靳文舟，葉欽海，郝小妮

(華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640)

基于用戶預(yù)約數(shù)據(jù)的公共自行車高峰期調(diào)度研究

靳文舟，葉欽海，郝小妮

(華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640)

圍繞公共自行車系統(tǒng)缺乏高峰期需求預(yù)測以及系統(tǒng)調(diào)度理念，引起調(diào)度滯后、用戶滿意度低等問題展開分析，探討公共自行車高峰期調(diào)度需求預(yù)測和系統(tǒng)平均滿意度量化的方法，研究公共自行車調(diào)度最優(yōu)化路徑問題。在基于用戶預(yù)約數(shù)據(jù)的高峰期調(diào)度需求預(yù)測模型研究基礎(chǔ)上，考慮用戶滿意度，建立最小化調(diào)度綜合成本的優(yōu)化調(diào)度模型，并采用改進(jìn)的遺傳算法對模型進(jìn)行求解。以廣州市某區(qū)域的公共自行車系統(tǒng)為研究對象，對模型進(jìn)行實例驗證。研究結(jié)果表明：與常規(guī)調(diào)度方案相比，綜合成本降低了16.6%，系統(tǒng)平均用戶滿意度提升了28.7%。

交通運輸工程；公共自行車；需求預(yù)測；系統(tǒng)平均滿意度；優(yōu)化調(diào)度；遺傳算法

0引言

交通領(lǐng)域中，自行車交通因其獨有的環(huán)保性以及便捷性，被認(rèn)為是改善未來城市交通結(jié)構(gòu)與緩解城市交通問題的良方。公共自行車作為公共交通的延伸，在國家明確提出“切實轉(zhuǎn)變過度依賴小汽車出行的交通發(fā)展模式”的大背景下，得到各大城市的青睞，但與此同時，運營中的調(diào)度問題也日漸突出。資料顯示，現(xiàn)狀運營方一般采用人工巡查或?qū)崟r監(jiān)控的方式對各服務(wù)點進(jìn)行監(jiān)測，當(dāng)服務(wù)點的車樁比例臨近閾值時(小于0.2或大于0.8)，發(fā)出調(diào)度預(yù)警信息，提示管理員安排調(diào)度。整個過程各環(huán)節(jié)隨機性大，對用戶真實需求缺乏準(zhǔn)確預(yù)判；調(diào)度多針對單個服務(wù)點，缺乏系統(tǒng)整體調(diào)度；調(diào)度路徑靠司機經(jīng)驗臨時確定，無優(yōu)化過程。這些現(xiàn)狀問題一定程度降低了調(diào)度效率，導(dǎo)致整個系統(tǒng)調(diào)度滯后，特別是在早晚高峰時段產(chǎn)生借還空白期，嚴(yán)重影響用戶的滿意度，不利于系統(tǒng)的良性發(fā)展。

目前，關(guān)于公共自行車調(diào)度的研究已成為交通領(lǐng)域的研究熱點之一。A. KALTENBRUNNER[1]等以自行車交通流為基礎(chǔ)，對任一自行車服務(wù)網(wǎng)點的自行車數(shù)量進(jìn)行提取預(yù)測，為動態(tài)調(diào)度提供了依據(jù)；M.BENCHIMOL[2]、劉登濤[3]等以運輸費用最少為目標(biāo)建立靜態(tài)調(diào)度模型；R A.RUSSELL[4]、胡列格[5]等在考慮所需運輸車輛數(shù)最少的基礎(chǔ)上建立有時間窗的調(diào)度模型；柳祖鵬等[6]將貨郎擔(dān)問題運用到公共自行車的動態(tài)調(diào)度問題中來，提供了一種優(yōu)化站間調(diào)度思路；董紅召、吳滿金、秦茜等[7-9]以最大化公共自行車用戶的滿意度為目標(biāo)建立調(diào)度模型，并采用滾動時域調(diào)度算法進(jìn)行求解，實現(xiàn)了公共自行車系統(tǒng)的動態(tài)調(diào)度。上述文獻(xiàn)多根據(jù)用戶滿意度最大化或運輸成本最小化兩大目標(biāo)建立動、靜態(tài)優(yōu)化調(diào)度模型，并針對求解算法做了一定探索。

