1.简介
2019年冠状病毒病（COVID-19）的出现和快速传播不仅严重影响了个人的日常生活、工作和社会交往，也影响了全球经济[1]、政治[2]和环境[三]. 人类活动是病毒传播的重要驱动因素，因为病毒很容易在人与人之间传播。采取了不同的措施来控制病毒的传播，例如，个人通过减少旅行、保持社会距离和自我隔离来采取自我保护行动，政府制定了封锁政策和旅行限制。所有这些措施都不可避免地影响人们的流动性。 人们的出行活动是城市流动性流的重要组成部分。骑自行车被宣传为低碳、环保、健康的出行方式[4]. 因此，越来越多的人选择骑车进行通勤和休闲活动。在共享经济时代，自行车共享成为城市的一种便捷交通方式[5]. 许多电动自行车共享系统出现并推广，进一步促进了环境保护和交通便利[6]. 随着信息通信技术的发展，自行车共享数据的收集越来越多，通常具有反映自行车使用情况的空间和时间属性。这些丰富的数据为研究城市人口流动提供了一个新的视角，近年来受到了相当大的关注[7,8]. 在这种情况下，利用自行车共享数据探索城市中的人的流动性和空间互动，有助于了解疫情期间的城市动态[9,10]. 许多研究人员探讨了新冠肺炎疫情对世界各地（如北美）共享自行车的影响[11]，亚洲[12,13]、和欧洲[14]. 共享自行车骑行数据是一种典型的原始目的地（OD）数据，表示从起始位置到结束位置的地理空间移动。OD数据聚类是发现空间分布模式的有效方法[15,16]并提取主要特征和结构流数据[17]. 由于空间规划的差异，例如功能分区和土地使用类型，以及不同的人类日常生活习惯，例如不同的通勤和休闲时间，人们在城市中的活动在时间和空间上的分布并不均匀。这也导致了自行车共享系统中的不平衡问题，例如借车站自行车短缺，还车站码头短缺，需要自行车再平衡管理[18,19]. 研究骑自行车流量的时空模式及其对疫情期间自行车管理的影响，将有助于深入了解疫情对人类行为的影响，并为旅行规划、共享自行车运营和城市管理提供支持。然而，目前对这方面的研究还不够。通过对大流行前和大流行期间的自行车共享数据进行对比分析，本研究试图回答以下问题： - (1)
大流行期间，共享单车主要骑行流量的时空格局发生了哪些变化？
- (2)
主要骑行流程中的这些变化如何影响自行车再平衡管理？
为了回答上述问题，本文提出了一个结合地理空间网络分析、OD聚类和再平衡数据分析方法的框架。通过选择流量和聚合相关指标进行网络分析，以帮助了解自行车共享网络的总体情况。基于构建的网络，分析不同形式的大流量边缘。特别是，结合边缘流、边缘量、距离和角度等多个约束条件，对网络边缘进行OD聚类，旨在提取大流量边缘组并分析其时空分布特征。此外，通过连续性检测提取再平衡数据，并与行驶数据一起进行分析。我们使用从纽约Citi Bike收集的测试数据证明了我们的框架的有效性。我们对大流行前和大流行期间共享单车的主要骑行流特征进行了比较分析。此外，我们提取并分析了再平衡数据，以调查疫情对自行车调度管理的影响。与以往的研究不同，我们分析了骑行数据和再平衡数据，并探讨了它们之间的关系。这种更全面的观点有助于为不同的利益相关者提供参考，例如公民、政府和自行车共享公司。本文的其余部分组织如下：第2节报告相关研究工作。第3节介绍了研究区域和数据。第4节详细介绍了本研究所采用的主要方法。以下介绍了基于Citi Bike数据的实验和分析第5节.第6节分析和讨论结果、局限性和未来工作。第7节本研究得出结论。 2.相关工作
