考虑建成环境交互影响的共享单车需求预测.pdf

投稿网址:2023 年 第23 卷 第26 期2023,23(26):11424-07科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T收稿日期:2023-01-29修订日期:2023-06-27基金项目:国家自然科学基金(52272332);国家自然科学基金青年科学基金(72201080)第一作者:魏晋(1982),男,汉族,甘肃皋兰人,硕士,高级工程师。研究方向:交通规划,市政道路工程设计。E-mail:286144587 。通信作者:张炎棠(1997),男,汉族,内蒙古呼伦贝尔人,博士研究生。研究方向:交通规划与管理,交通行为。E-mail:yantang_。引用格式:魏晋,安实,张炎棠.考虑建成环境交互影响的共享单车需求预测J.科学技术与工程,2023,23(26):11424-11430.Wei Jin,An Shi,Zhang Yantang.Prediction of shared bicycle demand based on environmental factor interactionsJ.Science Technologyand Engineering,2023,23(26):11424-11430.考虑建成环境交互影响的共享单车需求预测魏晋1,安实2,张炎棠2(1.上海市政工程设计研究总院集团第十市政设计院有限公司,兰州 730000;2.哈尔滨工业大学交通科学与工程学院,哈尔滨 150000)摘 要 共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素,然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的,使用了深圳市共享单车出行数据、兴趣点数据(point of interest,POI)、路网数据和公交线路数据等多源数据,采用梯度提升决策树(gradient boosting decision tree,GBDT)模型预测共享单车出行需求,并与 BP(back propagation)神经网络模型预测结果进行比较;最后借助 SHAP(shapley additive explanation)方法解释 GBDT 模型中各种影响因子对共享单车出行需求产生的影响,并分析各影响因素及其交互作用。实验结果表明:GBDT 模型预测结果平均绝对误差为 0.683,均方根误差为 0.728,较 BP 神经网络模型预测准确性更高;通过 SHAP 方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显,土地利用中土地利用混合度不是简单线性作用且不同 POI 间存在复杂交互关系。可见通过借助 GBDT 模型和 SHAP 方法可以用来共享单车出行需求预测以及影响因素分析,从而为共享单车发展提出改善建议。关键词 共享单车;需求预测;POI 数据;梯度提升决策树;SHAP(shapley additive explanation)中图法分类号 U484;文献标志码 APrediction of Shared Bicycle Demand Based onEnvironmental Factor InteractionsWEI Jin1,AN Shi2,ZHANG Yan-tang2(1.Shanghai Municipal Engineering Design and Research Institute Group Tenth Municipal Design Institute Co.,Lanzhou 730000,China;2.School of Transportation Science and Engineering,Harbin Institute of Technology,Harbin 150000,China)Abstract The advancement of bike-sharing infrastructure is a pivotal contributor to the promotion of energy conservation and envi-ronmentally-friendly transportation.Undoubtedly,the constructed environment plays a vital role in determining the frequency and popu-larity of bike-sharing usage.Limited research has been conducted on this important interaction.In order to accurately analyze the inter-action of various factors in the built environment to accurately