CN110147919A - 一种基于价格激励机制的公共自行车自动调度方法 - Google Patents

Abstract

本发明为了实现城市公共自行车辆的合理投放和有效调度，根据公共自行车需求量的随机性和时变性，提出了一种基于随机森林和时空聚类的需求量预测，并在此基础上实现了基于用户的站点再平衡价格激励机制。结合公共自行车需求量与时间因子，气象因子，关联站点等变量相关，利用对数优化降低异常值的影响，建立随机森林回归模型。其次，在此基础上构建了动态的价格激励模型，能够实现基于用户的租赁车辆的再平衡。以湾区公共自行车运营历史数据为例验证了动态价格激励模型的有效性和可行性。

Description

一种基于价格激励机制的公共自行车自动调度方法

技术领域

本发明属于公共自行车调度领域，具体涉及一种基于价格激励机制的公共自行车自动调度方法。

背景技术

随着快速城市化和机动化进程的推进促成了国内外城市公共自行车系统的发展，城市公共自行车的出现不仅很大程度上缓解了交通压力，更以方便快捷、低碳环保的优点逐渐被众人欢迎。公共自行车系统是公共交通体系的重要组成部分，有效的解决城市居民出行“最后1公里”的问题。在其迅猛发展，为市民提供交通方便的同时，由于交通的潮汐性以及车辆调度的不及时，也面临着“租车难，还车难”的问题，阻碍了公共自行车的发展。因此完善调度机制，实现“有车可租，有处可还”的站点平衡至关重要。

目前，国内外已对公共自行车系统的调度问题开展了大量研究，学者研究的调度重点集中在运输车辆路径的优化，YajunZhou等采用马尔可夫链模型对需求量进行预测，以降低调度成本；SchuijbroekJ等进行了车辆路径优化的算法改进，Kloimullner等提出了使被调度自行车数量最少的优化模型；刘东旭等提出分形树自平衡区域划分算法减少调度车辆的行驶路程。已有的研究是将各站点需求假定为静态需求，与公共自行车系统中顾客需求的随机性不符，不利于企业长期持续的发展。为有效缓解公共自行车系统“租还车难”问题，提高公共自行车的利用率，提出一种新的基于用户的再平衡机制。

在采用优化后随机森林对需求量预测的基础上提出基于用户自平衡的价格激励机制，考虑用户需求的随机性实现公共自行车系统的供需平衡。在提高服务水平的同时，降低了调度人员重新放置车辆的需要，从而节省系统运营成本。

发明内容

技术问题：本发明提供一种预测精度高、简单易行，可以对公共自行车站点自行车数量进行精确预测、动态调度的方法。

技术方案：本发明的一种基于价格激励机制的公共自行车自动调度方法，该方法包括以下步骤：

步骤1：采集某公共自行车系统多个站点近三年的历史数据并进行数据预处理，其中数据包括用户数据、站点数据以及天气数据；

步骤2：建立随机森林预测模型，将步骤1数据集转化成input格式，impurity设置为方差方式。将用户数据、站点数据以及天气数据作为输入变量，站点需求量为输出变量，前两年的历史数据作为训练集，其余为测试集；

步骤3：对模型参数进行调整，确定决策树的最优数量numTrees，决策树深度maxDepth和最大装箱数maxBins，输入到步骤2建立的随机森林预测模型中，预测出未来一天中不同站点各个时段[t，t+1](t∈T，T＝{0，1，2...23})的自行车需求量Qt，预测结果和测试集数据的RMSLE可以达到0.182。通过对数优化的随机森林模型对库存量的求解，得到各个站点不同时刻的最优库存水平f(x)；

步骤4：根据步骤3预测的一天各时段需求量Qt、最优库存f(x)结果，采用价格激励的方法对自行车数量不平衡的站点实行实时调度，建立激励机制模型；

步骤5：在步骤4的激励机制模型中，使用优化后的离子群算法求解站点价格激励矩阵，得到初始时刻的系统价格激励矩阵，在下一时刻循环滚动求解，向客户提供站点实时的激励价格；

步骤6：通过现有的基础设施与用户进行通信并支付激励金额来实现公共自行车的调度。

进一步的讲，所述的步骤1中的站点数据包括：预测站点ID、预测站点位置、所在城市；气象因素包括：预测日的温度、预测日的风速、预测日的湿度；以及天气类型包括：晴天、小雨天、雾天、雨加雾、雷雨天。