在大流行期间，紧急政策和公民自我保护措施通常会对流动性产生负面影响。在新冠肺炎背景下，基于运动数据的人类流动模式和疫情预测研究受到了广泛关注[20,21]. 研究人员收集了新冠肺炎大流行期间的运动数据，并以多种方式研究了运动模式。例如，传统方法是进行问卷调查。König和Dreßler使用电话采访、家庭调查和其他混合方法来研究流行病对农村流动性的影响[22]. 此外，结合地理信息系统（GIS）技术，应用基于地图的在线调查来研究疫情对流动性的影响[23]. 传统的空间数据，如遥感图像，在研究大流行期间的流动性方面也发挥着重要作用[24,25]. 各种基于位置的多源数据为流行病研究提供了丰富的信息[26,27]. 自行车共享数据是一种典型的位置相关数据，可用于研究疫情期间的人类活动[11,28,29]. 自行车共享系统存在了近50年。在过去10年里，它们在全球范围内的受欢迎程度急剧上升[30]. 共享自行车通常配备全球定位系统（GPS）等技术，以便于系统定位其停车位置[31]. 因此，自行车共享系统积累了大量骑行数据，可以客观反映疫情期间的城市骑行情况。 许多研究证实，新冠肺炎的传播和封锁政策减少了共享自行车的使用。例如，疫情期间北京共享自行车的流动性与2019年同期相比下降了60%[32]. Hu等人研究了芝加哥共享自行车的数据，发现通勤出行的比例明显较低[9]. 研究人员还发现，在疫情流行期间，共享单车的骑行模式显示出一些新的特点。Xin等人使用多尺度空间复杂网络研究了纽约的Citi Bike数据，发现在疫情期间，城市共享自行车骑行的聚集显著减少[11]. 结合描述性统计方法，Teixera和Lopes发现，共享自行车系统在疫情期间具有弹性，人们的出行方式可能从公共交通（如地铁）转移到共享自行车系统[33]. 对疫情期间公共交通流动性的研究表明，自行车在布达佩斯的公共交通需求下降幅度最小[34]. 与其他公共交通方式相比，自行车不封闭，可以避免使用者之间的密切接触，因此，在疫情期间，人们相对更愿意使用自行车[14]. Padmanabhan等人利用三个城市的数据对新型冠状病毒肺炎病例和各种自行车共享相关变量进行了相关分析，发现尽管自行车出行减少，但平均出行时间增加[35]. 此外，出于安全和健康原因，在疫情期间，自行车运动受到了新的关注，成为一项受欢迎的休闲运动[36]. 根据他们的研究结果，Jobe和Griffin呼吁在疫情期间继续提供自行车共享服务，并建议自行车共享运营商扩大政策和行动方面的沟通努力，以支持社区健康[37]. Büchel等人建议利用机会之窗采取政策措施，永久增加自行车使用量，以应对新冠肺炎疫情[38]. 为了在疫情期间促进公民的健康出行，欧洲城市的自行车数量在短期内增加，增加了临时自行车基础设施[39]. 除骑行外，疫情期间自行车共享公司的运营也值得关注。最典型的操作是自行车再平衡，即将自行车从自行车过多的车站移到自行车过少的车站，以便所有车站都有足够的自行车供上车，并有足够的停车位供下车[18]. 再平衡按操作类型可分为静态再平衡和动态再平衡。静态再平衡通常在夜间骑乘需求较低或系统关闭时进行。Wang和Szeto使用混合整数线性规划模型，以最小的总CO重新平衡共享单车网络中的好自行车和坏自行车2排放[40]. 再平衡操作涉及不同数量的转运车。Cruz等人提出了一种混合迭代局部搜索算法，专门用于解决单车静态自行车再平衡问题[41]. Ho和Szeto提出了一种混合大邻域搜索来解决多车辆再平衡问题[42]. 动态再平衡主要在白天进行，并考虑到自行车的实时使用。与静态再平衡相比，动态再平衡考虑了更复杂的因素。对于基于码头的自行车共享，Ghosh等人提出了一个优化公式，以支持自行车重新定位和车辆路线，同时考虑到车辆路线和系统的未来预期需求[43]. 对于无码头自行车共享，Caggiani等人将时空聚类和非线性自回归神经网络相结合，构建了一个决策支持系统，以促进再平衡操作[44]. 然而，上述所有研究都集中于再平衡方案的设计。由于再平衡数据并未公开，因此很少有研究对再平衡数据进行分析，尤其是对疫情对再平衡操作的影响进行分析。 总之，以往的大多数研究都集中在探索骑行行为模式和设计再平衡方案上。对再平衡数据的分析缺乏关注。疫情对自行车骑行和自行车再平衡的影响尚未得到充分研究。此外，不同方法的结合是有限的，这影响了结果的综合分析和表示。在本研究中，我们提出了一个由地理空间网络分析和起源地聚类组成的框架，用于探索共享自行车骑行行为和再平衡模式。
