CN115049144A - 基于时空大数据的共享单车多目标优化调度方法 - Google Patents

基于时空大数据的共享单车多目标优化调度方法 Download PDF

Info

Publication number
CN115049144A
CN115049144A CN202210761801.4A CN202210761801A CN115049144A CN 115049144 A CN115049144 A CN 115049144A CN 202210761801 A CN202210761801 A CN 202210761801A CN 115049144 A CN115049144 A CN 115049144A
Authority
CN
China
Prior art keywords
shared bicycle
scheduling
shared
bicycle
dispatching
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.)
Pending
Application number
CN202210761801.4A
Other languages
English (en)
Inventor
王小霞
郑诗琪
龚伟彪
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210761801.4A priority Critical patent/CN115049144A/zh
Publication of CN115049144A publication Critical patent/CN115049144A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)

Abstract

基于时空大数据的共享单车多目标优化调度方法，涉及绿色低碳交通技术领域，运用共享单车数据挖掘用户出行规律对共享单车进行社区划分，并进一步对社区板块进行Geohash编码，根据共享单车的停靠热度信息得到各个社区内的共享单车的调度热点；然后，以调度车辆的最大载重量、参与调度的运输车辆数、调度点的实际投放量等为设计决策变量，以降低共享单车调度运营成本和提升单车利用率为优化的目标，建立基于NSGA‑II算法的共享单车调度优化模型。相比于现有其他方案，本发明避免了跨区域调度共享单车的问题，不仅可以降低建立调度模型的难度，而且可以避免繁琐的调度路径产生，进而降低共享单车调度成本。