进一步的讲，所述的步骤2随机森林模型的建立,包括如下步骤：

步骤21：从样本训练集中采用bootstrap方法重新采样，随机产生k个样本训练集θ1,θ2,…,θk，每个样本训练集对应相应的决策树T(θ1),T(θ2),…,T(θk)；

步骤22：样本训练集的样本个数为n，每个样本进行有放回的随机抽样时，抽中的概率为1/n，重复抽取n次，在训练样本集中，每个样本未被抽取到的概率是(1-1/n)；

步骤23：样本训练集特征为M维，从M维特征中随机选取m个特征作为当前节点的分裂特征集，并选取m个特征中方差最小的特征进行分裂，且不需要剪枝，让这棵树完全生长，其中，m＜＜M；

步骤24：计算方差的公式：其中n代表样本总数，yi表示某个样本的标签，μ表示所有样本的均值；

步骤25：重复上述步骤，建立K颗决策树，组成随机森林；

步骤26：对于未进行预测的新数据通过随机森林进行预测，预测结果是各个决策树计算结果的均值。

进一步的讲，所述的步骤3随机森林算法参数选择，影响算法性能有两个，分别是随机森林算法树的数量和构建树时所用特征的数量，通过分析影响共享单车库存量因素中的时间因子，空间因子、气象因子以及关联站点筛选出对其影响较大的因子，通过使用不同参数构建随机森林预测模型的结果，考虑时间消耗以及模型的误差，采用树的数量为180，特征数量为5来构建预测模型。

进一步的讲，所述的步骤4价格激励模型方法的建立，包括如下步骤：

步骤41：设为在t∈T为t至t+1时间段内，公共自行车系统提供给顾客将车辆从原拟定还车站点s改变为还车站点n的激励价格，f(x)为在t时刻的站点库存车辆数，f(x)的变化与站点需求量Q(t)，用户还车数量M(t)以及接受激励价格而改变还车地点的还车数量N(t)有关；

步骤42：每个骑行用户的骑行激励价格服从均匀分布P～U[0，Pmax]，接受激励价格而改变还车地点的还车数量N(t)满足以下条件：

步骤43：f(x)＝Q(t)-M(t)-N(t)表示站点车辆库存水平f(x)的变化与站点需求量Q(t)，用户还车数量M(t)以及接受激励价格而改变还车地点的还车数量N(t)有关；

步骤44：πs,n＝λPs,n-μds,n表示接受价格激励将还车站点由s变化为n的概率，与价格激励系数λ，用户改变还车站点的激励价格Ps,n，距离感知系数μ，站点间距离ds,n有关；

步骤45：δ(t)＝Q(t)-M(t)表示需要近邻站点通过价格激励刺激的车辆数；

步骤46：表示站点s的近邻站点区域Ns能够满足80％用户的需求；

步骤47：由上述四个关系式，结合价格激励模型的目标函数与约束条件，价格激励机制模型描述为：表示租赁站点近邻网络的站点失衡车辆之和最小化；约束表示用户选择接受近邻站点的价格激励的概率之和不大于1；0≤Ps,n(t)≤Pmax，表示租赁系统提供给用户的价格激励不大于最大价格激励值Pmax。

有益效果：本发明与现有技术相比，具有以下优点：

传统的方法并不是在完整的数据集上预测并调度的。而且已有的研究是将各站点需求假定为静态需求，与公共自行车系统中顾客需求的随机性不符，不利于企业长期持续的发展。

为有效缓解公共自行车系统“租还车难”问题，提高公共自行车的利用率，提出一种新的基于用户的再平衡机制。

本发明所提出的一种基于价格激励机制的公共自行车自动调度方法,通过对公共自行车系统历史数据和气象数据进行了处理和融合操作。研究了公共自行车系统的用户用车行为特征、站点运行规律以及用户用车行为分析，然后利用优化的随机森林先进行站点需求量预测，并将预测结果同价格激励机制结合，得出最佳的激励价格，提高自行车利用率，也使得公共自行车系统整体收益最大化。

