2015年數(shù)學(xué)建模B題滴滴打車問題優(yōu)秀論文

基于雙層規(guī)劃的由租車補(bǔ)貼方案研究摘要在我國龐大的人口壓力下，“打車難”已成為許多城市共同面臨的問題。而隨著“互聯(lián)網(wǎng)+”時代的到來，第三方打車軟件的異軍突起同時便利了乘客和司機(jī)雙方。本文針對此背景下存在的出租車資源“供需匹配”問題，通過尋找數(shù)據(jù)，建立相應(yīng)的指標(biāo)評判“供需匹配”程度的高低，并分析可緩解“打車難”問題的現(xiàn)存及待建立的補(bǔ)貼方案。問題一中，我們選取車輛滿載率、萬人擁有量和乘客等待時間三個指標(biāo)來衡量各區(qū)域不同時間段的“供需匹配”程度，對深圳市2011年4月18日一天的出租車運(yùn)營數(shù)據(jù)進(jìn)行了研究。我們首先對所得數(shù)據(jù)進(jìn)行聚類得到熱點(diǎn)區(qū)域，然后分析出租車到達(dá)某區(qū)域的時間間隔與乘客等待時間的關(guān)系，得到各區(qū)域乘客等候時間隨時間的變化情況：中心城市等候時間較長的時間段為上午8:00-11:00,下午17:00-19:00;郊區(qū)等候時間較長的時間段為凌晨4:00-7:00,下午12:00-14:00;偏遠(yuǎn)地區(qū)等候時間較長的時間段為凌晨3:00-5:00,上午9:00-11:000問題二中，我們結(jié)合深圳市出租車運(yùn)行數(shù)據(jù)，分析乘客24小時內(nèi)等待時間的變化得到一日內(nèi)的出租車需求高峰時段。針對現(xiàn)有的補(bǔ)貼政策，計(jì)算其補(bǔ)貼的高峰時段與所求得的高峰時段重疊率，當(dāng)其重疊率高于75%后，則認(rèn)為其所進(jìn)行補(bǔ)貼的時段選取準(zhǔn)確，可在高峰時段進(jìn)一步提高司機(jī)積極性以緩解“打車難”現(xiàn)狀。最終結(jié)果顯示，兩大打車軟件公司的補(bǔ)貼政策的高峰時間段的重疊率均高于75%,即較好地覆蓋所求解的高峰時段，故對緩解“打車難”問題有幫助。問題三中，在滿足盡可能多的乘客需求量的基礎(chǔ)上，我們建立了使打車軟件公司及出租車司機(jī)的利益雙向最大化的雙層規(guī)劃模型。通過Matlab編程求解，我們得到了在高峰時段對出租車司機(jī)每單補(bǔ)貼14.75元，乘客每單補(bǔ)貼費(fèi)2.18元，并以乘客對司機(jī)的服務(wù)評價星級為參考的補(bǔ)貼方案。為了簡化計(jì)算量，提高模型求解精度，本題中首先對所得數(shù)據(jù)進(jìn)行預(yù)處理，熱點(diǎn)分區(qū)后降低數(shù)據(jù)維度后，盡可能全面地考慮不同時空的各指標(biāo)的取值。將結(jié)果與2011年《深圳市交通發(fā)展報告》進(jìn)行比對，所求結(jié)果較為合理。本文的優(yōu)點(diǎn)在于選取了較合理的數(shù)據(jù)進(jìn)行求解，對出租車運(yùn)行情況的時空分布給出較為合理的求解，同時引入雙目標(biāo)規(guī)劃模型對出租車軟件公司和出租車司機(jī)雙方進(jìn)行利益博弈，使得補(bǔ)貼結(jié)果更具有實(shí)際價值。關(guān)鍵詞：乘客等待時間出租車補(bǔ)貼政策多方博弈雙層規(guī)劃模型1問題重述問題背景在當(dāng)下的現(xiàn)實(shí)情況中，“打車難”是許多城市共同面臨的問題，特別是我國得特大型及超大型城市，每逢上下班高峰，或一些高溫、雷電、雨雪等天氣，更是“一車難求”。而與此現(xiàn)象共存的，則是出租車較高的平日空駛率?；谶@種出租車司機(jī)與乘客之間信息不對稱的矛盾現(xiàn)象，第三方打車軟件于2013年興起后便迅速融入人們的生活。隨著“互聯(lián)網(wǎng)+”時代的到來，乘客可以利用打車軟件輸入起始地和目的地，并且可以適當(dāng)加價，而出租車司機(jī)則可決定是否接單，如此即可同時節(jié)省雙方的時間和選擇成本，大大便利了乘客和出租車司機(jī)雙方。而第三方軟件公司也推出多種出租車的補(bǔ)貼方案，以提高司機(jī)的使用積極性。在此現(xiàn)實(shí)背景下，存在以下一些問題需要解決。需解決的問題由以上的問題背景分析，我們需要建立相關(guān)的數(shù)學(xué)模型，解決如下三個具體問題：問題1:查找當(dāng)下某區(qū)域不同時空出租車相關(guān)的運(yùn)費(fèi)、里程等數(shù)據(jù)，在所照數(shù)據(jù)的基礎(chǔ)上，建立合理的指標(biāo)，并分析不同時空出租車資源“供求匹配”程度。問題2:聯(lián)系當(dāng)下打車軟件公司所給出的補(bǔ)貼方案，研究其是否可以通過改變問題一中建立的指標(biāo)從而對“緩解打車難”問題有所幫助。問題3:分析當(dāng)下打車軟件服務(wù)平臺所給出補(bǔ)貼方案的優(yōu)缺點(diǎn)的基礎(chǔ)上，如果要建立一個新的打車軟件服務(wù)平臺，通過分析相關(guān)指標(biāo)，建立更合理的補(bǔ)貼方案，并論證方案的合理性。2問題分析當(dāng)下Uber、滴滴出行等一批打車軟件涌入出租車行業(yè)，沖擊了傳統(tǒng)路邊搭車的方式，極大地影響了出租車行業(yè)。打車軟件為解決出租車供求平衡提供了新的方法，但打車軟件同時也引發(fā)了各方的利益沖突?；诖吮尘?，我們對此問題的分析如下：問題一要求評價不同時空出租車資源的“供求匹配”程度，處理這個問題要綜合時間與空間的影響。查閱文獻(xiàn)資料知到，針對空間因素，理論上應(yīng)對整個地圖空間進(jìn)行分析才可得到較為完善的出租車資源不同時空分配情況，但如此進(jìn)行模型求解較復(fù)雜，故我們找出乘客出租車需求量較大的熱點(diǎn)區(qū)域進(jìn)行研究；針對時間因素，合理的解決方案是分交通高峰期、交通低谷期、工作日與非工作日等不同時段分析。就評價指標(biāo)，目前主要有萬人擁有量、里程利用率、車輛滿載率、乘客平均等車時間、空載率等指標(biāo)。問題二分析各打車軟件公司的出租車補(bǔ)貼方案是否對“緩解打車難”有所幫助。查閱資料知道，Uber、滴滴出行等打車軟件公司發(fā)行的補(bǔ)貼方案基本是根據(jù)交通擁擠情況分時段執(zhí)行，高峰期多補(bǔ)和工作日多補(bǔ)，低峰期少補(bǔ),并根據(jù)訂單數(shù)量制定一些獎勵政策。為了評價補(bǔ)貼方案是否有效，查閱文獻(xiàn)資料，目前主要的解決思路有以下三種：(1)利用最直接的思路，找到補(bǔ)貼執(zhí)行前后某一區(qū)域的出租車運(yùn)行的時空分布資料，簡單對比各個衡量指標(biāo)的值，從而對“供需匹配”程度進(jìn)行評價。此方法直觀，但由于數(shù)據(jù)來源較少，難于實(shí)現(xiàn)；(2)針對補(bǔ)貼政策對出租車司機(jī)的心理和經(jīng)濟(jì)狀況產(chǎn)生的效用，量化后建立數(shù)學(xué)模型。