但是，現(xiàn)有文獻(xiàn)的研究多側(cè)重于調(diào)度過程的實施環(huán)節(jié)，而忽略了需求預(yù)測環(huán)節(jié)，且優(yōu)化模型在量化系統(tǒng)平均用戶滿意度時，沒有考慮到各服務(wù)點間因需求差異從而對系統(tǒng)平均滿意度的權(quán)重影響也有所不同。因此，考慮調(diào)度過程的各環(huán)節(jié)，筆者嘗試探討基于用戶預(yù)約數(shù)據(jù)的高峰期調(diào)度需求預(yù)測，并建立最小化運輸成本、最大化用戶滿意度的調(diào)度模型，優(yōu)化調(diào)度路徑，為有效解決高峰期公共自行車“借車難、還車難”問題提供參考。

1基于用戶預(yù)約數(shù)據(jù)的高峰期調(diào)度需求預(yù)測

1.1采集并處理預(yù)約數(shù)據(jù)

1.2讀取并處理歷史數(shù)據(jù)

首先系統(tǒng)讀取后臺歷史記錄數(shù)據(jù)，包括借車數(shù)據(jù)、還車數(shù)據(jù)以及對應(yīng)的時間點，然后進(jìn)行分類統(tǒng)計，區(qū)分工作日、周末以及節(jié)假日，剔除異常數(shù)據(jù)后，編成時間序列，最后綜合長期趨勢與季節(jié)變動等因素，運用SPSS中ARIMA模型對時間序列進(jìn)行分析預(yù)測，得到下一個高峰期Δt時段內(nèi)網(wǎng)點i的需求量預(yù)測值H(i，Δt)。

相比其他模型，ARIMA模型最明顯的特點是考慮了預(yù)測對象由于季節(jié)周期性等因素引起的數(shù)據(jù)序列非平穩(wěn)現(xiàn)象，通過差分運算、模型定階等步驟使得預(yù)測值更精確。

1.3確定網(wǎng)點調(diào)度需求量

1) 整合預(yù)約數(shù)據(jù)值和根據(jù)歷史數(shù)據(jù)求得的預(yù)測值，確定不同網(wǎng)點各時間段的預(yù)測需求量。

O(i，Δt)=R(i，Δt)×α

(1)

(2)

式中：O(i，Δt)為Δt時段內(nèi)網(wǎng)點i的公共自行車車輛預(yù)測需求量(負(fù)值表示車樁需求量)；α、β為未預(yù)約用戶預(yù)留系數(shù)，初值可取1.1～1.2，隨歷史數(shù)據(jù)累計修正。

在方案使用初期，R(i，Δt)

2) 結(jié)合網(wǎng)點公共自行車存量，確定最終調(diào)度需求量。

V(i，Δt)=O(i，Δt)-Pi

(3)

式中：V(i，Δt)為網(wǎng)點i在Δt時段的公共自行車車輛調(diào)度需求量(負(fù)值表示車樁需求量)；Pi為各時間段開始前網(wǎng)點i的公共自行車數(shù)量。

2公共自行車調(diào)度模型建立

2.1調(diào)度小區(qū)劃分

城市公共自行車系統(tǒng)服務(wù)網(wǎng)點布局廣、密度大，導(dǎo)致在運營過程中，面臨調(diào)度路徑復(fù)雜、隨機誤差大、時效性差等問題[10]。針對以上問題，筆者在充分分析各服務(wù)網(wǎng)點時空分布特性后，確立了兩層分區(qū)調(diào)度方法，將高峰期借還特性相近且距離不大的服務(wù)網(wǎng)點劃分為一個小區(qū)，每個小區(qū)的服務(wù)網(wǎng)點個數(shù)根據(jù)小區(qū)整體調(diào)度需求靈活設(shè)置，但一般不應(yīng)大于6個。不同層面的調(diào)度策略有所差異，小區(qū)層面：建立以小區(qū)總體需求為基準(zhǔn)的小區(qū)間軟時間窗調(diào)度模型，最終確定調(diào)度方案；小區(qū)內(nèi)部：根據(jù)小區(qū)內(nèi)服務(wù)網(wǎng)點的位置和路徑，采用最短路模型確定調(diào)度固定路線。筆者的研究重點是小區(qū)層面的調(diào)度。