3.研究区域和数据
本文中纽约市的研究区域如所示图1纽约市位于美国大西洋沿岸。它有五个区，包括曼哈顿、皇后区、布鲁克林、布朗克斯和斯塔顿岛，总面积为1214.4平方公里。纽约市人口超过800万，是美国最大、人口最多的城市。这座世界级城市直接影响着全球经济、金融和政治。世界上许多国际组织、跨国公司和银行的总部，包括联合国总部，都设在纽约。 纽约在大流行期间受到严重影响。2020年3月1日，纽约州宣布首例确诊的新型冠状病毒肺炎病例。3月7日，它宣布全州进入紧急状态。3月19日，它发布了一项“呆在家里”的命令，规定人们除了购买必要的用品、寻求医疗和做必要的工作外，尽可能不要外出。
本研究的数据来自花旗自行车(https://www.citibikenyc.com/（2023年1月6日访问），纽约市公共自行车系统，于2013年5月27日正式投入使用，是美国最大的公共自行车系统。它每天24小时、每周7天、每年365天开放使用。Citi Bike是一个有码头的自行车共享系统。用户从起点站拿起自行车，骑行后将其返回终点站。在最初阶段（2013年），曼哈顿和布鲁克林数百个车站的6000辆自行车投入运营。该公司宣布，仅一年后，网络规模将翻倍，从6000辆增至12000辆。2016年，花旗自行车（Citi Bike）获得了第10万个年度会员资格。目前，花旗自行车骑手的出行量超过1亿次，花旗自行车站主要分布在曼哈顿、布鲁克林和皇后区，这也是本研究的研究领域。花旗自行车按月以CSV格式发布骑行数据，可追溯至2013年7月。骑行数据是典型的OD数据，记录起点站和终点站的空间坐标和属性。同时，还记录骑行信息。数据的属性信息和样本属性值如所示表1. 4.方法
我们的方法框架如所示图2对于出行数据，我们首先将其组织成网络形式，节点表示自行车共享站，边缘表示骑行出行。其他行驶统计信息也映射到网络属性值。基于上述网络，进行了总体网络分析和OD聚类分析。对于自行车再平衡数据，我们通过检测和组织将其提取出来，以OD数据的形式获得结果。然后对上述再平衡数据进行统计分析和时空分析。 4.1. 自行车共享数据的网络组织与分析
从原始数据中，我们首先提取站点和站点之间的骑乘连接，如图3。我们区分了两种类型的流，即站间自循环流和站间流。站点自循环流是指从站点借用并返回到同一站点的自行车总数。站间流量是指两个站之间的流量。此信息可以结构化为网络，如以下部分所示图3，其中节点表示站点，有向边分别表示节点流入（即传入自行车的数量）和流出（即传出自行车的数量）。站点的总流量（传入和传出自行车的总和）是节点的总流量。站点的总流量越高，节点的大小越大。边缘方向是站点之间骑行流的方向，边缘的宽度与流量成正比。如果有一个骑行开始和结束于同一站，则在相应的节点上有一个循环。例如，与站点C对应的节点3具有最高的流数。节点1和节点2属于双向连接，每个节点都属于与节点3的单向连接。显然，节点1和节点3之间的边3具有比其他边更大的流。边缘5是连接同一节点2的回路。 上述自行车共享网络为后续数据分析提供了基本结构。利用网络分析方法，可以确定自行车共享网络的一系列相关指标，并对其进行分析，从不同角度考察网络特征。
