CN108197793A - 一种基于潮汐模型和粒子群算法的共享单车调配方法 - Google Patents

Abstract

本发明提供一种基于潮汐模型和粒子群算法的共享单车调配方法，该发明包括：首先结合共享单车的使用规律建立潮汐模型，利用最小二乘法求解模型中的参数，从而对各区域重要投放点的需求量进行预测；然后根据其预测值，以需求量满足率最大、调动车辆最少、调动距离最小、和各地区之间的调动车辆与调动距离尽可能均衡这五个目标建立多目标规划模型，并利用粒子群算法求解最优调度方案。该调度方法结合了共享单车关于时间和地点的分布规律，具有实际应用性强、求解速度快、调配方案精确的特点，能够很好的为相关共享单车运营公司提供合理的分配方案。

Description

一种基于潮汐模型和粒子群算法的共享单车调配方法

技术领域

本发明涉及共享单车调配领域，涉及一种基于潮汐模型和粒子群算法的共享单车调配方法。

背景技术

目前共享单车在生活中得到了十分广泛的应用，为我们的生活提供了很大的便利。然而，每逢早高峰和晚高峰在地铁站或者学校附近会突然涌现出一大批共享单车，严重影响交通；而在其他地方需要骑车的人却找不到共享单车，严重影响了共享单车的利用率。因此，迫切需要制定一种共享单车的调配方法，对共享单车分配不均的情况进行人工调配，从而缓建交通问题，并提高共享单车的利用率。

发明内容

本发明的目的在于解决共享单车分配不均的问题，提供一种基于潮汐模型和粒子群算法的共享单车调配方法，其同时具有实际应用性强、求解速度快、调配方案精确的特点。

为了达到上述目的，本发明通过一下技术方案予以实现：

一种基于潮汐模型和粒子群算法的共享单车调配方法，其包括如下步骤：

第一步：调查某地各时间段对共享单车的需求量，可在一天中等间隔选取时间段。根据该地各时间段的人流量和通过实地调查的方式，可大致确定出该时间段对共享单车的需求量。

第二步：将潮汐模型应用于预测该地共享单车需求量随时间变化的规律，结合调查数据利用最小二乘法可确定出潮汐模型中的未知参数。

第三步：通过将各地对小黄车的需求量与实际分布数量的分析对比，可以确定出分配方案的五个目标：

需求量满足率最大(实际共享单车数量与需求量的比值最大)、调动车辆总量最少、调动距离总和最小、和各地区之间的调动车辆与调动距离尽可能均衡。

第四步：建立约束条件，限制共享单车的调动数量。

第五步：考虑到目标函数较多，为了加快求解速度，采用粒子群算法进行求解。

附图说明

图1为本发明粒子群算法流程图。

具体实施方式

以下结合附图对本发明技术方案具体说明，图1为本发明粒子群算法流程图。一、利用潮汐模型对各地点每天共享单车的变化规律进行预测

类似于自然界中海洋的潮汐现象，共享单车在区域中的流动也具有潮汐效应。通过类比可以采用潮汐模型表示某地共享单车需求量的变化情况，潮汐潮位模型为：

可类比于共享单车数量在某地点需求变化规律。其中，a₀表示该点共享单车的基数，m表示用车高峰的数量，w_j表示用车高峰的角速率，a_j,b_j表示调和系数。根据已知地点的采集数据利用最小二乘法求解。其步骤如下所示：

目标函数：以理论值和实际值误差平方和的平均值最小为目标，即：

将各系数在约束范围内依次遍历，最终取得目标函数的最优值，其约束条件为：

依次减小步长分别以步长5，1，0.5，0.1进行遍历，逐渐缩小遍历范围，从而提高解的精确度。利用求解出来的模型可以对各地点每天共享单车的需求量变化规律进行预测。

二、根据潮汐模型的预测值利用多目标规划模型进行调度优化

潮汐效应会导致：

1.在早高峰和晚高峰时地铁和学校门口聚集大量共享单车，引起交通堵塞等问题。

2.大量共享单车聚集在同一地点会导致该地的分配量大于需求量，而其他地方的分配量远小于需求量。

因此，需要针对潮汐效应造成的问题采用多目标规划模型进行优化。考虑到共享单车分布失衡是因为在经历高峰期后单车聚集在一处，因此需要在每次高峰之后对共享单车重新调度。调度方案如下所示：

将某片区域中地铁、商场以及居民区等场所转化为抽象的点。

根据潮汐模型预测数据，可将共享单车由需求量小的地点转移到需求量大的地点，采用多目标规划模型进行分配：

i,j表示调度区域中的i点和j点，x_ij和x_ji分别表示从i地到j地的调度数量和从j地到i地的调度数量，l_ij和l_ji分别表示从i地到j地的调度距离和从j地到i地的调度距离。

