CN111523723B - 一种公共自行车站点车辆优化配置的方法及装置 - Google Patents

Abstract

本发明实施例提供一种公共自行车站点车辆优化配置的方法和装置，其中，所述方法包括：根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布；从而确定所述站点各个时段的车辆数量的状态转移概率矩阵；进一步确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本；根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量。本技术方案通过对站点自行车的借还数据进行统计，确定最优配置成本，从而确定车辆配置时段和数量，使得总配置成本最小。

Description

一种公共自行车站点车辆优化配置的方法及装置

技术领域

本发明涉及一种公共自行车站点车辆优化配置的方法及装置。

背景技术

公共自行车站点主要布局在居民生活工作集聚区出入口、公交车站附近，重点解决"公交最后1公里"的问题。是城市公共交通的组成部分。一个数据中心可管理几百至几千个站点，每个站点配备20～80驻车电子防盗锁即站桩。在每个站点配备了一定数量站桩的情况下，在实际使用过程中，随着车辆借还事件的增多，每个站点自行车数量会有所变化，因此，在一定时间段需要对站点车辆配置时段和数量进行部署，然而，在一个配置周期内，在何时进行车辆配置，每次配置车辆的数量如何确定，才能使得每个站点的借还车事件能够在这段时间段内有效的持续并且使得成本最小、收益最大呢？

发明内容

本发明实施例提供一种公共自行车站点车辆优化配置的方法及装置，通过对站点自行车的借还数据进行统计，利用借还车事件与车辆数量变化的规则，确定配置周期内的最优配置成本，从而确定车辆配置时段和数量，使得总配置成本最小，收益最大。

为达到上述目的，一方面，本发明实施例提供了一种公共自行车站点车辆优化配置的方法，所述方法包括：

根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布；

根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布以及在租车需求和还车需求发生时站点车辆数量的变化规则，确定所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵；

根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本；

根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量。

另一方面，本发明实施例提供了一种公共自行车站点车辆优化配置的装置，所述装置包括：

概率分布确定单元，用于根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布；

状态转移概率矩阵建立单元，用于根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布以及在租车需求和还车需求发生时站点车辆数量的变化规则，建立所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵；

损失服务成本单元，用于根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本；

配置确定单元，根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量。

上述技术方案具有如下有益效果：本申请的技术方案通过对站点历史数据的分析整理，并利用借还车事件与车辆数量变化的规则，通过状态转移概率矩阵与车辆借还车概率分布的联合分析，通过计算租车损失服务成本、还车损失服务成本以及单次配置成本使得总配置成本最优，从而确定站点在配置周期内的最佳配置时段和配置的车辆数量，使得站点车辆的利用率、有效使用性都得到保证。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一种公共自行车站点车辆优化配置的方法的流程图；

图2是本发明实施例一种公共自行车站点车辆优化配置的装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，是本发明实施例一种公共自行车站点车辆优化配置的方法的流程图，所述方法包括：

S101，根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布。

优选地，根据站点在当前车辆部署周期之前的租车历史数据和还车历史数据及附近居住办公环境结合相关专家的分析，综合考虑，确定在一段时间段内租车需求服从概率分布f，还车需求服从概率分布g；概率分布可优选地采用泊松分布。

S102，根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布以及在租车需求和还车需求发生时站点车辆数量的变化规则，确定所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵。

在当前配置周期中各个时段的车辆数量的状态转移概率矩阵的建立，包括：

确定在租车需求和还车需求发生时站点车辆数量的变化规则为：

当所述站点有一个租车需求时，如果站点车辆数量大于0，则站点车辆数量减1；如果站点车辆数量为0，则该租车需求未被满足，站点车辆数量仍为0；

当所述站点有一个还车需求时，如果站点车辆数量小于所述站点的锁车器N，则站点车辆数量加1；如果站点车辆数量为N，则该还车需求未被满足，站点车辆数量仍为N；

由此，在某一时段该站点在站的车辆数量构成了一个特殊的马尔科夫模型，即带有两个反射壁的随机游走模型，0和N是两个反射态。则有从低状态到高状态转移的概率为p，从高状态到低状态的概率为q＝1-p；根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布，确定在当前配置周期中的时段t的租车概率分布的期望λ_t以及还车概率分布的期望μ_t；其中，t∈[1，T]，T为当前配置周期中划分的总时段数。

