论文题目：多源数据驱动的互联网租赁自行车智能调度优化方法
摘要：随着城市机动车保有量持续攀升,空气污染、道路拥堵、出行困难等交通问题日益凸显,发展公共交通系统已成为共识。租赁自行车系统作为城市公共交通不可或缺的一部分,能提高道路资源利用率、缓解交通拥堵、有效解决居民出行“最后一公里”问题,是契合当前社会低碳发展的绿色出行方式。目前,租赁自行车系统主要分为两种形态:定桩公共自行车模式与无桩互联网租赁自行车模式,后者作为移动互联网和租赁自行车融合发展的新型服务模式,近年来在我国得到了迅猛的发展。相较于传统的定桩公共自行车,处于探索发展期的互联网租赁自行车企业运营经验较少,导致系统运维调度管理缺乏相应的理论指导,制约着系统健康有序的发展。鉴于此,本文应用多源数据对互联网租赁自行车的时空特性进行分析,建立基于深度学习的短时需求量预测模型,从微观层面提出了激励机制作用下的用户参与调度策略,并从宏观层面分别构建了互联网租赁自行车静态和动态调度优化模型,设计相应的算法对模型进行求解,最后基于南京市互联网租赁自行车历史骑行数据进行了实例验证。首先,在对多源数据进行格式优化和数据清洗的基础上,运用GIS平台实现了多源数据空间属性的融合;以互联网租赁自行车历史骑行数据为输入,运用空间聚类算法获取互联网租赁自行车虚拟站点质心位置,并以此为控制点创建泰森多边形,生成互联网租赁自行车虚拟站点;采用数据挖掘方法与空间分析工具,从时间和空间的角度分析并归纳了互联网租赁自行车的时空出行特征及演变规律。结果表明,利用K-means算法生成的虚拟站点结果优于其他聚类算法;互联网租赁自行车在工作日与周末的骑行时长和骑行距离分布规律基本一致,其出行需求在工作日早晚高峰用车时段呈现出显著的时空分布不均衡性和潮汐性。其次,建立了引入注意力机制的时空图卷积神经网络,预测互联网租赁自行车短时借还需求:将长短时记忆网络和图卷积神经网络进行融合,提取互联网租赁自行车借还需求量的时间和空间特征,引入注意力机制寻找输入序列特征之间的内部联系,以提高预测模型的精度。结果表明,在不同的预测时间间隔下,引入注意力机制的时空图卷积神经网络模型（GATGCLSTM）的预测精度均高于其他基准模型;当GATGCLSTM模型融合外部因素时,其预测精度得到了进一步提升;最后将预测需求量与实际需求量进行时空分布可视化,对比验证了模型的预测精度。第三,基于互联网租赁自行车短时需求预测结果,提出动态价格激励机制下的用户参与调度策略。结合用户初始借、还车站点及周边步行可达范围内其他站点的可用车辆数,设定四种用户参与调度的情景;定义初始站点匹配度系数,为初始站点匹配符合调度情景的推荐借、还站点;企业根据激励尺度和站点的紧急度系数计算激励价格,并将激励价格与匹配到的推荐站点信息发送至用户,用户根据自身效用最大化决定是否参与调度。实验结果表明,相同的激励尺度和用户参与概率取值下,高峰时段站点高于调度服务安全阈值上限的车辆数（BOUB）和站点低于调度服务安全阈值下限的车辆数（BBLB）均高于平峰时段;当用户参与概率为1时,建议系统在平峰时段的激励尺度设定为1.30至1.40（对应于平均激励价格1.45至1.51元/人）,高峰时段的激励尺度设定为1.90至2.00（对应于平均激励价格2.11至2.14元/人）。第四,综合考虑虚拟站点的容量限制与用户需求,构建了互联网租赁自行车的静态调度需求量确定模型;根据站点的调度需求量及空间距离构造站点相似度矩阵,应用社团发现算法划分调度子区;将调度成本、实际调度量与调度目标值的偏离量最小化作为目标函数,基于调度子区划分结果建立互联网租赁自行车静态调度路径优化模型;在传统的遗传算法中引入免疫算法的选择记忆机制,设计免疫遗传算法对模型进行求解,并通过算例对模型进行了验证。模型结果表明,利用免疫遗传算法求解的目标函数值优于遗传算法;运用静态调度路径优化模型得到的调度卡车行驶路线方案可使得80.80%的站点调度需要被满足;若要求每个站点的调度需求都严格得到满足,则调度时间将会增加127.10%,调度成本将会增加108.80%。