CN115759639A - 基于小样本增量学习的非租还高发期共享单车调度方法 - Google Patents

Abstract

一种基于小样本增量学习的非租借高发期共享单车调度方法，根据每辆共享单车的历史租借数据，由基于贝叶斯正交算法的小样本增量学习方法做出调度决策，指导调度货车和工作人员对运营区域内的共享单车进行调度。本发明将增量学习的思想与共享单车调度问题相结合，利用增量学习的优势解决城市中共享单车分配不均衡的问题，提高整个共享单车系统的效率，在每天的共享单车租借高发期之前，根据每辆共享单车的历史数据，使用增量学习对整个共享单车系统做出最合理的调度决策，提升共享单车的利用率和客户满意度。

Description

基于小样本增量学习的非租还高发期共享单车调度方法

技术领域

本发明属于互联网服务技术领域，涉及非租借高发期的共享单车调度问题。

背景技术

随着机动化和城镇化的顺利推进，共享单车这种分时租赁的新型低碳环保的共享经济，承担了很大一部分短距离出行的交通量。

对个人而言，共享单车租还操作简单，不用担心偷盗；对城市而言，共享单车能缓解公共交通压力，减少碳排放，促进绿色经济。

但是随着共享单车的蓬勃发展，一些问题也渐渐显露出来，比如在出行需求量大的地点共享单车变得稀缺，在普遍作为人们出行目的地的地点，共享单车又变得很多。

如果没有人工对整个共享单车系统进行干预，整个系统将很快陷入瘫痪。因此每天在租借行为的高峰期之前，需要有专门的人员根据不同地点的需求特性对共享单车的分布进行调整，使得在租借高峰期时，租借需求高的地点有尽可能多的车，潜在目的地有尽可能多的空间。

目前基于共享单车的研究有很多，比如停放引导、分布量估计、停放分布的可视化等，我们主要研究的是关于非租还高发期的调度策略。

现存的对共享单车调度策略的研究，有些依靠实时数据，虽然实时数据能最好地反应每辆共享单车在当下的情况，但是考虑到租还需求无法推算，以及交通状况，对于共享单车调度而言，实时数据的意义不大。

还有一些调度策略考虑到了共享单车的实用需求，每隔时间粒度t就预测一次需求，虽然也区分考虑了工作日、节假日、休息日、重大活动等，但是仅仅使用了加权平均法。这样做没有任何的理论支撑，简单的加权也不代表任何实际的含义。

除此之外，目前对共享单车调度算法的研究，都基于地图的网格化，但我们不这样做。因为根据我们的调查，共享单车的租还高峰地点是学校教育区域、医疗服务区域、商场购物区域、公共交通枢纽区域、小区居民区域和企事业办公区域及其周边，比如说小区门口、办公楼下或者地铁口，这些就是调度决策中工作人员和调度货车的主要工作地点。也就是说在每日租还高发期前，对这些地点的共享单车进行重新分配才真正关乎整个共享单车系统能否顺利运行。

而对地图进行网格化，难以定量地考虑两个网格之间的关系，有的网格停积了大量的共享单车，有的网格却寥寥无几。

所以我们选择直接根据共享单车的历史数据，将这些租借高发区归为站点。

发明内容

本发明提出了一种基于小样本增量学习的共享单车的调度方法，目的在于对非租还高发期的共享单车进行调度，使得整个系统“负影响骑行”的次数最少。

我们提出的方法会对共享单车系统进行建模，选定日期后，我们对共享单车的历史数据进行预处理，模型使用的参数来自往年中同一天的数据。这样做的好处是：不仅考虑到了节假日等因素，而且可以使用一个独立的泊松分布过程对选定日期的骑行需求进行描述。

我们的模型将求出的系统中的需求总数分为n组，然后根据历史样本建立初始模型，使用贝叶斯正交计算随机到来的增量样本的信息值，对模型进行更新，最终得到一个最佳的调度策略。

我们开发了一个可视化平台，会把模型计算出的选定日期的共享单车系统的调度策略显示在路网图上，并且每处站点都标记有模型计算出的饱和率。

本发明将增量学习方法用于共享单车调度上，利用增量学习的优势解决了共享单车在租借高发期供需不平衡的问题。在高发期之前指挥调度货车和工作人员执行计算出的最优调度策略，提高整个共享单车系统的效率，增强消费者的满意度。

附图说明

为了更清楚地进行描述，使本发明示例性实施方式的上述以及其他特征和优点将变得更易理解，我们提供了如下附图。

图1是本发明实施例的方法流程图。

图2是根据本发明实施例设计的模型示意图。

图3为运行结果的部分截图。

具体实施方式

为了克服现有共享单车调度方法的局限性，本发明提出了一种基于小样本增量学习的共享单车调度方法。

该方法将共享单车系统运营区域内的学校教育区域、医疗服务区域、商场购物区域、公共交通枢纽区域、小区居民区域和企事业办公区域等归类为停放站点，然后基于共享单车的历史数据，对每天租还高发期之前的共享单车分配制定调度策略。

