CN108038578A - 基于需求预测和中心辐射网络的公共自行车静态调度方法 - Google Patents

基于需求预测和中心辐射网络的公共自行车静态调度方法 Download PDF

Info

Publication number
CN108038578A
CN108038578A CN201711472253.9A CN201711472253A CN108038578A CN 108038578 A CN108038578 A CN 108038578A CN 201711472253 A CN201711472253 A CN 201711472253A CN 108038578 A CN108038578 A CN 108038578A
Authority
CN
China
Prior art keywords
mrow
msub
mover
munder
overbar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711472253.9A
Other languages
English (en)
Other versions
CN108038578B (zh
Inventor
刘志远
程龙
黄迪
陈学武
冷军强
王彤彦
孙健
金扬
曹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Public Bicycle Co Ltd
Southeast University
Original Assignee
Nanjing Public Bicycle Co Ltd
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Public Bicycle Co Ltd, Southeast University filed Critical Nanjing Public Bicycle Co Ltd
Priority to CN201711472253.9A priority Critical patent/CN108038578B/zh
Publication of CN108038578A publication Critical patent/CN108038578A/zh
Application granted granted Critical
Publication of CN108038578B publication Critical patent/CN108038578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • External Artificial Organs (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于需求预测和中心辐射网络的公共自行车静态调度方法，基于现有的公共自行车站点，以中心辐射网络为框架，并通过对各个站点进行需求预测，最终确定最优的调度路径。主要包括：(1)分析影响公共自行车需求的多个因素，并以此作为预测因子运用随机森林(Random Forest，简称RF)算法预测各个站点的高峰时段借还量；(2)基于各个站点的需求预测量，提出了先生成中心点再基于中心点调度的两阶段调度策略，并建立中心点生成模型；(3)利用人工蜂群算法对中心点生成模型进行求解；(4)基于生成的中心点，建立公共自行车调度模型可得最优调度线路。

