CN112907103A - 一种共享单车动态供需平衡的方法 - Google Patents

一种共享单车动态供需平衡的方法 Download PDF

Info

Publication number
CN112907103A
CN112907103A CN202110257404.9A CN202110257404A CN112907103A CN 112907103 A CN112907103 A CN 112907103A CN 202110257404 A CN202110257404 A CN 202110257404A CN 112907103 A CN112907103 A CN 112907103A
Authority
CN
China
Prior art keywords
community
site
virtual
time slot
bicycles
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
CN202110257404.9A
Other languages
English (en)
Other versions
CN112907103B (zh
Inventor
王强
李晶晶
张文琦
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110257404.9A priority Critical patent/CN112907103B/zh
Publication of CN112907103A publication Critical patent/CN112907103A/zh
Application granted granted Critical
Publication of CN112907103B publication Critical patent/CN112907103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种共享单车动态供需平衡的方法，属于共享单车规划领域；具体为：首先，筛选骑行的历史订单并提取起始点和终止点坐标，根据聚类算法进行聚类，各类的中心点视为共享单车的虚拟站点；然后，建立有权无向图，并利用社区发现算法得到内部自平衡的优化后的站点社区集合；同时，将每天划分若干时隙；针对每个虚拟站点，对该站点在同一个时隙的各天的流出订单数量进行统计，并计算平均值，作为该虚拟站点的订单需求预测值；最后，针对优化后的社区站点集合，根据每一个社区内各虚拟站点不同时隙的订单需求预测值和实际的车辆分布情况，生成各社区以最大化总收益为目标的卡车搬移策略并执行；本发明提高了订单服务水平以及总收益的性能。