本研究中的网络统计分析致力于了解自行车流量的主要特征。统计指标，如整个网络的节点平均流量和边缘平均流量，可以反映一般的流量特征。通过提取和空间可视化自行车共享网络中具有大量流量的边缘，我们可以更直观地分析主要流量的空间分布特征。特别是，本研究还侧重于提取同一借还站的脊线，这通常对应于休闲旅行[45]. 本研究的一个特别兴趣是调查疫情如何影响休闲骑行，以及休闲骑行主流的空间分布发生了什么变化。 引入公式（1）计算流量的变异系数，该系数反映了自行车共享网络中流量分布的分散程度，不受测量规模和尺寸的影响；x个是流量值，σ和μ表示数据的标准偏差和平均值。平均值用公式（2）表示，其中x个我表示节点的流我（或边缘的流动我)，n是节点（或边）的数量，d是实验数据中的天数。对于自行车共享网络个人简历(x个)流量分布的非均匀性越强，说明流量分布越不平衡。 为了进一步研究自行车共享网络的结构以及疫情对其的影响，引入了网络聚集性指标，这些指标可以反映自行车共享网络聚集程度的变化，分别使用平均聚集系数和全局聚集系数来研究局部和全局网络聚集。
平均聚集系数基于局部聚集系数，该系数用于衡量每个节点周围的聚集程度。节点的局部聚集系数是其连接节点之间的边数与它们之间可能的边数之比。对于节点我，其局部聚集系数c（c）我根据公式（3）计算。当且仅当节点之间存在连接我和j,一ij公司=1，否则一ij公司=0，和k我表示节点的阶数我,。通过取所有节点的局部聚集系数的平均值，我们得到了网络的平均聚集系数。在自行车共享网络中，较高的平均聚合系数表明站点与其周围的站点连接良好，并且这些站点之间存在良好的局部聚集。 全局聚集系数的定义基于网络中所谓的节点三元组。如果三个节点成对连接，则它们形成一个闭合的三元组。如果三个节点之间只有两条连接边，则称为开放三元组。通过计算网络中不同类型的三元组的数量，得到全局聚合系数，如公式（4）所示，其中G公司C类是网络中闭合三元组的数量G公司o个是打开的三元组数。全球聚合系数高的自行车共享网络表明网络聚合良好，站点之间的互连相对饱和。 4.2. 自行车共享数据的OD聚类
基于上述构建的自行车共享网络，我们可以总结其基本流量统计。提取主要骑行流量的一种常见方法是从构建的自行车共享网络中直接过滤出超过给定阈值的流量。然而，这种方法可能会忽略单个边缘可能没有大流量的大组流量，但它们在空间和方向上紧密相连，共同形成了连接不同区域的大流量。这些组可以很好地描述具有相似空间模式的主要流的分布。为了提取这些大流量的边缘组，我们采用了一种OD聚类方法，该方法考虑了自行车共享网络上的多个空间因素和边缘流。与分别通过起点和终点位置进行聚类的思想不同，本研究中的OD聚类考虑了起点和终点的位置。一般过程如下所述。
对于任意两条边工程安装和弹出在网络中，它们的空间相似性计算如下：<氧指数,迪>和<Oj公司,Dj公司>是的OD对工程安装和弹出分别是。Fi（网络接口）和Fj公司是两个边缘的骑行流。我们对OD数据施加距离约束，如所示图4.采取氧指数和迪作为中心点，以及Dl公司作为搜索半径，这两个圆表示氧指数和迪对于网络中的任何其他边缘，如果其起点和终点位于氧指数和迪分别满足距离约束条件。发件人图4，我们可以看到紫色的线条弹出满足此要求，同时过滤掉两条绿色箭头线。距离阈值用公式（5）表示，其中距离（）是距离计算函数，用于计算两条边的起点和终点之间的距离。 然而，仅使用距离约束可能无法保证两条边的空间相似性。如所示图5,工程安装或弹出很短，显示出很大的方向性差异，即使Oj公司和Dj公司满足距离约束。因此，如公式（6）所示引入角度约束，以确保边缘具有较小的角度和一致的方向。角阈值的函数用公式（6）表示，其中角度（）是角度计算函数铝是角度阈值。 在聚类提取中，本研究对边缘流和聚类中的边缘数设置阈值约束。为了在聚类中考虑边缘流，我们使用阈值英尺用于边缘流过滤聚类提取中的大流边缘。通过阈值英尺，仅流大于的边英尺可以参与集群。此外，集群中边缘数量的阈值设置为et到提取大流量边缘组。这意味着只有超过et（等）可以提取边缘作为最终结果。聚类过程如下所示：
- (1)
对于未处理的边缘工程安装在自行车共享网络中，如果流量大于英尺，执行步骤（2）。否则，将其标记为已处理并重复步骤（1）；
- (2)
计算之间的距离和角度工程安装和它周围的边缘{E类1,E类2,E类3……英语}边缘流量大于英尺.选择满足公式（5）中距离约束和公式（6）中角度约束的边组成一组；