predict the demand for shared bicycle trips,through multiple sources ofdata such as shared bicycle trips,points of interest data,road network data and bus route data in Shenzhen were crawled,and the gra-dient boosting decision tree(GBDT)model was used to predict the demand for shared bicycle trips.Finally,with the help of theSHAP(shapley additive explanation)method,the influence of the various influencing factors in the GBDT model on the demand for bi-cycle sharing trips was explained,and the influencing factors and their interactions were analysed.Results show that the average abso-lute error of the GBDT model prediction results is 0.683 and the root mean square error is 0.728,which is higher than the predictionaccuracy of the BP neural network model.The SHAP method reveals that traffic attributes such as the density of bicycle lanes and thenumber of bus stops play a significant role in the demand for shared bicycle trips,and that the land use mix is not simply linear andthere are complex interactions between different POIs.The GBDT model and the SHAP method can be employed to predict the demandfor shared bicycle trips and analyse the influencing factors,so as to suggest improvements for the development of shared bicycle trips.Keywords shared bicycle;demand forecast;POI(point of interest)data;GBDT(gradient boosting decision tree);SHAP(sha-pley additive explanation)伴随着实现双碳目标重大时间节点的提出,交通领域践行节能减排可持续发展任务迫在眉睫。大力发展公共交通是实现绿色交通的重要途径,然而公共交通“最后一公里”问题决定着其使用的吸投稿网址:引力、竞争力。而自行车等慢行交通以其灵活轻便、可达性高等出行特点1,成为“最后一公里”的有利助力。随着共享经济的发展,以共享单车为核心的慢行交通正在被居民普遍接受2-3。共享交通成为解决“最后一公里”问题的关键,是实现可持续交通发展的有效途径4。为支撑城市可持续交通的发展以及为城市规划政策提供理论依据,有必要精准预测共享单车出行需求。在以往研究中,建成环境因素常被用来预测共享单车出行需求5。Li 等6利用普通最小二乘回归和地理加权回归模型探讨建成环境和社会人口特征对共享单车利用的影响,研究发现兴趣点数据(point of interest,POI)混合度大大增加居民出行的多样性。徐标等7使用 POI 数据构建以骑行距离为约束的多尺度时空地理加权回归模型,探究建成环境和区域经济属性对停车需求影响的时空异质性模式。Ma 等8利用时空地理加权回归模型研究了南京市建成环境和社会经济属性在时空维度上对定桩和无桩共享单车使用的影响。崔树强等9采用逐步回归分析方法研究了长沙共享单车出行需求,发现 POI 密度与多样性、路网密度、土地利用类型多样性等因素对共享单车出行需求产生正向作用。现有的研究已经表明,建成环境即土地利用对共享单车出行需求影响十分关键。然而,以往的研究较少突破线性假设的限制,尽管能够得到建成环境要素与出行需求的影响,但其关系相对粗糙,忽视非线性关系所导致的阈值效应以及各土地利用要素间的交互作用将会对城市交通规划中的空间布局以及基础设施建设资源造成浪费和损失10-11。因此,需准确说明各影响因素对共享单车出行需求产生的影响。