然后就某一個具體區(qū)域，對實(shí)行補(bǔ)貼政策前后的情況進(jìn)行仿真，得出評價結(jié)果。本模型比較簡單，但由于效用量化困難，可靠性不高；(3)針對“打車難”問題，分析造成此問題的各種因素，如時段、打車軟件普及程度、天氣等，考慮補(bǔ)貼政策的作用后，分層分析得出結(jié)果。但這樣做模型建立太過復(fù)雜，不便實(shí)現(xiàn)。在分析當(dāng)下解決方法的基礎(chǔ)上，針對此問題，注意到補(bǔ)貼政策一般分時段來執(zhí)行，且分析其可以找到的數(shù)據(jù)，對運(yùn)費(fèi)建模較復(fù)雜，故我們可以考慮某一個地區(qū)出租車出行數(shù)據(jù)，利用仿真思想，逆向找出交通熱點(diǎn)區(qū)域的乘客出行高峰期，與各軟件公司進(jìn)行補(bǔ)貼的高峰期對比，以兩者的時間重疊率衡量其政策的有效度。問題三要求在構(gòu)建一個新的打車軟件平臺時，給出一個補(bǔ)貼方案并進(jìn)行驗(yàn)證。分析此模型的建立將涉及到打車軟件公司、出租車司機(jī)、乘客三方的綜合利益關(guān)系，我們可以適當(dāng)簡化實(shí)際情況，考慮乘客和打車軟件公司兩方對出租車司機(jī)的補(bǔ)貼政策，以補(bǔ)貼金額為變化指標(biāo)，聯(lián)系三方利益，構(gòu)建一個博弈模型，設(shè)計(jì)補(bǔ)貼政策。3模型假設(shè)考慮到問題的復(fù)雜性，我們對本問題進(jìn)行如下合理假設(shè)，以簡化模型的建立與求解：1、假設(shè)在所研究的時段內(nèi)，深圳市的萬人擁有量可以近似表示某個區(qū)域的萬人擁有量，因?yàn)樾^(qū)域的人口統(tǒng)計(jì)沒有準(zhǔn)確的數(shù)據(jù)來源，如此假設(shè)即可簡化萬人擁有量這一指標(biāo)的計(jì)算復(fù)雜度；2、假設(shè)出租車到達(dá)某個熱點(diǎn)區(qū)域時，此區(qū)域內(nèi)的等候乘客即可立刻搭乘,不考慮乘客上下車的耽擱時間，如此即可將時間運(yùn)算的復(fù)雜度降低，忽略乘客上下車用時的隨機(jī)性；3、假設(shè)一周七天的出租車使用情況可以近似看成是相似的，不考慮因周末或節(jié)假日所造成的交通擁擠度提高，如此即可利用所得數(shù)據(jù)給出一天內(nèi)乘客數(shù)和出租車數(shù)量的變化情況，同時簡化對各公司補(bǔ)貼政策的分析步驟；4、假設(shè)深圳市范圍內(nèi)，地球表面可以近似看為平地，由此即可將所選區(qū)域按經(jīng)緯度間隔分為多個正方形，由此即可簡化數(shù)據(jù)提取與模型計(jì)算；5、假設(shè)司機(jī)通過打車軟件接單后，不存在中途拒單的問題，如此即可忽略司機(jī)因各種個人因素拒單的情況，從而僅僅分析理想情況下打車軟件公司及出租車公司的收益；6、假設(shè)打車軟件公司的收益可以綜合考慮為出租車接單收入的回扣資金，如此將打車軟件公司給予的各種廣告費(fèi)用、保險費(fèi)以及服務(wù)費(fèi)等綜合為一種資金，簡化模型求解過程。4符號說明對于本文中建立模型的相關(guān)符號，再次對主要符號進(jìn)行相關(guān)說明，其他局部符號在引用時給出了具體說明。

符號說明l里程利用率Sy運(yùn)行里程s行駛里程z車輛滿載率%載客車輛數(shù)n通行總車數(shù)t萬人擁啟量nt出租車規(guī)模數(shù)P人口規(guī)模九車輛到達(dá)某區(qū)域的速率ft0乘客到達(dá)某區(qū)域的概率密度td乘客等待出租車到達(dá)的時間Y高峰時段覆蓋率P出租車出一次的運(yùn)價P0出租車起步價P出租車?yán)锍虄rL出租車乘客平均乘車距離l0出租車起步價固定里程B出租車司機(jī)的總利潤R出租車司機(jī)的總收入C出租車司機(jī)的總成本Q出行需求n每單運(yùn)價中打車軟件公司所得的回扣率N說明符號5模型的建立與求解搜索范圍確立模型的建立與求解分析題目可知，問題一中需建立一定的指標(biāo)，來反映不同時空出租車”供需匹配”的程度。對于此問題我們首先應(yīng)該結(jié)合某個區(qū)域不同時間、不同空間出租車運(yùn)行軌跡的相關(guān)數(shù)據(jù)，以此建立評判出租車“供需匹配”程度的指標(biāo)。供需匹配程度衡量模型的建立考慮到題目中并沒有給出相關(guān)數(shù)據(jù)，故我們通過查閱資料，找到深圳市2011年6429輛出租車一段時間內(nèi)不同時刻的位置（以經(jīng)緯度表示）、狀態(tài)（狀態(tài)記錄了出租車是否載客，載客為1,空載為0）、速度（Km/h）和行車方向（0=東；1=東南；2=南；3=西南；4=西；5=西北；6=北；7=東北）的數(shù)據(jù)。因行車環(huán)境的影響，記錄采集間隔時間周期不恒定。每個車輛軌跡數(shù)據(jù)文件均以車牌號命名，數(shù)據(jù)文件采用csv格式存儲，數(shù)據(jù)文件由7個字段構(gòu)成，以下為一輛車的相關(guān)數(shù)據(jù)表［1］。表1一輛出租車的軌跡數(shù)據(jù)nametimejdwdstatusvangle粵B000H62011/04/1800:36:03114.13466622.579317005粵B000H62011/04/1800:36:33114.13466622.579300005粵B000H62011/04/1800:37:03114.13393422.5793991316粵B000H62011/04/1800:37:33114.13137122.5796171435粵B000H62011/04/1800:38:03114.13043222.5780511185粵B000H62011/04/1800:38:33114.12666322.5775511695粵B000H62011/04/1800:39:33114.11713422.5766511805粵B000H62011/04/1800:39:41114.11541722.5766331865粵B000H62011/04/1800:40:38114.10545322.5739170705如上表，即為車牌號為粵B000H6的出租車在九個時間點(diǎn)的經(jīng)度、緯度、狀態(tài)、速度、行車方向的數(shù)據(jù)，由上表可以看到在2011年04月18的00:37:03,該車輛由空車變?yōu)檩d客狀態(tài)。對于出租車“供需匹配”的空間程度，我們首先通過處理此數(shù)據(jù)得到乘客上下車的位置，將所得坐標(biāo)數(shù)據(jù)進(jìn)行聚類得到乘客上下車的熱點(diǎn)分布區(qū)域。由于非熱點(diǎn)區(qū)域的考慮沒有太多的現(xiàn)實(shí)價值，且“打車難”問題更多地發(fā)生于熱點(diǎn)區(qū)域。故我們重點(diǎn)分析熱點(diǎn)區(qū)域內(nèi)各時間段出租車的“供需匹配”程度。通過查閱文獻(xiàn)知道，一般情況下，衡量出租車“供求匹配”程度的主要指標(biāo)有：里程利用率、車輛滿載率、萬人擁有量［2］。通過分析數(shù)據(jù)，基于時間的角度，我們增加一個衡量指標(biāo)，即為乘客等待時間。具體的模型構(gòu)建步驟如下：Step1:對于基本的衡量指標(biāo)里程利用率，指營業(yè)里程與行駛里程之比。Syl=/父100%(1)s其中，l為里程利用率，Sy為運(yùn)行里程，S為行駛里程。分析知道，這一指標(biāo)的高低即反映了車輛的空載程度。但由所查取的數(shù)據(jù)，對于其不同時段的里程利用率存在冗余，且其他指標(biāo)同樣可以反應(yīng)車輛的空載程度，故我們舍棄這一衡量指標(biāo)。Step2：對于衡量指標(biāo)車輛滿載率，目前存在多種計(jì)算方式。通過考察多種計(jì)算方式的優(yōu)缺點(diǎn)以及數(shù)據(jù)搜集的難易度，我們選取以下的計(jì)算方式計(jì)算其車輛滿載率：