Description

基于时空大数据的共享单车多目标优化调度方法
技术领域
本发明属于绿色低碳交通技术领域，涉及基于时空大数据的共享单车多目标优化调度方法。
背景技术
国内外学者为提出共享单车时空分布规律开展了大量的研究工作，比如基于共享单车大数据对其进行时空分布研究中，邓力凡(2017)等利用北京市某日共享单车的使用数据进行了用户骑行行为的时空特征分析，发现大致可划分为潮汐型、单向型、松散联系型等共享单车骑行区域；Shen(2018)等收集了新加坡共享单车9天共1400多万条的GPS数据，采用空间自回归模型法对共享单车的时空分布规律进行分析；高楹(2021)等基于接驳地铁站附近不同时间段的客流和共享单车出入流量数据，并利用地理探测器研究了共享单车空间分异的原因。除了对共享单车时空分布规律的研究，还有不少学者利用蚁群算法、遗传算法等优化算法对共享单车调度策略进行优化，如Liu(2019)等通过对居民使用共享单车的订单数据进行分析并挖掘用户出行规律，基于遗传算法建立共享单车重置路径规划模型并设计算法进行求解，为共享单车的重置调度提供有效的决策建议；Du(2020)等利用随机森林法探讨不同因素对不同区域使用共享单车频率的影响，并通过可视化分析以了解共享单车的时变流模式和空间分布；于德新(2020)等引入带有精英策略和进化算子的遗传算法，在详细分析与共享单车调度模型相关的参数基础上采用TOPSIS法求解最优调度路径。
综合上述文献成果，可知当前国内外对无桩共享单车调度以及分配的研究处于快速发展阶段，但是，关于共享单车调度多目标优化的文献较少，大多关注于对共享单车调度路径或运营成本的单目标优化，没有能很好地结合共享单车需求量的时空波动规律，提升共享单车的骑行率。另一方面，与共享单车调度相关的优化算法，如遗传算法、贪心算法等都存在着些许问题，遗传算法虽然是全局优化的策略，且有可能搜索到最优策略存在着算法复杂、计算量大等问题；贪心算法虽然算法简捷，计算速度快，但是只能完成局部计算，且不是全局最优的策略。
因此，共享单车作为解决城市“最后一公里”出行问题的短距离交通工具，不仅为人们提供了低碳环保的出行方式，还缓解了城市交通拥堵的压力。但是，随着共享单车用户的增加，共享单车的投放数量激增，随之而来的问题有：1)共享单车停放混乱问题会严重影响到道路交通安全以及城市良好形象的发展。2)共享单车的时空需求波动且复杂，如部分共享单车停靠区域存在大量的闲置单车，这些“无效需求”是造成共享单车停放混乱的主要原因，从而导致用户“还车困难”；另一部分停靠区域却供不应求，引发用户“用车困难”问题，降低用户使用共享单车的满意程度，还会对共享单车企业的收益造成影响。引发以上的问题原因是城市共享单车调度策略不够完善。
发明内容
本发明的目的是针对上述城市共享单车问题，提出基于时空大数据的共享单车多目标优化调度方法，对城市共享单车的时空分布规律进行研究，提出共享单车调度模型建立以及优化的方法。
为了实现上述目的，本发明所采用的技术方案是：基于时空大数据的共享单车多目标优化调度方法，其特征在于，包括以下步骤：
步骤1、收集共享单车相关历史数据，包括共享单车时空轨迹数据、共享单车用户订单数据和共享单车停靠点位数据；
步骤2、对收集到的共享单车相关历史数据进行预处理；
步骤3、利用Python对共享单车时空轨迹数据、共享单车停靠点位数据进行可视化处理，得到可视化的共享单车停靠热度图，分析用户的共享单车出行特征与共享单车时空分布规律；
步骤4、基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行共享单车调度社区划分，形成一张互相关联的共享单车社交网络图；
步骤5、根据共享单车时空轨迹数据进行共享单车调度社区划分后，利用Geohash编码将社区划分为更小的栅格，以便于确定共享单车调度点；
步骤6、根据共享单车用户订单数据，对共享单车停靠区域流量进行统计和分析，得到各个区域的共享单车集中停靠点，并提取出前30个出入流量变化较大的共享单车停靠点坐标对其进行调度分析；
步骤7、在确定前30个共享单车调度点坐标以及其需求量信息后，建立共享单车调度模型；
步骤8、对步骤7建立的共享单车调度模型进行多目标优化求解，最优解即为最优的调度方法。
本发明所述步骤2中对收集到的共享单车相关历史数据进行的预处理包括检查数据完整性和剔除有误数据。
本发明所述步骤4基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行社区划分，进而形成一张互相关联的共享单车社交网络图的具体方法为：
步骤4.1、LOUVAIN算法依托模块度Q描述社区内的紧密程度，具体实现公式为：
Figure BDA0003721253540000031
在式(1)中，Q取值范围为[-1/2,1]；∑in表示社区C内部的权重；∑tot表示与社区C内部点所连接边的权重；m表示网络中所有链路的权重总和；
步骤4.2、以模块增量ΔQ评价算法模型迭代效果的数值化指标，具体实现公式为：
Figure BDA0003721253540000032
在式(2)中，ki,in表示从节点i连接到社区C中的边线总和；ki表示关联到节点i的边线权重总和。
本发明所述步骤7中建立共享单车调度模型的具体方法为：