此外,最近有限的研究尽管使用机器学习模型如随机森林与梯度提升树等非线性模型审视了建成环境要素对共享骑行的影响,但鉴于机器学习模型的“黑箱”特性,对于预测结果无法有效解释。考虑到以上研究不足,现提出一种基于 GBDT 模型的共享单车出行需求预测模型,为提高模型精度引入自行车道密度、公交站点数等交通属性的建成环境影响因素,以及对预测结果进行解释来阐明各影响因素的交互作用,借助 SHAP 方法对 GBDT 模型进行解释,分析各影响因子对于共享单车出行需求的作用,并为深圳市共享单车发展提出合理建议。1 GBDT 模型和 SHAP 解释方法1.1 GBDT 模型GBDT 模型是由 Fridman 等12提出的一种集成模型,它由多棵弱决策树组成,并通过提升策略提高模型质量。每一棵决策树的构建都使得残差向梯度方向减少,在逐次迭代中使得模型残差不断减小。利用损失函数来评价模型性能,认为损失函数越小,性能越好。在共享单车出行需求预测领域,与传统的回归模型相比13-14,它具有预测精度高、非线性、鲁棒性强等优点。GBDT 模型工作流程如下。(1)初始化弱学习器。f0(x)=arg mincni=1L(yi,c)(1)式(1)中:n 为样本数;f0(x)为初始弱学习器;yi为训练集中第 i 个样本的标签数据;在初始化弱学习器时,c 取值为所有样本标签值的均值;L(yi,c)为单个弱学习器的损失函数。(2)对于 m=1,2,M,重复步骤 步骤。其中,M 为回归树迭代次数。对 i=1,2,n,计算负梯度,即rmi=-Lyi,f(xi)f(xi)f(x)=fm-1(x)(2)式(2)中:rmi为第 i 个样本 m 次迭代的负梯度函数;f(xi)为第 i 个样本对应的弱学习器。对 rmi拟合一棵 CART 回归树,得到第 m 个回归树对应的叶子节点区域为 Rmj,j=1,2,J,其中 J 为第 m 棵回归树的叶子节点个数。对 j=1,2,J,线性搜索损失函数的最小值,并计算计算最佳拟合值。cmj=argminxiRmjLyi,fm-1(xi)+c(3)式(3)中:cmj为 Rmj的平方损失最小值。更新:fm(x)=fm-1(x)+Jj=1cmjI,x Rmj(4)式(4)中:I 为指示函数,若 x Rmj则 I=1,否则I=0。(3)得到强学习器。f(x)=fM(x)=Mm=1Jj=1cmjI,x Rmj(5)损失函数一般使用平方损失、对数损失、交叉熵损失函数等。本文研究采用平方损失函数,即Lyi,f(xi)=yi-f(xi)2,利用损失函数的负梯度作为模型残差的近似值。1.2 模型评价指标为评价 GBDT 模型的性能,选用平均绝对误差(mean absolute error,MAE)和均方根误差(root meansquare erro,RMSE)来评价模型的预测有效性和可靠性,其计算公式分别为524112023,23(26)魏晋,等:考虑建成环境交互影响的共享单车需求预测投稿网址:MAE=1nni=1yi-yi(6)RMSE=1nni=1(yi-yi)2(7)式中:yi为模型预测值;yi为真实值。1.3 SHAP 解释SHAP 是基于博弈构建的一个加性解释模型,其中构建了不同输入变量的组合,通过输入变量的存在与否比较模型输出的平均变化来阐明目标输入变量的重要性15。SHAP 将模型的预测值解释为每个输入特征的 SHAP 值之和,即y-=f0+Ni=1fi(8)式(8)中:N 为特征总数;y-为模型预测值;f0为所有训练样本的预测均值;fi为特征 i 对应的归因值。则模型中特征 i 的 SHAP 值为i=SNi|S|!(M-|S|-1)!M!fx(S i)-fx(S)(9)式(9)中:N 为训练集中所有的特征的集合,其维度为 M;S 为从 N 中抽取出来的子集,其维度为S;fx(S)表达的是只利用特征集合 S,根据树的结构,叶子节点的取值,内部节点的 Cover 值等,计算出样本的平均值;fx(Si)表达的是在特征集合 S 的基础上,结合特征 i,再次根据树的结构,叶子节点的取值,内部节点的 Cover 值等,计算出样本的平均值;|S|!(M-|S|-1)!M!为对应特征子集 S 下,对于上述包含特征 i 和不包含特征 i 情况下,样本取值之差的权重。2 案例分析2.1 实验环境所有实验分析均在 Windows7,AMD Ryzen 95900HX,3.30 GHz,and 32 GB RAM 系统中,使用Anaconda Navigator3(Jupyter notebook)Python3.6 进行。2.2 数据来源及处理深 圳 市 总 面 积 1 997.47 km2,常 住 人 口1 768.16 万人。市政府为积极推动公共自行车发展,试图解决“最后一公里”问题,提升公共交通效率。截至2022 年8 月,深圳全市现有共享单车数量约为41 万多辆,注册用户有近3 000 万,日骑行辆129 万次。研究数据包括:获取于深圳政府数据开放平台(https:/ POI 数据,数据包含兴趣点的土地利用信息及其经纬度信;含有道路类型、里程及位置信息的深圳道路网数据;含有站点名称、经过线路及其经纬度信息的深圳市公交线路数据。