基于使用者的無樁式公共自行車調度方法研究

劉祝銘

（中規院（北京）規劃設計有限公司，北京 100000）

無樁的特點使運營者在對無樁式公共自行車進行調度時若使用卡車等大型運輸設備，經濟性較差。一些既有研究從行為經濟學的新視角，嘗試通過獎金激勵措施讓使用者自發再分布車輛，以此緩解的潮汐流問題。根據以往研究成果，本研究目標在于找到一種通過提供給用戶激勵性獎金，“雇傭”用戶在還車時將車輛放置在下一時段會缺少腳踏車區域的調度方式，減少各小區存車數處于“缺少車輛”狀態的時段，實現系統內車輛分布的自我平衡。

1 基礎數據與聚類分析

1.1 基礎數據

資料來自摩拜單車，2017年5月10～24日，北京市范圍內的3 214 096條車輛使用數據，研究范圍為工作日的北京三環路內，考慮類神經網絡模式的訓練，以5 min為時間間隔，將一天分為288個時間片段。部分數據樣本如表1所示。

表1 北京市范圍內的車輛使用數據樣本

1.2 分區聚類

據以往的研究成果，本研究使用K-means方法對研究區域內的起訖點數據進行聚類，以每個聚類的中心為中心做泰森多邊形，將區域按照出行特征分為不同交通小區。在聚類數目k的確定上，考慮三個指標以找出最佳的類別數目。

（1）小區平均半徑。

通過問卷調查得到在最大獎勵金額時，約70%的用戶愿意在300 cm范圍內參與調度。本研究中限制小區平均半徑小于250 cm，以此限制嘗試聚類數，發現k>640時可符合。

（2）起訖點在同一交通小區的旅次占總旅次的比例。

此指標可反映聚類分區的合理性，如果數值過高，表示區域劃分過于稀疏或該聚類無法較好體現出行的同構型。本研究中嘗試了600～700的類別數，起訖點在同一交通小區的旅次占總旅次的比例從10.74%下降到9.23%，可以接受。

（3）Davies–Bouldin Index（DBI）。

此指標以平均類間最大相似度評估聚類數目選取的質量，本研究中計算了ts∈[640，680]時的DBI，選擇了DBI最低的645作為最終的聚類數目k。

2 基于神經網絡的OD量預測——類神經網絡訓練

為提高模式預測準確度以及使求解時長更可控，本研究中為研究范圍內每一小區單獨訓練其類神經網絡預測模式。

對于BPNN訓練，對同一天某一時段（T）與其相近時段（T-1、T-2、…、T-8）共享單車借車量的Pearson相關系數進行計算，發現隨著時間后推，相關性呈現了逐漸降低的趨勢。

計算同一時段（T）臨近工作日（T-288、T-576、…、T-1 440）間Pearson相關系數進行計算，發現當前日期與前一周同屬性日期的相關程度相對較高，顯示出車輛使用的周期性。考慮相關性、類神經網絡訓練時長、訓練中所得各變量權重，使用T-1、T-2、T-3、T-4、T-5、T-6、T-288、T-576、T-1 440、星期數td∈[1，5]、時段ts∈[1，288]作為輸入層。

確定隱藏層節點數時，經計算得到最優節點數比選范圍M：

式中：M——隱藏層節點數之范圍；n——輸入層神經元數；m——輸出層神經元數；a——[1，10]間的常數。

將范圍內不同小區以其歷史OD量數據以80%、20%的比例隨機分為訓練數據集與測試數據集，在M范圍內訓練，使神經網絡不同層神經元的連接權值得到持續優化與調整，直至滿足最小誤差的收斂條件。隨后將測試數據集代入得到神經網絡預測模式，與真實情況相較，最終以最小均方根誤差（RMSE）的神經網絡為該小區最佳網絡模型，投入后續預測工作[1]。

3 優化調度方案

3.1 用戶反應模式

通過對437位共享單車用戶進行問卷調查，研究計算不同旅次長度、不同激勵價格下愿參與調度用戶數的累積百分比，使用線性回歸擬合用戶愿參與調度的概率與激勵價格及調度距離的關系：

式中：Xprice——付給用戶的調度獎金（元）；Xdist——調度距離（m）。

3.2 可調度車輛數及存車缺口定義

對車輛進行調度，明確何時、何地有可調度的多余車輛以及哪里需要車輛。結合上述預測模型，定義對小區T+1時段內可用來調度的車輛數及小區存車缺口大小。

研究定義每小區應保有的最低存車數Li，如小區存車量

3.3 優化激勵價格計算

系統在T+1時段從小區調度到周邊小區的車輛數：

系統調度后T+1時段末小區的存車缺口：

式中：N——小區周邊所有小區的集合，n∈N。

賦予不同權重的同時，考慮區域內總缺車量及調度付出的成本，存車缺口權重及調度價格權重可由用戶進行調整。

4 案例模擬應用

以5月17～23日間各小區OD量數據訓練神經網絡為例，找到RMSE最小的網絡結構后，應用類神經網絡對5月24日的生成量及吸引量進行預測，將生成量與真實情況相比較，發現平均每小區RMSE為0.32，準確率較高，能夠反映數據隨時間的變化規律[2]。

研究中變動每小區應保有最低存車量Li以及調度價格限制權重β后，不同的模擬結果如圖1所示。

圖1 不同Li及β取值下系統之優化效果及調度成本

設置Li相同時，對激勵價格的限制越小，通常系統可以取得更好的調度效果，但調度成本也顯著增加；相同的β權重下，管理者期望每個小區車輛保有量都盡可能大，系統的調度效果開始下降。在本案例模擬中，Li>25后，系統的調度效果出現明顯的下降。

綜上，本系統的優化效果明顯，最高可減少研究區域內76%的缺少車輛時段。通過觀察調度發生的時間和調度量間關系，發現調度的高峰期與用車的高峰期比較吻合。顯示系統對緩解隨通勤高峰產生的“潮汐流”有一定的作用。

案例分析區域及鄰域如圖2所示。

圖2 案例分析區域及其鄰域

5 結語

（1）本研究中使用K-means方法，根據歷史出行數據，對研究范圍進行OD小區的劃分，在后續調度時對無樁式共享單車實現“有樁式的管理”。

（2）本研究應用BP類神經網絡，以歷史資料訓練類神經網絡，預測小區未來時段的OD量，結果顯示類神經網絡的預測準確度較高，平均各小區RMSE為0.32。

（3）結合對用戶參與意愿的調查，研究設計了一種同時考慮區域內缺車數以及調度成本的優化調度模型，且模型允許管理者根據自身經濟情況及存車目標調整調度方案。應用本系統一天后發現，相較于未應用本系統參與調度時，區域全天總缺車時段最高可減少76%，證明了系統的作用。