7.1、假设条件如下：①每个社区里设置一个调度中心，通过对共享单车区域流量的分析确定调度热点以及其收/放车量，且每个调度点之间是完全相通的；②所有的运输车辆都以同一个调度中心为起点和终点；③所有调度点只能由一辆运输车辆进行车辆投放或回收；④在调度过程中各调度点单车需求量不变；⑤不考虑天气、路况等因素的影响；
7.2、共享单车调度模型的决策变量如下：
qi：调度点i的共享单车投放量；
Figure BDA0003721253540000033
Figure BDA0003721253540000041
xijk和uik是决策变量参数，因为运输车辆是随机经过调度节点的，所以xijk和uik的值为0或1，用以确定运输车辆是否莅临该调度点。
7.3、建立共享单车调度模型：其中调度成本主要包括运输车辆成本F1和惩罚成本F2(i)，见式(3)和式(4)；以单车实际投放总量与调度最大需求总量之比表示单车利用率S2，见式(5)；目标函数主要由最小化调度成本MinS1和最大化单车利用率MaxS2组成，见式(6)：
Figure BDA0003721253540000042
Figure BDA0003721253540000043
Figure BDA0003721253540000044
Figure BDA0003721253540000045
在式(3)、(4)、(5)和(6)中，VH表示收车点集合；VE表示放车点集合；N表示系统中所有节点集合；N＝VH∪VE，i，j＝1,2,…,N；N0表示调度中心和所有节点集合，N0＝N∪0；dij表示节点i至节点j的距离；K表示调度中心所拥有的运输车辆数；k表示调度中心派出的运输车辆数；G表示运输车辆的最大容量；C1表示每派出一台运输车辆的固定成本；C2表示运输车辆行驶单位距离的成本；Di表示放车点i的最大新增共享单车需求量，i∈VE；ai表示放车点i投放每辆单车所产生的惩罚当投放单车数大于Di，i∈VE；qi表示调度点i的共享单车投放数，qik表示运输车辆k在i调度点所投放的单车数量。
本发明的有益效果是：1)基于Python中folium库的地图绘制功能，将共享单车轨迹数据、停靠点位数据以及订单数据进行可视化处理，可以直观地对用户共享出行的规律、共享单车停靠热度点以及共享单车的时空分布规律进行分析；2)基于共享单车轨迹数据，利用社区发现算法将研究区域划分为几个内部联系紧密的社区板块，在各个社区内部进行共享单车调度，避免了跨区域调度共享单车的问题，不仅可以降低建立调度模型的难度，而且可以避免繁琐的调度路径产生，进而降低共享单车调度成本。在共享单车社区划分的基础上，利用Geohash编码将研究区域网格划分，可快速检索经纬度邻近的共享单车位置，并能准确地得到共享单车停靠点的单车出入流量情况。
附图说明
图1为本发明一实施例的调度方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明，但并不作为对发明做任何限制的依据。
为了探究共享单车调度优化策略，本发明运用共享单车历史数据挖掘用户出行规律对共享单车进行社区划分，并进一步对社区板块进行Geohash编码，根据共享单车的停靠热度信息得到各个社区内的共享单车的调度热点；然后，以调度车辆的最大载重量、参与调度的运输车辆数、调度点的实际投放量等为设计决策变量，以降低共享单车调度运营成本和提升单车利用率为优化的目标，建立基于NSGA-II算法的共享单车调度优化模型；最后，得到满足共享单车调度运营成本和单车利用率要求的多目标优化策略。
本发明基于时空大数据的共享单车多目标优化调度方法，包括以下步骤：
步骤1，收集所研究地区的共享单车相关历史数据，包括该地区的共享单车时空轨迹数据、共享单车用户订单数据、共享单车停靠点位数据等。
步骤2，对收集到的共享单车历史数据进行预处理，包括检查数据完整性、剔除有误数据等。
步骤3，利用Python对共享单车轨迹数据、停靠点位数据等进行可视化处理，得到可视化的共享单车停靠热度图，分析用户的共享单车出行特征与共享单车时空分布规律。
步骤4，基于LOUVAIN算法和大量的共享单车时空轨迹数据对共享单车进行社区划分，进而形成一张互相关联的共享单车社交网络图。在紧密联系的社区内部对共享单车进行调度，可以避免因调度区域跨度大而增大成本的问题。该步骤的详细实现过程为：
步骤4.1，LOUVAIN算法主要依托模块度Q(modularity)来描述社区内的紧密程度，具体实现公式为：
Figure BDA0003721253540000061
在上式中，Q取值范围为[-1/2,1]；∑in表示社区C内部的权重；∑tot表示与社区C内部点所连接边的权重；m是网络中所有链路的权重总和。
步骤4.2，以模块增量ΔQ评价算法模型迭代效果的数值化指标，具体实现公式为：
Figure BDA0003721253540000062
在上式中，ki,in代表从节点i连接到社区C中的边线总和；ki代表关联到节点i的边线权重总和。
步骤5，根据共享单车轨迹数据进行共享单车调度社区划分后，利用Geohash编码将社区划分为更小的栅格，以便于确定共享单车调度点。Geohash编码主要是按照精度的要求，将研究区域划分为多个小块区域，并基于Base32编码将经纬度信息转化成多个可见字符，其不仅能快速检索经纬度邻近的共享单车位置，而且经纬度信息的编译防止了用户具体位置信息的泄露。
步骤6，根据共享单车用户订单数据，对共享单车停靠区域流量进行统计和分析，得到各个区域的共享单车集中停靠点，并提取出前30个出入流量变化大的共享单车停靠点对其进行调度分析。
