研究內容

研究動機

隨著全球環保意識逐漸高漲，減碳運動漸被大眾重視，且政府不斷提倡民眾多使用公眾運輸工具的情況之下，自行車共享系統—YouBike已經慢慢成為民眾廣泛運用的交通工具之一，而在租借的過程中，時常發生消費者已經到達租借站點卻無車可借的狀況，因此倘若能提供民眾租借熱門場站之預測資訊，便能替民眾節省更多時間及帶來更多的便利性。

研究流程

STEP 1.

構出GNN所需要的圖。將五個站點作為圖的節點（Node），節點內的資訊為該站點的剩餘車輛，邊（Edge）則為站點和站點之間的實際距離。

STEP 2.

整理及切割資料。將收集到的所有資料，共207,970筆，切成15分鐘（3×5 mins）、30分鐘（6×5 mins）、60分鐘（12×5 mins）及90分鐘（18×5 mins），並以此作為模型的輸入，丟給GCN-LSTM模型執行。

STEP 3.

將資料輸入進模型之中。整體模型中的GCN將會擷取各節點中的資料，LSTM則負責處理時間序列上的預測。

STEP 4.

輸出最終結果。模型的最終輸出結果為5分鐘、10分鐘、15分鐘及30分鐘的各站點剩餘車輛預測。

研究成果

從右圖的模型效果指標來看，以15分鐘、30分鐘、60分鐘及90分鐘的時間序列資料來預測下一個時點的效果其實都差不多，而根據各站點每個時點預測的結果圖來看，站點富台公園預測之數值都較差，人工去檢查metadata才發現到此站點原先的總車輛數為18輛，但在2022年4月22日下午2點時，總車輛數卻突然減少，變為10輛，故預測結果都不太好。從整體預測來看，我認為以15分鐘的時間序列資料來預測下個時點都會較為準確。

以15分鐘的資料預測下一個5分鐘：

因有許多圖片，故這邊只附上以15分鐘預測下一個5分鐘的結果。