骑行流密度聚类下的共享单车源汇空间识别

仝照民; 刘耀林; 张紫怡; 安睿; 朱奕

doi:10.13203/j.whugis20220467

您当前的位置：

首页 >

文章列表页 >

骑行流密度聚类下的共享单车源汇空间识别

地图制图学与地理信息工程 | 更新时间：2026-11-05

- 骑行流密度聚类下的共享单车源汇空间识别
- Bike-Sharing Source-Sink Space Recognition Based on Riding Flow Density Clustering Method
- 武汉大学学报（信息科学版） 2025年50卷第1期页码：184-196
- 作者机构：
  
  1.武汉大学资源与环境科学学院，湖北武汉，430079
  2.武汉大学地理信息系统教育部重点实验室，湖北武汉，430079
  3.地球空间信息科学协同创新中心，湖北武汉，430079
  4.自然资源部数字制图与国土信息应用重点实验室，湖北武汉，430079
  5.东华理工大学测绘工程学院，江西南昌，330032
  6.成都市国土规划地籍事务中心，四川成都，610072
- 作者简介：
  
  仝照民，博士，主要研究方向为地理大数据挖掘。tongzm2215@126.com
  刘耀林，博士，教授，国际欧亚科学院院士。wdzhlyl@163.com
- 基金信息：
  
  国家自然科学基金(42230107;42471454);国家重点研发计划(2017YFB0503601)
- DOI：10.13203/j.whugis20220467
  中图分类号： P208
- 收稿：2023-05-08，
  
  纸质出版：2025-01-05
- 稿件说明：
移动端阅览
仝照民,刘耀林,张紫怡，等.骑行流密度聚类下的共享单车源汇空间识别[J].武汉大学学报（信息科学版）,2025,50(1):184-196.

TONG Zhaomin,LIU Yaolin,ZHANG Ziyi,et al.Bike-Sharing Source-Sink Space Recognition Based on Riding Flow Density Clustering Method[J].Geomatics and Information Science of Wuhan University,2025,50(1):184-196.
仝照民,刘耀林,张紫怡，等.骑行流密度聚类下的共享单车源汇空间识别[J].武汉大学学报（信息科学版）,2025,50(1):184-196. DOI：10.13203/j.whugis20220467

TONG Zhaomin,LIU Yaolin,ZHANG Ziyi,et al.Bike-Sharing Source-Sink Space Recognition Based on Riding Flow Density Clustering Method[J].Geomatics and Information Science of Wuhan University,2025,50(1):184-196. DOI：10.13203/j.whugis20220467

摘要

共享单车的时空分布不均给运营商和用户造成了不便，有必要识别共享单车的空间发散区（源）及聚集区（汇），对其空间源汇区进行针对性的管理和调度。对共享单车骑行空间社区进行检测后，使用路网约束下共享

最邻近密度聚类方法，从空间流视角识别共享单车的典型源汇区域，探究早晚高峰骑行模式的共性和差异性，结果表明：（1）工作日共享单车分时订单曲线M型特征明显，而休息日曲线更接近梯台型，骑行以交通小区单元内部流动及邻接流动为主。（2）共享单车骑行社区边界受天然屏障的约束显著大于行政区划，早高峰共享单车使用的高值区更为集中。（3）工作日通勤早高峰时段，丛集流以“居住-就业”流向为主，聚散区域呈现“一面-一线-多点”的空间分布特征；晚高峰时段，丛集流以“地铁站-居住区”为主，“共享单车-地铁站-共享单车”的联运特征突出。

Abstract

Objectives

The shared bike is an important tool for residents to connect to public transport and travel a short distance

but its uneven space-time distribution has caused inconvenience to operators and users

especially in the morning and evening rush hours of commuting on weekdays. Therefore

it is necessary to identify the spatial divergence area (source) and convergence area (sink) of shared bikes

and carry out targeted management and scheduling of their spatial source-sink area. However

most studies aggregate flow data into polygon units

which lose the precision of flow data and cannot provide accurate spatial location of source and sink areas. We use a method combining spatial thinning with flow density clustering to effectively identify the spatial location of the source and sink area of bike-sharing flow.

Methods

Spatial community detection algorithm and density-based clustering method for origin-destination riding flow are used to identify the typical source and sink regions of shared bikes. The first thing is to clean the original dataset

including deleting duplicate orders

orders with missing attributes and abnormal orders

and performing coordinate matching. After that

using the fast Fourier transform algorithm to test the time periodicity of the dataset. Then the fast unfolding algorithm is used to detect the spatial communities and dilute the order data of shared bikes on this basis. Finally

the spatial distance of bike-sharing flow based on the road network is defined

and the shared

nearest neighbor flow clustering method is used to identify typical source and sink regions.