附图说明

图1为预测模型流程图；

图2为价格激励机制流程图；

图3为随机森林参数选择与误差；

图4为最大激励价格与租赁系统平衡关系。

具体实施方式

结合附图和实施例，对本发明技术方案详细说明如下：一种基于价格激励机制的公共自行车自动调度方法，包括如下步骤：

步骤1：采集某公共自行车系统多个站点近三年的历史数据并进行数据预处理。其中数据包括用户数据、站点数据以及天气数据；

步骤2：建立随机森林预测模型。将步骤1数据集转化成input格式，impurity设置为方差方式。将用户数据、站点数据以及天气数据作为输入变量，站点需求量为输出变量，前两年的数据作为训练集，其余为测试集；

步骤3：为使模型具有较好的预测精度，需对模型参数进行调整。确定决策树的最优数量numTrees，决策树深度maxDepth、最大装箱数maxBins。输入到步骤2建立的随机森林预测模型中，进而预测出未来一天中不同站点各个时段[t，t+1](t∈T，T＝{0，1，2...23})的自行车需求量Qt。通过对数优化的随机森林模型对库存量的求解，得到各个站点不同时刻的最优库存水平f(x)；

步骤4：根据步骤3预测的一天各时段需求量Qt、最优库存f(x)结果基础上，采用价格激励的方法对自行车数量不平衡的站点实行实时调度。建立激励机制模型；

步骤5：在步骤4的激励机制模型中，并使用优化后的离子群算法求解站点价格激励矩阵，得到初始时刻的系统价格激励矩阵，在下一时刻循环滚动求解，向客户提供站点实时的激励价格；

步骤6：通过现有的基础设施与用户进行通信并支付激励金额来实现公共自行车的调度。

进一步的讲，所述的步骤1中的站点数据包括：预测站点ID、预测站点位置、所在城市；

气象因素包括：预测日的温度、预测日的风速、预测日的湿度；以及天气类型包括：晴天、小雨天、雾天、雨加雾、雷雨天；

进一步的讲，本发明方法中，步骤2随机森林模型的建立,包括如下步骤：

步骤21：从样本训练集中采用bootstrap方法重采样，随机产生k个样本训练集θ1,θ2,…,θk。每个样本训练集对应相应的决策树T(θ1),T(θ2),…,T(θk)；

步骤22：假设样本训练集的样本个数为n，每个样本进行有放回的随机抽样时，抽中的概率为1/n，重复抽取n次，在训练样本集中，每个样本未被抽取到的概率是(1-1/n)；

步骤23：假设样本训练集特征为M维，从M维特征中随机选取m个特征作为当前节点的分裂特征集，并选取m个特征中方差最小的特征进行分裂，且不需要剪枝，让这棵树完全生长(这里要求m远小于M，即即m＜＜M)；

步骤24：计算方差的公式：其中n代表样本总数，yi表示某个样本的标签，μ表示所有样本的均值；

步骤25：重复上述步骤，建立K颗决策树，组成随机森林；

步骤26：对于未进行预测的新数据通过随机森林进行预测，预测结果是各个决策树计算结果的均值。

进一步的讲，本发明方法中，步骤3随机森林算法参数选择，影响算法性能最主要有两个，分别是随机森林算法树的数量以及构建树时所用特征的数量，通过分析影响共享单车库存量因素中的时间因子，空间因子、气象因子以及关联站点筛选出对其影响较大的因子，通过使用不同参数构建随机森林预测模型的结果，考虑到时间消耗以及模型的误差，采用树的数量为180，特征数量为5来构建预测模型。

进一步的讲，本发明方法中，步骤4价格激励模型方法的建立，包括如下步骤：

步骤41：设为在t∈T为t至t+1时间段内，公共自行车系统提供给顾客将车辆从原拟定还车站点s改变为还车站点n的激励价格，f(x)为在t时刻的站点库存车辆数，f(x)的变化与站点需求量Q(t)，用户还车数量M(t)以及接受激励价格而改变还车地点的还车数量N(t)有关；

步骤42：每个骑行用户的骑行激励价格服从均匀分布P～U[0，Pmax]，接受激励价格而改变还车地点的还车数量N(t)满足：

步骤43：f(x)＝Q(t)-M(t)-N(t)