由此建立所述站点在当前配置周期中的时段t中车辆数量的状态转移概率矩阵Q_t，Q_t表为：

其中，

p_t为时段t中一个需求事件发生，此事件为还车的概率，有

q_t＝1-p_t为时段t中一个需求事件发生，此事件为租车的概率，有

优选地，所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布均为泊松分布，所述租车概率分布的期望λ_t为租车概率的泊松分布的泊松参数，所述还车概率分布的期望μ_t为还车概率的泊松分布的泊松参数。

S103，根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本。

优选地，所述根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本，包括：

通过以下公式表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的损失服务成本U_s，t+1，i，i∈[0，N]，s∈[1，T]，t∈[s，T]，t+1表示t时段结束，且s≤t；N为所述站点的车桩数量：

U_s，t+1，i＝U_{s，t+1，i，0}+U_{s，t+1，i，N}；

其中，

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的租车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的租车需求损失成本U_{s，t+1，i，0}，且有U_{s，s，i，0}＝0；

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的还车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的还车需求损失成本U_{s，t+1，i，N}，且有U_{s，s，i，N}＝0；其中，

表示当前配置周期中在时段s配置车辆数量为i时，到t时段结束时车辆数量为j的期望转移概率，从s＝1..T、t＝s..T依次迭代计算出从s时段到其后每一时段的转移概率，j∈[0，N]，当j＝0时，

当j＝N时，

t∈[1，T]，

为矩阵

的元素，

是Q_t矩阵的n次方，表示租车和还车需求共发生n次时的转移概率矩阵；P{X_t＝n}是租车还车需求总数X_t为n的概率，X_t服从参数为λ_t+μ_t的泊松分布，

α_t表示时段t租车的单位损失服务成本；

β_t表示时段t还车的单位损失服务成本。

S104，根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量。

优选地，所述根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量，包括：

通过下式确定在当前配置周期的从时段1到时段t结束时的最优配置成本V_1，t+1：

从t＝1..T依次计算，直到t＝T结束，此时V_1，T+1即为当前配置周期的最优成本，其中V_1，1＝0，C_s为在当前配置周期中在时段s进行车辆配置的单次成本；

获取在当前配置周期的最优成本V_1，T+1确定时，每一次迭代计算中s和i的取值；

将每一次迭代计算中s和i的取值确定为当前配置周期内的车辆配置时段和数量。

结合具体案例的计算过程，进一步说明如下：

基于站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，在t时段经过n次转移，即租车和还车需求共发生n次，车辆次数从i变为j的概率矩阵为

是Q_t矩阵的n次方。因此，有

其中

为矩阵

的元素，P{X_t＝n}表示租车还车需求总数X_t为n的概率，X_t服从参数为λ_t+μ_t的泊松分布，即

因此P_{t，t+1，i，j}是t时段站点车辆从i变为j的期望概率，根据马尔科夫链极限概率为长程时间比例的意义，P_{t,t+1，i，j}也代表了站点在t期有i辆车时，在t到t+1期这段时间站点车辆为j的时间所占的比例。其他时段的转移概率P_{s，t，i，j}的计算与意义与此相似。

站点车辆配置绩效用成本衡量，目标是成本最小，成本又分为两大类：一类是在不同时段进行一次配置车辆的成本，属于固定成本，用C_t表示，其中t∈[1，T]，意味着各时段可以有不同固定配置成本的一般情形；另一类称为损失服务成本，是对未满足需求量的惩罚，分为租车损失服务成本和还车损失服务成本两部分，用α_t和β_t分别表示时段t租车和还车的单位损失服务成本，表示了各时段及租车和还车的损失服务成本都可以不同的一般情形。用U_{s，t，i，0}表示在s期站点车辆为i，从s到t期间租车需求损失服务成本，用U_{s，t，i，N}表示在s期站点车辆为i，从s到t期间还车需求损失服务成本，用需求期望损失量与单位损失成本来计算，用U_s,t,i表示在s期站点有i辆车，从s到t期时段不再有车辆配置情况下的损失服务成本，显然有U_s,t,i＝U_s,t,i,0+U_s,t,i,N，其中i∈[0,N]，s∈[1,T],t∈[1,T+1]且s<t。用V_1,t表示从第1期到第t期的最优成本，f_1,t表示从第1期到第t期最优成本即最优配置情形下，t期之前最近一次进行车辆配置的时段，d_1,t与f_1,t相对应，是第f_1,t期最优配置车辆数。