一方面由于共享单车出行数据具有缺省值和偏差值,另一方面各种数据间进行匹配,需要对数据进行预处理。具体处理步骤如下。(1)遍历共享单车出行数据,若存在缺省值、错误值等,将该条数据进行删除。(2)通过共享单车出行起终点经纬度计算单次出行距离,将不满足真实出行距离的数据删除。本文定义单次出行距离在 50 m 到 5 km 之间。(3)借助 TransBigData 模块将共享单车出行数据、POI 数据、道路网数据和公交站点栅格化并匹配,计算各栅格共享单车发生吸引量、各类土地利用和土地混合使用度、公交站点数目及道路网密度等的情况。2.3 出行需求分析分别绘制各栅格共享单车发生吸引量分布图如图 1 图 2 所示。可以发现,共享单车发生吸引分布接近且比较集中,在东南部,此处为沿海地区,经济发达,土地利用程度大;在西北和东北地区,共享单车出行需求量不大,该处为龙岗区和宝安区多为工业园区,因此共享单车出行需求较少。图 1 共享单车发生分布图Fig.1 Distribution map of shared bicycle occurrence图 2 共享单车吸引分布图Fig.2 Distribution map of shared bicycle attraction62411科 学 技 术 与 工 程Science Technology and Engineering2023,23(26)投稿网址:2.4 出行需求预测大量研究表明,共享单车出行需求受土地利用、道路网等建成环境因素影响,结合上节分析,本文选取土地利用及服务设施和交通属性两类因素共 17 个变量分析预测土地利用等建成环境条件对共享单车出行需求的影响。表 1 详细地展示了 17 个变量及其统计特征,其中混合土地利用无量纲。由表 1 可知,在各类土地要素中,餐饮美食、购物消费和公司企业 POI 数量最大,但其对应的标准差也较大说明其分布并不均匀;混合土地利用度均值为1.851,标准差为0.332,分布较为均匀,反映深圳各地区土地开发的混合程度一致,多种用地存在。在交通属性中,深圳市的自行车道密度以及公交车站数目均值较小,说明其设施不完善,而且自行车道密度的标准差较大,反映了各地区自行车道密度分布不均匀,自行车道建设存在较大的进步空间。表 1 影响因素统计Table 1 Descriptive statistics of influence variables变量类型变量名称均值/标准差混合土地利用度1.851/0.332交通设施14.759/13.292餐饮美食44.435/53.863金融机构3.064/6.474休闲娱乐2.501/3.968公司企业33.492/38.204购物消费57.105/76.073土地利用属性生活服务30.075/31.098商务住宅10.633/9.802科教文化10.506/11.824医疗保健7.702/9.186酒店住宿4.898/7.556汽车相关7.172/10.890旅游景点1.035/2.807路网密度/(km km-2)16.134/11.820交通属性自行车道密度/(km km-2)0.350/1.583公交车站数1.607/1.371 以 500 500 的栅格作为研究对象,通过空间连接将各变量与空间信息关联,并将各栅格的共享单车发生量作为出行需求进行研究,构建基于梯度提升决策树(gradient boosting decision tree,GBDT)的共享单车发生量预测模型。为判断 GBDT 模型在共享单车出行需求预测的可靠性和有效性,将 GBDT模型预测结果与 BP 神经网络进行对比分析。图 3展示了两种模型的预测的对比。结果表明 GBDT 模型的预测精度明显优于 BP 神经网络模型。而且GBDT 模型对于极大的真实值拟合效果更优,说明GBDT 模型对于非线性需求预测性能更突出。为进一步说明两种模型的差距,计算对比两种模型下MAE 和 RMSE 如表 2 所示。由表 2 可知,GBDT 模型的 MAE 为 0.68 明显小于 BP 神经网络的 0.859,说明其预测结果更准确;GBDT 模 型 的 RMSE 也 比 BP 神 经 网 络 低27.3%,说明了该模型预测结果更可靠。图 3 展示了两种模型的预测结果。综上所述,GBDT 模型可以较为精确,满足对共享单车出行需求预测的要求。表 2 不同模型评价指标对比Table 2 Comparison of evaluationindicators of different models模型MAERMSEGBDT 模型0.7220.800BP 神经网络0.8671.0002.5 影响因素解释图 4 定量表征了各种影响因子对于共享单车出行需求量影响的相对重要性。点颜色越红说明该影响因子数值越大,颜色越蓝则越小。SHAP 0 时表示该因子正向影响共享单车出行需求;SHAP 0则反向影响共享单车出行需求。