基于使用模式的共享單車高效再分配策略算法設(shè)計

摘要：共享單車成功解決了交通的最后一千米難題，但是，單車站點服務(wù)資源分配不均衡問題十分普遍，如取車點無車可用、目的地無位可還時有發(fā)生。針對站點單車供應(yīng)不足，本文構(gòu)建了一種單車高效再分配算法，基于歷史用車數(shù)據(jù)提前估算站點在不同時段的用車需求，并建立單車調(diào)度約束條件，解決共享單車再分配問題。調(diào)度模型檢驗了本文所用方法的高效性和可用性。

關(guān)鍵詞：單車再分配；需求預測；分配調(diào)度模型；BP神經(jīng)網(wǎng)絡(luò)

doi：10.3969/J.ISSN.1672-7274.2025.02.025

中圖分類號：TP 311.13；TP 393.09" " " " "文獻標志碼：B" " " " " 文章編碼：1672-7274（2025）02-00-03

Design of Efficient Allocation Strategy Algorithm for Shared Bicycles"Based on Usage Patterns

MAO Xinyan

（Beijing Sankuai Online Technology Co.， Ltd. （Meituan）， Beijing 100102， China）

Abstract： Shared bicycles have successfully solved the last mile transportation problem， but the problem of uneven distribution of service resources at bicycle stations is very common， such as no available cars at pick-up points and no available space at destinations to return. In response to the insufficient supply of bicycles at the station， this article constructs an efficient bicycle reallocation algorithm. Based on historical car usage data， the station's car usage demand at different time periods is estimated in advance， and bicycle scheduling constraints are established to solve the problem of shared bicycle reallocation. The scheduling model tested the efficiency and usability of the method used in the article.

Keywords： bike redistribution; demand forecasting; allocation scheduling model; BP neural network

面對共享單車站點資源不平衡問題，調(diào)整站點單車量，重新調(diào)度再分配共享資源，已成為解決站點資源不平衡的通用辦法。但是，在單車真正出現(xiàn)短缺之后，再去其他站點調(diào)車已無法滿足客戶需求。因此，有必要預先調(diào)度單車資源，平衡各個站點單車數(shù)量。這就需要對站點分時段用車量進行預測，然后對單車資源進行再分配。

1" "共享單車供需現(xiàn)狀

1.1 數(shù)據(jù)預處理及單車時空分布

在進行調(diào)度計算之前，需要先確定單車從站點到站點需要的時間，取所有數(shù)據(jù)的平均值作為站點到站點的時間路程（），并以此平均距離為半徑，構(gòu)建此區(qū)域內(nèi)共享單車空間分布模型，然后，構(gòu)建臨近區(qū)域分布函數(shù)。如果某站點跟中心區(qū)域相隔較近，則將該站點賦值1，反之，賦值為0，最終確定該區(qū)域內(nèi)單車分布站點及相隔距離[1]。

1.2 BP神經(jīng)網(wǎng)絡(luò)模型預測分析

BP神經(jīng)網(wǎng)絡(luò)模型預測模型分兩步建立：一是先確定樣本數(shù)據(jù)，檢測網(wǎng)絡(luò)的準確度和計算速度。將樣本數(shù)據(jù)輸入至網(wǎng)絡(luò)，計算出樣本的結(jié)果。二是比較網(wǎng)絡(luò)輸出值與實際值的差距，若二者存在顯著的差距，且差值超過預設(shè)的界限值，則需要返回，一層層地檢查建立的網(wǎng)絡(luò)模型，以及采用的算法，判斷問題出現(xiàn)在哪里，分析誤差產(chǎn)生的關(guān)鍵點，然后重新規(guī)劃網(wǎng)絡(luò)，必要時要更換網(wǎng)絡(luò)模型和算法。直到樣本輸出值與實際值之間的誤差小于預設(shè)的界限值[2]。經(jīng)過樣本檢驗的BP神經(jīng)網(wǎng)絡(luò)會自動記憶樣本特征，并以此作為計算參數(shù)，建立非線性映射函數(shù)，進行下步共享單車需求計算。本文建立的BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

