共享单车系统的动态调度和电子围栏规划方法研究

The convenience of "no parking slots" and "free leave" for dockless bike-sharing system has brought new operational challenges and urban problems. The unreasonable repositioning scheme leads to the imbalance between supply and demand and low user satisfaction. Users park bikes illegally, resulting in the occupation of public space. The existing dynamic repositioning methods for public bicycle system cannot be directly used for dockless bike-sharing system. At the same time, there lack effective electric fence planning method to regulate bikes’ parking order. Focusing on the above problems, this project applies deep learning and visual analytics technology to study the intelligent management methods for dockless bike-sharing system supported by big data. For the dynamic repositioning problem, a demand prediction model based on multi-graph convolutional neural network is constructed at first, as the basis for making repositioning plans. Then, a dynamic repositioning model based on multi-agent reinforcement learning is constructed, to obtain the optimal repositioning scheme with multi-vehicle cooperative operations. For the illegal bike parking problem, a visual-driven electric fence planning method is proposed, which can integrate expert experience into the fence generation model organically and obtain the most reasonable planning scheme. On the basis of theoretical research, we adopt real multi-source datasets to verify the feasibility of our methods. The results can provide scientific theoretical basis and decision support for optimizing system operational management, saving urban public resources and improving urban governance.

共享单车系统“无泊位”和“自由离开”的便利性带来了新的运作挑战和城市问题。调度方案不合理导致供需失衡、用户满意度不高，用户违规停放车辆导致公共空间被侵占。现有的公共自行车系统动态调度方法无法直接用于共享单车系统，同时缺乏有效的电子围栏规划方法来规范车辆停放秩序。针对上述问题，本项目综合深度学习和可视分析技术，研究大数据支持下的共享单车智能化管理方法。对于动态调度问题，首先建立基于多图卷积神经网络的需求预测模型，作为制定调度计划的基础。然后构建基于多智能体强化学习的动态调度模型，求解得到多车协同运作的最佳调度方案。对于车辆乱停乱放问题，提出可视化驱动的电子围栏规划方法，将专家经验有机地融入围栏生成模型中，得到最合理的规划方案。在理论研究的基础上，进一步采用真实的多源数据集验证方法的可行性。研究成果能为优化系统运营管理、节约城市公共资源、提高城市治理水平提供科学的理论依据和决策支持。

共享单车系统作为共享经济的一种重要表现形式，解决了城市道路出行的“最后一公里”问题，成为城市中重要的交通出行工具。共享单车在为人们提供出行便利的同时，也对系统运营和城市治理提出了新的挑战。本项目从共享单车的使用模式分析、借还车量预测和电子围栏规划三方面入手，研究大数据支持下的共享单车智能化管理方法。首先，提出了基于张量分解的共享单车骑行模式分析方法，通过将骑行数据构建为一个“区域-特征-时间”三维张量，采用非负张量分解方法得到一个可解释的时空模式集合，并设计了一个可视分析系统，辅助车辆管理人员理解共享单车骑行的时空模式、使用共享单车出行和其他交通工具出行的特征差异。然后，针对车辆调度问题，提出了基于多图卷积和GRU的共享单车流量预测模型，通过构建多个关联图来编码区域间多样化的空间关联，采用多图卷积和GRU神经网络分别捕获复杂的空间依赖和时序关联。该模型能够准确预测城市中不规则区域的借还车量，为车辆调度提供预测数据。最后，针对车辆乱停乱放问题，提出基于区域最大覆盖模型的共享单车电子围栏规划方法，基于日均停车需求动态划分地块并得到候选区域，采用区域最大覆盖模型来求解得到需要设置围栏的区域，并进一步计算得到围栏的容量和精确位置。与现有的基于点的最大覆盖模型相比，该方法能够提高电子围栏规划的精确性和可信度、更好地满足现实场景下电子围栏规划的需要。在理论研究的基础上，进一步采用北京、深圳、纽约等城市的共享自行车数据集，验证模型和方法的有效性。研究成果能为优化系统运营管理、节约城市公共资源、提高城市治理水平提供科学的理论依据和决策支持。