基于用戶激勵的共享電動汽車調度成本優化

王 寧，鄭文暉，劉 向，郭家輝

(1. 同濟大學 汽車學院，上海 201804； 2. 同濟大學 交通運輸工程學院，上海 201804)

電動化、網聯化、智能化、共享化是汽車行業正在經歷的重大變革.電動共享車輛模式對減少交通擁堵、節能減排、促進共享經濟發展具有顯著作用，得到政府和企業的高度重視.北京、上海、深圳等多地正展開商業示范運營[1].然而客戶出行需求的潮汐性特征引起站點間車輛分配不均，某些時段無法有效滿足客戶需求，導致客戶體驗較差，制約了該商業模式的大規模推廣.

目前,相關運營企業在解決車輛的不均衡配置問題上主要采用員工調度模式[2-3].該模式存在調度反饋滯后、峰谷時段拒絕取、還車比率高、人力成本高昂等諸多問題.如何對車輛的不均衡需求匹配做出快速反應，解決供需平衡，提高用戶滿意度，擴大運營公司收益并減少調度成本，成為當前研究的熱點及難點問題.

汽車共享車輛的調度按車輛運營模式分為雙程式共享車輛調度和單程式共享車輛調度.本文研究所涉及的內容是單程式共享車輛調度.按照調度主體可分為員工調度和用戶調度兩類.目前大量研究是對員工調度的研究，僅有少量涉及用戶調度的研究.

早期單程式調度研究主要以企業成本最優為優化目標，采用線性規劃模型或混合整數規劃模型為主.Fan等[4]提出了一種多級隨機線性優化模型，將不確定性納入模型的構建中，但模型的求解算法需要進一步優化.Kek等[5]提出三步優化法的調度模型，構建車輛調度與員工再平衡的調度成本最優的線性整數模型，但算法不適合大規模求解.Jorge 等[6]以最大企業收入、最小車輛保養、遷移及折舊成本為優化目標，構建了混合整數規劃模型.Nourinejad[7]研究了共享汽車的沿途搭乘路徑規劃的成本最優問題.Nourinejad等[8]考慮了車輛遷移的一次調度與員工再平衡的二次調度問題.其調度問題分解為MP(管理工程)和SP(支撐工程)問題,創建基于企業成本最優的混合整數規劃模型，并采用CPLEX軟件進行混合整數規劃求解.Bruglieri 等[9]研究了單程式的電動汽車調度問題(E0-VRP),并采用兩種啟發式遺傳算法進行優化求解.Saadi等[10]通過微觀數據的代理人模型(Agent-based model)對需求進行分析.

國內目前沒有大規模基于用戶調度的研究，Brendel等[11]提出了基于用戶調度的單程式共享車輛調度框架模型，但其使用雙程式數據來仿真單程式問題，并未能實現大量數據的仿真.Cao等[12]提出對單一站點的取、還車采用閾值的手段，但只能解決長時段缺車問題，對短時內(1 d內)調度未能有效解決.Clemente 等[13]提出采用價格激勵和閾值作為用戶調度的DSS(決策支持系統)，但未能考慮不同時間下閾值變化的問題，并且其用戶調度模式僅考慮在用戶還車的情景下.

綜上，目前關于用戶自適應調度的研究還相當缺乏，本文創新之處在于考慮共享單車在共享汽車調度問題中的作用，并提出多時段可變的上下閾值作為調度決策的關鍵變量，引入價格優惠激勵機制引導用戶實現自適應調度.

1 研究模型及算法

目前電動共享車輛企業采取員工調度策略匹配運營需求，由于員工調度具有很大的遲滯性和經驗性，難以有效應對用戶取、還車的瞬時波動和潮汐現象[14].本文提出通過價格變化和共享單車作為激勵手段，建立調度成本最優的車輛調度模型，實現車輛的自適應調度.

1.1 問題約定及變量定義

1.1.1問題假設

(1) 共享汽車方面：運營車輛均為純電動汽車,1輛電動汽車任何時刻只能滿足1個訂單需求,所有車輛均為同一等級車輛,共享車輛企業采用單程式運營模式.

(2) 站點方面：每個站點停車位均配有相同型號的充電樁；任意兩站點間距離不得大于車輛最大續航里程；站點周圍存在共享單車(OFO、摩拜等)，但用戶是否愿意采用此方式取、還車受到優惠價格的影響.