从图 4 可以发现,当栅格中交通设施、金融机构、餐饮美食、路网密度和休闲娱乐 POI 兴趣点数量较多时,会使共享单车图 3 GBDT 模型和 BP 神经网络模型预测对比Fig.3 Comparison of GBDT model and BP neural network model prediction724112023,23(26)魏晋,等:考虑建成环境交互影响的共享单车需求预测投稿网址:发生量较大,而且其中交通设施影响最明显。以交通设施为例,当栅格内交通设施较多时,居民出行便利,往往会产生更多的出行意愿,因此共享单车发生量较大。但是可以发现,交通设施、金融机构、餐饮美食等分布在 SHAP 值负半轴的样本点更多,说明深圳地区之间发展不平衡,许多栅格土地利用程度不高交通设施等并不完善,且对共享单车出行产生不良影响。其中图像显示购物消费类 POI 点数目对共享单车发生量具有明显反作用,可能是由于购物消费往往是居民出行的主要目的,栅格内购物消费 POI 点较多时其共享单车吸引量会大,而发生量反而会较小。同时,可以发现,自行车道密度和公交站点数对共享单车出行需求也具有正向作用,但是其SHAP 值较小,说明在 GBDT 模型中其影响程度不大,反映了深圳的慢行交通设施以及共享单车与公共交通衔接设施有待进一步提高。在分析各个单影响因素作用情况时,结果表明土地利用混合度的散点颜色分布均匀。为进一步分析混合土地利用对共享单车出行需求的影响,绘制其部分依赖图(图 5)。可以发现,当土地利用混合度小于 2.0 时,其 SHAP 值变化不大且较小;土地利用混合度大于 2.0 时,SHAP 值随土地利用混合度增加明显。综上说明,一方面,若地区土地利用混合度较大,各类 POI 数目均匀,居民生活多样共享单车出行需求也会较大;另一方面,虽然各种土地利每行代表一个影响因子的作用;一个点代表一个样本图 4 影响因子 SHAP 值Fig.4 SHAP value of all factors用比较均匀,但各类 POI 数目皆较小,诱发的共享单车总出行需求也会小。因此可知深圳存在区域发展不平衡的现象,在土地利用开发中,需对各地区进一步调整。在绘制酒店住宿 POI 的部分依赖图时,结果表明酒店住宿 POI 数目对共享单车出行需求的影响具有阈值效应。从图 6 可知,在酒店住宿 POI 数目小于 13.5,其 SHAP 值较为稳定,对共享单车出行需求影响不大;当酒店住宿 POI 数目大于 13.5 时,SHAP 值发生突变,说明对共享单车影响突然增强。酒店住宿 POI 数目影响的阈值现象,进一步说明了影响因素作用的非线性,线性回归模型不能有效地解释该规律16。为研究多种影响因素共同作用对共享单车出行需求的影响,结果展示了交互作用显著的几组变量。以购物消费 POI 数目和餐饮美食 POI 数目为例绘制其交互作用图如图 7 和图 8 所示。可以发现,栅格内购物消费 POI 数量和餐饮美食 POI 数量成正比趋势,当一类 POI 数量越多时,另一类 POI 数量越图 5 土地混合程度影响Fig.5 Influence of land-use mixture图 6 酒店住宿 POI 数目影响Fig.6 Influence of hotel accommodations POI number82411科 学 技 术 与 工 程Science Technology and Engineering2023,23(26)投稿网址:图 7 购物消费和餐饮美食交互作用图Fig.7 Interaction diagram of shopping consumption anddining cuisine图 8 餐饮美食和购物消费交互作用图Fig.8 Interaction diagram of dining cuisine andshopping consumption多。这是由于这两类 POI 多位于经济发达的区域,土地开发利用程度往往比较大,因此两类 POI 数目呈正相关关系。并且,购物消费 POI 数目越大,对共享单车出行需求起反向作用;而餐饮美食 POI 数目越大,对共享单车出行需求起正向作用。购物消费POI 数目和餐饮美食 POI 数目对共享单车出行需求产生相反的作用,而两者又正相关,反映了共享单车出行需求的诱发并不是简单线性关系,而是各种因素复杂交互作用影响下产生的结果。因此,在土地利用开发中应将各影响因素的交互作用进行考虑。2.6 政策建议根据上述分析,结合深圳市实际情况,为促进共享单车发展,提出以下建议。(1)加强交通设施尤其是慢行交通设施建设,注重共享单车设施与公共交通的结合17。一方面加强慢行交通设施的便利性、连贯性,满足居民使用共享单车的休闲娱乐、运动健身等需求;另一方面,共享单车停取点的设置结合公交、地铁枢纽站布设,方便居民借助共享单车弥补公共交通的最后一公里。(2)注重各种土地利用的内在联系,协调发展。首先提高土地利用混合度,防止出现区域某类 POI过多或过少的现象,促进地区内部各类土地利用共同发展;另一方面,关注不同土地利用的关系,例如餐饮美食 POI 和购物消费 POI 两类,如何协调两者的关系,促进共享单车出行需求的产生。