步骤7，在确定共享单车调度点坐标以及其需求量信息后，建立共享单车调度模型。本专利的调度过程为：首先，在关系紧密的共享单车社区内设立一个调度中心，调度中心拥有一定数量的运输车辆，然后，运输车辆空车从调度中心空车出发，途经各个调度点进行共享单车投放与回收，保证每一个调度点都得到服务，且每个调度点只能被一辆运输车辆服务，最后运输车辆返回调度中心。要求该调度模型在各约束条件下得到最优调度策略。该步骤的详细实现过程为：
步骤7.1，为了便于模型建立，本专利共享单车调度模型的假设条件如下：①每个社区里设置一个调度中心，通过对共享单车区域流量的分析确定调度热点以及其收(放)车量，且每个调度点之间是完全相通的。②所有的运输车辆都以同一个调度中心为起点和终点。③所有调度点只能由一辆运输车辆进行车辆投放或回收。④在调度过程中各调度点单车需求量不变。⑤不考虑天气、路况等因素的影响。
步骤7.2，调度模型的参数与定义见下表。
表1 模型的参数与定义
Figure BDA0003721253540000071
步骤7.3，本专利的共享单车调度模型的决策变量如下：
qi：调度点i的共享单车投放量；
Figure BDA0003721253540000072
Figure BDA0003721253540000073
步骤7.4，在本专利的调度模型中，调度成本主要包括运输车辆成本以及惩罚成本，见公式(3)和公式(4)；以单车实际投放总量与调度最大需求总量之比表示单车利用率，见公式(5)；目标函数主要由最小化调度成本(MinS1)和最大化单车利用率(MaxS2)组成，见公式(6)。
Figure BDA0003721253540000081
Figure BDA0003721253540000082
Figure BDA0003721253540000083
Figure BDA0003721253540000084
步骤8,运用带精英决策的非支配排序遗传算法(NSGA-Ⅱ)对共享单车调度模型进行多目标优化求解，该步骤的详细实现过程为：
步骤8.1，利用字典存储的方式将调度模型的所有参数进行编码，比如调度中心与调度点的坐标，每个调度点的收(放)车量、车辆最大载重、调度中心的运输车辆数、运输车辆固定成本与单位距离成本等。
步骤8.2，在进行迭代计算前，需利用自然数排列的方法对个体进行编码，0代表调度中心，1～n代表调度点，K代表调度中心拥有的运输车辆。首先，利用自然数对调度节点进行编码，并产生一条由调度点随机排列的序列；然后，在区间[1,K]中选取k辆运输车辆参与调度共享单车，并随机在序列上生成k-1个断点，即可得到每一辆运输车辆莅临的调度点，为了保证运输车辆从调度中心出发并返回原点，在每一条调度路径的起点和终点都加上调度中心的编号0。
步骤8.3，在随机产生运输车辆的调度路径序列后，需要逐个记录每个调度点实际的单车投放量。在每一条调度路径上，运输车辆从调度中心空车出发，如果是服务收车点，则在不超过车辆最大容量的情况下装载共享单车；如果是服务放车点，则尽可能地投放满足放车点需求量的共享单车。步骤8.2中产生的调度路径序列与调度点实际投放量即可生成遗传算法的初始可行解，然后，检验初始可行解是否满足约束，直至生成遗传算法的初始种群。
步骤8.4，在遗传算法中，评价遗传算法解集好坏的唯一标准是适应度函数，对于本专利求解的调度成本最小值与单车利用率最大值的多目标优化问题中，将关于单车利用率的映射关系转化为目标函数值越小，非负值的适应度函数越高，即可将这两个目标函数作为适应度函数对其计算结果进行评估。
步骤8.5，通过对父代个体进行交叉和变异操作，可以产生适应度较高的新个体，其主要公式分别如(7)和(8)所示。在每一代种群生成之后，通过比较每一个个体之间的支配与非支配关系将种群进行分层，并引入精英决策算法，将父代与子代个体混合形成新的群体，通过比较算子拥挤度降低了优秀个体被淘汰的风险。
Figure BDA0003721253540000091
式中，p1,k+1和p2,k+1为交叉后生成的第k+1代个体；p1,k和p2,k为被选中的第k代个体；βqi为均匀分布因子。
pk+1＝pk+(pk max-pk min)δk (8)
式中，pk为被选中的第k代个体；pk+1为交叉后生成的第k+1代个体；pk max和pk min分别为决策变量的上下届；δk为均匀分布因子。
步骤8.6，在Python中设置好调度模型的参数与变量，并运行非支配排序的遗传算法(NSGA-Ⅱ)的代码，进而得到一组关于共享单车调度优化的最优Pareto前沿解集。
以调度点的实际投放量、参与调度的运输车辆数等为决策变量，利用NSGA-II算法优化共享单车调度模型，得到关于调度成本和共享单车利用率的多目标最优Pareto前沿解集，其在传统的遗传算法上引入了保存精英策略，对种群算子进行快速非支配排序和拥挤度比较，既可以保证种群中优良的个体在选择、交叉、变异的过程中不被丢失，又提高优化算法的运算速度和精度。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，所属领域的普通技术人员应当理解，参照上述实施例可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换均在申请待批的权利要求保护范围之内。