显然，本方法的目标是确定V_1,T+1，并记录f_1,T+1和d_1,T+1，即获取一个配置周期共T期的最低成本，并利用f_1,T+1和d_1，T+1获取最优配置时期及最优配置车辆数。

明确问题的逻辑及相关指标后，设计了以下算法：

(1)估算λ_t和μ_t

根据站点历史数据或结合专家预测判断等，估计推断1至T期各时段租车和还车需求的泊松参数λ_t和μ_t，t∈[1,T]。

(2)计算P_t,t+1,i,j和R_t,t+1,i

利用各时段转移概率矩阵Q_t及公式

t∈[1,T+1]，

为矩阵

的元素，P{X_t＝n}是租车还车需求总数X_t为n的概率，X_t服从参数为λ_t+μ_t的泊松分布，

计算相邻时段的车辆数量从i到j的期望转移概率，也是站点在开始有i辆车而在相邻时段有j辆车的时间比例。

利用公式U_t,t+1,i,0＝α_tλ_tP_{t，t+1，i，0}、U_{t，t+1，i,N}＝β_tμ_tP_t,t+1,i,N及R_t,t+1,i＝U_t,t+1,i,0+U_t,t+1,i,N计算R_t,t+1,i，其中t∈[1,T]。

(3)计算P_s,t+1,i,j

根据(2)中相邻时段P_t,t+1,i,j的值，利用公式

从s＝1..T、t＝s..T依次迭代计算出从s到t时段，即其后各期的转移概率P_s,t+1,i,j，其中i,j∈[0,N]。

(4)计算U_s,t+1,i

根据已计算的各期间的P_t,t+1,i,j以及相邻时段的U_t,t+1,i,0和U_t,t+1,i,N，利用公式

和

从s＝1..T、t＝s..T依次迭代计算出从s到t时段结束，即其后各期结束时的租车和还车需求损失成本U_s,t+1,i,0和U_s,t+1,i,N，其中i∈[0,N]。然后再利用公式U_s,t+1,i＝U_s,t+1,i,0+U_s,t+1,i,N计算出从s到其后各期结束时的需求损失成本U_s,t+1,i。

(5)计算整个配置周期的最优成本

先设V_1,1＝0，利用公式

从t＝1..T依次计算，直到t＝T结束，此时V_1,T+1即为整个配置周期的最优成本。循环计算过程中，记

和

分别表示V_1,t+1最优时s和i的取值，则两者分别代表了第1到第t期最优配置情形下，第t期之前最近一次进行车辆配置的时段和车辆数，赋值

和

记录下来。

(6)列出最优配置时段及相应最优配置车辆数

利用f_1,t+1和d_1,t+1，从t＝T+1开始依次逆向推，如f_1,T+1和d_1,T+1分别表示T+1之前最近一次进行车辆配置的时段和配置车辆数，而

和

则表示了f_1,T+1之前最近一次进行车辆配置(也是倒数第二次)的时段和配置车辆数，依次类推，直到f_1,1。

如图2所示，是本发明实施例一种公共自行车站点车辆优化配置的装置的结构示意图，所述装置包括：

概率分布确定单元21，用于根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布；

状态转移概率矩阵建立单元22，用于根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布以及在租车需求和还车需求发生时站点车辆数量的变化规则，建立所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵；

损失服务成本单元23，用于根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本；

配置确定单元24，根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量。

优选地，所述状态转移概率矩阵建立单元具体用于：

根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布，确定在当前配置周期中的时段t的租车概率分布的期望以及还车概率分布的期望；其中，t∈[1,T]，T为当前配置周期中划分的总时段数；

建立所述站点在当前配置周期中的时段t中车辆数量的状态转移概率矩阵Q_t，Q_t表为：

其中，

p_t为时段t中一个需求事件发生，此事件为还车的概率，有

q_t＝1-p_t为时段t中一个需求事件发生，此事件为租车的概率，有

优选地，所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布均为泊松分布，所述租车概率分布的期望λ_t为租车概率的泊松分布的泊松参数，所述还车概率分布的期望μ_t为还车概率的泊松分布的泊松参数。