(3)协调深圳各地区发展,缩小区域差距。深圳经济发展存在以东南沿海地区为中心,共享单车的出行需求也集中在该地区。因此在后续的发展中,可以加强各区域的协调统筹发展,加大其他区域土地利用开发建设、交通设施建设,促进共享单车全市域发展。3 结论针对如何结合地区土地利用等数据精确预测共享单车出行需求的问题,使用深圳共享单车出行数据、POI 数据、路网数据和公交线路数据,基于GBDT 模型构建共享单车出行需求预测模型,最后借助 SHAP 方法解释建成环境要素在模型中的非线性影响及交互作用。经过实验得到以下结论。(1)与 BP 神经网络模型相比,GBDT 模型预测结果更加可靠准确,预测精度高,且能够识别解释变量与共享单车出行需求的非线性影响。SHAP 方法可以通过部分依赖图、交互作用图等更直观地对GBDT 模型解释,有利于发掘共享单车发展的重要限制因素。(2)交通属性因素对于共享单车出行需求作用明显;交通设施 POI 数目的 SHAP 值最大;而自行车道数和公交站点数虽然具有正向作用,但对共享单车出行需求的作用不明显。(3)土地利用对共享单车出行需求明显。一方面多种土地利用存在交互作用,共同促进共享单车出行需求;另一方面各类土地要素以及土地利用混合度也较大程度决定了共享单车出行需求。参考文献1 周杨,张冰琦,李强.公共自行车系统的研究进展与展望J.城市发展研究,2014,21(9):118-124.Zhou Yang,Zhang Binqi,Li Qiang.Research progress and pros-pect in the study of public bicycle systemJ.Urban DevelopmentStudies,2014,21(9):118-124.2 刘恒孜,贺玉龙,宋太龙,等.共享单车需求预测及调度优化J.科学技术与工程,2021,21(35):15247-15254.Liu Hengzi,He Yulong,Song Tailong,et al.Demand forecast and924112023,23(26)魏晋,等:考虑建成环境交互影响的共享单车需求预测投稿网址:scheduling optimization of shared bicyclesJ.Science Technologyand Engineering,2021,21(35):15247-15254.3 任晓红,柳春花.共享出行领域研究现状、热点及前沿 基于 CiteSpace 的文献计量分析J.科学技术与工程,2022,22(12):5009-5019.Ren Xiaohong,Liu Chunhua.Current status,hot spots and fron-tiers of research in the field of shared mobility:a bibliometric analy-sis based on CiteSpaceJ.Science Technology and Engineering,2022,22(12):5009-5019.4 曹旦旦,范书瑞,张艳,等.基于长短期记忆神经网络模型的共享单车短时需求量预测J.科学技术与工程,2020,20(20):8344-8349.Cao Dandan,Fan Shurui,Zhang Yan,et al.Short-term demandprediction of shared bicycles based on long-and short-term memoryneural network modelJ.Science Technology and Engineering,2020,20(20):8344-8349.5 张智勇,邵越,黄鑫灿,等.基于模糊综合评判法的自行车骑行环境评价 以北京市为例J.科学技术与工程,2022,22(16):6711-6718.Zhang Zhiyong,Shao Yue,Huang Xinchan,et al.Evaluation ofbicycle riding environment based on fuzzy comprehensive evaluationmethod:Beijing City as an exampleJ.Science Technology andEngineering,2022,22(16):6711-6718.6 Li A Y,Zhao P X,Huang Y Z,et al.An empirical analysis ofdockless bike-sharing utilization and its explanatory factors:casestudy from Shanghai,ChinaJ.Journal of Transport Geography,2020,88:102828.7 徐标,路庆昌.共享单车停车需求的多尺度时空影响因素J.