(3) 服務周期：在進行歷史數據分析時，每天0:00～6:00點為車輛維護時間，6:00～24:00點為正常運營時間；根據實際訂單的分配和服務時間，將訂單數據采集設定為30 min為1個周期.

(4) 運營系統：本研究暫不考慮車輛運營路徑交通擁堵等異常情況；當用戶進行取車操作，并且取車站點的車輛過少(低于閾值)時，系統會詢問用戶是否接受一定的價格優惠并騎行共享單車到達系統分配的相鄰站點完成取車；當用戶進行還車操作，并且還車站點車輛過多(高于閾值)時，系統會詢問用戶是否接受一定的價格優惠并還車到系統分配的相鄰網點；用戶通過共享單車前往某一相鄰的共享汽車站點的時間不會超過10 min，即在下一個調度時間間隔(30 min)內，調度任務將得以完成.

1.1.2集合、決策變量和參數定義

(1) 集合

T={1,…,t,…,T}為仿真過程中時間步長.

Rtn={0,1,3,…,rtn,…}為各站點請求還車數目集合.其中每一行如rtn代表1個時間間隔的所有站點的請求還車需求信息，每行中的每個數字是每個站點的還車需求數目.基于歷史數據按30 min為間隔獲得的各個站點、各個時間段的請求還車數.

Dtn={1,1,3,…,dtn,…}為各站點請求取車數目集合.與R類似，Dtn是基于歷史數據按30 min為間隔獲得的各個站點、各個時間段的請求取車數.

N={1,…,n,…}為站點編號集合.

(2) 決策變量

sf tn為站點n在t時刻的上閾值.

sb tn為站點n在t時刻的下閾值.

xf n為站點n在每天初始時刻所需要安置的可用車輛數.

Xtij為t時刻i站點到j站點引導用戶異地還車，并用共享單車前往目的地的數量矩陣.

Ytij為t時刻i站點到j站點引導用戶通過共享單車異地取車的數量矩陣.

Xf tn為站點n在t時刻于調度前取、還車用戶需求預期統計(可能為負值).

Xb tn為站點n在t時刻在擬調度完成后的可用車輛數目(可能為負值).

Xtn為站點n在t時刻在調度完成后的可用車輛數目.

(3) 參數

ppark為站點n的最大停車位數目.

stn為站點n在t時刻的狀態指示符.

atn為站點n在t時刻擬異地用戶還車數.

α為用戶選擇異地還車的比例，該比例與優惠價格有關.

btn為站點n在t時刻擬異地取車用戶數.

β為用戶選擇異地取車的比例，該比例與優惠價格有關.

dij為由站點i通過共享汽車騎行到站點j的騎行時間.

e為用戶異地還車補貼優惠金額.

g為用戶異地取車補貼優惠金額.

h為拒絕用戶還車潛在損失成本.

k為拒絕用戶取車潛在損失成本.

Xa tn為站點n在t時刻調度所用臨時變量.

re tn為站點n在t時刻在承擔調度任務后是否車位已滿的指標量；re tn為0表示車位未滿，re tn為1表示車位已滿.

rb tn為站點n在t時刻在承擔調度任務后是否車位已空的指標量；rb tn為0表示車位未空，rb tn為1表示車位已空.

ah n為富余車輛站點n的調度任務是否分配完畢的指標量.

bh n為缺車車輛站點n的調度任務是否分配完畢的指標量.

ltn為站點n在t時刻車位數的臨時變量.

ptn為站點n在t時刻的還車請求是否可以分配指示符；當ptn為0時表明周圍網點可以進行車輛的還車分配，ptn為1時表明周圍網點無法進行車輛的還車分配.

qtn為站點n在t時刻的取車請求是否可以分配指示符;當qtn為0時表明周圍網點可以進行車輛的取車分配,qtn為1時表明周圍網點無法進行車輛的取車分配.

rref tn為站點n在t時刻拒絕用戶還車數量.

rreb tn為站點n在t時刻拒絕用戶取車數量.

Ra為汽車異地還車的用戶汽車調度優惠成本.

Rb為汽車異地取車的用戶單車調度優惠成本.

Rref為拒絕用戶還車潛在損失成本.

Rreb為拒絕用戶取車潛在損失成本.

1.2 調度模型邏輯流程

該部分邏輯框架流程分為5個部分：站點狀態及站點初值分配,擬調度汽車單車數初步分配,調度分配決策算法,調度最終分配及車輛終值,調度成本計算.