根据一个或多个实施例，一种基于小样本增量学习的共享单车调度算法，包括如下步骤。

（1）获取共享单车的历史数据，然后对数据进行预处理。将数据按日期划分，并且根据历史数据选定共享单车系统运营区域内的站点。

（2）选定需要制定决策的日期，使用一个独立的泊松分布过程对选定日期的骑行需求进行描述，然后对选取出的每对站点间的骑行时间使用指数分布建模。

（3）使用K近邻原则将自行车站点分成多组，我们在不同分组下处理超出初始阶段样本数量的问题，增量样本随机产生。模型在每次增量样本到达后，基于贝叶斯正交运算得到的信息值直接对模型进行更新。

（4）对于每一条增量样本，如果起始站点没有可用的共享单车，则认定该次骑行不会发生，但会增加一次“负影响骑行”的次数。如果骑行已经发生，但首选目的站点已满，我们将该次骑行所用的自行车归还到未满的最近站点，并且也增加一次“负影响骑行”的次数，直到处理完全部样本。

（5）模型会输出一张表，包含所有站点在租还高峰期发生前的共享单车数量（用百分比表示），然后我们开发的可视化平台上会显示在共享单车系统运营区域内各个站点上共享单车的分布情况。

使用贝叶斯正交运算对增量样本的信息值进行计算的具体过程如下。

历史数据

，函数

服从高斯过程先验分布，超参数

从

的切片采样中得到，我们引入一个目标函数

，

与

的关系是：

根据贝叶斯正交运算得到：

对于

个后验样本，该解的预期值为：

因此，对于时间点

处的增量样本

的最佳解决方案的预期质量改善，可以表示为：

,我们把这个量称为信息值。

以上所述，为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于小样本增量学习的共享单车调度方法，其特征在于，根据共享单车的历史租借数据，由基于贝叶斯正交算法的小样本增量学习方法建立的调度模型做出调度决策，然后指导工作人员和调度货车对运营区域内的共享单车进行调度运输。

2.根据权利要求1所述的共享单车调度方法，其特征在于，我们的调度模型在做出调度决策时，不是简单地基于所有历史数据或是直接基于前一天的历史数据，而是基于往年中同一天的历史数据，这样做的好处是：人们对共享单车的租借需求和租借发生时间，会因当天是节假日或工作日而大有不同，所以简单地考虑所有历史数据并不能让系统很好地做出决策，系统给出的调度策略也不会是最合理和效益最高的，而我们方法中的模型基于的是往年同一天的历史数据，这样就能给出最合理的调度策略。

3.根据权利要求2所述的共享单车调度方法，我们首先获取共享单车的骑行数据进行预处理，获取其骑行数据，包括租还的时间点和位置信息。

4.利要求3所述的共享单车调度方法，我们不对共享单车系统的运营区域进行划分，因为共享单车的租还高峰地点无疑是学校教育区域、医疗服务区域、商场购物区域、公共交通枢纽区域、小区居民区域和企事业办公区域及其周边，比如说小区门口、办公楼下或者地铁口，这些就是调度决策中工作人员和调度货车的主要工作地点，所以我们将这些租借高发地点的坐标标记出来，并且统计其最大的共享单车容量（由面积确定）。

5.根据权利要求4所述的共享单车调度方法，我们首先要为模型选定需要制定调度策略的日期，然后我们根据预处理后的数据，在共享单车运营区域内标记出租还点。

6.根据权利要求5所述的共享单车调度方法，我们使用一个独立的泊松分布过程对选定日期的骑行需求进行描述，泊松分布的概率由往年中该天的历史数据计算得到，作为模型的初始样本，然后对我们选取出的每对站点间的骑行时间使用指数分布建模，其参数从同一数据集中估计；如果潜在骑行的起始站点没有可用的共享单车，则模型认定该次骑行不会发生，但会增加一次“负影响骑行”的次数；如果骑行已经发生，但首选目的站点已满，我们将该次骑行所用的自行车归还到未满的最近站点，并且也增加一次“负面影响骑行”的次数。

7.根据权利要求6所述的共享单车调度方法，我们使用K近邻原则将自行车站点分成多组，这样相比于不分组的情况，每组的问题规模都是原来的n分之一，将原本的大规模问题化为了小样本问题，我们在不同分组下处理超出初始阶段样本数量的问题，增量样本都是随机产生的，我们的模型在每次增量样本到达后，基于贝叶斯正交技术计算出的值直接对模型进行更新。

8.一种可视化共享单车调度平台，其特征在于，所述平台可以直接将我们模型计算出的最佳调度策略可视化地展现在路网图上，并且标记有每个站点的共享单车数（用百分比表示）。

Images