浙江大学学报(工学版),2023,57(2):380-391.Xu Biao,Lu Qingchang.Multi-scale spatiotemporal influencing fac-tors of bike-sharing parking demand J.Journal of ZhejiangUniversity(Engineering Science Edition),2023,57(2):380-391.8 Ma X W,Ji Y J,Yuan Y F,et al.A comparison in travel patternsand determinants of user demand between docked and docklessbike-sharing systems using multi-sourced dataJ.TransportationResearch Part A:Policy and Practice,2020,139:148-173.9 崔树强,朱佩娟,张美芳,等.城市建成环境对共享单车使用空间分布的影响 以长沙市为例J.西南大学学报(自然科学版),2020,42(6):89-99.Cui Shuqiang,Zhu Peijuan,Zhang Meifang,et al.The influenceof the built environment on the spatial distribution of bicycle-sharinguse:taking Changsha as an exampleJ.Journal of Southwest Uni-versity(Natural Science Edition),2020,42(6):89-99.10 林堉楠,徐媛,杨家文.轨道交通车站周边建成环境对骑行的影响 基于深圳市 OFO 数据的实证研究J.城市交通,2020,18(1):83-94,58.Lin Yuna,Xu Yuan,Yang Jiawen.Influence of built environmentaround rail stations on cycling-an empirical study based on OFOdata in ShenzhenJ.Urban Transport of China,2020,18(1):83-94,58.11 Cervero R,L.Sarmiento O,Jacoby E,et al.The impact of builtenvironment on walking and cycling trips:the case of BogotJ.Urban Transport of China,2016,14(5):83-96.12 Friedman J,Hastie T,Tibshirani R.Additive logistic regression:a statistical view of boosting(with discussion and a rejoinder bythe authors)J.The Annals of Statistics,2000,28(2):337-407.13 Singhvi D,Singhvi S,Frazier P I,et al.Predicting bike usage forNew York City s bike sharing systemC/Workshops at theTwenty-ninth AAAI Conference on Artificial Intelligence.Austin:AAAI,2015:1-5.14 Campbell A A,Cherry C R,Ryerson M S,et al.Factors influen-cing the choice of shared bicycles and shared electric bikes in Bei-jingJ.Transportation Research Part C:Emerging Technologies,2016,67:399-414.15 Lundberg S M,Erion G G,Lee S I.Consistent individualized fea-ture attribution for tree ensemblesJ.arXiv Preprint,2018:arX-iv:1802.03888.16 林堉楠,徐媛,杨家文.轨道交通车站周边建成环境对骑行的影响 基于深圳市 OFO 数据的实证研究J.城市交通,2020,18(1):83-94,58.Lin Yunam,Xu Yuan,Yang Jiawen.The influence of built envi-ronment around rail stations on cycling-an empirical study based onOFO data in ShenzhenJ.Urban Transport of China,2020,18(1):83-94,58.17 王志军,张豫徽,季彦婕,等.基于多层线性模型的公共自行