Claims (4)

1.基于时空大数据的共享单车多目标优化调度方法，其特征在于，包括以下步骤：
步骤1、收集共享单车相关历史数据，包括共享单车时空轨迹数据、共享单车用户订单数据和共享单车停靠点位数据；
步骤2、对收集到的共享单车相关历史数据进行预处理；
步骤3、利用Python对共享单车时空轨迹数据、共享单车停靠点位数据进行可视化处理，得到可视化的共享单车停靠热度图，分析用户的共享单车出行特征与共享单车时空分布规律；
步骤4、基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行共享单车调度社区划分，形成一张互相关联的共享单车社交网络图；
步骤5、根据共享单车时空轨迹数据进行共享单车调度社区划分后，利用Geohash编码将社区划分为更小的栅格，以便于确定共享单车调度点；
步骤6、根据共享单车用户订单数据，对共享单车停靠区域流量进行统计和分析，得到各个区域的共享单车集中停靠点，并提取出前30个出入流量变化较大的共享单车停靠点坐标对其进行调度分析；
步骤7、在确定前30个共享单车调度点坐标以及其需求量信息后，建立共享单车调度模型；
步骤8、对步骤7建立的共享单车调度模型进行多目标优化求解，最优解即为最优的调度方法。
2.根据权利要求1所述的基于时空大数据的共享单车多目标优化调度方法，其特征在于，所述步骤2中对收集到的共享单车相关历史数据进行的预处理包括检查数据完整性和剔除有误数据。
3.根据权利要求1所述的基于时空大数据的共享单车多目标优化调度方法，其特征在于，所述步骤4基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行社区划分，进而形成一张互相关联的共享单车社交网络图的具体方法为：
步骤4.1、LOUVAIN算法依托模块度Q描述社区内的紧密程度，具体实现公式为：
Figure FDA0003721253530000011
在式(1)中，Q取值范围为[-1/2,1]；∑in表示社区C内部的权重；∑tot表示与社区C内部点所连接边的权重；m表示网络中所有链路的权重总和；
步骤4.2、以模块增量ΔQ评价算法模型迭代效果的数值化指标，具体实现公式为：
Figure FDA0003721253530000021
在式(2)中，ki,in表示从节点i连接到社区C中的边线总和；ki表示关联到节点i的边线权重总和。
4.根据权利要求1所述的基于时空大数据的共享单车多目标优化调度方法，其特征在于，所述步骤7中建立共享单车调度模型的具体方法为：
7.1、假设条件如下：①每个社区里设置一个调度中心，通过对共享单车区域流量的分析确定调度热点以及其收/放车量，且每个调度点之间是完全相通的；②所有的运输车辆都以同一个调度中心为起点和终点；③所有调度点只能由一辆运输车辆进行车辆投放或回收；④在调度过程中各调度点单车需求量不变；⑤不考虑天气、路况等因素的影响；
7.2、共享单车调度模型的决策变量如下：
qi：调度点i的共享单车投放量；
Figure FDA0003721253530000022
Figure FDA0003721253530000023
xijk和uik是决策变量参数；
7.3、建立共享单车调度模型：其中调度成本主要包括运输车辆成本F1和惩罚成本F2(i)，见式(3)和式(4)；以单车实际投放总量与调度最大需求总量之比表示单车利用率S2，见式(5)；目标函数主要由最小化调度成本MinS1和最大化单车利用率MaxS2组成，见式(6)：
Figure FDA0003721253530000024
Figure FDA0003721253530000031
Figure FDA0003721253530000032
Figure FDA0003721253530000033
在式(3)、(4)、(5)和(6)中，VH表示收车点集合；VE表示放车点集合；N表示系统中所有节点集合；N＝VH∪VE，i，j＝1,2,…,N；N0表示调度中心和所有节点集合，N0＝N∪0；dij表示节点i至节点j的距离；K表示调度中心所拥有的运输车辆数；k表示调度中心派出的运输车辆数；G表示运输车辆的最大容量；C1表示每派出一台运输车辆的固定成本；C2表示运输车辆行驶单位距离的成本；Di表示放车点i的最大新增共享单车需求量，i∈VE；ai表示放车点i投放每辆单车所产生的惩罚当投放单车数大于Di，i∈VE；qi表示调度点i的共享单车投放数，qik表示运输车辆k在i调度点所投放的单车数量。
CN202210761801.4A 2022-06-29 2022-06-29 基于时空大数据的共享单车多目标优化调度方法 Pending CN115049144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210761801.4A CN115049144A (zh) 2022-06-29 2022-06-29 基于时空大数据的共享单车多目标优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210761801.4A CN115049144A (zh) 2022-06-29 2022-06-29 基于时空大数据的共享单车多目标优化调度方法