A)目标函数的建立：

目标函数一：需求量满足率最大

为了尽可能满足各地对共享单车的需求量要求，令需求量满足率总和最大，其中，某地点需求量满足率R_i表示为该地已分配单车数量M_i与理论需求量N_i的比值，k表示该区域中研究的地点总数，即：

目标函数二：调动车辆最少

考虑到调度的困难程度和调度成本，需要保证调度数量的总数最少，其中，k表示该区域中研究的地点总数：

目标函数三：调动距离最小

考虑到运输距离和运输时间的长短，以及运输成本问题，需要保证调度总距离最小：

目标函数四：调动距离的平衡性

在考虑成本的同时，也要保证调度距离的平衡性，车辆调度距离不宜过长或者过短，即调度距离方差最小：

其中，t为调动次数。

目标函数五：各地区调动的平衡性

在调度的同时，需要保证整体调度方案的合理性，即各地区需求量满足率保持平衡：

其中，k为该区域的地点数。

B)约束条件的建立：

约束条件一：调动车辆需为整数，且不能超过该地已有车辆总数：

x_ij∈N,0≤x_ij≤M_i,(i＝1,2,…,k,j＝1,2,…,k,i≠j)

约束条件二：调度距离不能大于两地之间的最远距离，其中，l_max表示两地之间的最远距离。

0≤l_ij≤l_max,i＝1,2,…,(k,j＝1,2,…,k,i≠j)

约束条件三：某地点需求量满足率表示为该地已分配单车数量M_i与理论需求量N_i的比值，其中，k为该区域研究地点总数。

三、利用粒子群算法对调度方案的求解

有上文可知，共享单车数量分布十分不平衡，因此利用多目标规划重新分配，为了求解本题中的多目标规划模型，需要找到最符合条件的调度方案。可采用对参数遍历的方式来达到多目标规划的最优解。考虑到需要对调度数量x_ij，调度距离l_ij，该地已分配单车数量M_i和该地需求量N_i分别进行遍历，计算繁杂而且结果不精确，因此选择采用粒子群算法对模型进行求解。

粒子群算法求解的过程如下：

Step 1：初始化粒子群，随机产生所有粒子的位置和速度，并确定粒子的自身最好位置pbest和全局最好位置gbest。

由于需要对调度数量x_ij，调度距离l_ij，该地已分配单车数量M_i和该地需求量N_i分别进行遍历，因此可以确定一个四维粒子(x,l,M,N)，根据已经确定的约束条件，在范围内对四维粒子进行赋值：

Step 2：对每个粒子，将它现在的位置与它经历过的最好位置pbest比较，如果当前位置优于pbest，就将其作为当前的最好的位置pbest；否则，pbest不变。

Step 3：同理，将每个粒子现在的位置和种群中所有粒子经历过的最好位置gbest作比较，如果这个粒子的位置更好，则将其作为当前的gbest；否则，gbest保持不变。

Step 4：更新粒子的速度和位置。

Step 5：判断其是否已经达到预先设置好的条件(通常为预设的运算精度和迭代次数)，如果已经达到预先设置好的条件，则取当前gbest为最优解；如果没有达到预先设置好的条件，则返回step2进行下一次迭代。

至此，可以完成分配方案的求解。

Claims (5)

1.一种基于潮汐模型和粒子群算法的共享单车调配方法,其特征在于,首先结合共享单车的使用规律建立潮汐模型，利用最小二乘法求解模型中的参数，从而对各区域重要投放点的需求量进行预测；然后根据其预测值，以调动车辆最少、调动距离最小、和各地区之间的调动车辆与调动距离尽可能均衡这四个目标建立多目标规划模型，并利用粒子群算法求解最优调度方案；具体步骤为：

第一步，调查某地各时间段对共享单车的需求量，在一天中等间隔选取时间段；根据该地各时间段的人流量和通过实地调查的方式，确定出该时间段对共享单车的需求量；

第二步，将潮汐模型应用于预测该地共享单车需求量随时间变化的规律，结合调查数据利用最小二乘法可确定出潮汐模型中的未知参数；

第三步，通过将各地对小黄车的需求量与实际分布数量的分析对比，确定出分配方案的五个目标：

需求量满足率最大实际即共享单车数量与需求量的比值最大、调动车辆总量最少、调动距离总和最小、和各地区之间的调动车辆与调动距离均衡；

第四步，建立约束条件，限制共享单车的调动数量；

第五步，考虑到目标函数较多，为了加快求解速度，采用粒子群算法进行求解。

2.如权利要求1所述的方法，其特征在于,所述第二步中，采用潮汐模型表示某地共享单车需求量的变化情况，潮汐潮位模型为：

类比于共享单车数量在某地点需求变化规律；其中，a₀表示该点共享单车的基数，m表示用车高峰的数量，w_j表示用车高峰的角速率，a_j,b_j表示调和系数；根据已知地点的采集数据利用最小二乘法求解，其步骤如下所示：

