[发明专利]一种基于站点短时需求预测的公共自行车动态调度方法

摘要

本发明公开了一种基于站点短时需求预测的公共自行车动态调度方法。本发明方法通过采集站点空闲桩位数时间序列，构建神经网络模型对站点短时需求进行预测，以此为基础计算调度时间窗和需求量，构建调度成本最低和满意度最大的动态调度模型，求解调度方案，并通过信息更新实时调整调度计划。本发明方法通过将站点短时需求预测和动态调度相结合，保障公共自行车调度的高效与准确性，提高公共自行车服务水平，增强公共自行车的吸引力。

主权项

一种基于站点短时需求预测的公共自行车动态调度方法，其特征在于，该方法包括如下步骤：步骤1：采集某一公共自行车站点一天内各时间段内公共自行车租赁的数量Rt和归还的数量Ht，t＝1,2,…,T，t为时间段编号，T为划分的时间段个数，则各时间段末公共自行车站点空闲桩位数Kt为Kt＝Kt‑1‑Ht+Rt，从而得到公共自行车站点空闲桩位数的时间序列K＝﹛K1，K2，…，Kt…，KT﹜；采集公共自行车站点在上个星期相同时间段的空闲桩位数Klt，则上个星期站点空闲桩位数的时间序列为Kl＝﹛Kl1，Kl2，…，Klt…，KlT﹜；步骤2：计算选取的第t个时间段末站点空闲桩位数Kt与Kt‑4、Kt‑3、Kt‑2、Kt‑1、Kl(t‑2)、Kl(t‑1)、Klt、Kl(t+1)、Kl(t+2)之间的斯皮尔曼相关系数，取与Kt间的相关系数大于要求阈值的所有时间段作为输入向量，从而确定输入向量的维数M，所述要求阈值在0.8～1之间；步骤3：建立BP神经网络模型，设定层与层间的权值、初始阈值、最大学习次数，并提供训练样本和测试样板，所述训练样本和测试样板均包括从步骤2中挑选出的M个空闲桩位数作为输入向量X＝(X1，X2，…，Xt，…，XM)和输出向量Kt；步骤4：通过BP神经网络的梯度训练法对步骤3提供的训练样本进行训练，然后用测试样本测试，直至BP神经网络的总误差小于期望误差值，网络训练完成，最后对未来某天的第t时间段末公共自行车站点空闲桩位数Kt(future)进行预测；步骤5：根据步骤4预测的结果计算各站点调度时间窗和调度需求量范围，所述调度时间窗为[hmin，hmax]，其中hmin为某一站点i在未来时间段t末时刻的可供租赁的公共自行车数量qi(t)与该站点库存能力Qi之比的最小值，hmax为站点i在未来时间段t末时刻的可供租赁的公共自行车数量qi(t)与该站点库存能力Qi之比的最大值，其中qi(t)＝Qi‑Kt(future)；未来时间段t末时刻站点i的调度需求量di的范围则为qi(t)‑hmax·Qi≤di≤qi(t)‑hmin·Qi；步骤6：根据各站点的调度需求，以调度成本最低和用户满意度最大为目标，计算调度方案，调度车辆执行调度计划。