《共享單車需求預測與路徑調度問題研究的國內外文獻綜述》4000字

共享單車需求預測與路徑調度問題研究的國內外文獻綜述1.1共享單車問題相關研究隨著提供單車服務的城市數(shù)量的快速發(fā)展，共享單車以方便快捷、低碳環(huán)保等特點日益快速發(fā)展，共享單車沒有任何的維護和防盜措施，因此難以長期維持[1,2]。DeMaio[3]將共享單車系統(tǒng)的發(fā)展歷程分為三個階段，并分析了各個階段共享單車系統(tǒng)的主要特征。Shaheen等[4]對歐洲、美洲、亞洲的共享單車系統(tǒng)的運作模式進行了分析和對比，并從自行車的損失和丟失、自行車調度、信息系統(tǒng)、保險和責任系統(tǒng)、實施前注意事項五個方面進行了總結。Midgley[5]對共享單車系統(tǒng)做了全面的概述，包括共享單車系統(tǒng)目前所面臨的挑戰(zhàn)和機遇，以及共享單車系統(tǒng)的管理、政策等。錢佳等[6]以蘇州市為例對影響共享單車滿意度的因素進行了分析，并得出“靈活便捷”、“涉及布局”、“舒適環(huán)?！倍际怯脩魸M意度的重要影響因素的結論。Chen,Yujing等[7]認為單車的可用性是影響用戶出行行為的關鍵因素，分析了共享單車企業(yè)在制定定價和可用性策略時，要考慮用戶對于時間的敏感度，提升共享單車的可用性，挖掘潛在的用戶，通過提高可用性成本來優(yōu)化利潤，增加可用性，討論了通過政策補貼改善可用性、企業(yè)的利潤、消費者剩余和社會福利的影響。Yu等[8]討論了共享單車時空特征，就時間特征而言，晚上高峰段共享單車的使用率高于早晨高峰時段，工作日的使用量略高于周末。在空間特征上，共享單車的使用量集中于地鐵站和商業(yè)區(qū)。在工作日，商業(yè)區(qū)和旅游區(qū)以及周圍的地鐵站中都出現(xiàn)了使用潮現(xiàn)象。周末，行政區(qū)的共享單車車數(shù)量有所減少，但在商業(yè)區(qū)和旅游區(qū)仍然呈遞增趨勢。WangB等[9]在對站點共享單車需求預測的研究中訓練了梯度增強回歸，人工神經網絡算法，用于預測共享單車的借出和還入數(shù)量，研究結果表明，人工神經網絡、梯度增強回歸的預測方法比其他模型更有效，并且梯度提升回歸性能更佳。Almannaa等[10]使用一階和二階的動態(tài)線性模型預測不同時間間隔內的共享單車數(shù)量，成功捕獲了基本需求趨勢的時間變化。1.2需求預測相關研究當前的研究同時結合時間、天氣、建筑環(huán)境、基礎設施，時間和空間依耐性因素，分析共享單車系統(tǒng)的需求模型。Guido,Cantelmo等[11]提出一種低維方法，通過天氣數(shù)據(jù)預測每日的共享單車需求，該方法的核心在于所提出的聚類技術，減少了問題的規(guī)模，對模型或其參數(shù)進行有限的假設，定量地結合了行程次數(shù)和平均行程起點和終點，以此確定遞歸移動性模式，從而準確預測需求。SathishkumarVE等[12]介紹了基于隨機森林的預測模型來滿足用戶需求，通過使用隨機森林算法建立每個季節(jié)的預測模型，進行可變重要性分析以評估不同季節(jié)中最重要的特征，結果表明，考慮季節(jié)變化，可以進一步改善自行車共享需求。Zhou,Yajun等[13]為了解決共享單車系統(tǒng)中經常出現(xiàn)的無車可用和無站可停的問題，提出了一種基于馬爾可夫鏈模型的預測方法，利用中山市共享單車系統(tǒng)收集的現(xiàn)場數(shù)據(jù)對提出的模型進行評估，預測了車站的日產量和吸引力。Yang,Hongtai等[14]利用共享單車的歷史運行數(shù)據(jù)，天氣數(shù)據(jù)和假日信息提出短期需求預測，通過新的空間約束聚類方法創(chuàng)造性地對自行車站進行聚類，采用嵌套滑動窗口法降低預測模型的過擬合風險，對新的時間序列特征進行校正，并將其應用于線性預測模型，將預測結果與非線性模型進行比較，發(fā)現(xiàn)線性模型在預測車站需求方面優(yōu)于非線性模型。