优选地，所述损失服务成本单元具体用于：

通过以下公式表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的损失服务成本U_s,t+1,i，i∈[0,N]，s∈[1,T],t∈[s,T]，t+1表示t时段结束，且s≤t；N为所述站点的车桩数量：

U_s,tf1,i＝U_{s,t+1，i，0}+U_{s，t+1，i，N}；

其中，

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的租车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的租车需求损失成本U_s,t+1,i,0，且有U_s,s,i,0＝0；

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的还车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的还车需求损失成本U_s,t+1,i,N，且有U_s，s，i,N＝0；其中，

表示当前配置周期中在时段s配置车辆数量为i时，到t时段结束时车辆数量为j的期望转移概率，从s＝1..T、t＝s..T依次迭代计算出从s时段到其后每一时段的转移概率，j∈[0,N]，当j＝0时，

当j＝N时，

t∈[1,T]，

为矩阵

的元素，

是Q_t矩阵的n次方，表示租车和还车需求共发生n次时的转移概率矩阵；P{X_t＝n}是时段t租车还车需求总数X_t为n的概率，

α_t表示时段t租车的单位损失服务成本；

β_t表示时段t还车的单位损失服务成本。

优选地，所述配置确定单元包括最优成本模块，用于：

通过下式确定在当前配置周期的从时段1到时段t结束时的最优配置成本V_1,t+1：

从t＝1..T依次计算，直到t＝T结束，此时V_1,T+1即为当前配置周期的最优成本，其中V_1，1＝0，C_s为在当前配置周期中在时段s进行车辆配置的单次成本；

获取在当前配置周期的最优成本V_1，T+1确定时，每一次迭代计算中s和i的取值；

将每一次迭代计算中s和i的取值确定为当前配置周期内的车辆配置时段和数量。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种公共自行车站点车辆优化配置的方法，其特征在于，所述方法包括：

根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布；

根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布以及在租车需求和还车需求发生时站点车辆数量的变化规则，确定所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵；

根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本；

根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量；

所述根据在租车需求和还车需求发生时站点车辆数量的变化规则以及所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布，建立所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，包括：

根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布，确定在当前配置周期中的时段t的租车概率分布的期望λ_t以及还车概率分布的期望μ_t；其中，t∈[1，T]，T为当前配置周期中划分的总时段数；

建立所述站点在当前配置周期中的时段t中车辆数量的状态转移概率矩阵Q_t，Q_t表为：

其中，

p_t为时段t中一个需求事件发生，此事件为还车的概率，有

q_t＝1-p_t为时段t中一个需求事件发生，此事件为租车的概率，有

所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布均为泊松分布，所述租车概率分布的期望λ_t为租车概率的泊松分布的泊松参数，所述还车概率分布的期望μ_t为还车概率的泊松分布的泊松参数；

所述根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本，包括：

通过以下公式表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的损失服务成本U_s，t+1，i，i∈[0，N]，s∈[1，T]，t∈[s，T]，t+1表示t时段结束，且s≤t；N为所述站点的车桩数量：

U_s，t+1，i＝U_{s，t+1，i，0}+U_{s，t+1，i，N}；

其中，

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的租车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的租车需求损失成本U_{s，t+1，i，0}，且有U_{s，s，i，0}＝0；

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的还车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的还车需求损失成本U_{s，t+1，i，N}，且有U_{s，s，i，N}＝0；其中，

表示当前配置周期中在时段s配置车辆数量为i时，到t时段结束时车辆数量为j的期望转移概率，从s＝1..T、t＝s..T依次迭代计算出从s时段到其后每一时段的转移概率，j∈[0，N]，当j＝0时，

当j＝N时，

t∈[1，T]，

为矩阵

的元素，

是Q_t矩阵的n次方，表示租车和还车需求共发生n次时的转移概率矩阵；P{X_t＝n}是租车还车需求总数X_t为n的概率，

α_t表示时段t租车的单位损失服务成本；

β_t表示时段t还车的单位损失服务成本；

所述根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量，包括：

通过下式确定在当前配置周期的从时段1到时段t结束时的最优配置成本V_1，t+1：

V_1，t+1＝min_i，s{V_1，s+C_s+U_s，t+1，i：i＝0..N，s∈[1，t]}，

从t＝1..T依次计算，直到t＝T结束，此时V_1，T+1即为当前配置周期的最优成本，其中V_1，1＝0，C_s为在当前配置周期中在时段s进行车辆配置的单次成本；