z=2x100%(2)n其中，z為車輛滿載率，.為載客車輛數(shù)，n為通行總車數(shù)。由上可知，當(dāng)車輛滿載率較高時，載客車數(shù)所占比例較大，則車輛利用效率較高，供小于求；當(dāng)車輛滿載率較低時，載客車數(shù)所占比例較小，則車輛利用效率較低，供大于求。通過適時調(diào)整車輛運(yùn)力和運(yùn)量，實(shí)現(xiàn)車輛滿載率的提高。查閱文獻(xiàn)可知，一般情況下的車輛滿載率界線為70%。Step3:對于衡量指標(biāo)萬人擁有量，需得到所考察城市深圳市的人口規(guī)模及出租車數(shù)量規(guī)模數(shù)據(jù)，來衡量其人均出租車擁有量。萬人擁有量的計(jì)算公式如下：t=卜(3)P其中，t為萬人擁有量，nt為出租車數(shù)量，p為常住人口數(shù)量［2］。由以上公式計(jì)算可知其此指標(biāo)是基于城市本身人口規(guī)模及車輛規(guī)模進(jìn)行計(jì)算，短時期內(nèi)，不隨時間空間發(fā)生變化。查閱現(xiàn)行的《城市道路交通規(guī)劃設(shè)計(jì)規(guī)范(GB50220-95)》，大城市萬人擁有量不少于20輛，小城市不少于5輛網(wǎng)。Step4：對于擴(kuò)展的指標(biāo)乘客等待時間，我們用期望值表達(dá)乘客等待時間隨時間變化時的均值。第一，對空車到達(dá)時間建模。查閱文獻(xiàn)發(fā)現(xiàn)，一般情況下，到達(dá)某區(qū)域的出租車數(shù)量服從泊松分布，但考慮實(shí)際情況發(fā)現(xiàn)，出租車數(shù)量并不是隨著時間在平穩(wěn)增長［4］0現(xiàn)有研究表明，一段時間內(nèi)，到達(dá)某區(qū)域的出租車數(shù)量服從非齊時的泊松分布，因?yàn)楦鬈囕v到達(dá)某區(qū)域的速率是在不斷變化的。這里我們假設(shè)車輛到達(dá)的速率是一個隨時間變化的函數(shù)：，「=g(t)(4)同時，我們假設(shè)這個函數(shù)在某個時間段內(nèi)是一個恒定的值，即當(dāng)tiwt<t］書時,g(t產(chǎn)薪。所以，在第i個時間段內(nèi)，空載車輛到達(dá)的時間間隔&服從的分布為：Pigt)=%ef”(5)第二，對乘客等待時間建模。假設(shè)前一輛空載車輛在時刻t到達(dá)，乘客以f(t0)的概率密度于t+t0時刻到達(dá)乘車點(diǎn)，則等候時間td的分布為:ptd=ptd=(6)fff(t°)與em(td丸dtddt00<0J化簡公式(6)可得如下的結(jié)果：,ie7d.ft0e-'jt0dt。一tp(3尸三左"&je…⑺ft°”「t0dt0e-jtddtd00由以上公式可知，無論乘客在什么時刻到達(dá)所分析區(qū)域，其等待時間的概率均服從指數(shù)分布，由此即可計(jì)算其期望為：

二二’1,一E（td）=[tdp（tdJdtd=Jt/je'cltd=—（8）00'j由公式（8）則可以知道，我們只需對出租車進(jìn)入某區(qū)域的速度與進(jìn)行估計(jì)，即可得到乘客等待時間的期望值。供需匹配程度衡量模型的求解通過5.1.1中對問題的簡單分析，以及建立的模型，對此供需匹配程度衡量模型進(jìn)行求解的具體步驟如下：Step1:將所得數(shù)據(jù)中每輛車的時間、經(jīng)度、緯度和狀態(tài)四個數(shù)據(jù)提取出來，利用其狀態(tài)數(shù)據(jù)由0變?yōu)?,或由1變?yōu)?,同時結(jié)合時間和空間數(shù)據(jù)得出某段時間內(nèi)乘客上下車的地點(diǎn)分布圖[5][6];Step2：將某段時間內(nèi)，乘客上下車的位置進(jìn)行聚類分析，得到乘客上下車的熱點(diǎn)分布圖，得到熱點(diǎn)圖后，即可對某段時間內(nèi)，某個區(qū)域（即不同時空）衡量“供求匹配”程度的對應(yīng)指標(biāo)進(jìn)行分析；Step3:指標(biāo)一一一車輛滿載率求解：在研究區(qū)域內(nèi),由數(shù)據(jù)可提取出2011年4月18日，載客車輛數(shù)為5987輛，總出租車流量為13005輛，由公式（2）可計(jì)算得到其車輛滿載率；Step4：指標(biāo)二一一萬人擁有量求解：由于所查數(shù)據(jù)無法反映區(qū)域內(nèi)的人口數(shù)量，而僅僅依據(jù)自身分類得到查找分區(qū)內(nèi)的人口數(shù)量較困難，故我們利用深圳市的萬人擁有量對其進(jìn)行表示。由深圳市2012年統(tǒng)計(jì)年鑒數(shù)據(jù)可知，深圳市2011年年末的常住人口為1046.74萬，出租車數(shù)量為13798臺，計(jì)算出其萬人擁有量[7];Step5:指標(biāo)三一一乘客等待時間求解，由以上分析，要得到對出租車進(jìn)入某區(qū)域的速率匕進(jìn)行估計(jì)，通過分析我們選擇極大似然估計(jì)進(jìn)行求解：7?=argmaxl?（九1Ati，…，Atn）=argmax,九ne，24（9）其中,值。n」其中,值。△t1,…，為空載出租車到達(dá)的時間問隔，N為到達(dá)時間間隔的樣本均由以上公式可知，由數(shù)據(jù)聚類分析后，在每個區(qū)域內(nèi)得到其時間間隔,則可以計(jì)算出N的取值，則可以求出最終的乘客等待時間。供需匹配程度衡量模型的結(jié)果針對5.1.2中的求解步驟，針對附錄1中的程序文件，利用MATLAB編程求解。所求得的各部分結(jié)果如下：（1）對于指標(biāo)一一一車輛滿載率，根據(jù)所提取出的數(shù)據(jù)，由公式（2）可計(jì)算出其車輛滿載率為46.04%;（2）對于指標(biāo)二一一萬人擁有量，由計(jì)算公式（3）,代入所查2011年深圳市車輛規(guī)模和人口規(guī)模，求得指標(biāo)三的值為13.18輛。