共享单车需求预测与投放调度方法技术

本发明专利技术涉及共享单车需求预测与投放调度方法，所述方法包括以下步骤：S1、建立XGBoost决策树，将相似和相邻的站点聚集成集群；S2、对单个站点的真实需求进行纠偏，并带入到XGBoost决策树中经训练后得到优化的站点聚类结果；S3、根据训练好的XGBoost决策树预测每个站点的借/还车需求；S4、考虑每个站点容量限制和需求到达分布，计算单车的初始投放量；S5、划分城市的调度分区；S6、建立区域内单车调度模型，获得调度路径的最优选择。本发明专利技术从共享单车的需求预测和调度优化着手，考虑多种现实情况和现实问题，设计模型和求解方法，为城市共享单车系统的运营决策提供依据，有利于快速实现城市居民的借/还车需求，方便生活，健康出行。行。行。

【技术实现步骤摘要】
共享单车需求预测与投放调度方法


[0001]本专利技术涉及共享单车运营的
，具体而言，涉及共享单车需求预测与投放调度方法。

技术介绍

[0002]目前，共享单车已经融入日常生活，需要配合城市治理，成为公共交通服务的一部分。部分地区政府发布的相关管理措施主要作用表现在：(1)各地政府限制运营商投放共享单车，为了保持用户的满意度，企业只能想办法增加车辆的利用率；(2)政策规定共享单车平台不得收取用户押金，共享单车的金融产品特征被削弱，市场竞争的焦点转移到了精细化管理、智能化出行体验以及打造优质服务上；(3)政府将押扣违规停放的共享单车，为了尽量减少赎金损失，共享单车平台标注可停放区域和禁停区，并且需要及时将违规停放车辆调转至可停区。
[0003]因此，现存单车企业的管理模式已从原来通过规模扩张模式转变为了精细化管理。如今的单车市场，只有提升运营效率，提高用户满意度，控制运维成本才能使得企业继续得到发展。做到这些关键是要解决站点单车资源分布不均衡问题和违规停放问题，这需要对共享单车进行科学合理的再分配，通过制定合理的方案，把单车从供应点运到需求点，从禁停点运到可停点，匹配用户需求。事实上，共享单车系统中单车利用率不高的问题普遍存在，企业调度均衡仍有较大空间。

