随着城市化进程的快速增长,城市的发展与交通拥塞的矛盾日益凸显,大力发展公共交通是缓解该矛盾的一个有效手段.在选择公共交通工具时,地铁和公交车无疑成为人们的首选.但是,无论是地铁还是公交车,均不能完全解决末端交通问题,即无法将乘客直接送达到目的地.在公共交通中,公共自行车作为一种解决末端交通的工具,为人们的出行提供了方便.然而,由于城市各区域的部分公共自行车站点设置不尽合理,经常会出现“有车无桩锁,桩空无车取”的现象,给市民选择使用公共自行车到达目的地带来困难.因此,提高公共自行车系统的服务效率,引导市民选用公共交通工具出行,成为亟待解决的问题.

目前,公共自行车站点设置和锁桩配置的规划主要采用市民出行需求预测的方法[1],通过预测不同区域的人口数以及居民出行率,得到各区域的交通客流量,然后提出自行车租赁点的规划布局和配置方案.但是,由于在确定自行车租赁点的规划布局和配置方案时,只考虑了市民的交通需求量,而对市民在选择交通工具时的主观影响因素考虑不足,加之在整个规划过程中,可能存在交通系统运行数据不完整等原因,使得做出的公共自行车系统的规划与配置方案不尽合理.

本文以兰州市公共自行车系统的运行数据为基础,统计分析公共自行车站点的租车频次、还车频次和租车时长等实际运行数据,结合改进的C4.5分类算法[2],构建公共自行车系统的评价决策树[3],评价站点位置设置和站点锁桩数量配置的合理性,为优化兰州市公共自行车站点设置和锁桩配置提供依据.

1 公共自行车数据的统计分析

1.1 不同日期类型下租还车频次的比较

按照国家《劳动法》的规定,将日期分为工作日和非工作日,这种区分方式直接影响人们的出行规律,继而对公共自行车系统租赁点的行为特征产生影响.统计30天中不同日期类型下典型租赁点的平均租还车频次,如图1所示.

  

图1 站点在不同日期类型下租还车频次比较

Fig.1 Comparison of bicycle rental and return frequency at bicycle sites for different types of date

由图1分析可知,兰州十九中、二十七中等学校类型站点,地矿家属院、省委家属院等住宅区类型站点以及新世纪百货、仁恒国际等商场区类型站点,在工作日中租还车频次较高,而非工作日放假期间,自行车使用频次明显减少,这说明对于这些类型的租赁点时间的影响较大.而本文要研究的站点类型主要集中在以上区域,因此,当要构建新的此类型站点或改进原有不合理的站点,应当以工作日的站点运行数据为基准,满足正常工作日的出行需求.

1.2 租还车频次数据统计分析

租还车频次的统计与公共自行车系统站点的评价密切相关[4].利用R语言[5]统计最近一年兰州市公共自行车系统各站点每天的租车频次和还车频次,从中随机抽取连续30天的运营数据,并将数据整理排序,表1和表2分别给出这30天的累计租车频次、还车频次排名前10和后10名的站点号.

从表1、表2可知,租车频次、还车频次最高的站点均为广场南路1075号站点,频次最低的站点均为黄河啤酒厂3061号站点.分析可知,广场南路站点位于大型商场、体育馆、公园等人流量较大区域的交汇点,因此,具有最高的租还车频次,其他租还车频次排名前10的站点中,大多位于人流量较大的商业区、写字楼、住宅区、政府机关、学校、公园等区域.而黄河啤酒厂站点区域较为偏僻,人流量少,导致自行车使用频次较少,其他租还车频次排名后10的站点与此类似.