Publications (1)

Publication Number Publication Date
CN115049144A true CN115049144A (zh) 2022-09-13

Family

ID=83166043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210761801.4A Pending CN115049144A (zh) 2022-06-29 2022-06-29 基于时空大数据的共享单车多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN115049144A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312800A (zh) * 2023-11-07 2023-12-29 广东省科学院广州地理研究所 基于潮汐分析的地理时空数据分析方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312800A (zh) * 2023-11-07 2023-12-29 广东省科学院广州地理研究所 基于潮汐分析的地理时空数据分析方法及系统
CN117312800B (zh) * 2023-11-07 2024-03-08 广东省科学院广州地理研究所 基于潮汐分析的地理时空数据分析方法及系统

Similar Documents

Publication Publication Date Title
CN111260221B (zh) 一种面向城市全局基于动态模型的交通设施承载力评估方法
Simic et al. An integrated CRITIC and MABAC based type-2 neutrosophic model for public transportation pricing system selection
CN108596727B (zh) 一种共享单车的管理与决策方法
CN108053062B (zh) 一种基于多源数据的定制公交线路生成方法
CN108038578B (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
Guo et al. Industrial information integration method to vehicle routing optimization using grey target decision
CN110826841A (zh) 考虑用户充电体验和配电网运行风险的充电站规划方法
CN113327424B (zh) 交通需求的预测方法、预测装置及电子设备
Yin et al. Operation plan of China Railway Express at inland railway container center station
CN113343400A (zh) 一种城市群综合客运枢纽协同布局优化方法及系统
CN115936240B (zh) 共享单车需求预测与投放调度方法
CN111582552A (zh) 一种基于多目标遗传算法的共享单车停放点分配方法
CN115049144A (zh) 基于时空大数据的共享单车多目标优化调度方法
Wang et al. Multi-objective optimization of customized bus routes based on full operation process
Sun et al. Two-stage vehicle routing optimization for logistics distribution based on HSA-HGBS algorithm
Wang et al. Multi-objective optimal scheduling model for shared bikes based on spatiotemporal big data
CN114240180A (zh) 一种基于混合蚁群算法的多企业共享单车联合调度方法
Yao et al. Bibliometric analysis and systematic literature review of the traffic paradoxes (1968–2022)
Xie et al. A strategy to alleviate rush hour traffics in urban areas based on school-trip commute information
Cai et al. The integration of multimodal networks: The generalized modal split and collaborative optimization of transportation hubs
CN113743789A (zh) 基于城市建成环境因素的共享单车空间分布量估计方法
Mirzahossein et al. Land-Use Modification Based on Transit-Oriented Development Adjacent to Historical Context (Case Study: Qazvin City)
Mei et al. Optimizing the configuration of electric vehicle charging piles in public parking lots based on a multi-agent model
Guo et al. Constructing a Model for Selecting the Location of Shared Car Rental Outlets: An Example from Jiangbei District, Ningbo City
Tang et al. Research on delivery problem based on two-stage multi-objective optimization for takeout riders

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