基于使用者的无桩式公共自行车调度方法研究

刘祝铭

（中规院（北京）规划设计有限公司，北京 100000）

无桩的特点使运营者在对无桩式公共自行车进行调度时若使用卡车等大型运输设备，经济性较差。一些既有研究从行为经济学的新视角，尝试通过奖金激励措施让使用者自发再分布车辆，以此缓解的潮汐流问题。根据以往研究成果，本研究目标在于找到一种通过提供给用户激励性奖金，“雇佣”用户在还车时将车辆放置在下一时段会缺少脚踏车区域的调度方式，减少各小区存车数处于“缺少车辆”状态的时段，实现系统内车辆分布的自我平衡。

1 基础数据与聚类分析

1.1 基础数据

资料来自摩拜单车，2017年5月10～24日，北京市范围内的3 214 096条车辆使用数据，研究范围为工作日的北京三环路内，考虑类神经网络模式的训练，以5 min为时间间隔，将一天分为288个时间片段。部分数据样本如表1所示。

表1 北京市范围内的车辆使用数据样本

1.2 分区聚类

据以往的研究成果，本研究使用K-means方法对研究区域内的起讫点数据进行聚类，以每个聚类的中心为中心做泰森多边形，将区域按照出行特征分为不同交通小区。在聚类数目k的确定上，考虑三个指标以找出最佳的类别数目。

（1）小区平均半径。

通过问卷调查得到在最大奖励金额时，约70%的用户愿意在300 cm范围内参与调度。本研究中限制小区平均半径小于250 cm，以此限制尝试聚类数，发现k>640时可符合。

（2）起讫点在同一交通小区的旅次占总旅次的比例。

此指标可反映聚类分区的合理性，如果数值过高，表示区域划分过于稀疏或该聚类无法较好体现出行的同构型。本研究中尝试了600～700的类别数，起讫点在同一交通小区的旅次占总旅次的比例从10.74%下降到9.23%，可以接受。

（3）Davies–Bouldin Index（DBI）。

此指标以平均类间最大相似度评估聚类数目选取的质量，本研究中计算了ts∈[640，680]时的DBI，选择了DBI最低的645作为最终的聚类数目k。

2 基于神经网络的OD量预测——类神经网络训练

为提高模式预测准确度以及使求解时长更可控，本研究中为研究范围内每一小区单独训练其类神经网络预测模式。

对于BPNN训练，对同一天某一时段（T）与其相近时段（T-1、T-2、…、T-8）共享单车借车量的Pearson相关系数进行计算，发现随着时间后推，相关性呈现了逐渐降低的趋势。

计算同一时段（T）临近工作日（T-288、T-576、…、T-1 440）间Pearson相关系数进行计算，发现当前日期与前一周同属性日期的相关程度相对较高，显示出车辆使用的周期性。考虑相关性、类神经网络训练时长、训练中所得各变量权重，使用T-1、T-2、T-3、T-4、T-5、T-6、T-288、T-576、T-1 440、星期数td∈[1，5]、时段ts∈[1，288]作为输入层。

确定隐藏层节点数时，经计算得到最优节点数比选范围M：

式中：M——隐藏层节点数之范围；n——输入层神经元数；m——输出层神经元数；a——[1，10]间的常数。

将范围内不同小区以其历史OD量数据以80%、20%的比例随机分为训练数据集与测试数据集，在M范围内训练，使神经网络不同层神经元的连接权值得到持续优化与调整，直至满足最小误差的收敛条件。随后将测试数据集代入得到神经网络预测模式，与真实情况相较，最终以最小均方根误差（RMSE）的神经网络为该小区最佳网络模型，投入后续预测工作[1]。

3 优化调度方案

3.1 用户反应模式

通过对437位共享单车用户进行问卷调查，研究计算不同旅次长度、不同激励价格下愿参与调度用户数的累积百分比，使用线性回归拟合用户愿参与调度的概率与激励价格及调度距离的关系：

式中：Xprice——付给用户的调度奖金（元）；Xdist——调度距离（m）。

3.2 可调度车辆数及存车缺口定义

对车辆进行调度，明确何时、何地有可调度的多余车辆以及哪里需要车辆。结合上述预测模型，定义对小区T+1时段内可用来调度的车辆数及小区存车缺口大小。

研究定义每小区应保有的最低存车数Li，如小区存车量

3.3 优化激励价格计算

系统在T+1时段从小区调度到周边小区的车辆数：

系统调度后T+1时段末小区的存车缺口：

式中：N——小区周边所有小区的集合，n∈N。

赋予不同权重的同时，考虑区域内总缺车量及调度付出的成本，存车缺口权重及调度价格权重可由用户进行调整。

4 案例模拟应用

以5月17～23日间各小区OD量数据训练神经网络为例，找到RMSE最小的网络结构后，应用类神经网络对5月24日的生成量及吸引量进行预测，将生成量与真实情况相比较，发现平均每小区RMSE为0.32，准确率较高，能够反映数据随时间的变化规律[2]。

研究中变动每小区应保有最低存车量Li以及调度价格限制权重β后，不同的模拟结果如图1所示。

图1 不同Li及β取值下系统之优化效果及调度成本

设置Li相同时，对激励价格的限制越小，通常系统可以取得更好的调度效果，但调度成本也显著增加；相同的β权重下，管理者期望每个小区车辆保有量都尽可能大，系统的调度效果开始下降。在本案例模拟中，Li>25后，系统的调度效果出现明显的下降。

综上，本系统的优化效果明显，最高可减少研究区域内76%的缺少车辆时段。通过观察调度发生的时间和调度量间关系，发现调度的高峰期与用车的高峰期比较吻合。显示系统对缓解随通勤高峰产生的“潮汐流”有一定的作用。

案例分析区域及邻域如图2所示。

图2 案例分析区域及其邻域

5 结语

（1）本研究中使用K-means方法，根据历史出行数据，对研究范围进行OD小区的划分，在后续调度时对无桩式共享单车实现“有桩式的管理”。

（2）本研究应用BP类神经网络，以历史资料训练类神经网络，预测小区未来时段的OD量，结果显示类神经网络的预测准确度较高，平均各小区RMSE为0.32。

（3）结合对用户参与意愿的调查，研究设计了一种同时考虑区域内缺车数以及调度成本的优化调度模型，且模型允许管理者根据自身经济情况及存车目标调整调度方案。应用本系统一天后发现，相较于未应用本系统参与调度时，区域全天总缺车时段最高可减少76%，证明了系统的作用。