 

表1 租还车频次前10的站点

 

Tab.1 Bicycle rental and return frequency of first 10 sites in frequency sequence

  

站点号租车频次/次站点号还车频次/次1075850410759261100560431005608720045268100459022007511720045324100451162007513010374971103750702086481120864711107845102048451210824469108245012048434910784469

 

表2 租还车频次后10的站点

 

Tab.2 Bicycle rental and return frequency of last 10 sites in frequency sequence

  

站点号租车频次/次站点号还车频次/次30610306131018210182240254140567140567640458240459030659540639640259740571024057102306511340631164033116405412140541294006127

1.3 租车时长分布统计分析

从表3可知,公共自行车的租车时长集中在≤20 min,其次是20～30 min,并且在各个时间段,时长≤20 min的租车频次比20～30 min、30～40 min、40～60 min的租车频次都高,可见人们经常租用自行车来解决末端交通问题.表3中,时长>60 min的租车频次最少,这和自行车短途使用的特性、使用时长超过60 min实行收费制度有关.

根据公共自行车运行数据的分布特征,将租车时长划分为≤20 min、20～30 min、30～40 min、40～60 min以及>60 min,并按照公共自行车运行时间,整点划分时间段,得到租车时长的分布特征.广场南路1075号站点30天运行数据统计结果如表3所列,其他站点与此类似.

 

表3 1075号站点租车时长分布

 

Tab.3 Rental time distribution of bicycle at 1075# site

  

时间段≤20min20～30min30～40min40～60min>60min7：00～8：0028542163963321108：00～9：002731194285415629：00～10：001835132672186010：00～11：0082345826249116：00～17：0018781654964204417：00～18：00285620241028367818：00～19：0022351854764228219：00～20：00174011296011071

公共自行车作为公共交通工具,具有公共交通的主要特性,即在不同时间段的客流量分布不均匀.因此,需要统计不同时间段内所有租车时长的分布.

本研究同时也对甘蓝型油菜如何响应BR进行了研究，结果表明合适浓度的外源BR处理可以促进油菜幼苗根的生长，过高浓度的BR反而产生抑制作用，研究结果与拟南芥一致，但甘蓝型油菜的根对BR的敏感性比拟南芥更高。黑暗条件下BRZ处理可使甘蓝型油菜幼苗的下胚轴伸长受到抑制，提示BR信号也参与了幼苗的光/暗形态建成，但是幼苗的子叶并未完全张开，根的生长差异也不明显，说明BR信号介导的甘蓝型油菜幼苗的光形态建成与拟南芥相似，但存在略微差异[33]。

1.4 租还车频次最高站点分析

古希腊哲学家崇尚求真的认知理性。巴门尼德指出：“作为述说，作为思维一定是存在的东西”，“思维与存在是同一的。”［2］92在他看来，只有理性才能表述本真的存在。柏拉图将巴门尼德能思的存在抽象化为独立的理性本体——“理念”，世界被二分为理念与现象二重性存在，顺次便有了真理与意见之划界，真理只有通过理性才能获得。如果说在柏拉图那里，直插云端的理念世界与垂直向下的现象世界之间还有剥离不清的瓜葛，那么在亚里士多德哲学中，纯形式阻断了与感性世界的任何纠缠，标举着以学术为目的的智慧之学——哲学研究对象初步确立。从此，“确定分离的纯形式的存在方式及其本质，这是第一哲学的任务”［3］49。

从图2可知,一天内所有租车和还车时间段中,17:00～18:00的租车频次和还车频次最高,其次是7:00～8:00、8:00～9:00、18:00～19:00,结合实际生活常识分析可知,7:00～8:00和8:00～9:00是上班的高峰时间段,而17:00～18:00和18:00～19:00是下班的高峰时间段.

  

图2 1075号站点一天中不同时间段的租还车频次分布Fig.2 Distribution of bicycle rental and return frequency at different time phase in a day at 1075# site

1.5 站点的设置效果分析

在公共自行车系统中,站点的设置效果受站点环境属性因素的影响,但是,通过环境因素难以量化站点的设置效果.因此,依托站点实际运行数据,计算各站点的耦合协调度[6],确定站点设置的效果等级.

互联网技术可以让农业生产者及时了解市场信息，还可以对地域水文、气候、土壤进行综合评估，为农业生产提供重要参考数据。农业生产者如果能在农业生产前及时获取信息，可以降低生产风险。

首先,计算训练样本集S中站点的耦合协调度,获取各站点设置的效果等级R,并根据R对训练样本集S进行分类,属于GOOD类的样本32个,属于MID类的样本8个,属于BAD类的样本20个,根据式(10)计算训练样本集的全部信息量I(R).

本文选取公共自行车站点中租还车频次排名前10的站点、租还车频次排名后10的站点以及随机选取的10个站点,统计这三类站点的运行数据.这是因为这些数据在一定程度上能够反映站点的不同设置效果等级.

研究A组的护理理论知识、技术操作能力、沟通能力、护理文书书写能力比对照组A组要优秀(P<0.05)。对照组B组的护理满意度是96.7%,B组的护理满意度是90%,两组护理满意度存在统计学差异性(P<0.05)。

公共自行车系统是由租车、还车及锁桩配置三个要素构成.每个要素又由若干个指标组成,例如租还车频次的和、租还车频次的差值以及锁桩数量等.设要素i有n个指标,分别为x1,x2,…,xn.在xij值越大,系统协调度越高时,称为正指标,例如租还车频次；在xij值越大,系统协调度越低时,称为负指标,例如锁桩数量.则公共自行车系统中不同指标的单项评价值计算如下式所示：

1) 计算分裂信息

 

(1)

 

(2)

式中：dij正和dij负均表示要素i中指标j的单项评价值[6],dij正为正指标,dij负为负指标；xij，max为要素i中指标j的最大值；xij，min为要素i中指标j的最小值；xij为要素i中指标j的值.

通过计算各要素中指标的单项评价值,结合要素中各指标的权重,得到各要素的综合功效,如下式所示：

耦合协调度是构成事物的要素间相互作用、相互影响强弱程度的度量,是衡量系统运行效果的重要指标,耦合协调度越高,系统运行效果越好.通过统计样本站点的运行数据,计算影响站点设置要素的综合指数和协调指数,最终得出站点设置的耦合协调度.

Ui=∑Wij×dij

(3)

式中：Wij是要素i中指标j的权重,Wij≥0,∑Wij=1,j=1,2,…,n.指标的权重是综合评价的重要信息,应根据指标对综合功效的贡献来确定.本文将每个要素中的所有指标都设置为主要影响因素,将各指标的方差值作为权重.

借助物理学中的容量耦合概念及耦合系统模型,得到多个要素相互作用的耦合度模型,如下式所示：

 

(4)

式中：C为耦合度；Ui代表要素i的综合功效,耦合度C的大小由各要素Ui确定.由于本文的耦合度模型包含租车、还车及锁桩配置三个要素,故n=3.由于Ui的值介于0～1,由此,C的值也介于0～1.当C值接近0时,各要素间的耦合度小,系统内部要素之间处于无关状态,并且将向无序发展；当C值接近1时,各要素间的耦合度大,系统内部要素之间处于强相关状态,并且将向同步方向发展.

两年后，老板终于松口，答应放李高明回家，条件是他必须做到春节前。李高明高兴，但他没有日历、手表，靠什么算日子呢？李高明看着工地旁的包谷地，估摸着等包谷收完了，再过一段时间，他应该就能回去了。“真的是看着那个包谷地过，等着时间回家。”

协调是指系统演变过程内部各要素相互和谐一致的属性,结合系统耦合度,得到多个要素的耦合协调度模型,可以更好地评判租车、还车及锁桩配置等要素之间交互耦合的协调程度：

 

式中：T为租车、还车及锁桩配置三个要素的协调指数,反映了系统运行中三者协同的贡献；α、β、γ为待定权重系数,通常设定α=β=0.3,γ=0.4；U1、U2、U3分别为租车、还车及锁桩配置三个要素的综合功效；C为U1、U2、U3之间的耦合度；D为评价站点设置等级的耦合协调度.

通过计算耦合协调度D,将公共自行车站点的设置效果分为三个等级：0.7<D≤1.0时,可评价为GOOD,此类站点设置合理；0.3<D≤0.7时,可评价为MID,此类站点设置效果一般；0<D≤0.3时,可评价为BAD,此类站点的设置效果较差.总结兰州市公共自行车系统的运行数据,并计算样本站点的设置效果等级,结合站点所处的环境属性,归纳出样本站点集合.部分样本数据分析结果如表4所示.

 

表4 公共自行车站点调查统计(部分)

 

Tab.4 Statistical data of public bicycle sites (partial)

  

站点号区域对象经济水平区域类别住宅距离商场距离人流量锁桩密度效果等级1009白领中商场区远远大低MID4057本地人低商场区近近小低BAD1082公务员高机关远近大中GOOD1004本地人低住宅区近近大中GOOD3065本地人高住宅区远远小高BAD3052白领高商场区近近大低MID

2 构建公共自行车评价决策树

通过计算公共自行车系统的耦合协调度,可以初步得到站点的设置效果等级,然而由于耦合协调度计算需要完整的站点运行数据且计算过程复杂,因此,在利用耦合协调度计算样本站点设置效果的基础上,引入决策树模型,通过分析样本站点所处的环境属性,可方便快速地得到站点的设置效果.

屋里空了，老田提醒侯大同，别落下什么。老田很亢奋，拔了钉子户，他又立新功了。老田像男主人一样指挥搬家公司的人装车。

决策树易于理解和实现,能够直观地体现数据的特点.本文采用改进的C4.5决策分类算法分析样本数据[7],构建公共自行车系统评价决策树.

2.1 改进的C4.5决策分类算法

C4.5算法是数据挖掘中常用的经典决策分类算法,它继承了ID3算法[8]的优点,能够以图形化的方式表现数据分析的结果,从而方便快速地对数据进行评价.

C4.5算法用信息增益率来选择属性,构造分类决策树.信息增益率的计算公式为

 

(7)

式中：S代表训练样本集；A代表影响分析结果的属性；GainRatio(S,A)表示信息增益率；Gain(S,A)为信息增益；分裂信息SplitInfo(S,A)表示属性A将训练样本集S划分的广度和均匀度.详细计算过程如下：

2.1.1 心理护理 术前关注患者的心理状态至关重要［7］。患者为年轻女性，病史2年余，因咳嗽、咳痰、发热就诊于多家医院，口服抗结核药物效果不满意，经多次气管镜检查发现气管下段狭窄。随着病情进展呼吸困难加重，雾化、平喘、对症治疗无效，使患者对治疗信心不足。虽然对手术抱有希望，但又担心手术失败。护士及时了解患者心理变化，随时了解各种检查结果，给予心理疏导。告诉其医护人员及家人正在积极想办法、做准备，并列举成功实施气管手术的病例鼓励患者，讲解大致手术过程，增强患者战胜疾病的信心。在不影响治疗、护理的情况下，尽量让家属陪伴，增加患者安全感，使患者能积极配合检查、治疗。

利用属性A将训练样本集S划分成υ个子集{S1,S2,…,Sυ},计算分裂信息SplitInfo(S,A)：

 

(8)

2) 改进信息增益的计算方法

计算信息增益Gain(S,A)时，将复杂的对数运算转化为四则运算,简化计算过程,控制改进误差,使改进后算法的计算结果与原始算法一致：

出现两次以上的名词性术语中,各译本都约有三分之一的术语翻译不一致。这些不一致的术语英译中从语义上哪些可以接受、哪些应避免将在下文讨论。

Gain(S,A)=[I(x,y)-E(A)]×Q

坤二少爷冷冷一笑，说：“贵府富丽堂皇，却有一股阴气穿堂入室，萦屋绕梁，此为阴盛阳衰的不祥之兆！如果我没说错的话，老爷的妻室不止一房吧？”

(9)

式中：Q为权值,属性A有r种取值,那么Q=1/r；将训练样本集S分为正例集和反例集,x表示正例集的个数,y表示反例集的个数.下式表示属性A所含的信息量I(x,y)：

(10)

利用属性A将训练样本集S划分为υ个子集{S1,S2,…,Sυ},在同一属性A上,Si中的样本具有相同的值,将Si中的样本按照不同类型划分为mi和ni.下式表示属性A的信息熵E(A)：

 

(11)

 

 

(12)

简化信息熵的计算过程,将对数运算转换成四则运算，令

 

(13)

利用泰勒公式将ln(1+a)和ln(1-a)展开：

 

(14)

最终,属性A的信息增益如下式所示：

通过对比各公共自行车站点的租还车数据可知,广场南路1075号站点是租车频次和还车频次最高的站点,统计一天中该站点在不同时间段的租车频次和还车频次,利用R语言中的散点绘图函数,绘制不同时间段的租还车频次分布图,如图2所示.

Gain(S,A)=Q×

 

(15)

2.2 算法性能分析

改进后的C4.5算法,将对数运算转化成四则运算,降低了计算量,提高了算法的计算效率,图3显示了分别使用10组训练数据得到决策树的时间,从10次对比中可以明显看到改进的C4.5算法比原始C4.5算法在构造决策树时要更快,改进后的C4.5算法构建决策树的平均时间要比原始的C4.5算法快约23.9%.

  

图3 决策树构建速度对比

 

Fig.3 Comparison of constration speed of decision tree

2.3 构建分类决策树

根据兰州市公共自行车系统的运行数据,获取训练样本,随机抽取其中60条数据作为训练样本集S,并对样本集数据分析和处理.

从上面的分析可见，ci是第i个缓冲器的调整数量的上界，因为ci在xi=0的时候也可以取1.相应的，所有ci的和是对于每个采样得到的调整数量的上界.这个上界可以表示为：

根据区域类别属性A将训练样本集S划分成相应的属性区域,主要是商业区A1、住宅区A2、政府机关A3、学校A4和写字楼A5,分别包含的样本数量：16、17、12、6和9.由式(9)计算每个区域的信息量,分别为I(A1)、I(A2)、I(A3)、I(A4)、I(A5)；根据式(8)计算区域类别属性A的分裂信息SplitInfo(S,A).根据式(11),计算出区域类别属性A的信息熵E(A)：

 

(16)

通过I(R)和E(A),计算区域站点属性的信息增益：Gain(S,A)=I(R)-E(A),结合分裂信息SplitInfo(S,A),最终获得区域站点属性的信息增益率：

王树林在辛娜不断完成创新高指标后的淡定和高调中，感觉到了不安和压力。辛娜在家里开始说一不二了。辛娜开始主动干预家庭事务了。换句话说，王树林十多年建立起来的一家之主的地位变得岌岌可危了。他开始有意无意地抗争，开始不经思索地否决辛娜的提案，为此，两个人之间的争执多了起来，冷战多了起来。

 

(17)

同理,通过改进的C4.5分类算法计算其他影响站点设置效果属性的信息增益率,将具有最高信息增益率的属性选作训练样本集S的测试属性,创建节点,并用该属性标记节点,最后将其他属性按照同样的规则创建分支节点,构建每个分支的评价决策子树.

在构建决策树过程中,写字楼、学校、政府机关属于固定工作区域,站点运行数据稳定,受各属性因素影响较小,因此,对这三类属性区域不作分支节点的构建.而针对商场区和住宅区,人流量大,区域人口密集,公共自行车的使用较为频繁,应细化区域影响因素,创建属性分支节点,逐级对站点进行评价,最终,构建兰州市公共自行车系统站点的评价决策树模型,如图4所示.通过图4可知,影响公共自行车站点的属性因素主要是人流量、区域类别、区域对象、区域经济水平及锁桩密度等.其中,人流量作为决策树的根节点,对站点设置效果影响最大,并且影响效果逐层递减.根据决策树中不同属性因素所组成的树形结构,逐层细化站点的属性,结合站点自身特点,可快速判断出站点的设置效果等级.