表示站点车辆库存水平f(x)的变化与站点需求量Q(t)，用户还车数量M(t)以及接受激励价格而改变还车地点的还车数量N(t)有关；

步骤44：πs，n＝λPs，n-μds，n

表示接受价格激励将还车站点由s变化为n的概率，与价格激励系数λ，用户改变还车站点的激励价格Ps,n，距离感知系数μ，站点间距离ds,n有关；

步骤45：δ(t)＝Q(t)-M(t)

表示需要近邻站点通过价格激励刺激的车辆数；

步骤46：

表示站点s的近邻站点区域Ns能够满足80％用户的需求；

步骤47：由上述四个关系式，结合价格激励模型的目标函数与约束条件，价格激励机制模型可以描述为：

表示租赁站点近邻网络的站点失衡车辆之和最小化；

表示用户选择接受近邻站点的价格激励的概率之和不大于1；

0≤Ps,n(t)≤Pmax，

表示租赁系统提供给用户的价格激励不大于最大价格激励值Pmax。

本发明是一种基于价格激励机制的公共自行车自动调度方法,具体预测调度过程如下：

利用2014年8月至2016年8月美国加利福尼亚湾区公共自行车系统的8个站点数据，数据包括气象、用户用车、站点信息和状态。其中将2014-2015年的数据作为训练集，2016年的数据作为测试集。通过随机森林预测系统对各个站点每天中各个时段的公共自行需求量进行了预测。

对预测模型进行参数调优，将数据集经过数据处理后，转换成input的格式。公共自行车需求量预测是一个回归问题，将impurity设置为方差方式。

图3显示了使用不同参数构建随机森林预测模型的结果，考虑到时间消耗以及模型的误差，采用树的数量为180，特征数量为5来预测站点自行车需求量。

8个站点间的空间距离相对距离

现在以一天为价格激励周期T，每天9：00至21：00为价格激励开放时间段，通过将T离散化分割为13个时间片段。

通过对数优化的随机森林模型对库存量的求解，得到各个站点不同时刻的最优库存水平。在初始时刻t＝0时各个站点的最优库存水平、初始库存以及需调度的车辆数。

分析时间因子、气象因子以及关联站点对公共自行车系统需求量的影响，使用对数优化的随机森林求的各个站点的最优库存水平，在价格激励机制中，并使用优化后的离子群算法求解站点价格激励矩阵，得到初始时刻的系统价格激励矩阵，在下一时刻循环滚动求解，向客户提供站点实时的激励价格。

初始时刻各站点的激励价格(单位：美元)

横坐标为原拟定还车站点，纵坐标为价格激励后还车站点。

对于价格激励调度机制进行性能评估，采用共享单车站点服务水平来计算，其公式如下所示:

当将最大激励价格提升后，公共自行车系统站点的服务水平有了明显的提高，证明动态价格激励模型对改善公共自行车租赁系统失衡现象的有效性。为进一步分析仿真结果，如图4所示，分析不同的价格激励对系统的影响，寻找最佳的最大价格激励值。

适当提高最大激励价格Pmax可以很大程度上提升租赁系统平衡度，提高顾客服务水平与车辆利用率，但当Pmax到达5继续提高Pmax值，系统平衡度没有明显改善，增速放缓。

上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领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)

1.一种基于价格激励机制的公共自行车自动调度方法，其特征在于：该方法包括以下步骤：

步骤1：采集某公共自行车系统多个站点近三年的历史数据并进行数据预处理，其中数据包括用户数据、站点数据以及天气数据；

步骤2：建立随机森林预测模型，将步骤1数据集转化成input格式，impurity设置为方差方式。将用户数据、站点数据以及天气数据作为输入变量，站点需求量为输出变量，前两年的历史数据作为训练集，其余为测试集；

步骤3：对模型参数进行调整，确定决策树的最优数量numTrees，决策树深度maxDepth和最大装箱数maxBins，输入到步骤2建立的随机森林预测模型中，预测出未来一天中不同站点各个时段[t，t+1](t∈T，T＝{0，1，2...23})的自行车需求量Qt，预测结果和测试集数据的RMSLE可以达到0.182，通过对数优化的随机森林模型对库存量的求解，得到各个站点不同时刻的最优库存水平f(x)；