目标函数：以理论值和实际值误差平方和的平均值最小为目标，即：

将各系数在约束范围内依次遍历，最终取得目标函数的最优值，其约束条件为：

依次减小步长分别以步长5，1，0.5，0.1进行遍历，逐渐缩小遍历范围，从而提高解的精确度；利用求解出来的模型可以对各地点每天共享单车的需求量变化规律进行预测。

3.如权利要求1所述的方法，其特征在于,所述第三步中，根据潮汐模型预测数据，将共享单车由需求量小的地点转移到需求量大的地点，采用多目标规划模型进行分配：

i,j表示调度区域中的i点和j点，x_ij和x_ji分别表示从i地到j地的调度数量和从j地到i地的调度数量，l_ij和l_ji分别表示从i地到j地的调度距离和从j地到i地的调度距离；

A)目标函数的建立：

A-1)目标函数一：需求量满足率最大

为了满足各地对共享单车的需求量要求，令需求量满足率总和最大，其中，某地点需求量满足率R_i表示为该地已分配单车数量M_i与理论需求量N_i的比值，k表示该区域中研究的地点总数，即：

A-2)目标函数二：调动车辆最少

考虑到调度的困难程度和调度成本，需要保证调度数量的总数最少，其中，k表示该区域中研究的地点总数：

A-3)目标函数三：调动距离最小

考虑到运输距离和运输时间的长短，以及运输成本问题，需要保证调度总距离最小：

A-4)目标函数四：调动距离的平衡性

在考虑成本的同时，也要保证调度距离的平衡性，车辆调度距离不宜过长或者过短，即调度距离方差最小：

其中，t为调动次数；

A-5)目标函数五：各地区调动的平衡性

在调度的同时，需要保证整体调度方案的合理性，即各地区需求量满足率保持平衡：

其中，k为该区域的地点数。

4.如权利要求1所述的方法，其特征在于,所述第四步中，所述建立约束条件具体如下：

B)约束条件的建立：

B-1)约束条件一：调动车辆需为整数，且不能超过该地已有车辆总数：

x_ij∈N,0≤x_ij≤M_i,(i＝1,2,…,k,j＝1,2,…,k,i≠j)

B-2)约束条件二：调度距离不能大于两地之间的最远距离，其中，l_max表示两地之间的最远距离。

0≤l_ij≤l_max,i＝1,2,…,(k,j＝1,2,…,k,i≠j)

B-3)约束条件三：某地点需求量满足率表示为该地已分配单车数量M_i与理论需求量N_i的比值，其中，k为该区域研究地点总数：

5.如权利要求1所述的方法，其特征在于,所述第五步中采用粒子群算法进行求解为：

考虑到需要对调度数量x_ij，调度距离l_ij，该地已分配单车数量M_i和该地需求量N_i分别进行遍历，计算繁杂而且结果不精确，因此选择采用粒子群算法对模型进行求解；

粒子群算法求解的过程如下：

Step1：初始化粒子群，随机产生所有粒子的位置和速度，并确定粒子的自身最好位置pbest和全局最好位置gbest；

由于需要对调度数量x_ij，调度距离l_ij，该地已分配单车数量M_i和该地需求量N_i分别进行遍历，确定一个四维粒子(x,l,M,N)，根据已经确定的约束条件，在范围内对四维粒子进行赋值：

Step2：对每个粒子，将它现在的位置与它经历过的最好位置pbest比较，如果当前位置优于pbest，就将其作为当前的最好的位置pbest；否则，pbest不变；

Step3：同理，将每个粒子现在的位置和种群中所有粒子经历过的最好位置gbest作比较，如果这个粒子的位置更好，则将其作为当前的gbest；否则，gbest保持不变；

Step4：更新粒子的速度和位置；

Step5：判断其是否已经达到预先设置好的条件，通常为预设的运算精度和迭代次数，如果已经达到预先设置好的条件，则取当前gbest为最优解；如果没有达到预先设置好的条件，则返回step2进行下一次迭代；

至此，完成分配方案的求解。