技术实现思路

[0004]本专利技术的主要目的在于提供共享单车需求预测与投放调度方法，可以预测不同时间的城市内用户借/还车需求分布情况，并设计方案决定调运单车的地点、时间、数量和路线，保证单车的供需匹配和系统的运营效率，从而解决上述背景技术中提出的技术问题。
[0005]为达到上述目的，本专利技术提供了共享单车需求预测与投放调度方法，包括以下步骤：
[0006]S1、建立XGBoost决策树，将相似和相邻的站点聚集成集群；
[0007]S2、对单个站点的真实需求进行纠偏，并带入到XGBoost决策树中经训练后得到优化的站点聚类结果；
[0008]S3、根据训练好的XGBoost决策树预测每个站点的借/还车需求；
[0009]S4、考虑每个站点容量限制和需求到达分布，计算单车的初始投放量；
[0010]S5、划分城市的调度分区；
[0011]S6、建立区域内单车调度模型，获得调度路径的最优选择。
[0012]优选地，步骤S1中所述建立XGBoost决策树，将相似和相邻的站点聚集成集群包括：
[0013]分别统计过去d个工作日内每个站点h时段内净车流数y和特征变量lon
i
、lat
i
、tem
i
、rain
i
、speed
i
，共收集样本N个，该XGBoost决策树模型描述为:
[0014][0015]式(1)中，子树的数量用k表示，表示站点i的客户借/还车需求预测值，lon
i
表示站点i的经度，lat
i
表示站点i的纬度，tem
i
表示站点i的温度，rain
i
表示站点i的降水量，speed
i
表示站点i的风速，该XGBoost决策树模型的目标函数为：
[0016][0017]根据泰勒展开理论，式(2)可以转化为：
[0018][0019]式(3)中，T为叶子节点的总数，G
lf
为lf叶子节点下样本的之和，H
lf
为lf叶子节点下样本的之和；
[0020]未知f
k
(x)＝ω
q(x)
中，ω表示子树k的叶子节点值，q(x)表示子树k的结构；将式(3)看作是关于变量ω
lf.
的二次函数，令一阶导数为零，得到叶节点lf的最优解ω
lf*
和最优目标值Obj
lf*
如下：
[0021][0022]确定q(x)即树的结构：从根节点开始，每次判断是否分割节点以及使用哪个特征变量作为分割条件，都取决于增益Gain，Gain的计算如下：
[0023][0024]遍历计算各种分裂方式的增益，选择Gain最大的方式将一个叶节点向下分为左右两个节点，当所有Gain≤0则不再分裂。
[0025]优选地，将待预测日期的站点的经度、纬度、站点地区h时段的温度、降水量、风速输入到XGBoost决策树模型训练所得的K颗子树中，统计相邻的站点j和站点j
’
的相似度指标其中为布尔值，j站点和j
’
站点在子树k中落入同一个叶子节点则否则ω
k
为子树k的权重，0≤M
jj
’
≤1；
[0026]用1
‑
M
jj
’
表示两个站点之间的距离，进行距离参数为M
a
的层级聚类得到站点聚类结果。
[0027]优选地，步骤S2中所述对单个站点的真实需求进行纠偏，并带入到XGBoost决策树中经训练后得到优化的站点聚类结果包括：
[0028]对于给定时段h和系统中的n个站点，设站点i的真实需求为x
i
,i＝1,2,
…
,n，系统的记录数为f
i
,i＝1,2,
…
,n；定义α来表示用户遇到失衡站点时的转移意愿，w
ij
＝α/D
ij
表示第i站与第j站之间的转移率，其中D
ij
表示站点i与站点j之间的距离；
[0029]S1表示时段h内发生过失衡的站点集，S2表示时段h内从未发生失衡的站点集，|S1|＝n1，|S2|＝n2，n1+n1＝n，S1∪S2＝S；
[0030]属于S2的站点，x
i
与f
i
的关系如下：
[0031][0032]属于S1的站点，x
i
与f
i
的关系如下：
[0033][0034]在式(6)和(7)中，trans(i,j)表示从站点i转移到站点j的借/还车需求，bool(i,j)表示若站点j是失衡站点i在t
i
内距离最近的正常工作的站点，bool(i,j)＝1，否则bool(i,j)＝0,站点i∈S1；t
i
表示站点i处于失衡状态时区；
[0035]对于每个属于S1的站点有：
[0036][0037]约束条件如下：
[0038][0039]f
j
‑
x
j
≥0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
j∈S2ꢀꢀ
(10)
[0040][0041]x
i
≥0,
ꢀꢀ
α≥0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
i∈S
ꢀꢀ
(12)
[0042]目标函数如下：
[0043][0044]在式(13)中，S
c...

