基于时空大数据的共享单车多目标优化调度方法技术

基于时空大数据的共享单车多目标优化调度方法，涉及绿色低碳交通技术领域，运用共享单车数据挖掘用户出行规律对共享单车进行社区划分，并进一步对社区板块进行Geohash编码，根据共享单车的停靠热度信息得到各个社区内的共享单车的调度热点；然后，以调度车辆的最大载重量、参与调度的运输车辆数、调度点的实际投放量等为设计决策变量，以降低共享单车调度运营成本和提升单车利用率为优化的目标，建立基于NSGA

【技术实现步骤摘要】
基于时空大数据的共享单车多目标优化调度方法


[0001]本专利技术属于绿色低碳交通
，涉及基于时空大数据的共享单车多目标优化调度方法。

技术介绍

[0002]国内外学者为提出共享单车时空分布规律开展了大量的研究工作，比如基于共享单车大数据对其进行时空分布研究中，邓力凡(2017)等利用北京市某日共享单车的使用数据进行了用户骑行行为的时空特征分析，发现大致可划分为潮汐型、单向型、松散联系型等共享单车骑行区域；Shen(2018)等收集了新加坡共享单车9天共1400多万条的GPS数据，采用空间自回归模型法对共享单车的时空分布规律进行分析；高楹(2021)等基于接驳地铁站附近不同时间段的客流和共享单车出入流量数据，并利用地理探测器研究了共享单车空间分异的原因。除了对共享单车时空分布规律的研究，还有不少学者利用蚁群算法、遗传算法等优化算法对共享单车调度策略进行优化，如Liu(2019)等通过对居民使用共享单车的订单数据进行分析并挖掘用户出行规律，基于遗传算法建立共享单车重置路径规划模型并设计算法进行求解，为共享单车的重置调度提供有效的决策建议；Du(2020)等利用随机森林法探讨不同因素对不同区域使用共享单车频率的影响，并通过可视化分析以了解共享单车的时变流模式和空间分布；于德新(2020)等引入带有精英策略和进化算子的遗传算法，在详细分析与共享单车调度模型相关的参数基础上采用TOPSIS法求解最优调度路径。
[0003]综合上述文献成果，可知当前国内外对无桩共享单车调度以及分配的研究处于快速发展阶段，但是，关于共享单车调度多目标优化的文献较少，大多关注于对共享单车调度路径或运营成本的单目标优化，没有能很好地结合共享单车需求量的时空波动规律，提升共享单车的骑行率。另一方面，与共享单车调度相关的优化算法，如遗传算法、贪心算法等都存在着些许问题，遗传算法虽然是全局优化的策略，且有可能搜索到最优策略存在着算法复杂、计算量大等问题；贪心算法虽然算法简捷，计算速度快，但是只能完成局部计算，且不是全局最优的策略。
[0004]因此，共享单车作为解决城市“最后一公里”出行问题的短距离交通工具，不仅为人们提供了低碳环保的出行方式，还缓解了城市交通拥堵的压力。但是，随着共享单车用户的增加，共享单车的投放数量激增，随之而来的问题有：1)共享单车停放混乱问题会严重影响到道路交通安全以及城市良好形象的发展。2)共享单车的时空需求波动且复杂，如部分共享单车停靠区域存在大量的闲置单车，这些“无效需求”是造成共享单车停放混乱的主要原因，从而导致用户“还车困难”；另一部分停靠区域却供不应求，引发用户“用车困难”问题，降低用户使用共享单车的满意程度，还会对共享单车企业的收益造成影响。引发以上的问题原因是城市共享单车调度策略不够完善。