Description

基于需求预测和中心辐射网络的公共自行车静态调度方法
技术领域
本发明涉及一种基于需求预测和中心辐射网络的公共自行车静态调度技术，属于城市交通管理与控制领域。
背景技术
目前，在绿色环保交通工具中，地铁和公交车无疑成为人们的首选，但是无论是地铁还是公交车，均不能完全解决末端交通问题，人们在乘坐地铁和公交车之后，仍需步行至最终的目的地。而公共自行车的出现不仅有效弥补了这一块缺陷，解决公交系统的“最后一公里”问题，还可以实现换乘功能，解决节点交通问题，从而提高公共交通的机动性和可达性。
但是，在出行高峰时段，常出现“无车可借，无桩可还”的现象。为解决高峰时段借、还车困难的问题，本发明提出了一种基于需求预测和中心辐射网络框架的公共自行车静态调度设计方法，综合分析公共自行车的历史使用状况，对未来高峰时段的借还量进行预测，通过先产生中心点再调度的两阶段调度策略，对现有的公共自行车调度方案(调度线路)进行重新设计，从而提高公共自行车的整体服务水平。先前的调度模型尚没有中心点产生的过程，是对所有公共自行车站点实施调度，调度效率较低，本发明是首次将先产生中心点再基于中心点进行调度的两阶段调度策略引入调度模型，有效地提高了调度效率。另外，本发明将预测精度较高的机器学习算法(随机森林算法)引入调度模型，大大提高了调度的准确度。
发明内容
技术问题：本发明提供一种基于需求预测和中心辐射网络的公共自行车静态调度方法，目的是确定公共自行车的最优调度方案。该方法综合考虑公共自行车运营公司和使用者的利益，同时使运营公司的调度费用最小和用户满意度最高(即惩罚费用最低)，通过各个公共自行车站点的预测需求量，基于中心辐射型网络框架对公共自行车调度方法进行优化设计。
技术方案：本发明的基于需求预测和中心辐射网络的公共自行车静态调度方法，包括以下步骤：
步骤一：将影响公共自行车借还量的因素作为预测因子，运用随机森林算法对各个公共自行车站点的高峰时段借还量进行预测，具体步骤如下：
步骤1.选定影响公共自行车借还量的初始预测因子，具体包括：历史借还量、温度、天气状况、骑行距离、骑行时间、日期类型，对选取的初始预测因子的重要度进行排序，并确定最优变量数目，最后选定最优预测因子；
步骤2.基于所述步骤1选定的最优预测因子，对公共自行车IC卡数据和天气数据进行筛选和统计处理，得到训练集和测试集的合集S；
步骤3.通过Bootstrap采样法从所述步骤2得到的训练集和测试集的合集S中随机抽取训练子集Sk，其中k＝1，2，...，L，L表示训练集的数量；
步骤4.分别对L个训练子集Sk进行训练，最终得到L棵决策树Tk：
步骤5.将所述步骤4生成的L棵决策树组成的集合按照如下形式输出，即为随机森林模型：
步骤6.从合集S中随机抽取测试集，并将测试集数据输入所述步骤5得到的随机森林模型，预测公共自行车站点的高峰时段借还量；
步骤二：将所述步骤一预测的公共自行车站点的高峰时段借还量输入中心点生成模型，所述中心点生成模型包括目标函数式和约束条件：
所述目标函数为：
所述约束条件为：
其中，G＝(V，A)表示公共自行车站点和站点间的弧组成的调度网络，V和A分别表示节点集和弧集，V＝{0，1，2，3，...，N}，0表示调度中心，N是公共自行车站点个数；cj表示节点i和节点j之间的运输费用；qi表示节点i的需求；P表示中心点的数量，α(0≤α＜1)表示在中心点之间调度规模经济影响因子；xij是二元决策变量；
步骤三：利用人工蜂群算法求解步骤二中的中心点生成模型，求解得到二元决策变量xij的解集{xij}，即为非中心节点i到中心节点j的路径的集合，如二元决策变量xij等于1，则说明非中心节点i被分配到中心节点j，如xij等于0，则说明非中心节点i没有被分配到中心节点j；
步骤四：将所述步骤三中得到的解集{xij}输入调度模型，所述调度模型包括目标函数和约束条件：
所述目标函数为：