Description

一种共享单车动态供需平衡的方法
技术领域
本发明涉及共享单车规划领域，具体是一种共享单车动态供需平衡的方法。
背景技术
共享单车为城市交通提供了一种环境友好的、便捷的出行方式，有效的解决了用户出行“最后一公里”的问题。目前共享单车系统正在各大城市推广，用户可以通过智能手机应用程序在任何有效的地方进行租车和还车。
由于用户出行模式的高度相似性，共享单车系统经常面临供需不对称的现象。例如，大量用户在早高峰时段骑自行车从社区到地铁站或中央商务区，这将导致地铁站和中央商务区附近有大量闲置的自行车，而社区周围没有可用的自行车；在晚高峰，情况正好相反。这种供需不对称的现象将导致系统整体利润和服务满意度下降。
目前运营商针对供需不对称的问题提出了两种主要的解决方法，分别是：基于卡车搬移的平衡方法和基于用户搬移的平衡方法。
基于卡车搬移的方法主要是通过一组具有固定容量的卡车，将空闲的自行车搬到缺少自行车的区域。基于用户搬移的方法则是通过激励用户改变他们的初始停车位置，将自行车更多的停靠在缺少自行车的区域。
然而这两种方法不但费时费力，而且激励也仅仅对部分用户有效，现有工作中用户行为的高度不确定性，难以适应当前庞大、复杂的共享单车系统。
发明内容
针对现有共享单车系统由于用户行为导致自行车供需失衡的技术问题，本发明提供了一种共享单车动态供需平衡的方法，提高了自行车系统订单服务水平以及总收益。
所述的共享单车动态供需平衡的方法，包括以下步骤：
步骤一、针对自行车骑行，根据行驶速度和行驶距离两个条件进行筛选，得到符合实际情况的历史订单数据集；
订单是指：从起始点到终止点的一条骑行数据；具体包括：到达起始点和终止点的时间以及起始点和终止点坐标位置；
步骤二、从每个订单中分别提取有效的起始点和终止点坐标，将每一个坐标都视为独立的样本点，得到样本点集合。
样本点集合为：L＝{l1,l2,...,lP}；P为样本点的个数；
步骤三、根据聚类算法将所有起始点和终止点样本进行聚类，将各类的中心点视为共享单车的虚拟站点，得到虚拟站点集合。
虚拟站点的集合S＝{s1,s2,...,sN}，N为虚拟站点的个数；
步骤四、根据虚拟站点集合以及历史订单数据集，建立以虚拟站点为顶点、区域间流量为权重的有权无向图，并利用社区发现算法得到内部自平衡的优化后的站点社区集合。
区域间流量是指根据历史订单数据集统计出的区域间订单数量；所述区域间订单是指：起始点在一个聚类的覆盖范围内，终止点在另一个聚类的覆盖范围内形成的骑行数据。
利用社区发现算法进行优化的具体过程为：
步骤401，将虚拟站点集合S中的每一个虚拟站点分别视为一个顶点，根据历史订单数据集，在每两个顶点间分别建立一条区域间流量为权重的有权边，形成有权无向图；
步骤402，对有权无向图随机划分初始站点社区G0＝{g1,g2,...gk,...,gM1}；
gk表示第k个站点社区，每个站点社区中至少包含一个虚拟站点。
步骤403，针对初始站点社区为G0个的情景，计算所有站点社区的模块度；
Figure BDA0002968101990000021
∑inner表示某个当前社区A内的所有边的权重之和，∑outer表示某个当前社区A内的每个虚拟站点分别与外部站点社区内的各虚拟站点连接的边的权重之和；m表示整个有权无向图的所有权重之和。
步骤404，任选两个站点社区进行合并后计算此时所有站点社区的模块度，并判断是否大于之前的模块度，如果是，则将两个站点社区进行合并更新为一个新的站点社区，进入步骤405；否则，保持原来的两个站点社区，重新选择两个站点社区进行合并判断；
步骤405，针对新的站点社区划分情况，重复步骤404，直到模块度不再发生变化，从而获得初级站点社区集合。
步骤406，从初级站点社区集合中，选择只包含一个虚拟站点的社区A，将该站点社区A分别与其他每个社区进行合并，并计算合并后的净流量，最终选择净流量最小值对应的社区与站点社区A进行合并；
净流量是指，针对要进行合并的两个社区A和B，从两个社区流出的所有订单数量之和与流入两个社区的所有订单数量之和，两个和值作差后的绝对值。
步骤407，选择下一个只包含一个虚拟站点的社区，返回步骤406进行合并操作后，直至所有只包含一个虚拟站点的社区都合并完毕，得到最终的优化结果：
G'＝{g'1,g'2,...g'k,...,g'M}
其中M代表社区的个数，且M≤M1。
步骤五、选择过去D天的历史订单数据集，将每天划分若干时隙；针对每个虚拟站点，对该站点在D天的同一个时隙的流出订单数量进行统计，并计算平均值，将该值视为该虚拟站点在该时隙的订单需求的预测值。
每个时隙t对应的是一个时间段；
步骤六、针对优化后的社区站点集合，根据每一个社区内各虚拟站点不同时隙的订单需求预测值和实际的车辆分布情况，生成各社区以最大化总收益为目标的卡车搬移策略并执行；
具体为：
步骤601、初始社区配置车辆以及初始划分每个时隙；
