشر التقارب على مستويين لتقسيم محطات الدراجة إلى مجموعات نأخذ بعين الاعتبار اتجاهات الدراجات بين المحطات وكذلك معلومات المواقع الجغرافية. على أساس التسلسل الهرمي على مستويين من المحطات ، ثم ، نستخدم متعدد التشابه القائم) multi-similarity-based ( نموذج الاستدلال لتوقع نسبة الترحيل بين الكتل، بناءً على الإيجارات أو عائدات الدراجات في كل محطة يمكن استنتاجها. من أجل التحقق من فعالية مستويين لدينا نموذج التنبؤ الهرمي ، ونتحقق من صحة ذلك على نظام تقاسم الدراجة في مدينة نيويورك ومقارنة النتائج مع تلك الأساليب الشائعة الأخرى التي تم الحصول عليها. النتائج التجريبية تدل على التفوق على أساليب أخرى.

Bike-sharing system is a new transportation that has emerged in recent years. More and more people will choose to ride bicycle sharing at home and abroad. While we use shared bicycles conveniently, there are also unfavorable factors that affect the customer's riding experience in the bicycle-sharing system. Due to the rents or returns of bikes at different stations in different periods are imbalanced, the bikes in the system need to be rebalanced frequently. Therefore, there is an urgent need to predict and reallocate the bikes in advance. In this paper, we propose a hierarchical forecasting model that predicts the number of rents or returns to each station cluster in a future period to achieve redistribution. First, we propose a two-level af nity propagation clustering algorithm to divide bike stations into groups where migration trends of bikes among stations as well as geographical locations information are considered. Based on the two-level hierarchy of stations, the total rents of bikes are predicted. Then, we use a multi-similarity-based inference model to forecast the migration proportion of inter-cluster and across cluster, based on which the rents or returns of bikes at each station can be deduced. In order to verify the effectiveness of our two-level hierarchical prediction model, we validate it on the bike-sharing system of New York City and compare the results with those of other popular methods obtained. Experimental results demonstrate the superiority over other methods.