1.2.1站點狀態及站點初值分配，擬調度汽車單車數初步分配

Xf tn是對用戶的取、還車需求進行統計，其計算公式為上一時段的車輛數與擬取、還車需求訂單的代數加減.

Xf tn=Xf(t-1)n+Rtn-Dtn

(1)

stn是站點狀態指示符，通過現有情況判斷站點處于何種狀態，指示符2代表目前站點車輛過多(超過最大停車位數)，指示符1代表站點車輛偏多(超過上閾值)，高于閾值sf tn，指示符0代表站點狀態良好(處于上下閾值之間)，指示符-1代表站點車輛偏少(低于閾值sb tn但高于空車位數)，指示符-2代表站點車輛過少(低于空車位數).其計算式如下:

(2)

atn與btn是擬進行調度分配值.其中atn是擬引導用戶異地站點還車的數量，btn是擬引導用戶通過騎行共享單車前往異地取車的數量.

當站點可用車輛超過停車位或者低于0時，用戶無法在當前站點進行還車(車滿)或取車(車空)，因此所有的取、還車訂單將分配到相鄰站點.當站點可用車輛高于上閾值或低于下閾值時，將有一定比例的用戶選擇異地取、還車，該比例與獎勵金額有關.其計算式如下：

(3)

(4)

1.2.2調度決策分配

算法對每一個站點都進行訪問，若站點狀態高于上閾值，則通過價格優惠手段建議并引導用戶異地還車(存在用戶選擇率).若站點處于正常狀態，則用戶可以在原站點進行取、還車操作.

調度任務完成情況處理如下：

(1) 當分配至其他站點車輛容量均未超過其正常容量時，將可用車輛進行分配并寫入Xij中.

(2) 當分配至某一站點的車輛超過該站點車輛容量時，以最大分配原則進行分配.保留剩余車輛任務數，并選擇其他相鄰站點繼續進行分配，將已經分配滿的站點置為re tj=1.并選取其他站點繼續分配.

(3) 當分配任務搜尋結束后，所有站點均無法滿足分配任務，則置ptn為1；若調度任務成功完成，則置ptn為0.

對于通過共享單車進行異地取車也做如上處理，以上部分完成.

1.2.3調度最終分配及車輛終值

在完成調度任務后需要重新計算站點的實時可用車輛數目，同時對于無法滿足調度任務的站點的用戶取、還車請求部分予以拒絕.計算得Xtn的值.

以stn=2、ptn≠1為例，有

(5)

式中：Ytin為用戶由i站點通過共享單車取車至n站點的數量.

不同的stn值與不同的ptn值所獲得的Xb tn計算公式不同.系統通過判斷不同站點的狀態后對用戶進行引導，用戶異地取、還車率受到價格優惠和站點狀態的影響，在進行用戶自適應調度后，站點的可用車輛數將重新計算.

1.2.4調度成本計算

若Xb tn>ppark，則拒絕還車數為

rref tn=Xb tn-ppark

(6)

若Xb tn<0，則拒絕取車數為

rreb tn=-Xb tn

(7)

公式(6)、(7)是當周圍站點無法滿足調度任務且取、還車需求過大時，對部分用戶的取、還車需求進行部分拒絕.當車輛超過可用停車位數時，拒絕部分還車需求.當車輛低于0值時，拒絕部分取車需求.

在完成拒絕取、還車計算后，將最終的可用車輛數賦值于Xtn中.

1.3 調度成本函數及約束條件

優化目標是企業的調度成本最優.由于考慮了共享汽車和共享單車兩方面調度函數的因素，因此需要將共享汽車的調度成本Ra和共享單車的調度成本Rb同時考慮.但若只單純考慮調度汽車和調度單車的成本，容易使得閾值趨向于某一極端，可能會使某些站點長期處于車輛過多或無車可用的情形.因此，拒絕用戶還車的潛在成本損失Rref和拒絕用戶取車的潛在成本損失Rreb被引入.這兩項成本從用戶體驗度出發，能夠將拒絕用戶取車的成本和拒絕用戶還車的成本(發生這一情況說明站點的車輛數處于極端值)考慮進來.最終優化目標函數如式(8)所示.