具体为：每个社区都分配若干辆卡车，所有社区内卡车集合为：V＝{ν1,ν2,...νk,...,νM}，ν1表示分配给第一个社区g'1的卡车数量集合；ν1＝{ν11,ν12,...ν1l,...,ν1L'}，ν1l表示第一个社区的第l辆卡车；L'表示社区的卡车总数。
同时，将每个时隙t都划分成多个细小的时间间隔r，r＝{r1,r2,...rn,...rN'}，N'为时隙t划分的时间段个数。
步骤602、针对某社区A的所有虚拟站点以及分配给社区的卡车集合，生成该社区在时隙t对应的最大化总收益的目标函数；
目标函数可等同替换为最小搬移花费；目标函数如下：
Figure BDA0002968101990000031
α表示社区A内的每个订单单价；β表示社区A内的搬移自行车的花费单价；Os表示社区A的第s个虚拟站点可服务的订单数；
Figure BDA0002968101990000032
表示第vl辆卡车在第rn个时间间隔实际在社区A的第s个虚拟站点放下的自行车数量；
步骤603、设定目标函数对应的约束条件；
Figure BDA0002968101990000033
Figure BDA0002968101990000034
Figure BDA0002968101990000035
Figure BDA0002968101990000036
Figure BDA0002968101990000037
约束条件C1表示第vl辆卡车在第rn-1个时间间隔所装载的自行车数量与第rn个时间间隔内自行车的净流量的和，始终等于在第rn个时间间隔装载的自行车数量。
净流量是指：第vl辆卡车在第rn个时间间隔拾取与放下的自行车数量之差；
其中
Figure BDA0002968101990000041
表示在第rn个时间间隔第vl辆卡车上的自行车数量；
Figure BDA0002968101990000042
表示在第rn-1个时间间隔第vl辆卡车上的自行车数量；
Figure BDA0002968101990000043
表示第vl辆卡车在第rn个时间间隔实际在社区A的第s个虚拟站点拾取的自行车数量；
约束条件C2表示整个时隙t内第s个虚拟站点被拾取的自行车总数应小于其可用车辆。
Figure BDA0002968101990000044
表示从时隙t开始时刻，第s个虚拟站点的自行车数量；
Figure BDA0002968101990000045
表示第s个虚拟站点的订单需求预测值；
约束条件C3表示整个时隙t内第s个虚拟站点可服务的订单数小于其可用车辆。
约束条件C4表示整个时隙t内第s个虚拟站点可服务的订单数小于其订单需求预测值。
约束条件C5表示第vl辆卡车在第rn个时间间隔实际在第s个虚拟站点拾取和放下的自行车数量都应大于0并且小于第vl辆卡车的容量
Figure BDA0002968101990000046
约束条件还应包括总的搬移距离不能超过最大距离；搬移车辆的总数不能超过最大搬移车辆数Z；任意时刻每辆卡车最多只能访问一个站点；
步骤604、应用IBM ILOP CPLEX求解器进行求解，得到社区A的L'辆卡车在时隙t内整体的搬移策略；
搬移策略包括社区内每辆卡车的行驶路线，以及在每个站点需要拾取或放下的自行车数量。
步骤605、返回步骤602至步骤604，选择下个社区，计算其在时隙t内的卡车搬移策略，直到所有站点社区计算完成；
步骤606、针对时隙t，按照搬移策略动态执行各时间间隔内每个社区卡车的搬移以及每个站点自行车租用和归还的过程，直到N'个时间间隔r结束，即时隙t结束。
步骤607、开始新的时隙t，返回步骤602至步骤606。
本发明的优点在于：
(1)一种共享单车动态供需平衡的方法，相比传统采用集中控制的方式生成搬移策略，难以使用大规模复杂系统而言，本发明通过社区发现算法将集中控制系统分解为分布式多社区系统，能够很好的适应系统规模的增长。
(2)一种共享单车动态供需平衡的方法，可以根据实际需求改变策略生成模块的目标函数，以应对不同的需求变化。与此同时，还可以在约束条件中添加关于卡车的时空变化的约束，以保证产生的策略能在确定时间内完成并且实现。
(3)一种共享单车动态供需平衡的方法，能够充分的捕捉历史订单数据集中的时空信息，内部自平衡的社区使得卡车仅在社区内部搬移是合理的。通过动态供需平衡的过程，能够有效的提高系统的订单服务水平以及总收益等方面的性能。
附图说明
图1是本发明提出的一种共享单车动态供需平衡的方法的流程图。
图2是本发明采用的聚类算法流程图。
图3是本发明利用社区发现算法得到优化后的站点社区集合的方法流程图。
图4是本发明利用社区发现算法生成有权无向图的示意图。
图5是本发明生成各社区的卡车搬移策略并执行的方法流程图。
图6是本发明生成卡车搬移策略中一辆卡车在一个时隙内的示意图。
图7是本发明生成卡车搬移策略中一个时隙内动态执行过程的示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图对本发明作进一步的详细和深入描述。