（3）對于指標(biāo)三一一乘客等待時間，由公式（9）分析，處理數(shù)據(jù)后得到各個時間段內(nèi)車輛到達(dá)時間間隔的樣本均值，以此來作為一天中各個小時內(nèi)的乘客等待時間值。20001234567891011121314151617181920212223系列1系列20001234567891011121314151617181920212223系列1系列2系列3圖1三個區(qū)域一天內(nèi)乘客等待時間圖由以上圖像，選取市中心、郊區(qū)、偏遠(yuǎn)地區(qū)三個區(qū)域一天內(nèi)乘客等待時問為代表分析不同時空出租車資源的“供需匹配”程度。以下為三個區(qū)域的具體位置表。表2三個區(qū)域具體位置表區(qū)域經(jīng)度緯度所在區(qū)域中心城區(qū)偏遠(yuǎn)地區(qū)郊區(qū)113.92022.520大利中央廣場附近114.12022.570洪湖公園附近114.09022.590深圳體育場附近由以上所得區(qū)域表，結(jié)合圖1,分析如下：(1)在中心城區(qū)，上午8:00-11:00,下午17:00-19:00為等待時間較長的時段，結(jié)合實(shí)際情況，此兩個時間段為上下班打車高峰期，故所得結(jié)果較為合理；(2)在偏遠(yuǎn)地區(qū)，凌晨3:00-5:00,上午9:00-11:00為等待時間較長的時段，結(jié)合實(shí)際情況，偏遠(yuǎn)地區(qū)凌晨出租車數(shù)量較少，故凌晨時間段乘客等車時間較長，以此兩個時間段為打車高峰期較為合理；(3)在郊區(qū)，凌晨4:00-7:00,下午12:00-14:00為等待時間較長的時段，結(jié)合實(shí)際情況，郊區(qū)凌晨打車也較為困難，且下午上班高峰期同樣為等待時間較長的時間段，故所得結(jié)果較為合理。供需匹配程度衡量模型的結(jié)果分析由以上四個指標(biāo)的計(jì)算值，對深圳市2011年4月18日不同時空出租車“供需匹配”程度分析如下：(1)對于指標(biāo)一一一車輛滿載率，所計(jì)算的結(jié)果小于一般情況下的車輛滿載率界限70%,故我們可以看出所研究區(qū)域的車輛滿載率較低，即研究時段內(nèi)，載客車輛數(shù)占所有出租車數(shù)量的比例較低，即車輛出租車的空駛率較高，分析結(jié)合2011年《深圳市交通發(fā)展報告》，全市居民機(jī)動化出行方式結(jié)構(gòu)中，出租車占3.4%,常規(guī)公交占38.8%,地鐵占8.0%,小汽車占39.4%,單位班車占7.4%,由此情況分析，深圳市市民出行方式中，乘坐出租車所占比例較低，由此可知，所得結(jié)果較為合理[8];(2)對于指標(biāo)二一一萬人擁有量，鑒于出租車的活動范圍呈現(xiàn)一定的動態(tài)變化，而這方面的人口統(tǒng)計(jì)數(shù)據(jù)不易給出，而考慮到深圳市較國內(nèi)大部分城市發(fā)展較快，故可近似認(rèn)為其城市人口分布較均勻，從而利用整個深圳市的萬人擁有量對于進(jìn)行近似替代，而由計(jì)算結(jié)果每萬人擁有13.18輛。分析深圳市城市規(guī)模可知，深圳市屬于我國的六個特大城市之一，其萬人擁有量低于國家標(biāo)準(zhǔn)，分析原因可能為其經(jīng)濟(jì)水平較高，私家車數(shù)量對出租車市場沖擊較大。且由2011年《深圳市交通發(fā)展報告》可以看到，在179萬輛小客車保有量中，私家車比例達(dá)到89%,故可以看出深圳市民對出租車的需求量較小，致使出租車行業(yè)受到一定的沖擊網(wǎng)；（3）對于指標(biāo)三一一乘客等待時間，對一天內(nèi)乘客等待時間分析，所得結(jié)果中，乘客等待的最短時間出現(xiàn)在21:00-22:00,為298.875秒，即4.98分，最長等待時間出現(xiàn)在10:00-11:00,為1535秒，即25.58分，平均等待時間為620.93秒，即10.35分。與2011年《深圳市交通發(fā)展報告》給出的交通擁擠時間對比，深圳市2011年全市工作日平均擁堵時長（交通指數(shù)大于3,處于輕度擁擠及以上擁擠等級的時間長度）為13分鐘，中心城區(qū)平均擁堵時長為24分鐘。由實(shí)際擁堵時間分析，結(jié)合區(qū)域特性，可知最終所求乘客等待時間較為合理。止匕外，綜合其車輛滿載率較低，可以看到出租車空駛率較高而乘客等待時間也較長，由此造成打車十分困難網(wǎng)?，F(xiàn)行補(bǔ)貼政策分析模型的建立與求解分析題意可知，問題二需在問題一的基礎(chǔ)上，考慮現(xiàn)行打車軟件公司所出臺的補(bǔ)貼政策是否能緩解“打車難”問題。對于此模型的建立首先從各軟件公司的補(bǔ)貼政策出發(fā)，結(jié)合問題一的求解對問題而進(jìn)行分析。現(xiàn)行補(bǔ)貼政策分析模型的建立分析題意，我們首先通過查詢資料，得到當(dāng)下兩大軟件公司Uber和滴滴出行的補(bǔ)貼政策。2015年6月22日至I6月28日，一周內(nèi)Uber公司的獎勵政策中，除了無條件返還車費(fèi)的20%（特斯拉除外），以及在司機(jī)每周接單率達(dá)70%以上時結(jié)合行程評分給予基礎(chǔ)補(bǔ)貼外，還提出一定的高峰補(bǔ)貼政策如下：表3Uber公司圖峰補(bǔ)貼政策112:00-24:001007:00-10:0025周一■17:00-22:0015周三07:00-10:002517:00-22:0015周四07:00-10:002517:00-22:0015周五07:00-10:003016:00-24:0025周六12:00-24:0010周日12:00-24:0010表3中，該行程評分為5星可獲得全額，4星可獲得一半，3星及以下無補(bǔ)貼,且要求每周接單率需在70%以上［9］。而最初滴滴打車設(shè)立的獎勵政策為：表4滴滴打車最初補(bǔ)貼政策首周雙倍車費(fèi)10元/單第二三四周（上周完成5單及5單雙倍車費(fèi)10元/單以上）第二三四周［（上周完成不足5單）10元/單10元/單其中，每單獎勵上限25元；高峰期為周一到周五，每天6:30-10:00和16:30-21:00,高峰期和非高峰期的每天獎勵上限各為兩單?？紤]到問題一模型中數(shù)據(jù)提取的過程較復(fù)雜，故我們對數(shù)據(jù)進(jìn)行柵格分區(qū)，經(jīng)度從東經(jīng)113°45'向東，緯度從北緯22°47'向北，以0.01°（對應(yīng)長度為1Km）為一個正方形的長度，將所選區(qū)域分為84父52個方格。對于某個時刻每個方格內(nèi)的出租車數(shù)量的統(tǒng)計(jì)，設(shè)某輛出租車的位置坐標(biāo)為（ij,iw）,利用如下公式進(jìn)行處理：ix,iy=ij-//0.01,iw-Y0/0.01其中，（M,y0）為起始的經(jīng)緯度，［］表示向上取整。將所有方格內(nèi)的數(shù)據(jù)進(jìn)行聚類分析，得到熱點(diǎn)區(qū)域。