- (3)
如果（2）中的组中的边数大于et（等），它被标识为集群并转至步骤（4）。否则，标记工程安装进行处理并进入步骤（1）；
- (4)
计算集群中所有边的总流量并记录到边工程安装标记为核心边缘。簇中的所有边都标记为已处理。转至步骤（1）。
图6显示了一个大型流边缘簇及其核心边缘的示例。最后，提取所有大流边缘簇及其核心边缘。 4.3. 再平衡数据的提取与分析
骑行行为的空间分布不均导致自行车和码头的供需失衡。这可能会让用户很难在目标站点找到自行车或空码头。有时，自行车共享公司可能会采取相应措施，鼓励用户从出发点附近自行车丰富的车站借出自行车，并将其归还目的地附近的码头丰富的车站，这可能有助于在没有外部帮助的情况下实现自平衡系统的状态[46]. 然而，目前仅靠自我平衡机制很难避免自行车和码头的供需失衡。因此，需要进行再平衡操作来解决上述问题。良好的再平衡可以满足自行车使用和归还的需求，确保自行车共享系统的稳定运行，提高用户满意度[44]. 同时，对收集到的再平衡数据进行分析，可以为了解自行车共享系统的运行提供一个新的视角。 通常，骑行数据不明确包含再平衡数据，但我们可以使用以下方法导出信息：首先，骑行信息按自行车ID分组，具有相同ID的数据按其时间戳排序。如所示图7，对于具有相应ID的自行车，如果没有中断，其不同站的空间运动轨迹应该是连续的，即当前数据记录的起点站应该与之前数据记录的终点站一致。如果自行车的空间运动轨迹被中断，可以推断出在中断时发生了重新平衡操作（中的红色圆圈图7). 再平衡的方向是从中断前的站点到中断后的站点（中的站点C到站点D图7). 因此，可以通过检测行驶轨迹的中断段，从行驶数据中提取再平衡数据。再平衡数据也是典型的OD数据，可以组织为与行驶数据相同的数据结构。如所示图7，再平衡的起点站为轨迹中断前的站（C站），再平衡终点站为轨迹打断后的站（D站）。再平衡的开始时间是指轨道中断前自行车返回站的时间（t1），再平衡的结束时间是指轨迹中断后自行车离开站的时间。 再平衡持续时间是结束时间和开始时间之间的差异，包括三个部分，即自行车在再平衡开始站的等待时间(d日1） 公司真正的再平衡时间(d日2） 以及自行车在再平衡终点站的等待时间(d日3). 如所示图7，再平衡的持续时间是d日1,d日2，和d日3.自自行车再平衡时间以来(d日2） 用于运输自行车的时间通常较短，较长的再平衡时间表明自行车在再平衡前可能在车站停留很长时间，或/和自行车在再平衡后可能在车站等待很长时间。因此，较长的再平衡持续时间不能很好地描述再平衡行为的时间分布。较短的再平衡持续时间表示自行车返回站后立即进行再平衡操作，并且在再平衡后立即使用自行车，这反映了及时调度。如果再平衡持续时间较短，再平衡的开始时间和结束时间都可以近似描述再平衡操作的发生时间。 请注意，再平衡操作的绝对数量不能直接用于描述再平衡效率，因为一般来说，在共享自行车系统中，骑行量越大，再平衡量越大。因此，我们引入再平衡比率相对应力在公式（7）中，作为再平衡操作次数之间的比率无线电高度表和屋脊总数助教此外，可以基于导出的再平衡数据进行时空分析。 5.实验与分析
5.1. 数据处理与综合分析
为了调查试验区自行车共享系统主要流量的变化，我们绘制了2019年大流行前和2020年大流行年的月度流量分布图。如所示图82019年月流量呈现先升后降的趋势，9月达到峰值。2020年，大流行的早期阶段（4月到达山谷）存在巨大差异，之后主要由于共享自行车系统的良好恢复能力而出现上升。 为了研究疫情对自行车共享系统主要流量的影响，我们重点关注了4月份的数据，这是变化最剧烈的月份。我们选择2019年4月和2020年4月的四个星期三进行以下实验的对比分析。我们还检查了这四天的天气，天气不错或很极端，比如大雨，因此不会对骑乘产生重大影响。