本发明提出了一种共享单车动态供需平衡的方法，首先，从历史订单数据集中提取有效的独立分布的起始点和终止点样本信息，根据聚类算法获得多个样本点的聚集区域，将区域中心点视为共享单车系统中的虚拟站点。然后，根据虚拟站点集合以及历史订单数据集，建立以虚拟站点为顶点、区域间流量为权重的有权无向图；并利用社区发现算法，获得多个内部自平衡的站点社区。接着，将全天划分为多个时隙，实时预测每个站点在不同时隙的订单需求情况。策略生成模块分别针对各站点社区以及社区内的供需分布情况，分别生成各站点对应的个卡车搬移策略，最后，按照时间，将所有社区的卡车按照搬移策略动态执行自行车租用、自行车归还以及卡车搬移。如图1所示，具体为：
步骤一、针对单车骑行的特点，根据行驶速度和行驶距离两个条件进行筛选，得到符合实际情况的历史订单数据集；
订单是指：从起始点到终止点的一条骑行数据；具体包括：到达起始点和终止点的时间以及起始点和终止点坐标位置；
步骤二、从每个订单中分别提取有效的起始点和终止点坐标，将每一个坐标都视为地图上独立分布的样本点，得到样本点集合。
样本点集合为：L＝{l1,l2,...,lP}；P为样本点的个数；
步骤三、根据K-means聚类算法将所有样本进行聚类，获得聚类区域的划分以及虚拟站点的集合；
将各聚类区域的中心点视为共享单车的虚拟站点，得到虚拟站点集合：S＝{s1,s2,...,sN}，N为虚拟站点的个数；
如图2所示，具体为：首先，输入历史订单有效期的起始点和终止点数据集，同时给定N个虚拟站点，随机初始化N个站点集合；然后，根据就近原则更新所有样本点lp的簇归属：样本点到哪个站点距离最近就属于哪个站点簇，并利用均值的方法更新每个站点簇的中心点。
最后，迭代法更新直到中心点的位置不在变化，输出最终的站点集合S＝{s1,s2,...,sN}。
步骤四、根据虚拟站点集合以及历史订单数据集，建立以虚拟站点为顶点、区域间流量为权重的有权无向图，并利用社区发现算法得到内部自平衡的优化后的站点社区集合。
区域间流量是指根据历史订单数据集统计出的区域间订单数量；所述区域间订单是指：起始点在一个簇内，终止点在另一个簇内形成的骑行数据。
如图3所示，利用社区发现算法进行优化的具体过程为：
步骤401，将虚拟站点集合S中的每一个虚拟站点分别视为一个顶点，根据历史订单数据集，在每两个顶点间分别建立一条区域间流量为权重的有权边，形成有权无向图；
有权无向图的实例如图4所示，权重越大说明两个区域间的联系越紧密；反之，两站点之间联系稀疏。
步骤402，对有权无向图随机划分初始站点社区
Figure BDA0002968101990000062
gk表示第k个站点社区，每个站点社区中至少包含一个虚拟站点。
步骤403，针对初始站点社区为G0个的情景，计算所有站点社区的模块度；
Figure BDA0002968101990000061
∑inner表示某个当前社区A内的所有边的权重之和，∑outer表示某个当前社区A内的每个虚拟站点分别与外部站点社区内的各虚拟站点连接的边的权重之和；m表示整个有权无向图的所有权重之和。
步骤404，任选两个站点社区进行合并后计算模块度，判断合并后的模块度是否大于之前的模块度，如果是，则将两个站点社区合并成一个新的社区，进入步骤405；否则，保持原来的两个站点社区，重新选择两个站点社区进行合并判断；
步骤405，针对新的站点社区划分情况，重复步骤404，直到模块度不再发生变化，从而获得初级站点社区集合。
步骤406，从初级站点社区集合中，选择只包含一个虚拟站点的社区A，将该站点社区A分别与其他每个社区进行合并，并计算合并后的净流量，最终选择净流量最小值对应的社区与站点社区A进行合并；
净流量是指，针对要进行合并的两个社区A和B，从两个社区流出的所有订单数量之和与流入两个社区的所有订单数量之和，两个和值作差后的绝对值。
步骤407，选择下一个只包含一个虚拟站点的社区，返回步骤406进行合并操作后，直至所有只包含一个虚拟站点的社区都合并完毕，得到最终的优化结果：
G'＝{g'1,g'2,...g'k,...,g'M}
其中M代表社区的个数，且M≤M1。
步骤五、选择过去D天的历史订单数据集，将每天划分若干时隙；针对每个虚拟站点，对该站点在D天的同一个时隙的流出订单数量进行统计，并计算平均值，将该值视为该虚拟站点在该时隙的订单需求的预测值；由此得到各个站点在不同时隙的订单需求情况。
每个时隙t对应的是一个时间段；
步骤六、针对优化后的社区站点集合，根据每一个社区内各虚拟站点不同时隙的订单需求预测值和实际的车辆分布情况，生成各社区以最大化总收益为目标的卡车搬移策略并执行；
在每个时隙开始，针对每个站点社区，根据当前时隙的供需情况，通过策略生成模块生成一组卡车搬移策略。策略生成模块包含一个整数规划的模型，其中整数规划模型可以设置最大化总收益或最小搬移花费等不同的目标函数，本实施例以最大化总收益的目标为例。