2.2虛擬小區(qū)設(shè)置

由于調(diào)度模型是針對調(diào)度小區(qū)建立的，且受運輸車輛的容量限制，難免會出現(xiàn)一個調(diào)度小區(qū)的調(diào)度需求量大于運輸車輛的最大容量，為了解決這一困惑，筆者采取設(shè)置虛擬小區(qū)的方法，并假定虛擬小區(qū)的坐標(biāo)信息與原小區(qū)的坐標(biāo)信息一致，虛擬小區(qū)的調(diào)度需求量由原小區(qū)的調(diào)度需求量平均分配。

2.3服務(wù)滿意度量化

公共自行車系統(tǒng)的運營效益，與服務(wù)質(zhì)量有直接關(guān)系，而由調(diào)度服務(wù)時間決定的用戶滿意度是衡量服務(wù)質(zhì)量的重要因素之一。用戶的滿意度一般通過借還車過程中的時間消耗值來量化，若在期望時間內(nèi)完成借還車，則用戶滿意度最大，服務(wù)效果最好；若介于期望時間與可接受時間內(nèi)完成，則用戶滿意度隨著消耗時間的增加而降低；其它情況下，滿意度為0，即用戶不可接受，如圖1。

圖1用戶滿意度與時間的關(guān)系Fig.1Relationship between user satisfaction and time

假設(shè)運輸車輛到達(dá)服務(wù)網(wǎng)點i的時刻為ti，則該服務(wù)網(wǎng)點的用戶平均滿意度Si(ti)表示如下：

(4)

筆者重點考慮的是高峰期公共自行車系統(tǒng)的調(diào)度問題，用戶對時間要求都比較高，但由于各服務(wù)點間需求存在一定差異，導(dǎo)致不同服務(wù)點對系統(tǒng)的平均滿意度影響程度不一樣，需求大的，其權(quán)重影響大，反之亦成立。因此，考慮到各服務(wù)點需求差異，系統(tǒng)的平均用戶滿意度則為：

(5)

2.4參數(shù)說明

N：調(diào)度小區(qū)編號{0，1，2，…，n}，其中0表示中心車場；M：虛擬小區(qū)編號{n+1，n+2，…，n+m}；K：運輸車輛{1，2，…，p}；

i，j∈N∪M；k∈K；

i∈N∪M;k∈K；

dij：小區(qū)i到小區(qū)j的實際距離；qi：小區(qū)i的調(diào)度需求量，調(diào)入為正，調(diào)出為負(fù)；Q：運輸車輛的最大載運量；Rqijk：運輸車輛k從服務(wù)網(wǎng)點i到服務(wù)網(wǎng)點j車上載運量：

(6)

li：小區(qū)i可接受的最晚服務(wù)時間；ei：小區(qū)i可接受的最早服務(wù)時間；Li：小區(qū)i的期望最晚服務(wù)時間；Ei：小區(qū)i的期望最早服務(wù)時間；ti：運輸車輛到達(dá)小區(qū)i的時間；tij：運輸車輛從小區(qū)i到小區(qū)j的行駛時間；tui：運輸車輛在小區(qū)i的裝卸時間；P：權(quán)重系數(shù)，P1+P2+P3=1，具體數(shù)值根據(jù)系統(tǒng)測算需求而定；C0：單位運輸車輛的固定成本；C1：運輸車輛單位里程的成本費用；C2：滿意度與成本換算系數(shù)，取值大小與系統(tǒng)平均滿意度相關(guān)，同時受城市居民平均工資水平、公共自行車系統(tǒng)發(fā)展?fàn)顩r等多因素影響。

2.5調(diào)度模型建立

綜上分析，考慮運營固定成本、行駛成本以及用戶滿意度，建立綜合成本最小化的優(yōu)化調(diào)度模型如下：

(7)

s.t.

(8)

(9)

0≤Rqijk-qj≤Q

(10)

(11)

tj=ti+tui+tij

(12)

(13)

目標(biāo)函數(shù)式(7)第1部分為固定成本，C0的取值與人工費用、車輛折舊費用以及其它固定費用等有關(guān)；第2部分為行駛成本，其值與單位油耗、實際行駛距離等有關(guān)；第3部分為系統(tǒng)總體滿意度；約束條件式(8)表示運輸車輛必須從中心車場出發(fā)并開始服務(wù)；式(9)表示完成調(diào)度任務(wù)后，運輸車輛必須從最后一個服務(wù)點回到中心車場；式(10)表示運輸車輛服務(wù)任一小區(qū)時，其原有載運量與該小區(qū)調(diào)度需求量之和不小于0且不大于運輸車輛的最大載運量；式(11)表示任一調(diào)度小區(qū)至多由1輛運輸車服務(wù)；式(12)表示到達(dá)下一服務(wù)網(wǎng)點的時刻由上一服務(wù)網(wǎng)點的開始服務(wù)時刻、服務(wù)時長以及兩點間的行程時間決定；式(13)表示運輸車輛服務(wù)完某一調(diào)度小區(qū)后，必須從該小區(qū)離開。