王翔宇[15]設計了CSC(CentralStationbasedClustering)和HP(HierarchicalPredictor)算法分別解決站點群挖掘和需求預測問題,計算所有單車站點的需求核心度，選擇需求核心度最大的一部分站點作為核心站點，選出站點中需求核心度最大的站點為目標核心站點，依次加入站點群，通過HP算法對共享單車系統(tǒng)進行多層次的需求預測，得到每個站點群各時段的單車需求預測結果。馬勇等[16]將單車軌跡數(shù)據(jù)通過Geohash變換獲取位置、距離信息，使用樣本過濾、規(guī)則預過濾完成對數(shù)據(jù)的統(tǒng)計和挖掘，從特征群和特征類型兩個方面構建數(shù)據(jù)集。然后，基于單車在各區(qū)域歷史出行軌跡信息及出行規(guī)律，得到不同區(qū)域間的單車流量，根據(jù)數(shù)據(jù)類型，采用二次k-means算法，實現(xiàn)調度區(qū)域的劃分，得到與預測區(qū)域直接相關的區(qū)域蔟，同時，針對不同出行地點間出行的自流動性和關聯(lián)性，建立基于LSTM的線性網絡預測模型描述出行區(qū)域間的相關影響，準確預測需求量。FengY,WangS等[17]將歷史使用模式與天氣數(shù)據(jù)相結合，以預測華盛頓特區(qū)共享單車租賃需求。首先，通過常規(guī)方法建立了多元線性回歸模型，通過SPSS軟件得到方程，將數(shù)據(jù)與實際值進行比較，表明多元線性回歸模型的準確性較差。經過分析，發(fā)現(xiàn)數(shù)據(jù)包括虛擬變量，例如時間和季節(jié)。因此，提出了一個隨機

森林模型和一個GBM數(shù)據(jù)包來改進決策樹的結果和準確性。Yang,Hongtai等[18]使用深度學習方法為共享單車系統(tǒng)開發(fā)動態(tài)需求預測模型。首先進行了時空分析，以研究共享單車移動性的模型，得出時空需求不平衡的結論，利用長短期記憶神經網絡(LSTMNN)，以預測不同時間間隔(包括10分鐘，15分鐘，20分鐘和30分鐘間隔)的共享單車需求量。1.3路徑調度問題的研究在相關文獻中，共享單車調度問題致力于確定城市共享單車系統(tǒng)中重新定位車輛的最佳路線問題。解決的一系列相關優(yōu)化問題通常稱為自行車重定位問題。對于單車靜態(tài)調度，Benchimol等[19]和Chemla等[20]考慮了以成本為目標的車輛路徑模型，從而使目標自行車數(shù)量與車站實際自行車數(shù)量之間沒有差異。Kadri等[21]分析了只需讓車輛一次訪問所有站點即可解決該問題的方法。車站的目標和初始庫存水平是已知的，目的是最小化站點之間出現(xiàn)單車不平衡情況的時間。Ho等[22]將迭代禁忌搜索應用于相同的問題。Li等[23]建立了一個非典型的重新定位問題的模型和求解算法，其中區(qū)分了不同類型的自行車。Cruz等[24]研究了最大限度地降低旅行成本，同時滿足了所有車站的需求。Dell'Amico等[25]通過應用銷毀和修復啟發(fā)式方法解決了調度車輛的靜態(tài)重定位問題。模型目標為總行駛費用最低，同時每個站點僅由車輛訪問一次。Ho等[26]也為這個問題提供了一個大型鄰域搜索（LNS），但是采用了Raviv[27]的凸目標函數(shù)策略，并增加了總旅行時間。Raviv等[28]為異構機隊的靜態(tài)案例提供了模型和解決方案。通過指定抽象的非線性的凸目標函數(shù)，嘗試使模型適合于用戶的需求。此模型由與客戶相關的成本（通常是對未來一天站點預期服務損失的預測度量）和運營商成本的加權總和組成。解決方案受到所有路線時間限制的約束。Schuijbroek等[29]通過嘗試最小化車輛的行進距離，對這個問題應用集群優(yōu)先路線第二啟發(fā)式方法。為服務水平估計提供了一種排隊理論方法，該方法可以得出車站庫存范圍，將其用于路由模型的輸入。