所述约束条件为：
其中，令表示阶段一生成的中心点集，其中每个中心站点的初始库存为最终库存为si，需求为qi；Q表示调度车辆的容量；yij表示二元决策变量；fij表示从节点i行驶到节点j时装载的公共自行车辆数；和分别表示在每个站点装上的车辆数和卸下的车辆数；μ1和μ2分别是惩罚成本和运营成本的权重值；
步骤五：求解所述调度模型，得到二元决策变量yij的解集{yij}，此解集即为最优的调度路线，如果二元决策变量yij等于1，则说明调度车辆从节点i直接前往节点j，如果yij等于0，则说明调度车辆没有从节点i直接前往节点j。
进一步的，本发明方法中，所述步骤2中按照如下方式对公共自行车IC卡数据和天气数据进行筛选和统计处理：剔除公共自行车IC数据中字段缺失的数据，然后通过SQL数据库软件对筛选后的公共自行车IC卡数据进行统计得到历史借还量、骑行距离、骑行时间、日期类型，通过对天气数据进行统计得到温度、天气状况，最终得到训练集和测试集的合集S。
进一步的，本发明方法中，所述步骤4中按照如下方式训练子集Sk进行训练：
(1)在n个选定的最优预测因子中随机选取m个输入变量，其中m＜n；
(2)根据Gini指数最小原则从m个输入变量中选择最佳的变量w和切分点s，得到最优分裂点θk(w，s)，其中θk(w，s)表示变量w和切分点s构成的集合；
(3)根据θk(w，s)在切分点s处进行节点分裂、分枝；
(4)判断节点的样本数是否小于预先设置的最小值，如果小于预先设置的最小值，即生成一颗决策树Tk；否则返回步骤(2)。
进一步的，本发明方法中，所述步骤三的具体流程如下：
步骤1)输入参数的初始化：设置种群大小Nc，雇佣蜂的数量Ne，观察蜂的数量No，侦查蜂的数量Ns，食物源的解的限制计数为L，最大限制计数Lmax；设置迭代次数I为0，最大迭代数值为Imax；
步骤2)雇佣蜂的初始化：生成初始食物源，并将每个食物源的限制计数设置为零；
步骤3)雇佣蜂阶段：对于每只雇佣蜂选择的食物源的解进行一次邻域搜索，然后将邻域搜索产生的邻域解输入到目标函数，计算该邻域解的目标值和适应度，按照以下方式对所述邻域解进行评价：如果该邻域解的适应度比之前的解更优，就用这个邻域解代替之前的解，并设置限制计数L为0；否则保持之前的解不变，并把相应的限制计数L加1，其中，所述的食物源的解及其邻域搜索产生的邻域解，即为非中心节点i到中心节点j的路径集合；
步骤4)观察蜂阶段：观察蜂根据雇佣蜂选择的现有食物源的解进行随机选择，然后对观察蜂选择的食物源中的解执行一次邻域搜索，产生新的邻域解；按照以下方式评价每个邻域解的适应度：如果邻域解的适应度比之前的解更优，就用这个邻域解代替之前的解，并设置限制计数L为0；否则保持之前的解不变，并把相应的限制计数L加1；
步骤5)侦查蜂阶段：对比所有雇佣蜂获得的食物源的适应度，保存目前为止最高适应度的食物源，对于其他非最高适应度的食物源的解，如果其限制计数L已到达或超过最大限制计数Lmax，那么它的雇佣蜂就放弃该解，并随机产生新解，设置限制计数L为0；如果其限制计数L小于最大限制计数Lmax，那么它的雇佣蜂就保留该解；
步骤6)增加迭代次数I，即令I＝I+1，如果I＜Imax，则返回步骤3)；否则，将所述步骤3)得到的邻域解作为解集{xij}，即非中心节点i到中心节点j的最优路径集合。
进一步的，本发明方法中，所述步骤1中利用R语言RF程序包中的Importance函数对选取的初始预测因子的重要度进行排序，并通过R语言RF程序包中的RFCV函数确定最优变量数目。
为了优化现有的公共自行车调度线路，本发明基于公共自行车站点和道路组成的网络，建立中心点生成模型得到使运输费用最小的若干个中心点，然后根据各个站点公共自行车的历史高峰时段借还量，预测各个站点未来高峰时段借还量，进一步得到中心点的需求量。接着基于中心点建立调度模型，通过调度车辆对公共自行车的调度满足各个中心点的需求量。中心点与非中心点之间道路作为辐射线，采用中心辐射型网络框架可以将中心点的车辆进一步运送到具体各个站点，提高运营效率。