整数规划模型的约束条件主要取决于模型定义的目标函数：以最小搬移花费为目标的整数规划模型的约束条件，主要包括搬移距离以及搬移车辆数的情况，例如系统总的搬移距离不能超过最大距离D或者搬移车辆的总数不能超过最大搬移车辆数Z，任意时刻每辆卡车最多只能访问一个站点；以最大化订单服务率为目标的整数规划模型的约束条件，主要包括可服务订单总数，在共享单车系统中，每个时隙可服务订单总数由当前区域的自行车数量以及需求共同决定。
以最大化总利润为目标的整数规划模型将同时考虑上面所述的所有约束条件。
如图5所示，具体为：
步骤601、初始社区配置车辆以及初始划分每个时隙；
具体为：每个社区都分配若干辆卡车，所有社区内卡车集合为：V＝{ν1,ν2,...νk,...,νM}，ν1表示分配给第一个社区g'1的卡车数量集合；ν1＝{ν11,ν12,...ν1l,...,ν1L'}，ν1l表示第一个社区的第l辆卡车；L'表示社区的卡车总数。
同时，将每个时隙t都划分成多个细小的时间间隔r，r＝{r1,r2,...rn,...rN'}，N'为时隙t划分的时间段个数。
步骤602、针对某社区A的所有虚拟站点以及分配给社区的卡车集合，生成该社区在时隙t对应的最大化总收益的目标函数；
目标函数如下：
Figure BDA0002968101990000081
α表示社区A内的每个订单单价；β表示社区A内的搬移自行车的花费单价；Os表示社区A的第s个虚拟站点可服务的订单数；
Figure BDA0002968101990000082
表示第vl辆卡车在第rn个时间间隔实际在社区A的第s个虚拟站点放下的自行车数量；
步骤603、设定目标函数对应的约束条件；
Figure BDA0002968101990000083
Figure BDA0002968101990000084
Figure BDA0002968101990000085
Figure BDA0002968101990000086
Figure BDA0002968101990000087
约束条件C1表示第vl辆卡车在第rn-1个时间间隔所装载的自行车数量与第rn个时间间隔内自行车的净流量的和，始终等于在第rn个时间间隔装载的自行车数量。
净流量是指：第vl辆卡车在第rn个时间间隔拾取与放下的自行车数量之差；
其中
Figure BDA0002968101990000088
表示在第rn个时间间隔第vl辆卡车上的自行车数量；
Figure BDA0002968101990000089
表示在第rn-1个时间间隔第vl辆卡车上的自行车数量；
Figure BDA00029681019900000810
表示第vl辆卡车在第rn个时间间隔实际在社区A的第s个虚拟站点拾取的自行车数量；
约束条件C2表示整个时隙t内第s个虚拟站点被拾取的自行车总数应小于其可用车辆。
Figure BDA00029681019900000811
表示从时隙t开始时刻，第s个虚拟站点的自行车数量；
Figure BDA00029681019900000812
表示第s个虚拟站点的订单需求预测值；
约束条件C3表示整个时隙t内第s个虚拟站点可服务的订单数小于其可用车辆。
约束条件C4表示整个时隙t内第s个虚拟站点可服务的订单数小于其订单需求预测值。
约束条件C5表示第vl辆卡车在第rn个时间间隔实际在第s个虚拟站点拾取和放下的自行车数量都应大于0并且小于第vl辆卡车的容量
Figure BDA0002968101990000091
步骤604、应用IBM ILOP CPLEX求解器进行求解，得到社区A的L'辆卡车在时隙t内整体的搬移策略；
搬移策略包括社区内每辆卡车的行驶路线，即访问站点的顺序；以及卡车在每个站点需要拾取和放下的自行车数量。
步骤605、返回步骤602至步骤604，选择下个社区，计算其在时隙t内的卡车搬移策略，直到所有站点社区计算完成；
图6所示为本发明的卡车搬移策略中的三个社区，其中一个社区的一辆卡车在一个时隙内的搬移实例。
步骤606、针对时隙t，按照搬移策略动态执行各时间间隔内每个社区卡车的搬移以及每个站点自行车租用和归还的过程，直到N'个时间间隔r结束，即时隙t结束。
一个时隙内的各时间间隔内动态执行卡车搬移的示意图如图7所示。
步骤607、开始新的时隙t，返回步骤602至步骤606。
本发明根据历史订单起始点和终止点的分布划分虚拟站点区域，充分的反应了订单分布的时空分布；根据虚拟站点区域间流量的连接关系，可以划分出多个内部自平衡的站点社区，在社区内寻找供需平衡的策略极大的降低了求解策略的复杂度；通过实时进行需求预测，保证了搬移策略对平衡供需分布的有效性；策略生成模块以最大化总收益或最小搬移花费等为目标，可以通过不同目标综合考虑订单服务水平、搬移花费以及部署投资等多方面的问题；根据生成的搬移策略，动态的执行自行车租用、自行车归还以及卡车搬移的过程，最终可以提高订单服务率以及系统的总体收益。