Rainer-Harbach等[30]提供的模型，其主要目標是使庫存水平與其輸入目標狀態(tài)之間的偏差最小。作為次要目標，它們列出了總體騎行時間和還車動作的數(shù)量。他們不是通過將問題作為多目標優(yōu)化問題來解決，而是通過計算加權總和并調整權重來線性化各個目標。對每個騎行持續(xù)時間實行時間限制，并通過應用多種元啟發(fā)法解決了該問題。徐冠宇[31]對多類型城市公共自行車調優(yōu)優(yōu)化問題進行研究，通過對調度車輛的路徑以及裝卸貨策略進行優(yōu)化，提高城市公共自行車系統(tǒng)的運輸效率。顧榮榮[32]從現(xiàn)有公共自行車網絡優(yōu)化角度著手，提出了三種公共自行車網絡優(yōu)化策略:“站點擴容”、“新建站點”、“站點合并”。宋明珠[33]圍繞公共自行車在站點的供需不平衡問題，從站點運營計劃和調度兩方面進行討論，綜合運用改進的蟻群算法和遺傳算法。在單車動態(tài)重新定位問題中，目標通常是使未滿足的總需求最小化，即嘗試從空站收集自行車或將自行車帶回滿站的用戶數(shù)量。ZhangMin-Jie等[34]提出了一種準動態(tài)的城市共享單車平衡方法，通過分析站點的最大容量，約束各個時期的租金與收益之間的日平均差。Swaszek等[35]通過擴展Rainer-Harbach等[36]的靜態(tài)重新定位工作來解決該問題。從預期的累積需求函數(shù)中，可以跟蹤損失的需求并將其作為加權項添加到靜態(tài)目標函數(shù)中。在靜態(tài)案例的啟發(fā)式方法中引入了緊急性的概念，以獎勵對預期未滿足需求的快速響應。Caggiani等[37]解決了在線動態(tài)問題，問題在于解決隨機需求，作者介紹了用庫存狀態(tài)來確定重新定位活動中的單車需求。Regue等[38]提出一個框架，在該框架中預測每個站點的需求以及其最佳庫存水平，以應對未來一段時間內需求的波動。計算將要重新安置的自行車的數(shù)量。Pfrommer等[39]提出了一種用于在線環(huán)境的方法。在這些離線問題中，他們使用預測結果來做出綜合路由和客戶定價激勵決策。這樣做的目的是使公用事業(yè)功能最大化，從而在路由和定價成本與服務水平之間取得平衡。同樣，將執(zhí)行單路線計算，并為車隊合并解決方案。共享單車需求平衡問題屬于NP-難問題，隨著問題規(guī)模的擴大，啟發(fā)式求解算法的求解速度會顯著變慢。潘利軍等[40]提出了容差概念，設計了容差插入啟發(fā)式算法，對該算法應用標準算例，測試結果表明，該算法速度快，并且參數(shù)設置簡單。在此基礎上，又提出了一種求解共享單車再平衡問題的非代際遺傳算法[41]，基于個體搜索機制保留優(yōu)異個體，設計線路交叉算子和K點破壞修復變異算子，引入破壞修復機制。白雪等[42]研究了自行車運返維護的靜態(tài)自行車再分配問題，是一種包含正常自行車和待維修自行車的雙貨物路徑規(guī)劃問題，提出了基于動態(tài)規(guī)劃的精確算法，并根據(jù)問題特性引入兩條加速規(guī)則。一些作者研究了一些模型來激勵用戶，以幫助他們進行自行車的重新定位。Haider等[43]制定了一種定價方案，以說服用戶在特定站點騎自行車，從而減少了卡車重新放置的需要，同時最大限度地減少了不平衡站點的數(shù)量。李興華等[44]考慮了共享單車系統(tǒng)自發(fā)的不均衡性導致單車數(shù)量分布與用戶需求分布之間產生偏移，降低了系統(tǒng)服務能力，需要調度實現(xiàn)再平衡，提出以用戶出行選擇行為為下層，以調度車輛路徑規(guī)劃為上層的雙層規(guī)劃模型框架，設計結合仿真系統(tǒng)的啟發(fā)式求解算法。TalRaviv等[45]認為滿足每個站點對自行車需求和空閑停車位之間不斷變化的需求，需要通過重定位操作實現(xiàn)，該操作包括使用使用專用的車輛從某些站點卸下單車并將其轉移到