本发明主要通过三个步骤来优化现有的公共自行车调度方案。第一步是站点未来高峰时段借还量的预测。根据公共自行车的历史使用状况预测未来的借还量。第二步是生成调度车需要经过的公共自行车中心点。第三步是公共自行车调度线路设计，以各中心点及其之间的道路组成的网路为基础，以调度时的运营成本和惩罚成本最小为基础建立调度模型，得到最优的调度路线。
有益效果：本发明与现有技术相比，具有以下优点：
先前的调度方法在建立模型时尚没有进行需求量预测和中心点生成的过程，是根据历史数据直接对所有公共自行车站点进行调度，调度成本较高，调度效率和调度效果都不是很理想。
而本发明方法是以现有的道路网为骨架，首先通过预测精度较高的机器学习算法(随机森林算法)预测各个公共自行车站点在未来时段的借还量，可以比较准确地确定每个站点的需求量；然后基于预测的各站点需求量，建立使中心点与各非中心点之间运输费用最小的中心点生成模型，并通过人工蜂群算法对该模型进行求解，以得到最优的中心点集合；在生成的中心点的基础上，建立使中心点之间的调度成本和用户的惩罚成本最小的调度模型，通过该模型可得到最优的公共自行车调度线路。因此与先前的调度方法相比，本发明方法可以比较准确地确定调度量，并且基于各中心点生成的调度线路，可以有效地提高调度效率，并降低公共自行车公司的运输成本。
附图说明
图1是本发明的实施流程图。
图2是输入变量的重要度表示图。
图3是变量个数和平均绝对误差的关系图。
图4是预测结果拟合图。
图5(a)中心辐射型网络中的中心点和非中心点示意图，图5(b)是调度车辆在中心辐射型网络中示意图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。该实例选取的数据是南京市中心区的200个公共自行车站点，共包括1425734条公共自行车IC卡刷卡记录。
步骤一：将影响公共自行车借还量的因素作为预测因子，运用随机森林算法对各个站点公共自行车的高峰时段借还量进行预测，具体步骤如下：
步骤1.选定影响公共自行车借还量的初始预测因子：历史借还量、温度、天气状况、骑行距离、骑行时间、日期类型，具体如下表一所示；然后对初始的预测因子(X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11)重要度进行排序，如附图2所示，并确定最优变量数目，如附图3所示；由此选定7个最优变量(X1、X2、X4、X5、X7、X8、X9)；
表一初始预测因子
步骤2.基于所述步骤1选定的最优预测因子，对公共自行车IC卡数据和天气数据进行筛选和统计处理，得到训练集和测试集的合集S；
步骤3.基于步骤2得到的合集S，通过Bootstrap采样法从合集S中随机抽取训练子集Sk，其中k＝1，2，...，L，并设定L＝500；
步骤4.基于所述步骤3得到的500个训练子集Sk，分别对每个训练集进行训练，最终得到500棵决策树Tk；
步骤5.输出所述步骤4生成的L颗决策树的集合按照如下形式输出，即为随机森林模型：
步骤6.将测试集数据输入所述步骤5得到的随机森林模型，预测公共自行车高峰时段的借还量；
通过随机森林预测算法预测得到的各个站点借还量的评价结果如下表二和拟合图如附图4所示：
表二预测结果评价表
a表示预测命中率；b表示均方根误差；c表示平均绝对误差；d表示平均百分比误差
步骤二：基于所述步骤一预测的公共自行车高峰时段借还量，将预测的公共自行车借还量输入如下中心点生成模型。所述中心点生成模型包括目标函数式和约束条件：
所述目标函数为：
所述约束条件为：