【技术保护点】

【技术特征摘要】
1.一种共享单车需求预测与投放调度方法，包括以下步骤：S1、建立XGBoost决策树，将相似和相邻的站点聚集成集群；S2、对单个站点的真实需求进行纠偏，并带入到XGBoost决策树中经训练后得到优化的站点聚类结果；S3、根据训练好的XGBoost决策树预测每个站点的借/还车需求；S4、考虑每个站点容量限制和需求到达分布，计算单车的初始投放量；S5、划分城市的调度分区；S6、建立区域内单车调度模型，获得调度路径的最优选择。2.如权利要求1所述的共享单车需求预测与投放调度方法，其特征在于：步骤S1中所述建立XGBoost决策树，将相似和相邻的站点聚集成集群包括：分别统计过去d个工作日内每个站点h时段内净车流数y和特征变量lon
i
、lat
i
、tem
i
、rain
i
、speed
i
，共收集样本N个，该XGBoost决策树模型描述为:式(1)中，子树的数量用k表示，表示站点i的客户借/还车需求预测值，lon
i
表示站点i的经度，lat
i
表示站点i的纬度，tem
i
表示站点i的温度，rain
i
表示站点i的降水量，speed
i
表示站点i的风速，该XGBoost决策树模型的目标函数为：根据泰勒展开理论，式(2)可以转化为：式(3)中，T为叶子节点的总数，G
lf
为lf叶子节点下样本的之和，H
lf
为lf叶子节点下样本的之和；未知f
k
(x)＝ω
q(x)
中，ω表示子树k的叶子节点值，q(x)表示子树k的结构；将式(3)看作是关于变量ω
lf.
的二次函数，令一阶导数为零，得到叶节点lf的最优解ω
lf*
和最优目标值Obj
lf*
如下：确定q(x)即树的结构：从根节点开始，每次判断是否分割节点以及使用哪个特征变量作为分割条件，都取决于增益Gain，Gain的计算如下：遍历计算各种分裂方式的增益，选择Gain最大的方式将一个叶节点向下分为左右两个节点，当所有Gain≤0则不再分裂。3.如权利要求2所述的共享单车需求预测与投放调度方法，其特征在于：将待预测日期的站点的经度、纬度、站点地区h时段的温度、降水量、风速输入到XGBoost决策树模型训练
所得的K颗子树中，统计相邻的站点j和站点j
’
的相似度指标其中为布尔值，j站点和j
’
站点在子树k中落入同一个叶子节点则否则ω
k
为子树k的权重，0≤M
jj
’
≤1；用1
‑
M
jj
’
表示两个站点之间的距离，进行距离参数为M
a
的层级聚类得到站点聚类结果。4.如权利要求1所述的共享单车需求预测与投放调度方法，其特征在于：步骤S2中所述对单个站点的真实需求进行纠偏，并带入到XGBoost决策树中经训练后得到优化的站点聚类结果包括：对于给定时段h和系统中的n个站点，设站点i的真实需求为x
i
,i＝1,2,
…
,n，系统的记录数为f
i
,i＝1,2,
…
,n；定义α来表示用户遇到失衡站点时的转移意愿，w
ij
＝α/D
ij
表示第i站与第j站之间的转移率，其中D
ij
表示站点i与站点j之间的距离；S1表示时段h内发生过失衡的站点集，S2表示时段h内从未发生失衡的站点集，|S1|＝n1，|S2|＝n2，n1+n1＝n，S1∪S2＝S；属于S2的站点，x
i
与f
i
的关系如下：属于S1的站点，x
i
与f
i
的关系如下：在式(6)和(7)中，trans(i,j)表示从站点i转移到站点j的借/还车需求，bool(i,j)表示若站点j是失衡站点i在t
i
内距离最近的正常工作的站点，bool(i,j)＝1，否则bool(i,j)＝0,站点i∈S1；t
i
表示站点i处于失衡状态时区；对于每个属于S1的站点有：约束条件如下：f
j
‑
x
j
≥0 j∈S2ꢀꢀꢀꢀ
(10)x
i
≥0,α≥0 i∈S
ꢀꢀꢀꢀ
(12)目标函数如下：在式(13)中，S
c
表示聚类结果中集群C所包含的站点集,|S
c
|＝n
c
。5.如权利要求4所述的共享单车需求预测与投放调度方法，其特征在于：步骤S3中根据
训练好的XGBoost决策树预测每个站点的借/还车需求包括：将各站点的记录数量f
i
替换为x
i
，得到纠偏后的需求数据，使用纠偏后的需求数据作为标签，对XGBoost决策树模型进行训练，在训练后的模型中通过输入特征变量预测站点i在h时段的真实需求如下：6.如权利要求1所述的共享单车需求预测与投放调度方法，其特征在于：步骤S4中所述考虑每个站点容量限制和需求到达分布，计算单车的初始投放量包括：某站点单个时段内被拒需求数量的估计：给定站点j和时段h＝[t
0h
,t
sh
]，按照泊松分布分别由h时段的借车需求量概率分布和还车需求量概率分布产生随机值和则h内单车净变化量设站点容量为C，在初始时刻t
0h
站点单车数量为q的条件下，h时段内产生的被拒借车需求数量的期望值表示为：在式(15)中，u1表示被拒借车需求数量；h时段内产生的被拒还车需求数量的期望值表示为：在式(16)中，u2表示被拒还车需求数量；在初始单车投放量为q的条件下，h时段内被拒需求数量的期望值为：分别计算q从0到C的取最小值对应的q为h时段站点j的最优初始投放量。7.如权利要求6所述的共享单车需求预测与投放调度方法，其特征在于：某站点连续时段内被拒需求数量的估计：若测算连续n个时段h1,..h
m
,..h
n
内站点j产生被拒需求数量的期望值，h
m
的初始库存是h
m
‑1的末点库存，末点库存有三种情况：h时段站点的单车库存量p
h
由q变为0的概率：h时段站点的单车库存量p
h
由q变为C的概率：h时段站点的单车库存量p
h
由q变为q
’
的概率：初始单车投放量为q的条件下，站点在连续n个时段内产生的被拒需求数量的期望值为
E(δ
f
)：取E(δ
f
)最小值对应的q为该站点连续n个时段的最优初始投放量。8.如权利要求1所述的共享单车需求预测与投放调度方法，其特征在于：步骤S5中所述划分城市的调度分区包括：S51、首先筛选出净借需求量绝对值过大的站点，即极端需求站点，依次以这些站点为中心，搜索其附近1公里以内的全部站点，分别计算这些站点与中心站点间的距...

【专利技术属性】
技术研发人员：郭洪飞，任亚平，赵淑曼，何智慧，童曦，赵治宇，
申请(专利权)人：暨南大学，
类型：发明
国别省市：