Claims (6)

1.一种共享单车动态供需平衡的方法，其特征在于，包括以下步骤：
步骤一、筛选自行车骑行的历史订单数据集，并提取起始点和终止点坐标，组成样本点集合，根据聚类算法将所有样本进行聚类，各类的中心点视为共享单车的虚拟站点，得到虚拟站点集合；
虚拟站点的集合S＝{s1,s2,...,sN}，N为虚拟站点的个数；
步骤二、根据虚拟站点集合以及历史订单数据集，建立有权无向图，并利用社区发现算法得到内部自平衡的优化后的站点社区集合；
利用社区发现算法进行优化的具体过程为：
步骤201，构建有权无向图，并随机划分初始站点社区
Figure FDA0002968101980000012
gk表示第k个站点社区，每个站点社区中至少包含一个虚拟站点；
步骤202，计算初始划分的所有站点社区的模块度；
Figure FDA0002968101980000011
∑inner表示某个当前社区A内的所有边的权重之和，∑outer表示某个当前社区A内的每个虚拟站点分别与外部站点社区内的各虚拟站点连接的边的权重之和；m表示整个有权无向图的所有权重之和；
步骤203，从初始站点社区集合中任选两个站点社区进行合并，计算合并后对应的模块度，并判断是否大于之前的模块度，如果是，则将合并后的两个社区更新为一个新的站点社区，进入步骤204；否则，保持原来的两个站点社区，重新选择两个站点社区进行合并判断；
步骤204，针对新的站点社区划分情况，重复步骤203，直到模块度不再发生变化，从而获得初级站点社区集合；
步骤205，从初级站点社区集合中，选择只包含一个虚拟站点的社区A，将该站点社区A分别与其他每个社区进行合并，并计算合并后的净流量，最终选择净流量最小值对应的社区与站点社区A进行合并；
步骤206，选择下一个只包含一个虚拟站点的社区，返回步骤205进行合并操作后，直至所有只包含一个虚拟站点的社区都合并完毕，得到最终的优化结果：
G'＝{g'1,g'2,...g'k,...,g'M}
其中M代表社区的个数，且M≤M1；
步骤三、选择过去D天的历史订单数据集，将每天划分若干时隙；针对每个虚拟站点，对该站点在D天的同一个时隙的流出订单数量进行统计，并计算平均值，将该值视为该虚拟站点在该时隙的订单需求的预测值；
每个时隙t对应的是一个时间段；
步骤四、针对优化后的社区站点集合，根据每一个社区内各虚拟站点不同时隙的订单需求预测值和实际的车辆分布情况，生成各社区以最大化总收益为目标的卡车搬移策略并执行；
具体为：
步骤401、初始社区配置车辆以及初始划分每个时隙；
具体为：每个社区都分配若干辆卡车，所有社区内卡车集合为：V＝{ν1,ν2,...νk,...,νM}，ν1表示分配给第一个社区g'1的卡车数量集合；ν1＝{ν11,ν12,...ν1l,...,ν1L'}，ν1l表示第一个社区的第l辆卡车；L'表示社区的卡车总数；
同时，将每个时隙t都划分成多个细小的时间间隔r，r＝{r1,r2,...rn,...rN'}，N'为时隙t划分的时间段个数；
步骤402、针对某社区A的所有虚拟站点以及分配给社区的卡车集合，生成该社区在时隙t对应的最大化总收益的目标函数；
目标函数可等同替换为最小搬移花费；目标函数如下：
Figure FDA0002968101980000021
α表示社区A内的每个订单单价；β表示社区A内的搬移自行车的花费单价；Os表示社区A的第s个虚拟站点可服务的订单数；
Figure FDA0002968101980000022
表示第vl辆卡车在第rn个时间间隔实际在社区A的第s个虚拟站点放下的自行车数量；
步骤403、设定目标函数对应的约束条件；
C1
Figure FDA0002968101980000023
C2
Figure FDA0002968101980000024
C3
Figure FDA0002968101980000025
C4
Figure FDA0002968101980000026
C5