技术实现思路

[0005]本专利技术的目的是针对上述城市共享单车问题，提出基于时空大数据的共享单车多
目标优化调度方法，对城市共享单车的时空分布规律进行研究，提出共享单车调度模型建立以及优化的方法。
[0006]为了实现上述目的，本专利技术所采用的技术方案是：基于时空大数据的共享单车多目标优化调度方法，其特征在于，包括以下步骤：步骤1、收集共享单车相关历史数据，包括共享单车时空轨迹数据、共享单车用户订单数据和共享单车停靠点位数据；步骤2、对收集到的共享单车相关历史数据进行预处理；步骤3、利用Python对共享单车时空轨迹数据、共享单车停靠点位数据进行可视化处理，得到可视化的共享单车停靠热度图，分析用户的共享单车出行特征与共享单车时空分布规律；步骤4、基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行共享单车调度社区划分，形成一张互相关联的共享单车社交网络图；步骤5、根据共享单车时空轨迹数据进行共享单车调度社区划分后，利用Geohash编码将社区划分为更小的栅格，以便于确定共享单车调度点；步骤6、根据共享单车用户订单数据，对共享单车停靠区域流量进行统计和分析，得到各个区域的共享单车集中停靠点，并提取出前30个出入流量变化较大的共享单车停靠点坐标对其进行调度分析；步骤7、在确定前30个共享单车调度点坐标以及其需求量信息后，建立共享单车调度模型；步骤8、对步骤7建立的共享单车调度模型进行多目标优化求解，最优解即为最优的调度方法。
[0007]本专利技术所述步骤2中对收集到的共享单车相关历史数据进行的预处理包括检查数据完整性和剔除有误数据。
[0008]本专利技术所述步骤4基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行社区划分，进而形成一张互相关联的共享单车社交网络图的具体方法为：步骤4.1、LOUVAIN算法依托模块度Q描述社区内的紧密程度，具体实现公式为：在式(1)中，Q取值范围为[
‑
1/2,1]；∑
in
表示社区C内部的权重；∑
tot
表示与社区C内部点所连接边的权重；m表示网络中所有链路的权重总和；步骤4.2、以模块增量ΔQ评价算法模型迭代效果的数值化指标，具体实现公式为：在式(2)中，k
i,in
表示从节点i连接到社区C中的边线总和；k
i
表示关联到节点i的边线权重总和。
[0009]本专利技术所述步骤7中建立共享单车调度模型的具体方法为：7.1、假设条件如下：
①
每个社区里设置一个调度中心，通过对共享单车区域流量的分析确定调度热点以及其收/放车量，且每个调度点之间是完全相通的；
②
所有的运输车
辆都以同一个调度中心为起点和终点；
③
所有调度点只能由一辆运输车辆进行车辆投放或回收；
④
在调度过程中各调度点单车需求量不变；
⑤
不考虑天气、路况等因素的影响；7.2、共享单车调度模型的决策变量如下：q
i
：调度点i的共享单车投放量；：调度点i的共享单车投放量；x
ijk
和u
ik
是决策变量参数，因为运输车辆是随机经过调度节点的，所以x
ijk
和u
ik
的值为0或1，用以确定运输车辆是否莅临该调度点。7.3、建立共享单车调度模型：其中调度成本主要包括运输车辆成本F1和惩罚成本F2(i)，见式(3)和式(4)；以单车实际投放总量与调度最大需求总量之比表示单车利用率S2，见式(5)；目标函数主要由最小化调度成本MinS1和最大化单车利用率MaxS2组成，见式(6)：组成，见式(6)：组成，见式(6)：组成，见式(6)：
[0010]在式(3)、(4)、(5)和(6)中，V
H
表示收车点集合；V
E
表示放车点集合；N表示系统中所有节点集合；N＝V
H
∪V
E
，i，j＝1,2,
…
,N；N0表示调度中心和所有节点集合，N0＝N∪0；d
ij
表示节点i至节点j的距离；K表示调度中心所拥有的运输车辆数；k表示调度中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时空大数据的共享单车多目标优化调度方法，其特征在于，包括以下步骤：步骤1、收集共享单车相关历史数据，包括共享单车时空轨迹数据、共享单车用户订单数据和共享单车停靠点位数据；步骤2、对收集到的共享单车相关历史数据进行预处理；步骤3、利用Python对共享单车时空轨迹数据、共享单车停靠点位数据进行可视化处理，得到可视化的共享单车停靠热度图，分析用户的共享单车出行特征与共享单车时空分布规律；步骤4、基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行共享单车调度社区划分，形成一张互相关联的共享单车社交网络图；步骤5、根据共享单车时空轨迹数据进行共享单车调度社区划分后，利用Geohash编码将社区划分为更小的栅格，以便于确定共享单车调度点；步骤6、根据共享单车用户订单数据，对共享单车停靠区域流量进行统计和分析，得到各个区域的共享单车集中停靠点，并提取出前30个出入流量变化较大的共享单车停靠点坐标对其进行调度分析；步骤7、在确定前30个共享单车调度点坐标以及其需求量信息后，建立共享单车调度模型；步骤8、对步骤7建立的共享单车调度模型进行多目标优化求解，最优解即为最优的调度方法。2.根据权利要求1所述的基于时空大数据的共享单车多目标优化调度方法，其特征在于，所述步骤2中对收集到的共享单车相关历史数据进行的预处理包括检查数据完整性和剔除有误数据。3.根据权利要求1所述的基于时空大数据的共享单车多目标优化调度方法，其特征在于，所述步骤4基于LOUVAIN算法和共享单车时空轨迹数据对共享单车进行社区划分，进而形成一张互相关联的共享单车社交网络图的具体方法为：步骤4.1、LOUVAIN算法依托模块度Q描述社区内的紧密程度，具体实现公式为：在式(1)中，Q取值范围为[
‑
1/2,1]；∑
in
表示社区C内部的权重；∑
tot
表示与社区C内部点所连接边的权重；m表示网络中所有链路的权重总和；步骤4.2、以模块增量ΔQ评价算法模型迭代效果的数值化指标，具体实现公式为：在式(2)中，k
i,in
表示从节点i连接到社区C中的边线总和；k
i
表示关联到节点i的边线权重总和。4.根据权利要求1所述的基于时空大数据的共享单车多目标优化调度方法，其特征在于，所述步骤7...

【专利技术属性】
技术研发人员：王小霞，郑诗琪，龚伟彪，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：