在每一個區(qū)域內(nèi)，用乘客數(shù)來刻畫上下車的交通熱度，得出其隨時間變化的趨勢后，即可得到高峰時段的大致區(qū)域。以不表示打車軟件進(jìn)行補(bǔ)貼的高峰期覆蓋所求解高峰時段的比率，由于補(bǔ)貼政策更多地是面向中心城區(qū)的“打車難”問題，故在這里我們?nèi)≈行某菂^(qū)的時段進(jìn)行求解，高峰時段覆蓋率計(jì)算公式如下：一Lt￥=710）」t其中，&表小各公司進(jìn)行補(bǔ)貼的圖峰時段，』表示所求解得到的高峰時段，規(guī)定?的最大取值為100%。由公式（10）即可將各打車軟件公司所給出的補(bǔ)貼時段進(jìn)行對比，如重疊率大于75%,則認(rèn)為該政策可以有效提高司機(jī)在高峰時段的積極性，從而緩解“打車難”的問題?，F(xiàn)行補(bǔ)貼政策分析模型的求解依據(jù)5.2.1中建立的現(xiàn)行補(bǔ)貼政策分析模型，對此問題的具體求解步驟如Step1:利用我們問題一中所獲取的數(shù)據(jù)，如5.2.1模型建立中所述我們將所研究區(qū)域進(jìn)行柵格劃分，則將大量的數(shù)據(jù)點(diǎn)降維為較小區(qū)域的數(shù)量聚類問題；Step2：將每個小區(qū)域內(nèi)狀態(tài)從空車到載客的車輛數(shù)目統(tǒng)計(jì)出來，作為各區(qū)域的一個值進(jìn)行聚類分析，得到數(shù)量較大的十個熱點(diǎn)分區(qū)；

Step3:就一個區(qū)域，考慮出租車狀態(tài)由空載變?yōu)檩d客的出租車數(shù)目，以每次上下車平均1人考慮，每一次狀態(tài)的轉(zhuǎn)變都對應(yīng)為乘客的上下車，以此，得到0-24小時內(nèi)各區(qū)域乘客的數(shù)目變化；Step4:將所得的0-24小時內(nèi)各區(qū)域乘客的數(shù)目變化曲線作為衡量高峰時段的標(biāo)準(zhǔn)，得到大致的高峰時段分布范圍；Step5:考慮到各軟件公司所提供的補(bǔ)貼政策劃分時間段，利用公式（10）計(jì)算各公司出臺政策的高峰時段重疊率。若重疊率大于90%,則此政策可以在一定程度上緩解“打車難”的問題，反之，緩解效果較小。現(xiàn)行補(bǔ)貼政策分析模型的結(jié)果及分析根據(jù)5.2.2中的求解步驟，針對附錄2中的程序文件，利用Matlab進(jìn)行編程求解，可得到如下的結(jié)果：對其中一個區(qū)域的起始車輛數(shù)提取，在17:00-18:00其車輛數(shù)目分布的三維圖像如下：0黑茶卅澳超400黑茶卅澳超40緯度分格經(jīng)度分珞圖2一小肅內(nèi)某區(qū)域的起始車輛數(shù)分布圖由以上圖像可以看出，在一個分布區(qū)內(nèi)，狀態(tài)由空載轉(zhuǎn)變?yōu)檩d客的車輛數(shù)目。繼而由5.2.2中的求解步驟，由車輛數(shù)目對應(yīng)出乘客數(shù)，可得到二十四小時內(nèi)乘客數(shù)變化的圖像如圖3。分析圖3,可以看到各個區(qū)域乘客人數(shù)一天內(nèi)隨著時間的變化曲線，由此即可分析得到一天內(nèi)乘客上下車的兩個高峰期為：7:00-9:00,17:00-19:000結(jié)合實(shí)際情況可知，所得高峰時段恰恰對應(yīng)著市民上下班的高峰時段，故所得結(jié)果合理。

IDCtr9C-圖3一天內(nèi)乘客人數(shù)隨時間的變化圖IDCtr9C-圖3一天內(nèi)乘客人數(shù)隨時間的變化圖而對于繁華區(qū)域，我們可以看到，基本上在各個時間段，其乘客數(shù)都較大，在分析乘客上下車的高峰期時，我們盡量降低繁華區(qū)域?qū)φw結(jié)果的影響。繁華區(qū)域的結(jié)果如下：圖4圖4各區(qū)域乘客數(shù)變化由以上可知，繁華區(qū)域的乘客數(shù)遠(yuǎn)遠(yuǎn)大于其他區(qū)域的乘客數(shù)，故我們在分析結(jié)果時適當(dāng)減小繁華區(qū)域的影響以得到較為平均、合理的高峰時段。由以上所得高峰時段分析現(xiàn)行軟件公司所給政策，可以發(fā)現(xiàn)我們對這兩個高峰期內(nèi)的補(bǔ)貼政策進(jìn)行分析，由假設(shè)2,我們忽略一周七天的交通情況的變化，則可以得出以下結(jié)論：(1)在各公司所能承擔(dān)補(bǔ)貼費(fèi)用的基礎(chǔ)上，Uber公司所給出的補(bǔ)貼方案較為合理，其補(bǔ)貼時段的高峰時間重疊率為78.57%,大于所給重疊率75%,補(bǔ)貼資金對于高峰時段提高出租車司機(jī)的積極性有一定的幫助，可以適當(dāng)緩解“打車難”的問題，而與此同時，該公司對司機(jī)接單數(shù)以及司機(jī)的服務(wù)評

價進(jìn)行了一定的考量，有利于對司機(jī)接單進(jìn)行一定的限制；(2)對于滴滴打車公司在最初給出的補(bǔ)貼政策可以看到，其所給出的補(bǔ)貼資金高峰時段重疊率為100%,故在該政策實(shí)行期間對“打車難”問題幫助較大，但其并沒有對司機(jī)的服務(wù)等進(jìn)行限制，且其補(bǔ)貼隨著時間會逐漸較少，僅僅能在短時間內(nèi)緩解“打車難”的問題；(3)由實(shí)際情況可知，各大打車軟件公司不可能對司機(jī)進(jìn)行長期補(bǔ)貼，資金來源是各個軟件公司目前面臨的重要問題。但軟件公司應(yīng)該充分結(jié)合市場運(yùn)營情況，思考新的補(bǔ)貼方案，以使補(bǔ)貼政策可以長期進(jìn)行，同時也使自身利益最大化。補(bǔ)貼方案設(shè)計(jì)模型的建立與求解分析題意可知，問題三需在問題二考慮現(xiàn)行打車軟件公司所出臺的補(bǔ)貼政策的基礎(chǔ)上，結(jié)合最終的結(jié)果分析，給出合適的補(bǔ)貼方案，并驗(yàn)證其合理性。補(bǔ)貼方案設(shè)計(jì)模型的建立分析題意，問題三中我們要設(shè)計(jì)一種補(bǔ)貼方案，緩解居民打車難的問題?？紤]到打車軟件服務(wù)平臺、乘客和出租車司機(jī)之間的利益關(guān)系，我們要找到一種補(bǔ)貼政策使得乘客需求得到回應(yīng)，同時使出租車司機(jī)和打車軟件服務(wù)平臺效益盡可能最大化，為此我們建立三者之間利益的博弈體系，分別建立出租車司機(jī)效益模型和打車軟件平臺效益模型，運(yùn)用Stackelberg博弈理論，構(gòu)建雙層規(guī)劃模型來描述打車軟件平臺對出租車司機(jī)的補(bǔ)貼問題，研究在盡可能滿足居民打車需求的情況下，平衡打車軟件平臺和出租車司機(jī)經(jīng)濟(jì)效益的最優(yōu)補(bǔ)貼政策。關(guān)于補(bǔ)貼具體安排，我們在這個模型中只考慮打車軟件給出租車司機(jī)每單補(bǔ)貼和乘客對出租車司機(jī)的額外費(fèi)用補(bǔ)貼[10][11]。此問題中模型建立的具體過程如下：Step1：對乘客出行需求次數(shù)進(jìn)行建模。