其中，G＝(V，A)表示公共自行车站点和站点间的弧组成的调度网络，V和A分别表示节点集和弧集，V＝{0，1，2，3，...，N}，0表示调度中心，N是公共自行车站点个数；cij表示节点i和节点j之间的运输费用；qi表示节点i的需求；P表示中心点的数量，α(0≤α＜1)表示在中心点之间调度规模经济影响因子；xij是二元决策变量。
步骤三：利用人工蜂群算法求解步骤二中的中心点生成模型，求解得到二元决策变量xij的解集{xij}即为非中心节点i到中心节点j的路径的集合，如二元决策变量xij等于1，则说明非中心节点i被分配到中心节点j，如xij等于0，则说明非中心节点i没有被分配到中心节点j，其中i表示非中心点集，j表示中心点集；
步骤四：将所述步骤三中得到的解集{xij}输入调度模型，所述调度模型包括目标函数和约束条件：
目标函数：
约束条件：
其中，令表示阶段一生成的中心点集，其中每个中心站点的初始库存为最终库存为si，需求为qi；Q表示调度车辆的容量；yij表示二元决策变量；fij表示从节点i行驶到节点j时装载的公共自行车辆数；和分别表示在每个站点装上的车辆数和卸下的车辆数；μ1和μ2分别是惩罚成本和运营成本的权重值；
步骤五：求解所述调度模型，得到二元决策变量yij的解集{yij}，此解集即为最优的调度路线，如果二元决策变量yij等于1，则说明调度车辆从节点i直接前往节点j，如果yij等于0，则说明调度车辆没有从节点i直接前往节点j。
进一步的，发明方法中，所述步骤三中生成中心点的具体流程如下：
步骤1)输入参数的初始化：设置种群大小Nc，雇佣蜂的数量Ne，观察蜂的数量No，侦查蜂的数量Ns，食物源的解的限制计数为L，最大限制计数Lmax；设置迭代次数I为0，最大迭代数值为Imax；
步骤2)雇佣蜂的初始化：生成初始食物源，并将每个食物源的限制计数设置为零；
步骤3)雇佣蜂阶段：对于每只雇佣蜂选择的食物源的解进行一次邻域搜索，然后将邻域搜索产生的邻域解输入到目标函数，计算该邻域解的目标值和适应度，按照以下方式对所述邻域解进行评价：如果该邻域解的适应度比之前的解更优，就用这个邻域解代替之前的解，并设置限制计数L为0；否则保持之前的解不变，并把相应的限制计数L加1，其中，所述的食物源的解及其邻域搜索产生的邻域解，即为非中心节点i到中心节点j的路径的集合；
步骤4)观察蜂阶段：观察蜂根据雇佣蜂选择的现有食物源的解进行随机选择，然后对观察蜂选择的食物源中的解执行一次邻域搜索，产生新的邻域解；评价每个邻域解的适应度：如果邻域解的适应度比之前的解更优，就用这个邻域解代替之前的解，并设置限制计数L为0；否则保持之前的解不变，并把相应的限制计数L加1；
步骤5)侦查蜂阶段：对比所有雇佣蜂获得的食物源的适应度，保存目前为止最高适应度的食物源，对于其他非最高适应度的食物源的解，如果其限制计数L已到达或超过最大限制计数Lmax，那么它的雇佣蜂就放弃该解，并随机产生新解，设置限制计数L为0；如果其限制计数L小于最大限制计数Lmax，那么它的雇佣蜂就保留该解；
步骤6)增加迭代次数I，即令I＝I+1，如果I＜Imax，则返回步骤3)；否则，将所述步骤3)得到的解集{xij}作为非中心节点i到中心节点j的最优路径集合输出，中心辐射型网络示意图如图5。
通过以上步骤，最终得到部分中心点和非中心点的对应关系如下表三所示：
表三部分中心点和非中心点的对应关系表
最后步骤四通过CPLEX12.2求得195个非中心点分别对应30个中心点的公共自行车早晚高峰的调度路线如下表四所示：
表四调度路线
e表示调度中心
每个调度中心点总的需求量、满足的需求量以及未满足的需求量如下表五所示：
表五中心点总需求量、满足需求量和未满足需求量
e表示调度中心；f需求量中的负数表示需要向站点运入车辆，正数表示运出车辆
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术邻域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