然后，我们分别在2019年和2020年基于这两个数据集构建了自行车共享网络，并在图9.黑点代表站点，它们之间的线是骑行流，蓝色到红色表示流量从小到大。网络中的大流边主要位于曼哈顿岛，2020年同期的大流边沿数量远少于2019年。图10显示了网络中边缘流的频率分布。有大量仅具有一个或两个行程的边缘，并且行程超过五个的边缘是相对较大的流边缘。 我们进一步计算了第4节对于两个数据集。统计结果如所示表2从平均流量来看，2020年同期网络节点流量和网络边缘流量均较2019年同期显著下降。然而，2020年的流量变化系数，尤其是边缘流量变化系数要小得多。这表明2020年的交通流量分布不太均匀。从聚集度来看，平均聚集系数和全球聚集系数都反映了2020年同期自行车共享网络的聚集度较低，分散性较强。根据两个时间段内这些指标的数值，它大致表明，在大流行初期，人们大大减少了旅行，并且有避免聚会的倾向。 5.2. 大流量边缘分析
我们进一步对大流边进行宏观统计分析，大流边分为两种类型：具有相同起点和终点的自循环站流和具有不同起点和终点站的站间流组。我们首先导出了几个最大的自循环站流。如所示表32019年同期，环路仅占很小一部分，在前100、前200和前300大流量边缘中所占比例分别为12%、7.5%和7%。然而，在2020年的相应时期，这种类型的边缘占大多数大型流边缘，在前100、前200和前300大型流边缘中的比例分别为81%、72%和67%。这些差异表明，大流行期间，大流量边缘的自循环站流量显著增加。根据Noland等人（2016），同一借还站的屋脊主要用于休闲目的。因此，我们可以从2020年相应时期休闲骑行增加的比例推断。最突出的是，在2020年前100个流量边缘中，环路占81%。这种现象可能有两个合理的原因。一方面，由于政府的封锁政策，人们通勤的次数减少了。骑行的需求大大减弱，骑行是通勤的最后一公里；另一方面，随着公共娱乐场所的关闭，可以避免与封闭空间接触的骑行成为隔离时期一种可行的娱乐形式。 为了进一步观察自循环站流量的空间分布，我们在地图上分别提取并可视化了20个具有两个数据集最大流量的骑乘站。如所示图11，这些骑行站大多位于公园、河岸和其他户外休闲场所附近。在整体空间分布中，如图11a、 2019年，这些车站有明显的局部聚集，最突出的地方是中央公园，在流量最大的前20个车站中，有9个位于中央公园。2020年，此类站点的分布相对分散，局部聚集现象不明显。中央公园周围只有四个车站(图11b） ●●●●。这与疫情影响导致网络聚集度降低的现象是一致的。可以推测，在疫情期间，人们的休闲骑行反映了人们避免聚会。例如，在过去骑行活动频繁的地区，如中央公园，大量的休闲脊线流量显著减少。大流行期间，曼哈顿的顶级自动循环流动站数量有所增加。如所示图112019年同期，曼哈顿有13个流量最高的自循环站。然而，到2020年，这一数字变为16。在这两年中，沿着河岸分布了许多此类站点。 此外，我们提取了这两个年份相应时期的前20个站间流边缘。如所示图12与2019年相比，2020年的流量显著下降。从空间分布来看，2020年这些大流量边缘的分布范围也有所缩小，仅分布在曼哈顿地区。2019年，中央公园附近有许多大型水流边缘。然而，他们于2020年在该地区消失，反而集中在曼哈顿西岸附近。这种现象类似于高自循环车站乘车流量，这进一步证实了在疫情期间避免聚会。 5.3. 大型流动边缘群分析