2.6算法設(shè)計

筆者將采用改進(jìn)的遺傳算法對調(diào)度模型進(jìn)行求解。在調(diào)度優(yōu)化問題上，遺傳算法相對于其它算法，具有高效、實用性強、魯棒性強等特點，其良好的全局搜索能力，可以快速地將解空間中的全體解搜索出，而不會陷入局部最優(yōu)解的快速下降陷阱，并且它可以利用內(nèi)在的并行性，方便進(jìn)行分布式計算，加快了求解速度[11]。

針對文中的調(diào)度模型，算法設(shè)計步驟如下[12-14]：

Step1染色體編碼

遺傳算法在進(jìn)行搜索前，需選擇適當(dāng)?shù)木幋a策略，將解數(shù)據(jù)表示成基因串結(jié)構(gòu)數(shù)據(jù)。適合文中調(diào)度模型的編碼方式是實數(shù)編碼，將需要進(jìn)行調(diào)度的小區(qū)用1、2、…、n、n+1、…、n+m表示，求得的解根據(jù)運輸車輛最大載運量等約束條件分配給不同的車輛。

Step2生成初始種群

系統(tǒng)隨機產(chǎn)生一系列初始串結(jié)構(gòu)數(shù)據(jù)作為初始種群。初始種群的數(shù)目一般根據(jù)經(jīng)驗得到，一般情況下種群數(shù)量越大，生成的解效果越好，但同時也會降低求解速度，其取值通常在20～100之間，本次研究中，算例調(diào)度區(qū)域相對較小，我們確定初始種群數(shù)目為30。

Step3計算適應(yīng)度值

適應(yīng)度函數(shù)是用來判斷群體中個體優(yōu)劣程度的指標(biāo)，其值越大，證明該個體相對更優(yōu)。根據(jù)本文調(diào)度模型的特性，選取以下函數(shù)計算個體的適應(yīng)度值。

(14)

式中:f(xi)為某個體(調(diào)度方案)的目標(biāo)函數(shù)值，f(x)min為種群中所有個體(調(diào)度方案)目標(biāo)函數(shù)的最小值。

Step4選擇算子

筆者采用最經(jīng)典的選擇方法——輪盤賭算法，該算法選擇個體的概率與其適應(yīng)度值有關(guān)，假設(shè)種群個體數(shù)量為N，則個體i被選中的概率為：

(15)

Step5交叉操作

從種群中隨機選取兩個個體，通過兩個染色體的交換組合，把父串的優(yōu)秀特征遺傳給子串，從而得到新的優(yōu)秀個體。本文假設(shè)交叉概率Pc為0.85，采用順序交叉法對個體進(jìn)行交叉操作。

Step6變異操作

變異操作是為了保持種群的多樣性，本文假設(shè)變異概率Pm為0.005，采用2-Opt算法對個體進(jìn)行變異操作。

Step7終止運算

若進(jìn)化代數(shù)大于預(yù)設(shè)的遺傳代數(shù)，或算法在連續(xù)進(jìn)化一定代數(shù)后，個體的適應(yīng)度值沒有明顯改進(jìn)，則終止運算。

3實例分析

3.1前期準(zhǔn)備

筆者選取了廣州市某區(qū)域的公共自行車系統(tǒng)作為調(diào)度研究區(qū)域。區(qū)域內(nèi)包含中心車場1個，各類站點共27個，其中公建類11個，公交站點類6個，交通樞紐類2個，住宅類7個，休閑類1個，涵蓋類別相對全面。

根據(jù)各服務(wù)網(wǎng)點坐標(biāo)、高峰期借還數(shù)據(jù)進(jìn)行聚類分析，將研究區(qū)域分成10個小區(qū)，其中1、5、6小區(qū)以公建類為主，2、3、9小區(qū)為住宅類，4以交通樞紐類為主，7、8為公交站點類，10為休閑類，各小區(qū)的基本信息、各時段的需求預(yù)約量以及根據(jù)歷史數(shù)據(jù)求得的各時段需求預(yù)測值分別如表1、表2、表3。

