摘要：首先,基于公共自行车租赁系统的借还特性,分析相邻租赁点借还需求的相似性和互补性,租赁点的周转特性以及周期稳定特性,并考虑工作日与周末出行需求的差异性。其次,使用关联租赁点的出行信息、租赁点的周转率以及本租赁点历史出行信息和时间作为影响因子,分别利用小波神经网络、粒子群优化的小波神经网络、自适应粒子群优化的小波神经网络对公共自行车的借、还需求进行模型的构建。最后,利用美国纽约市公共自行车系统的出行数据进行实例分析,结果表明:自适应粒子群优化的小波神经网络相比于简单的小波神经网络平均相对误差下降26.45%,均方误差减少36.31%,相比于粒子群优化的小波神经网络平均相对误差下降15.81%,均方误差减少25.01%;自适应粒子群优化的小波神经网络能够使模型跳出局部最优,具有较强的可靠性,对于工作日和周末出行需求预测的平均相对误差分别为11.05%和12.27%;关联租赁点、周转特性影响因素的考虑能有效提高预测精度,其中自适应粒子群优化的小波神经网络预测精度的提升率最高,达到4%左右。研究成果可为城市公共自行车管理部门及相关企业的政策制定及调度优化提供支持。

关键词：城市交通 出行需求预测 粒子群优化 公共自行车系统 关联租赁点 

单位：东南大学交通学院; 江苏南京211189