Figure FDA0002968101980000027
约束条件C1表示第vl辆卡车在第rn-1个时间间隔所装载的自行车数量与第rn个时间间隔内自行车的净流量的和，始终等于在第rn个时间间隔装载的自行车数量；
其中
Figure FDA0002968101980000028
表示在第rn个时间间隔第vl辆卡车上的自行车数量；
Figure FDA0002968101980000029
表示在第rn-1个时间间隔第vl辆卡车上的自行车数量；
Figure FDA00029681019800000210
表示第vl辆卡车在第rn个时间间隔实际在社区A的第s个虚拟站点拾取的自行车数量；
约束条件C2表示整个时隙t内第s个虚拟站点被拾取的自行车总数应小于其可用车辆；
Figure FDA00029681019800000211
表示从时隙t开始时刻，第s个虚拟站点的自行车数量；
Figure FDA00029681019800000212
表示第s个虚拟站点的订单需求预测值；
约束条件C3表示整个时隙t内第s个虚拟站点可服务的订单数小于其可用车辆；
约束条件C4表示整个时隙t内第s个虚拟站点可服务的订单数小于其订单需求预测值；
约束条件C5表示第vl辆卡车在第rn个时间间隔实际在第s个虚拟站点拾取和放下的自行车数量都应大于0并且小于第vl辆卡车的容量
Figure FDA0002968101980000031
步骤404、应用IBM ILOP CPLEX求解器进行求解，得到社区A的L'辆卡车在时隙t内整体的搬移策略；
步骤405、返回步骤402至步骤404，选择下个社区，计算其在时隙t内的卡车搬移策略，直到所有站点社区计算完成；
步骤406、针对时隙t，按照搬移策略动态执行各时间间隔内每个社区卡车的搬移以及每个站点自行车租用和归还的过程，直到N'个时间间隔r结束，即时隙t结束；
步骤407、开始新的时隙t，返回步骤402至步骤406。
2.如权利要求1所述的一种共享单车动态供需平衡的方法，其特征在于，所述步骤一中订单包括：到达起始点和终止点的时间以及起始点和终止点坐标位置。
3.如权利要求1所述的一种共享单车动态供需平衡的方法，其特征在于，所述步骤201中有权无向图的具体构建为：将虚拟站点集合中的每一个虚拟站点分别视为一个顶点，根据历史订单数据集，在每两个顶点间分别建立一条区域间流量为权重的有权边；区域间流量是指根据历史订单数据集统计出的区域间订单数量；所述区域间订单是指：起始点在一个簇的覆盖范围内，终止点在另一个簇的覆盖范围内形成的骑行数据。
4.如权利要求1所述的一种共享单车动态供需平衡的方法，其特征在于，所述步骤205中净流量是指，针对要进行合并的两个社区A和B，从两个社区流出的所有订单数量之和与流入两个社区的所有订单数量之和，两个和值作差后的绝对值。
5.如权利要求1所述的一种共享单车动态供需平衡的方法，其特征在于，所述步骤403中约束条件还应包括总的搬移距离不能超过最大距离；搬移车辆的总数不能超过最大搬移车辆数Z；任意时刻每辆卡车最多只能访问一个站点。
6.如权利要求1所述的一种共享单车动态供需平衡的方法，其特征在于，所述步骤404中搬移策略包括社区内每辆卡车的行驶路线，以及在每个站点需要拾取或放下的自行车数量。
CN202110257404.9A 2021-03-09 2021-03-09 一种共享单车动态供需平衡的方法 Active CN112907103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110257404.9A CN112907103B (zh) 2021-03-09 2021-03-09 一种共享单车动态供需平衡的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110257404.9A CN112907103B (zh) 2021-03-09 2021-03-09 一种共享单车动态供需平衡的方法