本文利用ofo后臺數(shù)據(jù)，選擇某天不同時段，某一特定范圍內(nèi)10個站點的單車流量，將其當成訓練樣本輸入神經(jīng)網(wǎng)絡(luò)，共計處理1 985輛，跟預先假設(shè)的2 000輛相差不大，誤差率為0.75%，在設(shè)定的閾值范圍內(nèi)，這說明預測結(jié)果是比較準確的。

2" "站點用車需求量預測

共享單車的使用受天氣、季節(jié)、節(jié)假日等影響，本文采用ofo數(shù)據(jù)后臺記錄的單車騎行數(shù)據(jù)，統(tǒng)一轉(zhuǎn)化為One-Hot編碼。把選定的屬性轉(zhuǎn)化為一個矩陣，該矩陣的每一列代表一個屬性，每一行代表一個屬性的集合。將此特性矩陣及過去每兩小時的騎行數(shù)據(jù)作為一個段導入建立的模型，可預測未來各個時間段內(nèi)的車輛使用需求[3]。

假設(shè)在站點集群內(nèi)，根據(jù)每個站點每2小時預測結(jié)果，利用歷史數(shù)據(jù)和再分配（HTKR）算法，計算出每個站點在預定時間段內(nèi)的單車需求。本文設(shè)定三個時間段來進行預測，工作日（6：30-9：00）、工作日（17：00-19：30），節(jié)假日（11：00-20：00），對各個時段的單車使用需求進行測算。首要選擇個與最近的時間段用車需求，然后利用公式（1）來估算每一個站點到的比值，并與預測的需求量相乘就可計算出站點的單車需求量[4]。

（1）

式中，代表站點用車需求預測值；代表該站點歷史需求值；代表在內(nèi)還車量預測值；代表在借車量預測值。代表時間內(nèi)單車歸還量大于借出量；代表時間內(nèi)單借出量大于歸還量；代表時間內(nèi)單車借出與歸還平衡。

為了確保站點的運營能力，假設(shè)時站點單車數(shù)量為，且滿足，則判定該站點可為用戶提供服務(wù)，這表明站點在時刻，至少有一個單車或車樁可用。現(xiàn)實中，每個站點能容納單車數(shù)量是有限的。計算預測站點在內(nèi)用車需求量有可能超出站點的實際容量。所以，式（1）必須加入約束條件進行修正，結(jié)果用式（2）表示，假設(shè)實際需求量為，則有：

（2）

根據(jù)式（2）計算，累計單車需求量大于可容納站點數(shù)量，統(tǒng)計總需求量，以站點全部借走或者全部歸還為基礎(chǔ)，計算這部分站點超出容納量的預測借車量和歸還量，把站群內(nèi)超出站點容納量的部分進行再分配，假設(shè)超出站點容納量的借車量用表示，還車量用表示。則再分配公式可以用如下表達式表示。

（3）

（4）

根據(jù)式（3）、式（4），可以計算該站點的用車需求量，表達式如下：

（5）

如果計算結(jié)果時，說明該站點單車需求量和供給量不平衡，需要對該站點單車進行調(diào)度。如果，則說明該站點需求量與供給量平衡，無須單車進行調(diào)度。

3" "共享單車分配模型

基于上文對站點單車的再分配計算完畢后，需要在原有投放量基礎(chǔ)上進行增減，假設(shè)在站群內(nèi)原來投放數(shù)量為，與上文計算的增減量相結(jié)合，則得到該區(qū)域內(nèi)的總投放量。

（6）

式中，代表的單車需求量；代表單車供應(yīng)量。

為簡單表示，本文假設(shè)原投放量 輛，站點數(shù)量J=10，把數(shù)據(jù)輸入matlab，計算得到每個站點分配量，如表1所示。

通過對已建模型的計算分析，可以得到表1中列出的分配方案：站點3、8、10的需求量為增加15輛，站點9需要增加12輛。站點1需要增加10輛。站點5需增加3輛。站點2需要向外調(diào)出12輛，站點4需要調(diào)出11輛，站點6需要調(diào)出6輛，站點7供給量與需求量相等，不需要調(diào)度。