步骤4：根据步骤3预测的一天各时段需求量Qt、最优库存f(x)结果，采用价格激励的方法对自行车数量不平衡的站点实行实时调度，建立激励机制模型；

步骤5：在步骤4的激励机制模型中，使用优化后的离子群算法求解站点价格激励矩阵，得到初始时刻的系统价格激励矩阵，在下一时刻循环滚动求解，向客户提供站点实时的激励价格；

步骤6：通过现有的基础设施与用户进行通信并支付激励金额来实现公共自行车的调度。

2.根据权利要求1所述的一种基于价格激励机制的公共自行车自动调度方法，其特征在于：所述的步骤1中的站点数据包括：预测站点ID、预测站点位置、所在城市；气象因素包括：预测日的温度、预测日的风速、预测日的湿度；以及天气类型包括：晴天、小雨天、雾天、雨加雾、雷雨天。

3.根据权利要求1所述的一种基于价格激励机制的公共自行车自动调度方法，其特征在于：所述的步骤2随机森林模型的建立,包括如下步骤：

步骤21：从样本训练集中采用bootstrap方法重新采样，随机产生k个样本训练集θ1,θ2,…,θk，每个样本训练集对应相应的决策树T(θ1),T(θ2),…,T(θk)；

步骤22：样本训练集的样本个数为n，每个样本进行有放回的随机抽样时，抽中的概率为1/n，重复抽取n次，在训练样本集中，每个样本未被抽取到的概率是(1-1/n)；

步骤23：样本训练集特征为M维，从M维特征中随机选取m个特征作为当前节点的分裂特征集，并选取m个特征中方差最小的特征进行分裂，且不需要剪枝，让这棵树完全生长，其中，m＜＜M；

步骤24：计算方差的公式：其中n代表样本总数，yi表示某个样本的标签，μ表示所有样本的均值；

步骤25：重复上述步骤，建立K颗决策树，组成随机森林；

步骤26：对于未进行预测的新数据通过随机森林进行预测，预测结果是各个决策树计算结果的均值。

4.根据权利要求1所述的一种基于价格激励机制的公共自行车自动调度方法，其特征在于：所述的步骤3随机森林算法参数选择，影响算法性能有两个，分别是随机森林算法树的数量和构建树时所用特征的数量，通过分析影响共享单车库存量因素中的时间因子，空间因子、气象因子以及关联站点筛选出对其影响较大的因子，通过使用不同参数构建随机森林预测模型的结果，考虑时间消耗以及模型的误差，采用树的数量为180，特征数量为5来构建预测模型。

5.根据权利要求1所述的一种基于价格激励机制的公共自行车自动调度方法，其特征在于：所述的步骤4价格激励模型方法的建立，包括如下步骤：

步骤41：设为在t∈T为t至t+1时间段内，公共自行车系统提供给顾客将车辆从原拟定还车站点s改变为还车站点n的激励价格，f(x)为在t时刻的站点库存车辆数，f(x)的变化与站点需求量Q(t)，用户还车数量M(t)以及接受激励价格而改变还车地点的还车数量N(t)有关；

步骤42：每个骑行用户的骑行激励价格服从均匀分布P～U[0，Pmax]，接受激励价格而改变还车地点的还车数量N(t)满足以下条件：

步骤43：f(x)＝Q(t)-M(t)-N(t)表示站点车辆库存水平f(x)的变化与站点需求量Q(t)，用户还车数量M(t)以及接受激励价格而改变还车地点的还车数量N(t)有关；

步骤44：πs,n＝λPs,n-μds,n表示接受价格激励将还车站点由s变化为n的概率，与价格激励系数λ，用户改变还车站点的激励价格Ps,n，距离感知系数μ，站点间距离ds,n有关；

步骤45：δ(t)＝Q(t)-M(t)表示需要近邻站点通过价格激励刺激的车辆数；

步骤46：表示站点s的近邻站点区域Ns能够满足80％用户的需求；

步骤47：由上述四个关系式，结合价格激励模型的目标函数与约束条件，价格激励机制模型描述为：表示租赁站点近邻网络的站点失衡车辆之和最小化；约束 表示用户选择接受近邻站点的价格激励的概率之和不大于1；0≤Ps,n(t)≤Pmax，表示租赁系统提供给用户的价格激励不大于最大价格激励值Pmax。