Claims (5)

1.一种基于需求预测和中心辐射网络的公共自行车静态调度方法，其特征在于，该方法包括以下步骤：
步骤一：将影响公共自行车借还量的因素作为预测因子，运用随机森林算法对各个公共自行车站点的高峰时段借还量进行预测，具体步骤如下：
步骤1.选定影响公共自行车借还量的初始预测因子，具体包括：历史借还量、温度、天气状况、骑行距离、骑行时间、日期类型，对选取的初始预测因子的重要度进行排序，并确定最优变量数目，最后选定最优预测因子；
步骤2.基于所述步骤1选定的最优预测因子，对公共自行车IC卡数据和天气数据进行筛选和统计处理，得到训练集和测试集的合集S；
步骤3.通过Bootstrap采样法从所述步骤2得到的训练集和测试集的合集S中随机抽取训练子集Sk，其中k＝1，2，...，L，L表示训练集的数量；
步骤4.分别对L个训练子集Sk进行训练，最终得到L棵决策树Tk：
步骤5.将所述步骤4生成的L棵决策树组成的集合按照如下形式输出，即为随机森林模型：
<mrow> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>=</mo> <mfrac> <mn>1</mn> <mi>L</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>L</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <mi>T</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <msub> <mi>S</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
步骤6.从合集S中随机抽取测试集，并将测试集数据输入所述步骤5得到的随机森林模型，预测公共自行车站点的高峰时段借还量；
步骤二：将所述步骤一预测的公共自行车站点的高峰时段借还量输入中心点生成模型，所述中心点生成模型包括目标函数式和约束条件：
所述目标函数为：
<mrow> <msub> <mi>Minz</mi> <mn>1</mn> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>k</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <mo>|</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>&amp;CenterDot;</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <mi>&amp;alpha;</mi> <mo>&amp;CenterDot;</mo> <munder> <mo>&amp;Sigma;</mo> <mi>k</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>m</mi> </munder> <msub> <mi>c</mi> <mrow> <mi>k</mi> <mi>m</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>f</mi> <mrow> <mi>k</mi> <mi>m</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
所述约束条件为：
<mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>V</mi> <mo>/</mo> <mo>{</mo> <mn>0</mn> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mi>P</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>V</mi> <mo>/</mo> <mo>{</mo> <mn>0</mn> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;le;</mo> <mn>0</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>V</mi> <mo>/</mo> <mo>{</mo> <mn>0</mn> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>V</mi> <mo>/</mo> <mo>{</mo> <mn>0</mn> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中，G＝(V，A)表示公共自行车站点和站点间的弧组成的调度网络，V和A分别表示节点集和弧集，V＝{0，1，2，3，...，N}，0表示调度中心，N是公共自行车站点个数；cij表示节点i和节点j之间的运输费用；qi表示节点i的需求；P表示中心点的数量，α(0≤α＜1)表示在中心点之间调度规模经济影响因子；xij是二元决策变量；
步骤三：利用人工蜂群算法求解步骤二中的中心点生成模型，求解得到二元决策变量xij的解集{xij}，即为非中心节点i到中心节点j的路径的集合，如二元决策变量xij等于1，则说明非中心节点i被分配到中心节点j，如xij等于0，则说明非中心节点i没有被分配到中心节点j；
步骤四：将所述步骤三中得到的解集{xij}输入调度模型，所述调度模型包括目标函数和约束条件：
所述目标函数为：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>M</mi> <mi>i</mi> <mi>n</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>z</mi> <mn>2</mn> </msub> <mo>=</mo> <msub> <mi>&amp;mu;</mi> <mn>1</mn> </msub> <mo>&amp;CenterDot;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </munder> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>&amp;mu;</mi> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>C</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
所述约束条件为：
<mrow> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>V</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;le;</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>g</mi> <mi>j</mi> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>g</mi> <mi>i</mi> </msub> <mo>+</mo> <mn>1</mn> <mo>-</mo> <mi>M</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </munder> <msub> <mi>f</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;le;</mo> <mi>Q</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mi>s</mi> <mi>i</mi> <mn>0</mn> </msubsup> <mo>-</mo> <msubsup> <mi>n</mi> <mi>i</mi> <mi>L</mi> </msubsup> <mo>+</mo> <msubsup> <mi>n</mi> <mi>i</mi> <mi>U</mi> </msubsup> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>n</mi> <mi>i</mi> <mi>L</mi> </msubsup> <mo>-</mo> <msubsup> <mi>n</mi> <mi>i</mi> <mi>U</mi> </msubsup> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>f</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>n</mi> <mi>i</mi> <mi>U</mi> </msubsup> <mo>=</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>s</mi> <mi>i</mi> <mn>0</mn> </msubsup> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>n</mi> <mi>i</mi> <mi>L</mi> </msubsup> <mo>&amp;le;</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>(</mo> <mrow> <msubsup> <mi>s</mi> <mi>i</mi> <mn>0</mn> </msubsup> <mo>-</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>,</mo> <mn>0</mn> </mrow> <mo>)</mo> <mo>&amp;CenterDot;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mo>(</mo> <mrow> <mi>Q</mi> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>f</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>20</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>n</mi> <mi>i</mi> <mi>L</mi> </msubsup> <mo>,</mo> <msubsup> <mi>n</mi> <mi>i</mi> <mi>U</mi> </msubsup> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>int</mi> <mi>e</mi> <mi>g</mi> <mi>e</mi> <mi>r</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>21</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mn>0</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>22</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>g</mi> <mi>i</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>23</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>V</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>24</mn> <mo>)</mo> </mrow> </mrow>
其中，令表示阶段一生成的中心点集，其中每个中心站点的初始库存为最终库存为si，需求为qi；Q表示调度车辆的容量；yij表示二元决策变量；fij表示从节点i行驶到节点j时装载的公共自行车辆数；和分别表示在每个站点装上的车辆数和卸下的车辆数；μ1和μ2分别是惩罚成本和运营成本的权重值；
步骤五：求解所述调度模型，得到二元决策变量yij的解集{yij}，此解集即为最优的调度路线，如果二元决策变量yij等于1，则说明调度车辆从节点i直接前往节点j，如果yij等于0，则说明调度车辆没有从节点i直接前往节点j。
2.根据权利要求1所述的基于需求预测和中心辐射网络的公共自行车静态调度方法，其特征在于，所述步骤2中按照如下方式对公共自行车IC卡数据和天气数据进行筛选和统计处理：剔除公共自行车IC数据中字段缺失的数据，然后通过SQL数据库软件对筛选后的公共自行车IC卡数据进行统计得到历史借还量、骑行距离、骑行时间、日期类型，通过对天气数据进行统计得到温度、天气状况，最终得到训练集和测试集的合集S。
3.根据权利要求1所述的基于需求预测和中心辐射网络的公共自行车静态调度方法，其特征在于，所述步骤4中按照如下方式训练子集Sk进行训练：
(1)在n个选定的最优预测因子中随机选取m个输入变量，其中m＜n；
(2)根据Gini指数最小原则从m个输入变量中选择最佳的变量w和切分点s，得到最优分裂点θk(w，s)，其中θk(w，s)表示变量w和切分点s构成的集合；
(3)根据θk(w，s)在切分点s处进行节点分裂、分枝；
(4)判断节点的样本数是否小于预先设置的最小值，如果小于预先设置的最小值，即生成一颗决策树Tk；否则返回步骤(2)。
4.根据权利要求1、2或3所述的基于需求预测和中心辐射网络的公共自行车静态调度方法，其特征在于，所述步骤三的具体流程如下：
步骤1)输入参数的初始化：设置种群大小Nc，雇佣蜂的数量Ne，观察蜂的数量No，侦查蜂的数量Ns，食物源的解的限制计数为L，最大限制计数Lmax；设置迭代次数I为0，最大迭代数值为Imax；
步骤2)雇佣蜂的初始化：生成初始食物源，并将每个食物源的限制计数设置为零；
步骤3)雇佣蜂阶段：对于每只雇佣蜂选择的食物源的解进行一次邻域搜索，然后将邻域搜索产生的邻域解输入到目标函数，计算该邻域解的目标值和适应度，按照以下方式对所述邻域解进行评价：如果该邻域解的适应度比之前的解更优，就用这个邻域解代替之前的解，并设置限制计数L为0；否则保持之前的解不变，并把相应的限制计数L加1，其中，所述的食物源的解及其邻域搜索产生的邻域解，即为非中心节点i到中心节点j的路径集合；
步骤4)观察蜂阶段：观察蜂根据雇佣蜂选择的现有食物源的解进行随机选择，然后对观察蜂选择的食物源中的解执行一次邻域搜索，产生新的邻域解；按照以下方式评价每个邻域解的适应度：如果邻域解的适应度比之前的解更优，就用这个邻域解代替之前的解，并设置限制计数L为0；否则保持之前的解不变，并把相应的限制计数L加1；
步骤5)侦查蜂阶段：对比所有雇佣蜂获得的食物源的适应度，保存目前为止最高适应度的食物源，对于其他非最高适应度的食物源的解，如果其限制计数L已到达或超过最大限制计数Lmax，那么它的雇佣蜂就放弃该解，并随机产生新解，设置限制计数L为0；如果其限制计数L小于最大限制计数Lmax，那么它的雇佣蜂就保留该解；
步骤6)增加迭代次数I，即令I＝I+1，如果I＜Lmax，则返回步骤3)；否则，将所述步骤3)得到的邻域解作为解集{xij}，即非中心节点i到中心节点j的最优路径集合。
5.根据权利要求1、2或3所述的基于需求预测和中心辐射网络的公共自行车静态调度方法，其特征在于，所述步骤1中利用R语言RF程序包中的Importance函数对选取的初始预测因子的重要度进行排序，并通过R语言RF程序包中的RFCV函数确定最优变量数目。
CN201711472253.9A 2017-12-28 2017-12-28 基于需求预测和中心辐射网络的公共自行车静态调度方法 Active CN108038578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711472253.9A CN108038578B (zh) 2017-12-28 2017-12-28 基于需求预测和中心辐射网络的公共自行车静态调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711472253.9A CN108038578B (zh) 2017-12-28 2017-12-28 基于需求预测和中心辐射网络的公共自行车静态调度方法