Publications (2)

Publication Number Publication Date
CN112907103A true CN112907103A (zh) 2021-06-04
CN112907103B CN112907103B (zh) 2022-08-12

Family

ID=76108386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110257404.9A Active CN112907103B (zh) 2021-03-09 2021-03-09 一种共享单车动态供需平衡的方法

Country Status (1)

Country Link
CN (1) CN112907103B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408942A (zh) * 2021-07-12 2021-09-17 东南大学 一种兼顾实时确定和未来不确定信息的共享单车动态重部署方法
CN114462892A (zh) * 2022-04-09 2022-05-10 北京阿帕科蓝科技有限公司 一种基于车辆流入流出推荐车站的方法及系统
CN114492955A (zh) * 2022-01-07 2022-05-13 重庆市地矿测绘院有限公司 基于三维实景建模与cim的数字孪生时空大数据平台
CN116186571A (zh) * 2023-04-25 2023-05-30 北京阿帕科蓝科技有限公司 车辆聚类方法、装置、计算机设备及存储介质
CN116363854A (zh) * 2023-05-31 2023-06-30 北京阿帕科蓝科技有限公司 共享出行车辆调度方法、装置和计算机设备
CN118365501A (zh) * 2024-06-17 2024-07-19 中南大学 基于平衡区域划分与奖励机制引导的共享单车再平衡方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151435A1 (en) * 2011-12-13 2013-06-13 International Business Machines Corporation Automated Partitioning of Transportation Routing Problems
CN108256969A (zh) * 2018-01-12 2018-07-06 杭州电子科技大学 一种公共自行车租赁点调度区域划分方法
CN108280550A (zh) * 2018-01-30 2018-07-13 杭州电子科技大学 一种比较公共自行车站点社区划分的可视分析方法
CN110047279A (zh) * 2019-04-04 2019-07-23 东南大学 一种基于订单数据确定共享单车调度量的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151435A1 (en) * 2011-12-13 2013-06-13 International Business Machines Corporation Automated Partitioning of Transportation Routing Problems
CN108256969A (zh) * 2018-01-12 2018-07-06 杭州电子科技大学 一种公共自行车租赁点调度区域划分方法
CN108280550A (zh) * 2018-01-30 2018-07-13 杭州电子科技大学 一种比较公共自行车站点社区划分的可视分析方法
CN110047279A (zh) * 2019-04-04 2019-07-23 东南大学 一种基于订单数据确定共享单车调度量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
傅哲等: "基于使用行为分析的共享单车管理优化研究", 《信息系统学报》, no. 02, 31 March 2020 (2020-03-31) *
李兴华等: "考虑移步需求的无桩型共享单车动态调度研究", 《交通运输系统工程与信息》, no. 03, 15 June 2020 (2020-06-15) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408942A (zh) * 2021-07-12 2021-09-17 东南大学 一种兼顾实时确定和未来不确定信息的共享单车动态重部署方法
CN113408942B (zh) * 2021-07-12 2022-11-18 东南大学 一种兼顾实时确定和未来不确定信息的共享单车动态重部署方法
CN114492955A (zh) * 2022-01-07 2022-05-13 重庆市地矿测绘院有限公司 基于三维实景建模与cim的数字孪生时空大数据平台
CN114462892A (zh) * 2022-04-09 2022-05-10 北京阿帕科蓝科技有限公司 一种基于车辆流入流出推荐车站的方法及系统
CN114462892B (zh) * 2022-04-09 2022-07-08 北京阿帕科蓝科技有限公司 一种基于车辆流入流出推荐车站的方法及系统
CN116186571A (zh) * 2023-04-25 2023-05-30 北京阿帕科蓝科技有限公司 车辆聚类方法、装置、计算机设备及存储介质
CN116186571B (zh) * 2023-04-25 2023-07-07 北京阿帕科蓝科技有限公司 车辆聚类方法、装置、计算机设备及存储介质
CN116363854A (zh) * 2023-05-31 2023-06-30 北京阿帕科蓝科技有限公司 共享出行车辆调度方法、装置和计算机设备
CN118365501A (zh) * 2024-06-17 2024-07-19 中南大学 基于平衡区域划分与奖励机制引导的共享单车再平衡方法
CN118365501B (zh) * 2024-06-17 2024-09-10 中南大学 基于平衡区域划分与奖励机制引导的共享单车再平衡方法

Also Published As

Publication number Publication date
CN112907103B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN112907103B (zh) 一种共享单车动态供需平衡的方法
CN107766994B (zh) 一种共享自行车调度方法与调度系统
CN108764555B (zh) 一种基于Hadoop的共享单车停放点选址方法
CN110288212B (zh) 基于改进的mopso的电动出租车新建充电站选址方法
CN108417031B (zh) 一种基于Agent仿真的智能停车泊位预约策略优化方法
CN108764634A (zh) 一种考虑充电需求增长的电动汽车充电站动态规划方法
CN113811915A (zh) 用于在线共享出行平台的统一订单派发和车队管理
CN107180274B (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
CN105719083A (zh) 一种基于多层次分区的公共自行车高峰期调度方法
Ma et al. Rebalancing stochastic demands for bike-sharing networks with multi-scenario characteristics
CN111489064B (zh) 一种面向Df-PBS系统的公共自行车站点动态规划方法和系统
CN110309436B (zh) 考虑车主选择行为的汽车服务网络协同选址方法与系统
CN109409955A (zh) 需求变化下分期分时定制公交票价制定方法
CN115936240B (zh) 共享单车需求预测与投放调度方法
CN109615260A (zh) 确定充电桩的安装地址的方法
CN115146946A (zh) 基于多源数据的汽车充电设施选择及规划方法
CN110659769A (zh) 一种基于gis和免疫算法的最大覆盖双层选址优化方法
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
CN111428154A (zh) 基于四叉树划分优化的单车gps数据多视图可视交互分析方法
Liu et al. Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing
CN107153891A (zh) 区域转移调度方法、装置、设备及存储介质
Tran et al. Adaptive passenger-finding recommendation system for taxi drivers with load balancing problem
Castagna et al. Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
CN110288125A (zh) 一种基于手机信令数据的通勤模型建立方法及应用

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