(1)出租車運(yùn)價結(jié)構(gòu)：結(jié)合生活經(jīng)驗(yàn)可知，出租車的基本運(yùn)價包括起步價和里程價兩部分。其基本運(yùn)價可表示為：P=po*口(LTo)(11)其中，P表示運(yùn)價，即一次的出行成本，p0表示出租車起步價，P表示出租車?yán)锍虄r，L表示出租車乘客平均乘車距離，l0表示出租車起步價的固定里程。(2)乘客出行需求：分析可知乘客需求Q(次/時)除了受到自身生活工作的內(nèi)部因素外，還受多種外在因素影響。對于外在因素，我們主要考慮一次的出行成本P,乘車時間t和等待時間(td)三方面因素的影響。如下所示：Q=fP,T,Wf一：二0從現(xiàn)實(shí)情況分析可知，對于乘客來說，出租車運(yùn)價增加、乘車時間變長、等待時間變長都會使乘客對出租車的需求下降。所以，乘客需求分別是以上三個自變量的減函數(shù)，即具一階導(dǎo)數(shù)小于f一：二0rFf-，汗Cf1—<0,f2——<0,1：:P2：:t查閱文獻(xiàn)，我們得到一種比較合理的模型，如公式(12)所示。Q=Qexp(P+Tt+ktd)](12)其中，Q表示潛在的乘客出行需求(次/小時)，a為出租車出行需求的成本彈性系數(shù)，表示在一定時期內(nèi)當(dāng)出行成本變化1元時所應(yīng)引起的該出行需求量變化的百分比；T表示乘客乘車的單位時間價值(元/時)，k表示乘客等車的單位時間價值(元/時)[12]。Step2：出租車司機(jī)總利潤建模。(1)對出租車司機(jī)總收入分析：由于出租車司機(jī)的收入來自出租車公司，且本模型的出發(fā)點(diǎn)為打車軟件公司，故我們把出租車與出租車公司的利潤結(jié)合起來考慮。分析知，其利潤由出租車運(yùn)價費(fèi)用決定，總費(fèi)用即等于乘客的需求量與乘客每次乘坐汽車費(fèi)用的乘積。用R表示出租車司機(jī)的總收入，則可得：R=PQ(13)(2)對出租車經(jīng)營成本分析：查閱文獻(xiàn)知道，出租車經(jīng)營成本包括固定成本和可變成本，其總成本C表示如下：C=cN=(cb+Kvx)N(14)其中，Co表示每輛出租車的單位時間內(nèi)的固定成本(元/(輛?時))，九表示出租車沒單位運(yùn)行里程的油耗量(升/千米)，V表示出租車行駛的平均速度(千米/時)，N表示接受打車軟件信號后響應(yīng)的出租車數(shù)目。查閱參考文獻(xiàn)，結(jié)合實(shí)際情況[10],N二k^eQAE其中，a表示打車軟件公司給出的補(bǔ)貼費(fèi)用，0WaWA,A表示軟件公司給出的最大補(bǔ)貼費(fèi)用，e表示乘客給出的補(bǔ)貼費(fèi)用，0wewE,E表示現(xiàn)行最大的乘客補(bǔ)貼費(fèi)用，其中匕，k2表示對軟件公司補(bǔ)貼費(fèi)用及乘客補(bǔ)貼兩者的權(quán)重，k1,笈取值均為0到1的數(shù)。綜上分析，用B表示出租車司機(jī)的總利潤，則其總利潤即為總收入R與總成本C的差，如下所示：B=R-C(15)Step3:打車軟件公司總利潤建模。分析現(xiàn)實(shí)情況，我們假設(shè)打車軟件的總收入只來自出租車接單的回扣資金，與此同時需減去其自身對出租車司機(jī)接單的補(bǔ)貼資金，如下打車軟件公司的利潤R'為：R=PQn-aN(16)其中，P表示一次出行成本，Q表示出行需求，刈表示每單運(yùn)價中打車軟件公司所得的回扣率，a表示每單補(bǔ)貼費(fèi)用，N表示接受打車軟件信號后響應(yīng)的出租車數(shù)目。Step4：由于本模型建立的前提是盡可能滿足乘客的需求，故設(shè)置約束條件為：N>0.73Q(17)由以上建立的出租車司機(jī)利潤、打車軟件公司利潤公式(15)(16),添加約束條件(17),得到如下的雙層規(guī)劃模型：對于出租車公司利潤:U:maxB=R—Cs.tW<e<E(18)s.tW<e<E(18)N0.73Q對于打車軟件公司的利潤：（L:maxR=PQ-aN(19)0_a_A(19)Ist(0WeEENA0.73Q補(bǔ)貼方案設(shè)計(jì)模型的求解依據(jù)5.3.1中建立的補(bǔ)貼方案設(shè)計(jì)模型，模型求解的重點(diǎn)即在于對此模型中涉及的主要參數(shù)進(jìn)行確定，具體的求解步驟如下：Step1:分析出租車公司利潤，由5.3.1模型建立的Step1中所建立的公式可知，查閱資料得到深圳市出租車起步距離為3公里，起步價為10元，里程價為2.4元，由2011年《深圳市交通發(fā)展報告》可以得到平均乘距為6.5公里，即可求得其一次運(yùn)價P為18.4元。此外通過查閱資料可知其成本的彈性系數(shù)a為0.045,由第一問結(jié)果求得平均等待時間td為620.93秒。查閱文獻(xiàn)得到乘客等待時間價值k為25（元/時），乘車時間價值為20（元/時），出租車行駛平均速度為25（千米/時）。而由2011年《深圳市交通發(fā)展報告》中給出得數(shù)據(jù)，可以計(jì)算出其潛在出行人數(shù)為23700[8];Step2:分析打車軟件公司利潤，由查閱數(shù)據(jù)可知，目前打車軟件公司所收取的回扣費(fèi)用總體為運(yùn)價的20%。止匕外，對于接收打車軟件消息后響應(yīng)的司機(jī)數(shù)目N計(jì)算公式中，經(jīng)過分析打車軟件公司補(bǔ)貼及乘客補(bǔ)貼對司機(jī)所產(chǎn)生的效用，I,k2分別取0.6和0.4,最終的約束條件中，所給的對需求量的滿足程度取深圳市2011年車輛滿載率作為評判標(biāo)準(zhǔn)，即設(shè)置N的值為0.73;Step3:對相關(guān)參數(shù)進(jìn)行取值后，建立綜合的優(yōu)化模型，由于模型為雙層規(guī)劃模型，故利用Matlab編程求解[13]。補(bǔ)貼方案設(shè)計(jì)模型的結(jié)果及分析根據(jù)5.3.2中的求解步驟，針對附錄3中的程序文件，利用Matlab進(jìn)行編程求解，可得到如下的結(jié)果：在假設(shè)條件下，將一周內(nèi)的情況合并為一種，計(jì)算得的打車軟件公司對司機(jī)每單的補(bǔ)貼為：14.75元，乘客對司機(jī)每單的補(bǔ)貼為2.18元，0.6個小時當(dāng)765輛司機(jī)對打車軟件響應(yīng)時，出租車司機(jī)最大的總收益為3106元，打車軟件公司最大收益為2256元，此結(jié)果與實(shí)際情況對比，符合現(xiàn)實(shí)情況，故此結(jié)果較為合理。考慮到打車軟件公司不能持續(xù)對司機(jī)進(jìn)行補(bǔ)貼，故在以上的基礎(chǔ)上，其可適當(dāng)改變補(bǔ)貼政策，并對使用打車軟件的司機(jī)進(jìn)行一定的約束[14][15]o具體實(shí)行政策如下：（1）當(dāng)司機(jī)上單服務(wù)評價為五星時，下單則可繼續(xù)獲得全額補(bǔ)貼，從五星開始，每降一星，下單所獲補(bǔ)貼降低10%,以此來約束出租車司機(jī)規(guī)范其服務(wù)行為，同時也可在一定程度上降低打車軟件的補(bǔ)貼；(2)補(bǔ)貼政策分時段進(jìn)行，由問題一中所得的高峰時段上午7:00-9:00和17:00-19:00,在不改變總體補(bǔ)貼值的情況下，降低低谷時段的補(bǔ)貼值，增加高峰時段的補(bǔ)貼值，適度緩解高峰時段“打車難”的問題。