(1) 目標函數

(8)

(2) 約束條件

sf tn>sb tn

(9)

sf tn≤ppark

(10)

sb tn≥0

(11)

xf n≤ppark

(12)

xf n≥0

(13)

rtn≥xij≥0，且為整數

(14)

dtn≥yij≥0，且為整數

(15)

rtn≥atn≥0，且為整數

(16)

dtn≥btn≥0，且為整數

(17)

re tn=(0,1), ?n∈N,t∈T

(18)

rb tn=(0,1), ?n∈N,t∈T

(19)

ptn=(0,1), ?n∈N,t∈T

(20)

qtn=(0,1), ?n∈N,t∈T

(21)

0≤α≤1，且α為任意小數

(22)

0≤β≤1, 且β為任意小數

(23)

stn=(-2,-1,0,1,2), ?n∈N,t∈T

(24)

約束條件(9)～(11)是閾值約束條件，保證閾值的范圍在0和站點最大停車位數之間；約束條件(12)、(13)是站點車位初值約束，保證每天站點初始投放車位數在運營合理范圍內；約束條件(14)～(17)是異地還車任務分配數和共享單車異地取車任務分配數的約束，其范圍不能超過實際用戶取、還車數量；約束條件(18)～(21)、(24)是狀態指示符變量約束；約束條件(22)、(23)是選擇率約束，選擇率是與價格有關的概率變量，其范圍僅在0～1之間.

1.4 遺傳算法設計與實現

對于調度問題的常用解法主要有線性規劃法和啟發式算法兩種思路.在調度問題中本文選取了閾值作為主要的未知量進行求解，同時需要對大量歷史數據進行仿真模擬.因此采用啟發式算法中的遺傳算法進行求解是合適的.

遺傳算法求解在大規模快速運算上具有明顯優勢.該算法最早由美國J.H.Holland教授提出.該算法是基于生物進化理論的自適應隨機搜索算法，對于求解車輛的調度問題十分有效[15].

問題中需要求解的變量數目為(2t+1)n+2.其中,t是指在進行調度中將1 d劃分的時間段個數，n是指調度站點的總個數.由于站點存在上、下兩個閾值，且存在著多個時間段，因此有2tn個閾值變量需要求解.站點每天需要在初始時間停放初始車輛，則有n個站點初值需要求解.由于引入了價格和選擇率機制，故需要求解兩個變量,即共享汽車優惠價格和共享單車優惠金額.其需要求解的變量總數如下式:

(2t+1)n+2=2tn+n+2

(25)

遺傳算法求解的基本步驟為：編碼操作，產生初始種群，計算適應度函數，遺傳算子(選擇、交叉和變異)，終止規則.

1.4.1染色體編碼與解碼

本文采用二進制編碼對車輛調度問題進行求解.染色體的基因序列h=(A,B1,B2,B3,B4,B5,C1,C2,C3,C4,C5,D0)，由12部分組成，第1部分(A)是車輛的初始投放數量，第2～6部分(B1至B5)是車輛的各個時段的上閾值，第7～11部分(C1至C5)是各個時段的下閾值，第12部分(D0)是車輛調度的優惠金額.

1.4.2初始化種群

在滿足編碼的前提下，隨機產生n個個體，組成初始種群，記為

G={g0,g1,…,gn}

1.4.3約束條件與適應度

常見約束處理方法有3種：第1種是直接處理約束條件，在編碼過程中加入約束條件.第2種是計算過程中通過約束條件校驗.第3種是通過懲罰函數處理約束.根據模型特點，采用直接處理約束的方法.

采用目標函數作為適度函數，即以調度成本最優為目標函數，作為種群的適應度函數，適應度更優的種群將有更大的概率繁衍后代.

1.4.4遺傳操作與終止規則

遺傳算子中包括選擇算子、交叉算子、異變算子.選擇算子是根據樣本適應度大小在已知種群中選擇一定數量的個體，算法中使用select高級選擇算例進行種群選擇篩選.交叉算子是通過給定的概率重組一對個體而產生后代.算法使用高級重組算子(recombin)實現種群交叉繁衍.變異算子是按照極低的概率對基因序列的某一位數進行變異，算法使用離散變異算子(mut)產生種群基因突變.最后終止條件可以按迭代次數終止或按適應度變化幅度終止，最終優勢種群(即能夠更好地適應環境的種群)將獲得生存優勢并獲得繁衍機會.

2 實例應用與分析

2.1 案例概況

數據選取上海市EVCARD公司嘉定區安亭鎮的14個站點2017年6月所有訂單數據進行研究，當月1～25日的運營數據進行啟發式算法計算求解，26～30日的數據對模型進行驗證分析.數據主要包括了用戶取車時間、用戶還車時間、用戶訂單總金額等.其數據格式如表1所示，還車日期為用戶還車的日期，如20170601對應2017年6月1日；用戶取車時間為用戶取車的時分秒時間，如234853對應為23:48:53；還車網點編號為用戶還車的網店信息，如1對應還車在1號網點.

