前言
公共自行车作为新时代共享经济发展的产物，其存在不光方便了居民的日常出行，而且极大的带动我国经济发展，已经在社会经济层面扮演了重要角色。近年来，为更加深入的研究公共自行车行业，国内外已经有众多专家学者着眼于对公共自行车用户出行行为展开可视化分析。本文基于国内外现有的研究成果，着重在时间因素，空间因素以及用户需求因素方面探究现有公共自行车投放点布局模式，并将其进行Arcgis的软件可视化操作，力求最全面，最清晰，最有条理的阐述当今公共自行车投放点选址的特征。同时，本文将结合用户行为可视化后研究成果，参考南京市内公共自行车投放点布局，在明确投放点不足之处后将可视化研究运用于实际，运用覆盖模型选址方法和PMC分析评价法对各选址方案进行评估和优化，旨在充分运用公共自行车用户行为可视化研究成果，对具体的单车投放点选址布局问题提供具有一定参考价值的解决方案。
二、国内外研究现状
1、国外研究现状
国外着眼于公共自行车用户，根据各站点的历史出行和以往时段的借、还车信息，建立了站点短期多时段需求估计模型，结合他市人口密度、年龄及人均收入等指标，建立迭代回归模型，对当地公共自行车的需求量和停车桩位需求量进行了预测[1]。
利用各站点的局部选择度、局部整合度以及平均深度,基于空间句法构建预测模型,对他市的公共自行车租赁点需求量进行了预测。通过分层聚类算法对预测站点进行聚类得到站点簇，构建了站点簇的网络模型，预测了未来时间段内的站点自行车的需求量并提出一种改进的Elman神经网络模型,对公共自行车站点需求进行预测。基于天气、气温和节假日三种因素构建出一种粒子群优化的支持向量机模型，该模型较准确的预测未来短时内可租借的公共自行车数量[2]。
采用时间序列分析方法，根据平稳序列的自相关与偏相关函数，建立乘积季节预测模型，较好预测公共自行车的使用量情况。随后提出一种改进的离散选择Multi-logit模型，对站点自行车的需求量进行了预测;建立了LSTM预测模型，对他市公共自行车系统站点的需求量进行预测，对自行车的供需平衡问题提供了一定的帮助[3]。
国外关于站点需求预测主要集中在运营后的站点动态预测。
JonFroehlich[21]大概是第一个开展PBS数据挖掘方面的研究者(2008年)最早做这方面研究的人应该是JonFroehlich，他的研究对象为巴塞罗那的'BICing”自行车项目，其主要使用的数据是固定时间间隔站点状态数据,或者说是站点自行车占有率，利用NAB的时间分布曲线来描述站点的使用特征，并采用EM聚类方法分析将全部站点进行分类，然后讨论了每类站点使用特征后面的原因，最后通过对比Last Value、Historic Mean、Historic Trend、Bayesian Network四类模型的预测精度，发现BN模型精度和适应性相对较好，同时也发现预测精度与时间窗口长度和站点活动率均呈反比，作者最后也提到建立模型至少需要10至15周的历史数据。2010年，AndreasKal tenbrunner[22]等也以同--个PBS开展了类似的研究。不过作者最后采用采用时间序列(ARMA模型)预测模型，并结合周围5个站点的活动数据，对该站点不同时段进行了预测。
Pierre Borgnat[23]以V#39;elo#39;v为研究对象,首先介绍了系统和用户数量都随时间而进化，通过对比用不同时间窗口分析数据的利弊，从而选择合理的时间窗口进行分析。时间特征方面，从短时间来看，系统使用呈现周期平稳性，从系统和用户数量进化角度看，整个系统又呈现非平稳性。根据时间特征，从不稳定振幅A(t)和周期波动特性F(t)两方面，结合系统内外影响因素(天气和季节、系统和用户数量增长、特殊事件等)，运用线性回归模型和自回归方法建立预测模型。
Patrick Vog[24]首先在做站点状态预测时将天气因素考虑进时间序列，提高了预测精度。其次，根据站点使用情况的时间分布规律对站点进行了聚类分析。大部分这类研究都是用站点车辆变化来对站点进行分类的，而该论文则是用借车、还车的时间分布曲线来对站点进行分类的，这两者有差异。前一个是考虑站点负荷度的变化，而后一个是考虑站点使用强度的变化。Ji Won Yoon[25]的主要研究目的在于开发-款为使用 公共自行车用户提供出行路线的应用软件，该软件最核心的部分就是如何准确预测各站点的泊位数。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