Results

(1) The curve of bike-sharing timely orders on weekdays has obvious M-shaped characteristics

while the curve of weekends is more similar to the ladder type. At the scale of traffic analysis zone

the flow of shared bikes is mainly adjacent flow and internal flow. (2) The boundary of bike-sharing community is significantly more constrained by natural barriers than administrative divisions

and the high-value bike-sharing usage areas are more concentrated in the morning peak than evening. (3) During the morning rush hours of commuting on weekdays

the unidirectional flow clusters are mainly “residence to employment”

and the convergent and divergent areas show the spatial distribution characteristics of “one area

one line and many points”. In the evening peak hours

the flow clusters are mainly the pattern of subway station to residential area

and the intermodal characteristics of “shared bikes-subway station-shared bikes” are prominent.

Conclusions

Based on the perspective of flow space

we analyze the characteristics of residents' short-distance shared travel. The proposed method effectively identifies the spatial source and sink area of shared bikes

which fills the smallest link in the study of urban internal mobility links

and provides support for the optimal allocation of shared bicycle space.

关键词

Keywords

references

罗建平，裘凝远，尹杰丽，等 . 基于大数据分析的共享单车与地铁接驳方案优化研究［C］// 第十九届中国智能交通年会，浙江杭州， 2024 .

LUO Jianping ， QIU Ningyuan ， YIN Jieli ， et al . Intelligent Transportation Systems and Applications Conference ［C］// The 19th Annual Conference of China Intelligent Transportation Systems ， Hangzhou，China ， 2024 .

刘瑜，姚欣，龚咏喜，等 . 大数据时代的空间交互分析方法和应用再论［J］. 地理学报， 2020 ， 75 （ 7 ）： 1523 - 1538 .

LIU Yu ， YAO Xin ， GONG Yongxi ， et al . Analytical Methods and Applications of Spatial Interactions in the Era of Big Data ［J］. Acta Geographica Sinica ， 2020 ， 75 （ 7 ）： 1523 - 1538 .

刘瑜，詹朝晖，朱递，等 . 集成多源地理大数据感知城市空间分异格局［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 3 ）： 327 - 335 .

LIU Yu ， ZHAN Chaohui ， ZHU Di ， et al . Incorporating Multi-source Big Geo-data to Sense Spatial Heterogeneity Patterns in an Urban Space ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 3 ）： 327 - 335 .

涂伟，曹劲舟，高琦丽，等 . 融合多源时空大数据感知城市动态［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 12 ）： 1875 - 1883 .

TU Wei ， CAO Jingzhou ， GAO Qili ， et al . Sensing Urban Dynamic by Fusing Multi-sourced Spatiotemporal Big Data ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 12 ）： 1875 - 1883 .

汪晓龙，石岩，王达，等 . 基于自适应密度聚类的单车出行源汇时空区域探测方法［J］. 武汉大学学报（信息科学版）， 2024 ， DOI： 10.13203/j.whugis20230362 http://dx.doi.org/10.13203/j.whugis20230362 .

WANG Xiaolong ， SHI Yan ， WANG Da ， et al . Spatiotemporal Extent Detection method of Bike Travel Source-Sink Based on Adaptive Density Clustering ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， DOI： 10.13203/j.whugis20230362 http://dx.doi.org/10.13203/j.whugis20230362 .

高楹，宋辞，郭思慧，等 . 接驳地铁站的共享单车源汇时空特征及其影响因素［J］. 地球信息科学学报， 2021 ， 23 （ 1 ）： 155 - 170 .

GAO Ying ， SONG Ci ， GUO Sihui ， et al . Spatial-Temporal Characteristics and Influencing Factors of Source and Sink of Dockless Sharing Bicycles Connected to Subway Stations ［J］. Journal of Geo-information Science ， 2021 ， 23 （ 1 ）： 155 - 170 .

杨永崇，柳莹，李梁 . 利用共享单车大数据的城市骑行热点范围提取［J］. 测绘通报， 2018 （ 8 ）： 68 - 73 .

YANG Yongchong ， LIU Ying ， LI Liang . Urban Cycling Hot Spot Extraction Based on Sharing-Bikes’ Big Data ［J］. Bulletin of Surveying and Mapping ， 2018 （ 8 ）： 68 - 73 .

SONG J ， ZHANG L ， QIN Z ， et al . A Spatiotemporal Dynamic Analyses Approach for Dockless Bike-Share System ［J］. Computers， Environment and Urban Systems ， 2021 ， 85 ： 101566 .

裴韬 . 地理流空间分析［M］. 北京：科学出版社， 2024 .