我们根据中提出的方法对大型流进行聚类第4.2节。此方法需要两个参数，即阈值英尺边缘流和阈值et（等）边的数量。我们设置了英尺根据流量统计数据为5。2019年和2020年这两个时间段内，流量分别大于5的边缘有12312个和1608个。关于阈值的设置et（等），由于这两个时间段之间的数据量差异很大，我们使用比率r，即设置时两个数据集的大流边数的比率et（等）.由于2020年相应时期的总流量非常小，我们使用其et（等）并将其分别设置为5、10和15。基于et（等）2020年的值，我们计算出2019年的相应值为38、77和115，它们是第页和et（等）2020年的价值。许多研究证实，1公里是城市自行车共享的常见服务范围[47,48]. 因此，搜索半径Dl公司在这项研究中设置为1公里。角度阈值铝设置为30°，以确保簇中边的方向差不太大。 我们在地图上可视化了由核心边缘（即核心边缘上的聚集流）表示的聚类结果的空间分布。如所示图13，上排显示2019年的聚集流，其中有三个et（等）值115(图13（a1）），77(图13（a2）和38(图13（a3）），而下一行显示了2020年的聚集流量，其中有三个et（等）值为15(图13（b1），10(图13（b2），和5(图13（b3））。我们可以看到，当et（等）2019年更大(图13（a1））。随着et（等），核心边缘的范围从中心向外围扩展，并逐渐延伸到市中心和市中心(图13（a2、a3））。什么时候？et（等）2020年较大，核心边缘范围不集中，主要分布在中城与市中心的连接区和曼哈顿东岸(图13（b1））。随着et（等），趋势与2019年不同。在图13（b2，b3），我们可以看到核心边缘主要沿着曼哈顿河岸增加，而在中心区域，核心边缘大部分缺失。结果表明，大流行初期大流量边缘群的空间分布更加分散，2019年中心聚集格局消失，沿河分布更加明显。 5.4. 再平衡数据分析
分别从2019年和2020年的数据中提取再平衡数据，以分析再平衡行为的分布。如中所述第4.3节再平衡持续时间由三部分组成，即再平衡起点的等待时间、公司的实际再平衡时间和再平衡终点的等待时间。为了提高再平衡发生时间的描述准确性，我们选择了再平衡持续时间小于10分钟的数据，这可能描述了公司的实际再平衡时间，并使用再平衡结束时间进行分析。再平衡时间分布如所示图14显然，2019年的再平衡有两个主要高峰，即早上和晚上，这与上班通勤时间非常吻合。这表明，在城市中使用共享自行车通勤会影响自行车和码头的供需平衡。需要及时进行再平衡，以满足通勤需求并保持系统的稳定性。与2019年不同，2020年大流行期间再平衡的高峰期是下午3点左右。由于大流行期间的封锁政策，人们主要在家工作，通勤需求减弱。相反，对安全休闲的需求增加了。下午的大量休闲游乐项目引发了新的再平衡高峰。 我们进一步计算了平均每日再平衡次数和平均每日骑行量及其比率，以供分析。如所示表42020年的平均再平衡次数低于2019年，这主要是由于整体共享单车数量的下降，但2020年平均再平衡数量与平均日骑行量的比值远高于2019年。一个可能的原因是，2020年从同一车站借来和归还自行车的比例很大（参见表3). 对于同一车站，大量借用自行车将导致自行车短缺，需要及时调整。当本站大量借来的自行车被归还时，将出现空车位短缺，也需要及时调整。如果这种情况继续下去，可能会导致再平衡比率上升。 为了进一步研究再平衡的空间分布，我们提取了传输量最大的前50个站点，如所示图15这些站点大多也分布在曼哈顿岛，尤其是中下游地区。总体而言，顶部换乘进出站的空间分布相对一致。结果可能表明，共享自行车的及时再平衡也受到地理第一定律的约束，并且通常发生在相邻站点之间。2019年，一些顶级电台显示出某种聚集，如图中的红色圆圈所示图152020年，顶级中转站分布更加分散。这些差异可能与大流行期间更均匀的流量分布有关。人们乘坐的游乐设施往往避免聚集，从而减少了由于大流量聚集导致的当地自行车或码头的不平衡，从而使顶级换乘站的分布更加均衡。 6.讨论
6.1. 研究结果及其意义
本研究探讨了疫情前和疫情期间共享自行车骑行和再平衡的时空变化，以更好地了解疫情对共享自行车的影响。主要研究结果如下：
- (1)
大流行期间的骑行流量及其分布发生了重大变化。一方面，网络流量大幅减少。另一方面，与大流行前的聚集分布相比，在大流行早期，网络流量分布更加均匀，网络连接的聚集减少。