Publications (2)

Publication Number Publication Date
CN108038578A true CN108038578A (zh) 2018-05-15
CN108038578B CN108038578B (zh) 2020-09-22

Family

ID=62098713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711472253.9A Active CN108038578B (zh) 2017-12-28 2017-12-28 基于需求预测和中心辐射网络的公共自行车静态调度方法

Country Status (1)

Country Link
CN (1) CN108038578B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805335A (zh) * 2018-05-17 2018-11-13 杭州电子科技大学 一种公共自行车调度方法
CN109003128A (zh) * 2018-07-07 2018-12-14 太原理工大学 基于改进的随机森林公共自行车站点需求量预测方法
CN110147919A (zh) * 2018-11-21 2019-08-20 太原理工大学 一种基于价格激励机制的公共自行车自动调度方法
CN110349666A (zh) * 2019-07-04 2019-10-18 南京工业大学 一种基于iabc-rf的icu心力衰竭患者死亡率的预测方法
CN110827545A (zh) * 2019-11-14 2020-02-21 北京首汽智行科技有限公司 一种最优车辆数预测方法
CN111007858A (zh) * 2019-12-23 2020-04-14 北京三快在线科技有限公司 车辆行驶决策模型的训练方法、行驶决策确定方法及装置
CN111598481A (zh) * 2020-05-26 2020-08-28 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608886A (zh) * 2016-01-21 2016-05-25 滴滴出行科技有限公司 用于调度交通工具的方法和设备
US20160196701A1 (en) * 2014-12-19 2016-07-07 Porter & Strother, LLC Fleet management and crowd distribution of maintenance tasks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160196701A1 (en) * 2014-12-19 2016-07-07 Porter & Strother, LLC Fleet management and crowd distribution of maintenance tasks
CN105608886A (zh) * 2016-01-21 2016-05-25 滴滴出行科技有限公司 用于调度交通工具的方法和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
戴盛隆: "《车辆共享系统优化调度研究——以公共自行车为例》", 《万方学位论文数据库》 *
赵月月: "《公共自行车系统调度策略及求解方法研究》", 《万方学位论文数据库》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805335A (zh) * 2018-05-17 2018-11-13 杭州电子科技大学 一种公共自行车调度方法
CN108805335B (zh) * 2018-05-17 2021-10-22 杭州电子科技大学 一种公共自行车调度方法
CN109003128A (zh) * 2018-07-07 2018-12-14 太原理工大学 基于改进的随机森林公共自行车站点需求量预测方法
CN110147919A (zh) * 2018-11-21 2019-08-20 太原理工大学 一种基于价格激励机制的公共自行车自动调度方法
CN110349666A (zh) * 2019-07-04 2019-10-18 南京工业大学 一种基于iabc-rf的icu心力衰竭患者死亡率的预测方法
CN110349666B (zh) * 2019-07-04 2022-12-16 南京工业大学 一种基于iabc-rf的icu心力衰竭患者死亡率的预测方法
CN110827545A (zh) * 2019-11-14 2020-02-21 北京首汽智行科技有限公司 一种最优车辆数预测方法
CN111007858A (zh) * 2019-12-23 2020-04-14 北京三快在线科技有限公司 车辆行驶决策模型的训练方法、行驶决策确定方法及装置
CN111598481A (zh) * 2020-05-26 2020-08-28 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法
WO2021238231A1 (zh) * 2020-05-26 2021-12-02 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法
CN111598481B (zh) * 2020-05-26 2023-09-01 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法

Also Published As

Publication number Publication date
CN108038578B (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN108038578A (zh) 基于需求预测和中心辐射网络的公共自行车静态调度方法
CN108491969B (zh) 基于大数据的空间负荷预测模型构建方法
CN109214581B (zh) 一种考虑风向和置信区间的铁路沿线风速预测方法
CN106485262A (zh) 一种母线负荷预测方法
CN106600455A (zh) 一种基于逻辑回归的电费敏感度评估方法
CN102750286B (zh) 一种处理缺失数据的新型决策树分类器方法
CN106022509A (zh) 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
Colasante et al. Assessing the circularity performance in a European cross-country comparison
CN105374209A (zh) 一种城市区域路网运行状态特征信息提取方法
CN107909221A (zh) 基于组合神经网络的电力系统短期负荷预测方法
CN115936240B (zh) 共享单车需求预测与投放调度方法
CN107871183A (zh) 基于不确定性云理论的多年冻土区公路病害预测方法
CN106251241A (zh) 一种基于特征选择改进的LR‑Bagging算法
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN115310752A (zh) 面向能源大数据的数据资产价值评价方法及系统
CN115169659A (zh) 一种基于多分类器的超短期屋顶光伏功率预测方法及系统
CN114004514A (zh) 一种大气臭氧污染发生气象条件等级判别方法
CN108537581A (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN112016858A (zh) 一种基于主客观赋权法的舆情风险评价方法
CN110119891B (zh) 一种适于大数据的交通安全影响因素辨识方法
CN111160719A (zh) 两网融合的多指标评估方法
Sennaroglu et al. A DEMATEL Integrated Interval Valued Intuitionistic Fuzzy PROMETHEE Approach for Parking Lots Evaluation.
CN108520087A (zh) 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法
CN114492617A (zh) 一种基于聚类的管网分区及跨区水量调配的方法
CN113570250A (zh) 变压器测温装置全生命周期多目标综合评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant