本文主要是记录下Exploring Bikesharing Travel Patterns and Trip Purposes Using Smart Card Data and Online Point of Interests这篇文章的主要思路。
数据 共享单车刷卡数据；google api提供的POI数据； 方法 kmeans聚类，LDA主题模型 概要 文章主要是利用刷卡数据和POI数据利用聚类和LDA主题模型探究了共享单车出行目的和出行模式。 详细思路
首先爬取了POI数据，然后将POI分成6个类别。为每个共享单车站点设定缓冲区，因此可以计算出每个站点缓冲区内各个POI类别的比例，进而使用这个比例作为features进行了kmeans聚类，将站点划分成了5个类别。然后对数据进行处理，对每一次trip，都根据这样的规则打上标签，文章给了一个例子：some people ride to station #256 around 8 pm on Monday. The station type for station #256 in the clustering analysis was type P1. This trip record was transformed into a trip label as Mon20P1.然后将这个标签作为LDA的基本输入。LDA模型是用来处理文本数据的，因此文章将输入输出都做了一定的解释：首先将一次trip作为一个word，将一个行政区划（其实就是一个交通小区，或者一个分析单元）作为一个document，将所有的trips作为corpus，最后可以得到每个行政区划的topic，这些topic也就是travel pattern。这样一来，一来可以划分出若干个topic，这些topic就是出行模式，可以对出行模式进行分析；二来可以揭示各个行政区划的主题，这样一来可以对各个行政区划的共享单车站点布置提出优化建议。在3中介绍了主要的方法论，最后文章主要从两个维度进行了分析。第一个维度是提取了最重要的几个travel pattern，每个travel pattern观察其最重要的10个trip标签，以此分析这些最重要的出行模式及出行目的。第二个维度是对于每个行政区划，分析该行政区划的出行模式，以此对该行政区划的共享单车站点提出优化建议。Bao J , Xu C , Liu P , et al. Exploring Bikesharing Travel Patterns and Trip Purposes Using Smart Card Data and Online Point of Interests[J]. Networks and Spatial Economics, 2017, 17(4):1231-1253.