个税改革以后，收益的人群主要就是中等收入人群，那些人低收入人群还是很难在基础方面解决所存在的问题，而且对于高收入人员的影响也是比较小的。在这种情况下，本文分析了现阶段个人所得税所存在的主要问题，而且分析了改革过程中需要面临的困难，最后就是对于所存在的问题提出了相应的解决方案。

  

图4 决策树模型Fig.4 Decision tree model

3 公共自行车系统模型分析评价

通过改进的C4.5决策分类算法构建评价决策树,直观地体现公共自行车站点的运行效率,但要获取有价值的结果信息,还需要对决策树模型进行评价.通过分析上述模型发现,租还车频次最高的站点均为广场南路1075号站点,站点设置效果等级为GOOD,8:00～9:00和17:00～18:00为租还车频次的高峰时间段,分析可知,此时间段为上下班高峰期；租车时长主要集中在≤20 min,并且与租车时间段有关,上下班高峰期的租车时长较短.

除了评价站点运行数据外,对站点位置和锁桩数量的评价同样至关重要.广场南路1075号站点处于商场区、运动场所及写字楼的交汇处,且距离商场区较近；站点配置的锁桩数量30个,配置密度合理；站点所服务的区域对象主要是本地人和公务员.根据决策树模型分析可知,1075号站点设置效果等级可评价为GOOD,站点设置合理.

统计公共自行车站点30天的租还车频次差值、租还车频次总和及配置的锁桩数量,计算三者间的耦合协调度,获取站点的设置效果等级,对比不同站点的设置效果,对设置不合理站点提出改进方案.

3.1 本实验确定的AB-8树脂分离纯化玫瑰茄花色苷的最佳条件为：上样花色苷浓度为600 mg/L，平衡3 h，上样体积为183 mL；洗脱剂为60%乙醇，洗脱流速为1 mL/min。纯化后的玫瑰茄花色苷，其色价为43.10±2.17，回收率为(83.62±5.72)%，用pH示差法测得冻干粉花色苷含量为216.50±1.83 mg/g。

颐德家园4025号站点,租还车频次分别为41和97,而锁桩数量为26个,耦合协调度为0.14,站点设置效果较差,自行车利用率低,对于此类站点,改进方案主要是重新调整站点位置的布局,并适当减少锁桩数量的配置；城关交警大队1009号站点,租还车频次分别为2117和4360,锁桩数量为20个,耦合协调度为0.34,站点设置效果一般,租还车频次不协调,会造成“车多无处放”这种现象,对于此类站点,应对方案主要是利用公共自行车摆渡车,及时平衡各站点的自行车数量,同时,适当地增加锁桩数量的配置.

4 结语

本文通过统计兰州市公共自行车系统的运行数据,利用改进的C4.5决策分类算法对兰州市公共自行车系统进行评价,构建分类决策树,获取不同属性站点的设置效果等级,总结评价出系统运行的最佳数据特征,为充分发挥公共交通特性、解决“最后一公里”问题提供有价值的参考.

未来的研究方向主要集中在两方面：

1) 针对设置不合理的公共自行车站点,提出站点位置设置和锁桩数量配置的优化策略；

2) 使用摆渡车调整站点之间自行车数量时,合理规划摆渡车的行驶路径至关重要,研究摆渡车在站点间的最优行驶路径,为完善公共自行车系统的高效运行奠定基础.

参考文献：

[1] 耿 雪,田 凯,张 宇.巴黎公共自行车租赁点规划设计 [J].城市交通,2009,7(4):21-29.

[2] 刘耀南.C4.5算法的分析及应用 [J].东莞理工学院学报,2012,19(5):47-52.

[3] 王 涛,李舟军,颜跃进.数据流挖掘分类技术综述 [J].计算机研究与发展,2015,44(11):1809-1815.

[4] 彭亚发.基于ID3改进算法的公共自行车服务系统优化研究 [J].企业技术开发,2015,34(3):12-14.

[5] 汤银才.R语言与统计分析 [M].北京：高等教育出版社,2008.

[6] 马 丽,金凤君,刘 毅.中国经济与环境污染耦合度格局及工业结构解析 [J].地理学报,2012,67(10):1299-1307.

[7] 云玉屏.基于C4.5算法的数据挖掘应用研究 [D].哈尔滨：哈尔滨理工大学,2008.

[8] 王永梅,胡学钢.决策树中ID3算法的研究 [J].安徽大学学报:自然科学版,2011,35(3):71-75.