PEI Tao . Spatial Analysis of Geographical Flow ［M］. Beijing ： Scinece Press ， 2024 .

TAO R ， THILL J . Spatial Cluster Detection in Spatial Flow Data ［J］. Geographical Analysis ， 2016 ， 48 （ 4 ）： 355 - 372 .

GAO X ， LIU Y ， YI D ， et al . A Spatial Flow Clustering Method Based on the Constraint of Origin-Destination Points’ Location ［J］. IEEE Access ， 2020 ， 8 ： 216069 - 216082 .

CAI J ， KWAN M . Detecting Spatial Flow Outliers in the Presence of Spatial Autocorrelation ［J］. Computers， Environment and Urban Systems ， 2022 ， 96 ： 101833 .

LIU Q ， YANG J ， DENG M ， et al . BiFlowAMOEBA for the Identification of Arbitrarily Shaped Clusters in Bivariate Flow Data ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 9 ）： 1784 - 1808 .

SHU H ， PEI T ， SONG C ， et al . Density-Based Clustering for Bivariate-Flow Data ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 9 ）： 1809 - 1829 .

CAI J ， KWAN M . Discovering Co-location Patterns in Multivariate Spatial Flow Data ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 4 ）： 720 - 748 .

陆川伟，孙群，季晓林，等 . 一种基于核距离的车辆轨迹点聚类方法［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 7 ）： 1082 - 1088 .

LU Chuanwei ， SUN Qun ， JI Xiaolin ， et al . A Method of Vehicle Trajectory Points Clustering Based on Kernel Distance ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 7 ）： 1082 - 1088 .

LIU Q ， YANG J ， DENG M ， et al . SNN_Flow： A Shared Nearest-Neighbor-Based Clustering Method for Inhomogeneous Origin-Destination Flows ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 2 ）： 253 - 279 .

YAO X ， ZHU D ， GAO Y ， et al . A Stepwise Spatio-Temporal Flow Clustering Method for Discovering Mobility Trends ［J］. IEEE Access ， 2018 ， 6 ： 44666 - 44675 .

孙悦朋，郭仁拥，于涛 . 基于密度聚类的多向行人流群集区域分布比较［J］. 山东科学， 2021 ， 34 （ 5 ）： 64 - 74 .

SUN Yuepeng ， GUO Renyong ， YU Tao . Comparison Among the Collection Region Distributions of Multi-directional Pedestrian Flows Based on Density Clustering ［J］. Shandong Science ， 2021 ， 34 （ 5 ）： 64 - 74 .

何少元 . 不确定性数据聚类算法及其并行化研究［D］. 重庆：重庆邮电大学， 2019 .

HE Shaoyuan . Research on Uncertain Data Clustering Algorithm and Its Parallelization ［D］. Chongqing ： Chongqing University of Posts and Telecommunications ， 2019 .

SONG C ， PEI T ， SHU H . Identifying Flow Clusters Based on Density Domain Decomposition ［J］. IEEE Access ， 2020 ， 8 ： 5236 - 5243 .

LIN H ， YE Y . Reviews of Bearing Vibration Measurement Using Fast Fourier Transform and Enhanced Fast Fourier Transform Algorithms ［J］. Advances in Mechanical Engineering ， 2019 ， 11 （ 1 ）： 2072050763 .

王婷，吴必虎 . 基于关键词共现和社会网络分析的北京城市歌曲中地方意象特征研究［J］. 人文地理， 2020 ， 35 （ 6 ）： 57 - 65 .

WANG Ting ， WU Bihu . Research on Characteristics of Place Image in Beijing City Songs Based on Keywords Co-occurrence Analysis and Social Network Analysis ［J］. Human Geography ， 2020 ， 35 （ 6 ）： 57 - 65 .

LIU Q L ， WU Z H ， DENG M ， et al . Network-Constrained Bivariate Clustering Method for Detecting Urban Black Holes and Volcanoes ［J］. International Journal of Geographical Information Science ， 2020 ， 34 （ 10 ）： 1903 - 1929 .

LIU Q ， DENG M ， BI J ， et al . A Novel Method for Discovering Spatio-Temporal Clusters of Different Sizes， Shapes， and Densities in the Presence of Noise ［J］. International Journal of Digital Earth ， 2014 ， 7 （ 2 ）： 138 - 157 .

ESTER M ， KRIEGEL H P ， SANDER J ， et al . A Density-Based Algorithm for Discovering Clusters

下转第 206 页）

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

城市建成环境活动流时空建模分析与预测研究进展

星载温室气体激光雷达技术发展与展望

关于智慧海图的思考

基于武汉一号卫星影像的智能变化检测方法与应用

秦岭生态地质环境监测研究进展与智能化监测体系构建