- (2)
大流行期间，与台站自转相关的高流量比例显著增加。大流行前，这些站点大多集中在城市聚集地，如中央公园。大流行期间，这些站点主要分布在河岸。大流行期间，大流量站间边缘的分布从整个研究区域缩小到曼哈顿，并从中心区域移动到边缘区域。
- (3)
就大流量边缘簇而言，它们的空间分布在大流行期间发生了显著变化。在疫情前，大型流动边缘集群更集中在繁荣地区。然而，在大流行期间，这些集群的分布更加分散，呈现出权力下放的特点。
- (4)
在再平衡方面，及时再平衡的高峰从大流行前的两个通勤高峰转移到大流行早期的下午一个高峰。疫情早期的再平衡行动数量显著减少，但再平衡次数与总次数的比率显著增加。通过分析重新平衡次数最多的站点，我们发现这些站点在大流行前表现出一定的空间聚集性，而大流行期间的空间分布更为分散。
我们的研究结果可以为疫情期间不同用户群体的决策提供参考和帮助，如公民出行规划、自行车共享公司运营方案优化、政府整体管理等。对于公民来说，减少出行流量和更加分散的乘车分布有助于大流行期间的感染预防和控制。骑行活动在距离相对安全的开放空间进行，其休闲功能也为与世隔绝的生活提供了相对健康的锻炼形式。在一定程度上，乘车就医也可以避免在公共交通封闭空间内的密切接触和病毒传播。对于共享单车的公司来说，骑行流量分配越均匀，就无法形成良好的自平衡系统，因为再平衡需求变得更加分散，再平衡率显著提高。这些问题对公司的运营提出了挑战。应重新考虑当前的再平衡路线和战略，以确保它们能够满足这一时期的特殊需要。对于政府来说，主要交通流的时空变化可以为疫情期间的决策提供参考，例如居民出行指导和市政服务规划。及时公布自行车流量信息可以帮助居民避免骑行聚集，减少感染。此外，应进一步加强与主流连接的站点的消毒工作。
骑行融合了特殊时期的通勤、休闲和医疗，具有巨大的应用潜力，也可能为疫情后期的城市恢复提供有益的帮助。考虑到包括纽约在内的许多地方的生活正在逐步恢复正常，我们的研究结果可以在以下几个方面加以借鉴：首先，在新冠肺炎尚未完全消失的情况下，避免集合骑行仍然是减少感染和自我保护的有效途径。其次，自行车的休闲功能在疫情期间为人们的生活提供了一种重要的娱乐方式，值得在后疫情时代继续推广。最后但并非最不重要的是，共享骑行在疫情期间承担了许多新任务，人们骑行习惯的发展和维护将有利于减少碳排放和环境保护，并有利于可持续生活。
6.2. 局限性和未来工作
目前的研究还存在一些局限性，需要进一步研究。例如，我们的研究只关注共享单车系统，特别是共享单车主要流程的时空变化特征，出租车可以被整合，以更全面地了解人们在疫情期间的流动行为。除了纯粹的流动性数据外，还可以整合其他类型的数据，如疫情数据、土地使用数据和人口数据，以实现更深入的分析。新型冠状病毒肺炎作为一种全球性疫情，影响了全世界人民的生活。多源数据支持的全球不同城市流动性对比研究可以提供受疫情影响的人类活动在不同地方、政策和文化背景的差异，这有助于理解疫情的全球影响。这也是我们未来的研究方向。
7.结论
本文研究了新冠肺炎疫情期间自行车共享数据中隐藏的时空变化模式。结合地理空间网络分析和OD聚类方法，对纽约市的采样数据进行了分析。本研究的主要贡献如下：在研究方法上，我们提出了一种可以获得宏观分析指标和详细可视化结果的组合方法。相互验证的结果不仅提高了结果的可靠性，而且证明了方法的有效性。就研究对象而言，我们不仅对共享单车出行数据进行了分析，还对再平衡数据进行了提取和挖掘。这为未来自行车共享数据的分析提供了一种新的思路。就研究结果而言，它揭示了几个有趣的模式，并回答了本研究中提出的问题。大流行严重影响了骑行和再平衡主要流动的时空格局。大流行不仅大大削弱了共享单车流量，而且使主要流量的分布更加离散，用途也多种多样；它们的娱乐用途尤其突出。大流行期间，再平衡率上升，再平衡的时空模式也受到影响。