針對用戶異地取還車價格和比例的接受度，本研究通過針對嘉定區403個消費者進行問卷調研獲得，其中63%為男性，37%為女性，52%的被調查者的年齡在20～25歲之間，71%的受訪者均有駕照.獲得汽車異地還車用戶優惠價格e與選擇率α關系式如下:

α=0.27+0.15 lne

(26)

表1 仿真時所用數據示例Tab.1 Simulation data for this case

由于優惠價格受到具體情況的限制，在實際過程中，將共享汽車優惠價格限定在5～15元.對于共享單車而言，由于單次使用共享單車的費用在0.5～1.0元，用戶選擇率在0.4～0.7，對于共享單車調度在實際中處理為共享單車用戶選擇率β=0.5，用戶異地取車補貼優惠金g=2元.

對于拒絕用戶還車單次成本h，共享汽車企業平均租車價格為0.6元·min-1，用戶去往下一個站點還車額外花費時間約為15 min，因此計h=9元.對于拒絕用戶取車單次成本k，根據歷史訂單數據可知平均單次用戶使用金額(不包含優惠券優惠)為31.12元，因此計k=31.12元.

選擇上海市同濟大學嘉定校區—嘉亭薈等周圍的14個站點，并進行隨機編號.這14個站點的最大停車位數目為11、13、35、10、13、3、6、10、6、6、40、3、10、4.另外需要注意的是，站點之間的距離是共享自行車的騎行時間距離.這14個站點之間的騎行時間矩陣如表2所示.由表2可知，每個站點周圍至少存在一個能夠通過騎行在10 min以內到達的站點，這為用戶自適應調度提供了條件.

表2 各共享站點騎行時間Tab.2 Cycling time of each station min

2.2 調度需求模型實例模擬

本文采用MATLAB 2016b編寫程序，計算機為64位操作系統，處理器為Intel (R)、Core (TM)i7-6700、CPU @ 3.40GHz，安裝內存為8.00 GB.

遺傳模型輸入參數如下：遺傳算法種群數Nind=80；最大種群繁衍數MAXGEN=800；需要求解的變量維數NVAR=155；設定遺傳代溝參數GGAP=0.9；變異概率Pm=0.01；交叉概率Pc=0.8，采用離散變異，由函數mut設定.適應度規則基于秩的適應度篩選機制；選擇規則采用高級選擇算子，由函數select設定；交叉規則采用高級重組算子，由函數recombin設定.

將企業調度成本與用戶滿意度潛在損失成本合計最優作為目標函數，對2017年6月份的數據進行驗證分析.種群在經過300次迭代后開始收斂，種群的最小值穩定在1.2×104范圍，最終輸出站點各個時段的上、下閾值，站點初始時段的最優停放車輛數量，最佳優惠價格等.經過計算后結果如表3所示.

由表3可以得出，初始運營時間需要安排的最優可用車輛數，不同時間段上閾值(一定比例的用戶激勵異地還車)和下閾值(一定比例的用戶激勵異地取車)，共享汽車優惠獎勵紅包金額，共享單車優惠獎勵補貼金額.

2.3 站點驗證實例

通過對1～25日的歷史數據進行遺傳算法的最優求解，在結果驗證中調用26～30日用車訂單數據.以任意站點的調度情況為例，圖1給出了站點8在最優初始站點值為5輛，最優優惠價格為5元的情況下，未進行用戶激勵調度的可用車輛數情況.圖中，中橫線為站點停車位數為0.由圖中可知,站點在將近一半的時間內均處于車位未能滿足需求的情況，特別是在用車高峰的10：00之后.其負值產生的原因是因為這是在未進行任何人工調度與用戶自適應調度的情況下產生的，實際工作中不產生負值是因為有人工調度員的參與和調度.

圖2是進行人工調度后的8號站點變化情況.其中,最上端橫線是最大停車位數目,為10輛;最下端橫線是可用車輛數,為0;中間橫線為各時段上、下閾值，粗實線為站點可用車輛數.

