为缓解共享单车潮汐出行在时空上供需失衡的典型问题,本文从运营方的角度出发,提出对共享单车进行短时出行需求预测的方法,辅以运筹优化模型,给出调度策略。首先,将出行OD按规则空间拓扑结构聚合,构造特征指标;然后,采用卷积神经网络(convolutional neural network, CNN)的一维卷积核函数自动提取聚合后区域的空间特征,利用长短时记忆神经网络(long short-term memory,LSTM)解决时序依赖;最后,利用预测结果指导带时间窗的车辆路径问题(vehicle routing problems with time windows, VRPTW),给出调度策略。结果表明,时空网络CNN+LSTM对未来单车供需状态进行短时预测的精度可达到81%,比自回归模型精度高7%,比随机森林模型和长短时神经网络(long-short term memory)的精度高4%;调度算法能够有效串联高峰期的供需极不平衡区域,并形成闭合调度链路,缓解单车潮汐出行带来的影响,为进一步开发群智优化调度系统提供有力依据。
暂无评论