最后,针对用户需求变化的动态复杂性,构建了考虑站点重要度的互联网租赁自行车动态调度优化模型:根据虚拟站点的借还车速率差和调度服务安全阈值,提出动态的调度需求量的确定方法;引入站点重要度的概念,基于TOPSIS模型计算各站点的重要度;将站点重要度引入动态调度路径优化模型中,构建调度成本最小化、实际调度量与调度目标值的偏离量惩罚成本最小化以及用户满意度折算成本最大化的动态调度初始阶段优化模型,进而采用基于滚动时域的调度策略动态调整调度方案;设计考虑站点重要度的人工蜂群算法,以保证重要度高的站点优先被服务,最终通过算例对模型进行了验证。模型结果表明,利用人工蜂群算法求解的目标函数值和运行速度均显著优于遗传算法,其中目标函数值优化能力提升了32.40%,运行时间缩短了88.10%;对比分析考虑站点重要度与不考虑站点重要度的调度方案,发现考虑站点重要度的动态调度优化模型可将用户满意度由55.03%提升至73.00%。
关键词：互联网租赁自行车;短时需求预测;激励机制;静态调度;动态调度
学科专业：交通运输工程
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究概况
1.2.1 租赁自行车短时需求预测方法
1.2.2 租赁自行车用户参与调度方法
1.2.3 租赁自行车静态调度优化方法
1.2.4 租赁自行车动态调度优化方法
1.2.5 现状研究存在的不足
1.3 研究目标与研究内容
1.3.1 研究目标
1.3.2 研究内容
1.3.3 技术路线
第二章 基于多源数据的互联网租赁自行车出行特征分析
2.1 南京市互联网租赁自行车发展概况
2.2 研究范围选取
2.3 研究数据获取与预处理
2.3.1 互联网租赁自行车骑行数据
2.3.2 城市兴趣点(POI)数据
2.3.3 路网与公共交通站点数据
2.3.4 天气数据
2.4 生成虚拟站点
2.4.1 评价指标
2.4.2 生成方法
2.4.3 生成结果
2.5 互联网租赁自行车出行特征分析
2.5.1 时间特征分析
2.5.2 空间特征分析
2.6 本章小结
第三章 基于深度学习的互联网租赁自行车短时需求预测方法
3.1 深度学习相关理论
3.1.1 循环神经网络与长短时记忆网络
3.1.2 卷积神经网络与图卷积神经网络
3.2 引入注意力机制的时空图卷积网络预测模型
3.2.1 空间特征提取
3.2.2 时间特征提取
3.3 实验过程
3.3.1 数据预处理
3.3.2 模型评价指标
3.3.3 模型对比基准
3.4 预测结果与分析
3.4.1 模型预测结果
3.4.2 模型超参数分析
3.4.3 外部变量对预测结果的影响
3.4.4 模型预测结果的时空可视化
3.5 本章小结
第四章 基于激励机制的互联网租赁自行车用户参与调度策略
4.1 问题描述
4.2 基本假设
4.3 基于激励机制的用户参与调度策略
4.3.1 调度情景设定
4.3.2 站点匹配机制
4.3.3 用户选择行为
4.3.4 性能评价指标
4.3.5 调度策略流程
4.4 实例分析
4.4.1 数据准备
4.4.2 调度策略性能指标分析
4.5 本章小结
第五章 基于调度子区划分的互联网租赁自行车静态调度优化模型
5.1 问题描述
5.2 调度需求量确定模型
5.2.1 模型假设
5.2.2 符号说明
5.2.3 模型构建
5.3 调度子区划分方法
5.3.1 非重叠社团发现概念
5.3.2 非重叠社团发现算法
5.3.3 调度子区划分评价指标
5.4 静态调度优化模型构建
5.4.1 模型假设
5.4.2 符号说明
5.4.3 模型构建
5.5 模型求解
5.5.1 遗传算法
5.5.2 人工免疫算法
5.5.3 免疫遗传算法
5.5.4 算法步骤
5.6 算例分析
5.6.1 调度需求量确定
5.6.2 调度子区划分结果
5.6.3 调度路线确定
5.7 本章小结
第六章 考虑站点重要度的互联网租赁自行车动态调度优化模型
6.1 问题描述
6.2 调度需求量计算方法
6.3 站点重要度分析
6.3.1 站点重要度评价指标
6.3.2 站点重要度计算方法
6.4 动态调度路径优化模型
6.4.1 初始阶段路径优化模型
6.4.2 动态优化阶段路径优化模型
6.5 模型求解
6.5.1 人工蜂群算法
6.5.2 算法步骤
6.6 算例分析
6.6.1 调度需求量确定
6.6.2 调度子区划分结果
6.6.3 站点重要度确定
6.6.4 调度路线确定
6.7 本章小结
第七章 研究结论与展望
7.1 主要研究成果与结论
7.2 主要创新点
7.3 研究展望
致谢
参考文献