6模型的評價與改進(jìn)方向模型的評價由于本問題中，模型建立雖然盡可能多地考慮到實(shí)際情況中衡量出租車資源“供需匹配”程度的指標(biāo)，并對現(xiàn)行補(bǔ)貼政策進(jìn)行分析，建立新的補(bǔ)貼方案。但本問題中所給數(shù)據(jù)基于出租車軌跡數(shù)據(jù)，基于此數(shù)據(jù)建立的模型可以得到有效的求解，若所給數(shù)據(jù)意義不同，則本模型的求解過程應(yīng)結(jié)合具體問題進(jìn)行相應(yīng)的變動。模型的優(yōu)點(diǎn)(1)該模型中所查找數(shù)據(jù)給出了深圳市出租車軌跡隨時空的變化，進(jìn)行合理地?cái)?shù)據(jù)提取后，則可針對本問題進(jìn)行求解；(2)該模型較多地結(jié)合實(shí)際，對所得結(jié)果與2011年《深圳市交通發(fā)展報告》進(jìn)行比對，增加了模型求解結(jié)果的可靠性，使結(jié)果更貼近實(shí)際情況；(3)模型思想設(shè)計(jì)較為合適，對大量數(shù)據(jù)進(jìn)行分區(qū)降維，大大降低計(jì)算復(fù)雜度，同時，以具有代表性的區(qū)域進(jìn)行不同時間的分析，保證結(jié)果合理的同時使得模型求解較為簡便；(4)本模型中設(shè)計(jì)新的補(bǔ)貼政策時，以博弈論的思想，建立雙層規(guī)劃模型，盡可能多地考慮多方利益，利用Matlab編程，以量化結(jié)果給出補(bǔ)貼金額。模型的缺點(diǎn)(1)在考慮問題一中的三個指標(biāo)時，由于時間限制，無法獲取較多小范圍的人口及車輛統(tǒng)計(jì)數(shù)據(jù)，僅僅只能對第三個指標(biāo)的時間分布進(jìn)行具體分析；(2)在考慮問題三中的補(bǔ)貼政策時，為降低模型建立及求解的復(fù)雜度，忽略了一周七天內(nèi)的交通變化情況，僅僅將每天的交通情況近似看為等效的進(jìn)行模型的求解。模型的改進(jìn)方向(1)問題一在構(gòu)建指標(biāo)評價不同時空“供求匹配”程度時，劃分熱點(diǎn)后，我們可以進(jìn)一步考慮工作日與非工作日的區(qū)別，然后計(jì)算萬人擁有量、里程利用率、車輛滿載率、乘客等待時間、車輛空駛率等指標(biāo)，得到更科學(xué)的評價結(jié)果，但這需要得到更完備的數(shù)據(jù)。(2)問題二要求分析各公司的出租車補(bǔ)貼方案對“打車難”的緩解效果，我們通過仿真，逆向求出不同熱點(diǎn)乘客高峰期與補(bǔ)貼高峰期的重疊率，從而對補(bǔ)貼緩解效果評價。實(shí)際生活中，對訂單數(shù)量的獎勵也是一種補(bǔ)貼方式，綜合考慮會使模型更加完善。另外，可以嘗試找到深圳市不同區(qū)域的出租車路跡數(shù)據(jù)，針對不同區(qū)域進(jìn)行綜合評價。(3)問題三要求設(shè)計(jì)一個新的出租車補(bǔ)貼方案，我們綜合出租車司機(jī)、打車軟件公司、乘客三方的利益關(guān)系建立了一個雙層規(guī)劃的博弈模型?，F(xiàn)實(shí)生活中，出租車燃油價格會發(fā)生波動，這會對出租車經(jīng)營公司提供的出租車總數(shù)產(chǎn)生負(fù)向沖擊，政府為了維持交通秩序，滿足乘客的乘車需求，會額外給出租車經(jīng)營公司一定補(bǔ)貼。據(jù)此，模型推廣可以考慮以燃料價格變動為指標(biāo)，考慮政府、出租車公司、乘客之間利益關(guān)系博弈，研究在盡可能不減少出租車數(shù)量的情況下政府實(shí)行的補(bǔ)貼方案，以及如何使政府和出租車公司之間達(dá)到利益平衡。參考文獻(xiàn)[1]同濟(jì)大學(xué)數(shù)學(xué)系，用出租車GPS數(shù)據(jù)分析深圳道路交通情況/model/camp2011D.html,2015.09.11。[2]運(yùn)輸經(jīng)理世界編輯部，衡量出租車供求的三大指標(biāo)一一里程利用率、車輛滿載率、萬人擁有量[J],運(yùn)輸經(jīng)理世界，(05):51,2007。[3]中華人民共和國建設(shè)部，《城市道路交通規(guī)劃設(shè)計(jì)規(guī)范(GB50220-95)》，/link7urUoTz6J78hmtCAKddhwu1ITUvTHxImkq8sH7ep9A_bnvnZ_1FD7iWtlJJNCw0kk3apUKCUXqNIcEOHCkjTF55hfsrRPU1YLlJc-NCgTsYnbrO,2015.09.11。[4]齊觀德，基于出租車軌跡數(shù)據(jù)挖掘的乘客候車時間預(yù)測[J],軟件學(xué)報，24(S2):14-23,2013。Pan,G.,etal.,Land-UseClassificationUsingTaxiGPSTraces.IEEETRANSACTIONSONINTELLIGENTTRANSPORTATIONSYSTEMS,2013.14(1):113.Qi,G.,etal.Measuringsocialfunctionsofcityregionsfromlarge-scaletaxibehaviors.inPervasiveComputingandCommunicationsWorkshops(PERCOMWorkshops),2011IeEeInternationalConferenceon.2011.IeEe.[7]深圳政府在線，深圳統(tǒng)計(jì)年鑒2012,/nj2012/indexce.htm,2015.09.11。[8]深圳市交通運(yùn)輸委員會，深圳市交通發(fā)展年度報告，/p-3337995286159.html,2015.09.11。[9]打車道，深圳優(yōu)步Uber司機(jī)最新獎勵補(bǔ)貼政策(2015年6.22-6.28凌晨4:00),/driver/199.html,2015.09.11。[10]何建平，基于燃油價格變化的城市客運(yùn)出租車補(bǔ)貼研究[D],哈爾濱工業(yè)大學(xué)，2012。[11]姜永，陳山枝，胡博，異構(gòu)無線網(wǎng)絡(luò)中基于Stackelberg博弈的分布式定價和資源分配算法[J],通信學(xué)報，34(1):61-68,2013。[12]Wong,K.,etal.,Modelingurbantaxiserviceswithmultipleuserclassesandvehiclemodes.TransportationResearchPartB:Methodological,42(10):p.985-1007,2008.