获取在当前配置周期的最优成本V_1，T+1确定时，每一次迭代计算中s和i的取值；

将每一次迭代计算中s和i的取值确定为当前配置周期内的车辆配置时段和数量。

2.一种公共自行车站点车辆优化配置的装置，其特征在于，所述装置包括：

概率分布确定单元，用于根据站点的租车历史数据和还车历史数据，确定所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布；

状态转移概率矩阵建立单元，用于根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布以及在租车需求和还车需求发生时站点车辆数量的变化规则，建立所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵；

损失服务成本单元，用于根据所述站点在当前配置周期中各个时段的车辆数量的状态转移概率矩阵，确定在当前配置周期中各个时段进行不同车辆数量的配置下的损失服务成本；

配置确定单元，根据所述在当前配置周期中各个时段进行不同车辆数量的配置的损失服务成本以及在当前配置周期中在各个时段进行车辆配置的单次成本，确定在当前配置周期的最优配置成本，以及最优车辆配置时段和最优配置数量；

所述状态转移概率矩阵建立单元具体用于：

根据所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布，确定在当前配置周期中的时段t的租车概率分布的期望以及还车概率分布的期望；其中，t∈[1，T]，T为当前配置周期中划分的总时段数；

建立所述站点在当前配置周期中的时段t中车辆数量的状态转移概率矩阵Q_t，Q_t表为：

其中，

p_t为时段t中一个需求事件发生，此事件为还车的概率，有

q_t＝1-p_t为时段t中一个需求事件发生，此事件为租车的概率，有

所述站点在当前配置周期中各个时段的租车概率分布和还车概率分布均为泊松分布，所述租车概率分布的期望λ_t为租车概率的泊松分布的泊松参数，所述还车概率分布的期望μ_t为还车概率的泊松分布的泊松参数；

所述损失服务成本单元具体用于：

通过以下公式表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的损失服务成本U_s，t+1，i，i∈[0，N]，s∈[1，T]，t∈[s，T]，t+1表示t时段结束，且s≤t；N为所述站点的车桩数量：

U_s，t+1，i＝U_{s，t+1，i，0}+U_{s，t+1，i，N}；

其中，

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的租车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的租车需求损失成本U_{s，t+1，i，0}，且有U_{s，s，i，0}＝0；

表示当前配置周期中在时段s配置车辆数量为i时，从s时段到t时段结束期间的还车损失服务成本，从s＝1..T、t＝s..T依次迭代计算出从s时段到t时段结束时的还车需求损失成本U_{s，t+1，i，N}，且有U_{s，s，i，N}＝0；其中，

表示当前配置周期中在时段s配置车辆数量为i时，到t时段结束时车辆数量为j的期望转移概率，从s＝1..T、t＝s..T依次迭代计算出从s时段到其后每一时段的转移概率，j∈[0，N]，当j＝0时，

当j＝N时，

t∈[1，T]，

为矩阵

的元素，

是Q_t矩阵的n次方，表示租车和还车需求共发生n次时的转移概率矩阵；P{X_t＝n}是租车还车需求总数X_t为n的概率，

α_t表示时段t租车的单位损失服务成本；

β_t表示时段t还车的单位损失服务成本；

所述配置确定单元包括最优成本模块，用于：

通过下式确定在当前配置周期的从时段1到时段t结束时的最优配置成本V_1，t+1：

V_1，t+1＝min_i，s{V_1，s+C_s+U_s，t+1，i：i＝0..N，s∈[1，t]}，

从t＝1..T依次计算，直到t＝T结束，此时V_1，T+1即为当前配置周期的最优成本，其中V_1，1＝0，C_s为在当前配置周期中在时段s进行车辆配置的单次成本；

获取在当前配置周期的最优成本V_1，T+1确定时，每一次迭代计算中s和i的取值；

将每一次迭代计算中s和i的取值确定为当前配置周期内的车辆配置时段和数量。

Images