通過對城市交通環(huán)境及本地的道路條件等各種外在要素進行深入分析，鑒于單車的借用具有隨機性，本文對計算數(shù)據(jù)做了優(yōu)化處理。研究發(fā)現(xiàn)，客戶的用車時間主要集中在上午6點至9點，夜晚24點至6點單車很少被使用。原因可能是夜間出行的安全考慮，并且對于大多數(shù)人來說屬于休閑時間，所以調(diào)配單車時間選在這個時間段。在實際調(diào)配時，參考過去歷史數(shù)據(jù)，如果單車使用量在5%范圍內(nèi)上下波動，可據(jù)此斷定該站點的原始投入是適宜的，供應(yīng)和需求之間的平衡得到保證，無須進行調(diào)配。如果單車使用波動超過5%，可據(jù)此判斷該站點的原始投入偏少。需要對此站點進行調(diào)配，加大投放力度。如果單車使用波動低于5%，則判斷該站點投入單車過多，已經(jīng)過剩，需要把單車調(diào)配給其他站點。

4" "實驗檢驗

4.1 建立調(diào)度模型

在實際工作中，運營公司把需要外運的單車就近調(diào)到需車的站點，缺口部分從倉庫調(diào)運，使運輸距離最短，工作量最小，效率最高，這需要用調(diào)度模型來實現(xiàn)。本文以2小時為一個時段，統(tǒng)計10個站點一天內(nèi)不同時段的騎行人數(shù)，從而獲取每個站點共享單車的需求狀態(tài)。利用ofo后臺數(shù)據(jù)庫，查詢站群一天中共享單車的使用頻率，并根據(jù)借車時間和歸還時間進行排序，在凌晨0點至6點的這一時間段進行相應(yīng)的調(diào)整，建立新的調(diào)度模型。

單車調(diào)度的目標函數(shù)用表示，且滿足下面兩個條件：

（7）

式中，代表需要向里調(diào)車的站點；代表需要向外調(diào)車的站點；代表站點i到站點j需要調(diào)配的單車數(shù)值；表示站點能調(diào)出的單車數(shù)值；代表站點需要調(diào)進的單車數(shù)據(jù)；代表站點與之間的距離。

4.2 實驗準備

假定調(diào)度單車時，所有站點達到需求與供給用車平衡。再利用上述的10個站點的數(shù)據(jù)進行計算模擬，則有：，，，。

本文通過Lingo軟件來估算各個站點的單車調(diào)度數(shù)量，從而獲取最佳的調(diào)度策略，用最少的調(diào)度次數(shù)，最小的運輸路程，最高的效率滿足調(diào)度需求。

4.3 實驗計算與結(jié)果分析

把相關(guān)數(shù)據(jù)輸入Lingo中進行運算，結(jié)算結(jié)果如表2所示。

從表2的數(shù)據(jù)來看，從凌晨0點至6點，站點S2需要調(diào)出10輛單車到站點S1、2輛到站點S3；站點S4向站點S3調(diào)出11輛單車；從站點S6向站點S3調(diào)出2輛、站點S5調(diào)出3輛，站點S8調(diào)出1輛。剩余不足部分從倉庫調(diào)出分配。

5" "結(jié)束語

為解決單車站點投入量不均衡問題，本文通過建立需求模型、分配模型和調(diào)度模型解決此問題。先是為單車站點劃分站點群，預測集群內(nèi)各站點的需求量；然后建立分配模型，利用大數(shù)據(jù)技術(shù)合理計算每個站點應(yīng)調(diào)入調(diào)出的單車數(shù)量；最后利用調(diào)度模型實現(xiàn)各站點和倉庫之間的單車調(diào)配，確保運輸路徑最短，讓用車客戶在最短的時間內(nèi)獲取所需的單車，從而增強用車者的使用體驗。

參考文獻

[1] 張婷.共享經(jīng)濟模式下共享單車管理策略研究[J].現(xiàn)代營銷（下旬刊），2017（3）：30.

[2] 劉亞楠.共享單車發(fā)展研究分析[J].時代金融，2017（8）：251，254.

[3] 張輝，鄭彭軍.基于蟻群算法的城市公共自行車調(diào)度研究[J].科技與管理，2015，17（6）：32-36.

[4] 李錦霞.公共自行車調(diào)度優(yōu)化研究[D].長沙：長沙理工大學，2013.

作者簡介：毛新顏（1986-），男，漢族，遼寧阜新人，碩士，研究方向為算法開發(fā)、數(shù)據(jù)挖掘、策略開發(fā)、數(shù)據(jù)分析。