城市公共自行车站点需求预测及调度优化方法研究

摘要

城市公共自行车兼具承担公共交通“最后一公里”，服务短距离出行和服务旅游景区及校园三大主要功能，是新时代人文、科技、绿色交通的产物。面对目前诸多城市出现的自行车站点无车可借，无位可还的现象，究其主要原因，是调度的不及时所致。因此，如何提前准确预知各站点出行需求及安排合理的调度路径方案对于解决调度的滞后性具有重要意义。
　　由于国内城市可获取的PBS(public bicycle system)运营数据较少，因此本文选取美国纽约市的出行数据进行PBS出行需求及调度优化的研究。在对纽约市的公共自行车出行需求分析时，发现其出行规律和国内城市相似——工作日均存在早晚高峰的现象。另外，加上数据样本较大，可靠性强，因此基于纽约市出行数据的预测方法同样适用于国内城市。本文具体的研究工作包含以下几个方面:
　　(1)对公共自行车的系统功能定位进行了阐述，并结合美国纽约市2016年6月份146万条公共自行车出行数据对出行需求进行了主客观因素分析，发现周末与工作日出行规律明显不同。
　　(2)简单介绍了BP神经网络理论，提出一种新的考虑日期属性的站点租还车需求预测方法。在利用BP神经网络预测时，输入变量的日期属性应与输出变量保持一致，即同为工作日或同为周末。使用SQL Server数据库和Matlab软件对实例进行了预测，效果较好，预测相对误差均较低，最低预测相对误差可达到1％。
　　(3)概述了车辆调度问题的定义、分类及常用的优化算法，并将城市公共自行车的调度问题分为调度分区和区域内调度两步。首先对整个城市的自行车站点进行了调度区域的划分，在此提出了一种新的将关联规则与聚类分析相结合的划分方法，通过三次聚类，将城市所有站点划分成不同的静态调度区域。其次，对于每个静态区域内有调度需求的站点建立调度模型，目标是使调度车数量最少和总调度时间最短。并介绍了带2-opt局部搜索的蚁群算法求解模型的步骤与方法。
　　(4)以美国纽约市21个站点数据为例，进行调度路径的优化仿真。通过MapGIS软件转换坐标和Matlab编程求解，发现带2-opt局部搜索的蚁群算法比常规蚁群算法总调度时间更短，效果更好。

目录

声明

致谢

摘要

1．1．1 选题背景

1．1．2 选题意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 研究内容与主要框架

1．3．1 研究对象和内容

1．3．2 主要框架

2 城市公共自行车出行数据特征分析

2．1 公共自行车系统功能定位

2．2 影响出行需求的主观因素分析

2．3 影响出行需求的客观因素分析

2．4 本章小结

3 城市公共自行车站点需求预测

3．1 BP神经网络模型简介

3．2 基于BP神经网络的租还需求预测方法

3．2．1 输入／输出向量确定

3．2．2 数据来源和预处理

3．2．3 样本的划分

3．2．4 参数的设置

3．3 实例预测

3．4 本章小结

4 城市公共自行车静态调度优化

4．1 车辆调度问题

4．1．1 定义及分类

4．1．2 常用优化算法

4．1．3 公共自行车调度问题简述

4．2 调度区域的划分

4．2．1 K-medoids聚类

4．2．2 关联规则

4．2．3 相关站点同区域

4．2．4 区域内调度需求量平衡

4．3 调度模型

4．3．1 问题描述

4．3．2 建立模型

4．4 求解算法

4．5 本章小结

5 实例分析

5．1 基础数据

5．2 基本参数设置

5．3 初始解的构造和终止条件

5．4 求解结果及对比分析

5．5 本章小结

6 结论与展望

6．1 研究结论

6．2 研究展望

参考文献

附录

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集