恒隆研究| 龙瀛研究团队—揭示共享单车在城市特征监测中的感知能力

【作者】

纪文，韩科，郝奇、葛乾、龙瀛^3,4,*

1、西南交通大学交通运输与物流学院

2、西南交通大学经济管理学院

3、清华大学建筑学院

4、清华大学恒隆房地产研究中心

【通讯作者邮箱】

ylong@tsinghua.edu.cn

【原文信息】

Ji W., Han K., Hao Q., Ge Q., Long Y. (2025). Uncovering the sensing power of shared bikes for urban feature monitoring. Journal of Transport Geography, 130: 104470.

内容导读

智慧城市的建设亟需面向社区级诊断的低成本、高效率感知方案。共享单车系统凭借其独特优势，成为实现城市特征监测的理想移动平台：它能够深入地块内部，扫描城市“毛细血管”；可依托自行车道，获取临街建筑无遮挡的正面视角；其低速行驶特性更有利于捕获稳定、清晰的街景影像，从而显著提升后续AI识别的准确率。在此背景下，本研究首次系统探索将共享单车作为移动感知平台的潜力。针对现有研究多集中于移动传感器采集后的数据分析、却忽视数据获取过程优化的问题，我们提出了一套集成仿真与优化的框架，能够同步实现共享单车车队规模最小化、日常再平衡运营调度，并生成完整的单车轨迹数据。此外，我们开发了传感单车部署优化模型，在给定预算约束下，通过协同决策传感单车的初始分配与每日调度策略进行部署。在曼哈顿的仿真实验表明，相较于随机部署，本研究所提策略能将感知收益提升4%至8%。在以月为监测频率的模式下，仅需100辆共享单车（约占车队总数的1%），即可覆盖81%的路段。在旧金山与成都龙泉驿区进行的迁移性实验表明感知效果在很大程度上受当地骑行模式的影响。本研究为细粒度城市管理提供了一种概念新颖、成本低廉且具备扩展性的感知解决方案。

研究背景

城市特征监测通常对空间分辨率要求较高，而对时间采样频率的需求相对较低。如图1所示，典型的监测场景包括商业空置监测、废弃建筑识别、道路占用监测、道路破损监测、环境卫生监测以及建筑立面质量评估等，这类任务往往依赖街道级别的空间细节，而每日、每周甚至每月一次的采样频率即可满足基本需求。然而，传统移动感知平台存在明显的局限性：出租车与公交车受限于其机动性，主要局限于主干道，难以覆盖更为细密的城市路网；而专用感知车辆虽灵活性较高，但其系统性的全域部署成本昂贵，难以推广。

因此，当前亟需一种兼具精细空间机动性与大规模部署经济性的替代方案。在这一背景下，共享单车系统展现出其作为城市感知平台的独特潜力。其优势主要体现在三个方面：（1）能够深入机动车难以通行的狭窄或复杂区域，如小巷、公园内部及混合功能区；（2）较低的行驶速度有利于实现高分辨率的街景成像，捕捉更多建筑与基础设施的细部特征；（3）通常沿建筑立面骑行的轨迹特性，也保障了对建筑物表面进行持续、无遮挡的观测视野。

图1 城市特征监测的典型场景

尽管共享单车在城市感知中潜力显著，现有相关研究仍处于初步探索阶段。部分研究虽已验证了在自行车上部署传感器进行空气质量监测的可行性，但其研究重点主要集中于采集数据后的分析，尚未系统探讨数据获取过程中的优化问题，特别是在传感器部署与运营调度方面。这一关键环节的缺失，限制了共享单车作为城市感知平台的整体效能。为填补该研究空白，本研究致力于提升共享单车系统整体的感知能力。具体而言，本研究的贡献包括以下三个方面：

（1）构建了一个集成仿真与优化的共享单车系统分析框架，能够联合确定最小车队规模、优化日常调度操作，并基于真实骑行订单数据模拟完整的月度车辆轨迹；

（2）提出一种面向传感器配置单车的逐日调度模型，统筹考虑初始传感器分配与日常调度策略，并在不同预算条件下量化系统感知能力；

（3）通过纽约曼哈顿的案例研究验证所提出优化策略的有效性，实验表明该策略相比随机部署可提升4%–8%的感知收益；进一步在旧金山与成都龙泉驿区的迁移性实验中，发现共享单车系统的感知效能主要受本地骑行模式的影响。

研究方法

技术路线如图2所示，主要包括以下步骤：

Step 1（数据预处理）：基于OSM路网提取适用于共享单车的可达路网，并结合订单数据提取单车站点空间信息。

Step 2（单车投放数量确定）：通过分析各天各站点流量需求，确定运营初始时刻每个站点的共享单车投放数量。

Step 3（共享单车再平衡优化）：考虑各站点日初需求的动态变化，构建并求解共享单车再平衡模型，生成每日结束后的车辆调度方案。

Step 4（单车轨迹仿真模拟）：开发仿真程序模拟共享单车的每日运行轨迹。（用户在出发时将从起始站点的可用单车中随机选择一辆使用）

Step 5（传感器部署与调度优化）：基于仿真生成的单车轨迹，采用二项分布拟合各站点单车对路段的覆盖情况，据此建立优化模型，决策第一天传感器在各站点的数量，并Day-to-day 优化装有传感器的单车每日结束时的调度方案。

Step 6（策略评估与感知能力量化）：对优化后的传感器部署与调度策略进行系统评估，并量化整体感知能力。

图2 方法框架图

研究结果

（1）传感器布设优化策略评估

图3展示了在传感器部署数量为100至1000的范围内，本研究所提出的优化策略与随机传感器布设方法在不同监测频率（日、周、月）下所获得的感知得分。实验结果表明：在以日为监测频率时，优化策略可使感知得分稳定提升5-6%。在监测频率较低（周或月）且传感器数量较少（如100个）时，优化策略带来的感知增益更为显著，其中以周为监测频率时提升8.23%，以月为监测频率时提升4%。该现象主要源于模型中的逐日传感器调度机制：通过每日结束时将配备传感器的单车重新部署到新的站点，系统地覆盖先前未被监测的路段，从而提升资源利用率。

图4直观对比了连续三天中，使用相同100辆传感器单车在每日与每周监测频率模式下的道路覆盖情况。以周为监测频率的模式通过在监测周期内逐日调整传感器位置，形成不同日期之间互补的覆盖分布。这种策略性重新部署在传感器数量较少时带来了显著的感知增益；然而，随着传感器数量增加，系统逐渐趋于感知饱和，优化所带来的增益也随之减弱。

图3 优化与随机策略下的感知得分对比

图4 不同监测频率下连续三天的道路覆盖可视化

（2）共享单车系统的感知能力

图5展示了不同监测频率（日、周、月）下的共享单车系统的感知得分。结果显示如下：

（1）共享单车系统在低频监测场景下表现出优异的感知能力：在以月为监测频率的模式下，仅需100辆单车（约占车队规模的1%）即可覆盖81%的路段；在以周为监测频率的模式下，相同的100辆单车可实现72%的时空覆盖率；而在以日为监测频率的模式下，需投入约1000辆单车（约占10%）方可达到相同的72%时空覆盖率。

（2）随着传感器数量的增加，感知得分呈边际增益递减特性。具体而言，对于以月为监测频率的模式，100个传感器已能够实现接近最优的道路覆盖，传感器数量增至1000个所带来的感知得分提升不足5%。对于以周为监测频率的场景，系统在传感器数量达到300个时逐步趋于饱和，继续增加传感器所能带来的效益提升极为有限。

图5 不同监测频率下的感知得分Φ

（3）迁移性实验

为在单一城市路网配置之外更全面地评估共享单车系统的感知能力，本研究进一步选取了另外两个真实路网作为对比案例（图6）：旧金山和成都龙泉驿区。结果表明：在传感器数量相同的条件下，不同路网所实现的感知效果存在显著差异。例如，在以月为监测频率的模式下，配备100个传感器时曼哈顿与成都龙泉驿区可实现约70%到80%的路段覆盖率，而旧金山仅达到50%。该差异主要源于各城市共享单车的使用模式与骑行特征的不同。尽管存在感知效果差异，三个路网上共享单车系统所实现的空间覆盖情况与其站点分布整体上保持一致。

图6 第一行：三个研究区域的路网示意图；第二行：不同监测频率下的感知得分Φ；第三行：100辆配备传感器的单车在一个月内的路段覆盖可视化

【基金资助】

研究由国家自然科学基金（项目号：62394331, 62394335, 52178044, 72071163, 72101215），四川省科技厅（项目号：2024JDDQ0007）和西南交通大学博士生创新基金重点项目（项目号：CX-2025ZD04）资助。

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。