[13]姚偉鋒，趙俊華，文福拴等，基于雙層優(yōu)化的電動汽車充放電調(diào)度策略[J],電力系統(tǒng)自動化，36(11):30-37,2012。[14]江學(xué)龍，出租車業(yè)運(yùn)營分析及自適應(yīng)定價機(jī)制的創(chuàng)建[D],合肥工業(yè)大學(xué)，2006。[15]沈禹，周立新，基于城市公共交通優(yōu)先的出租車發(fā)展策略分析[J],交通科技與經(jīng)濟(jì),10(5):81-84,2008。附錄一、問題一附錄文件：(1)提取需要的數(shù)據(jù)并存入excel：tql.mfori=1:100心安數(shù)據(jù)\track_exp\'num2str(i)'.txt'];fidin=fopen(filename);in_date=fgetl(fidin);in_date=fgetl(fidin);x=1;while(in_date?=-1)hour={in_date(20:21)};hour=str2double(hour);if(hour==11)minute(i,x)={in_date(23:24)};second(i,x)={in_date(26:27)};jd(i,x)={in_date(29:38)};wd(i,x)={in_date(40:48)};status(i,x)={in_date(50:50)};x=x+1;endin_date=fgetl(fidin);endendy=1;[aabb]=size(status);forj=1:100z=1;fork=2:bbif(?isequal(status(j,k-1),status(j,k)))minu(y,z)=minute(j,k);seco(y,z)=second(j,k);m(y,z)=str2double(jd(j,k));n(y,z)=str2double(wd(j,k));z=z+1;endendy=y+1;endnum=zeros(84,52);jd0=22.47;wd0=113.45;d=0.01;[ccdd]=size(m);fori=1:100forj=1:ddif(isnan(m(i,j))||m(i,j)==0)break;elsea=ceil((m(i,j)-wd0)/d);b=ceil((n(i,j)-jd0)/d);num(a,b)=num(a,b)+1;endendend%xlswrite('data.xls',num,'Sheet1','A1')(2)將提取出來的時間數(shù)據(jù)轉(zhuǎn)化成秒tq2.mmin_double=str2double(minu);sec_double=str2double(seco);sec1=60*min_double+sec_double;(3)繪圖(熱點(diǎn))tq3.mx=1:84;y=1:52;[X,Y]=meshgrid(y,x);fori=1:84forj=1:52z(i,j)=num(i,j);endendmesh(X,Y,z);(4)統(tǒng)計(jì)各區(qū)內(nèi)車輛狀態(tài)變化的時間序列tq4.ma=1;fori=1:100forj=1:142if(m(i,j)==0)break;endif(isnan(m(i,j)))break;end&&if((m(i,j)<=113.93)&&(m(i,j)>=113.92)&&(n(i,j)<=22.53)(n(i,j)>=22.52))temp(a)=sec1(i,j);&&a=a+1;endendend(5)求等待時間tq5.mn=length(temp);temp=sort(temp);B=zeros(1,floor(n/2));fori=1:floor(n/2)if((2*i+1)>n)break;endB(i)=temp(2*i+1)-temp(2*i-1);endwait_time=mean(B);二、問題二程序文件(1)循環(huán)提取數(shù)據(jù)并存入excelpjl.mfori=1:100心安數(shù)據(jù)\track_exp\'num2str(i)'.txt'];fidin=fopen(filename);in_date=fgetl(fidin);in_date=fgetl(fidin);x=1;while(in_date?=-1)hour={in_date(20:21)};hour=str2double(hour);if(hour==23)minute(i,x)={in_date(23:24)};second(i,x)={in_date(26:27)};jd(i,x)={in_date(29:38)};wd(i,x)={in_date(40:48)};status(i,x)={in_date(50:50)};x=x+1;endin_date=fgetl(fidin);endendy=1;[aabb]=size(status);forj=1:100z=1;fork=2:bbif(?isequal(status(j,k-1),status(j,k)))minu(y,z)=minute(j,k);seco(y,z)=second(j,k);m(y,z)=str2double(jd(j,k));n(y,z)=str2double(wd(j,k));z=z+1;endendy=y+i;endnum=zeros(84,52);jd0=22.47;wd0=113.45;d=0.01;[ccdd]=size(m);fori=1:100forj=1:ddif(isnan(m(i,j))||m(i,j)==0)break;elsea=ceil((m(i,j)-wd0)/d);b=ceil((n(i,j)-jd0)/d);if(a>84||b>52)break;endif(a<=0||b<=0)break;endnum(a,b)=num(a,b)+1;endendendxlswrite('data0.xls',num,'Sheet1','A1')(2)讀入excel的數(shù)據(jù)并繪圖(時間，區(qū)域，熱度三維圖像)pj2.mnum00=xlsread('data00');num01=xlsread('data01');num02=xlsread('data02');num03=xlsread('data03');num04=xlsread('data04');num05=xlsread('data05');num06=xlsread('data06');num07=xlsread('data07');num08=xlsread('data08');num09=xlsread('data09');num10=xlsread('data10');num11=xlsread('data11');num12=xlsread('data12');num13=xlsread('data11');num14=xlsread('data11');num15=xlsread('data15');num16=xlsread('data16');num17=xlsread('data17');num18=xlsrea