由圖2可知，站點的初始停車位最優解為5輛，并且站點在各個時間段的可用車輛數上、下閾值分別為：6:00～11:00，[6,3]；11:00～14:00，[8,4]；14:00～17:00，[8,5]；17:00～21:00，[10,2]；21:00～24:00，[6,2]；24:00～6:00為車輛停運時間，進行車輛的整備和調整.在進行聯合調度后，可用車輛數長期處于可用范圍內.能夠充分滿足用戶的取還車需求.

表3 遺傳算法給出的站點初值、上下閾值及優惠金額Tab.3 Initial value of site, upper and lower threshold, and discount price, calculated by the genetic algorithm

圖1 站點8未采用用戶激勵調度可用車輛數Fig.1 Available vehicle number without user incentive relocation at NO.8 site

圖2 站點8采用用戶激勵調度可用車輛數Fig.2 Available vehicle number with user incentive relocation at NO.8 site

由于在調度過程中，不能僅僅關注可用車輛數目和調度成本，更應該關注用戶的使用體驗.如果某一站點的車輛長期處于0以下或者滿載狀態，則會影響到用戶的取、還車體驗.在這種情況下，可能會出現拒絕用戶取車、還車訂單的問題，這一比例應該盡可能降低.

圖3給出了1～25日的允許用戶還車訂單比例、允許用戶取車比例，以及總體允許用戶取、還車比例.相關數據結果表明，用戶平均取車訂單成功率高于99.5%，峰值取車訂單成功率不低于95%；用戶平均還車訂單成功率高于99.7%，峰值還車訂單成功率不低于95%；總體用戶取、還車成功率比例不低于99.4%，峰值用戶取還車成功率不低于95%.結果表明，激勵調度模型能夠在保證各個站點良好有序運行的基礎上，具有良好的用戶取車體驗和還車體驗.

a 允許用戶還車訂單比例

b 允許用戶取車訂單比例

c 允許用戶取、還車訂單比例圖3 用戶訂單成功率Fig.3 Success rate of user order

2.4 調度成本分析

成本及利潤是企業最需要考量的指標.本節將人工調度成本定為傳統共享車輛企業通過員工調度所產生的成本費用，用戶激勵調度成本定為采用用戶自適應調度所產生的成本費用.其中人工調度成本按上海市平均工資的工作時間進行計算.

圖4為總共14個站點在第28日的采用員工調度和用戶激勵調度的成本比較圖.由圖可知，在大部分時間內，用戶激勵調度所用成本遠低于員工調度，僅在某些用車高峰時段成本略高于員工調度.但是調度的靈活性是員工調度難以媲美的.

圖4 14個站點的員工調度-用戶激勵調度成本對比圖Fig.4 Cost contrast figure of stuff relocation and user relocation

經過計算，采用用戶激勵調度，調度成本僅占人工調度的30%～40%.表4給出了6月26日～30日的占比計算結果，表明基于共享汽車和共享單車的聯合調度作為一種用戶激勵的自適應調度手段，不僅可以快速獲取用戶需求并通過動態調度提升用戶的消費體驗，還能進一步降低企業成本，提升企業利潤.

表4 用戶激勵調度所占人工調度成本的比例Tab.4 Cost ratio of user incentive relocation to stuff relocation

3 結論與展望

本文建立了基于用戶激勵的自適應調度模型，考慮將共享單車與價格調節引入電動汽車調度中.通過獲取用戶調研和企業實際取、還車數據，建立基于用戶激勵的電動汽車共享調度成本優化模型，并用遺傳算法進行仿真求解.求解結果得到站點初值汽車配置數、各時段可變閾值與最優價格優惠值，并對模型結果進行驗證與分析，主要得到以下成果：

(1) 通過本研究，提出了共享汽車價格優惠和共享單車價格激勵的自適應聯合調度模型，并通過遺傳算法求解該問題，設計算法流程與思路.

(2) 對EVCARD電動汽車共享公司14個站點的實際1個月運營數據進行驗證表明，采用用戶激勵的自適應調度能夠明顯提高運營公司的收益及車輛利用率，節約成本并提高用戶滿意度.

(3) 采用分時段的閾值能夠有效平滑峰谷問題.由于用戶取還車需求在時間-空間上具有短時間周期的不確定性和長時間周期的潮汐現象，因此采用分時段可變閾值能夠有效預測和調配車輛，實現平滑過渡峰谷.

(4) 企業可以定制針對性的優惠價格策略，在提升用戶滿意度的同時實現車輛調度成本最優.本例中最優優惠價格為5元，企業可以根據自身情況和相關實踐進行調整，實現企業利潤和用戶滿意度之間的平衡.