整合表2與表3，可以確定需要在不同的時間段，對10個調(diào)度小區(qū)，共147輛公共自行車進(jìn)行調(diào)度服務(wù)，具體如表4。

表1不同調(diào)度小區(qū)基本信息Table 1Basic information of different service areas

表2不同調(diào)度小區(qū)各時間段的預(yù)約量Table 2Reservations of different service areas in each time section

表3不同調(diào)度小區(qū)各時間段的預(yù)測值Table 3Prediction values of different service areas in each time section

表4不同調(diào)度小區(qū)各時間段的調(diào)度需求量Table 4Scheduling demand of different service areas in each time section

3.2結(jié)果分析

分別使用人工經(jīng)驗方法和文中的優(yōu)化算法對上述案例進(jìn)行求解，結(jié)果如表5、表6。對比結(jié)果顯示，優(yōu)化后調(diào)度方案的綜合成本為42.57元，比優(yōu)化前調(diào)度方案的綜合成本節(jié)約了8.45元，即綜合成本降低了16.6%。此外，從表6可以發(fā)現(xiàn)，優(yōu)化后，運輸車輛到達(dá)各服務(wù)小區(qū)開始服務(wù)的時刻均在用戶可接受的時間段內(nèi)，其中小區(qū)1、2、5、6處在用戶期望服務(wù)的時間段內(nèi)；換算成滿意度后，除小區(qū)8和10外，其它小區(qū)的用戶滿意度均在0.5以上，且小區(qū)1、2、5、6的滿意度值達(dá)到1，系統(tǒng)平均滿意度值由優(yōu)化前的0.620 5提升到優(yōu)化后的0.798 5，提升幅度為28.7%，用戶總體較為滿意。

由于本算例選取的研究區(qū)域面積不到0.5 km2，是廣州市某片區(qū)總規(guī)劃用地面積的1/13，因此測算結(jié)果中綜合成本的絕對數(shù)值較小，倘若將此優(yōu)化調(diào)度模型應(yīng)用至片區(qū)乃至全市整個公共自行車系統(tǒng)，其優(yōu)化效果將更明顯。

表5優(yōu)化前后調(diào)度方案的對比分析Table 5Contrastive analysis of dispatching schemes before and after optimization

表6優(yōu)化后運輸車到達(dá)各服務(wù)點的實際時間Table 6Actual service time which the transport vehicles use to arrive at each service point after optimization

4結(jié)語

在城市公共自行車“借車難、還車難”問題愈發(fā)突出的大背景下，筆者針對現(xiàn)狀城市公共自行車調(diào)度對系統(tǒng)性考慮不足、路徑未經(jīng)優(yōu)化等問題，以及高峰期對用戶實際需求缺乏預(yù)判使得調(diào)度滯后、用戶整體滿意度低的情況，提出基于用戶預(yù)約數(shù)據(jù)的高峰期公共自行車需求預(yù)測方法，利用互聯(lián)網(wǎng)平臺以及后臺歷史記錄數(shù)據(jù)，提前預(yù)測用戶實際需求，然后在量化平均用戶滿意度的基礎(chǔ)上，建立最小化運輸成本、最大化用戶滿意度的公共自行車調(diào)度模型，并采用遺傳算法進(jìn)行求解。算例結(jié)果表明：該算法可以有效地減少系統(tǒng)綜合成本，提升用戶滿意度，對城市公共自行車優(yōu)化調(diào)度具有一定的指導(dǎo)作用。

準(zhǔn)確預(yù)測用戶需求以便更有針對性的制定調(diào)度計劃，可以改善用戶體驗，提升用戶滿意度?？紤]天氣、空氣質(zhì)量等影響用戶選擇自行車出行的指標(biāo)，可以使需求預(yù)測模型更貼近實際，是下一步研究的方向之一。

[1] KALTENBRUNNER A，MEZA R，GRIVOLLA J.Urban cycles and mobility patterns：exploring and predicting trends in a bicycle-based public transport system[J].PervasiveandMobileComputing，2010，6(4)：455-466.

[2] BENCHIMOL M，BENCHIMOL P，CHAPPERT B，et al.Balancing the stations of a self-service“Bike Hire”system[J].RAIRO-OperationsResearch，2011，45(1)：37-61.

[3] 劉登濤，方文道，章堅民，郭明澤.公共自行車交通系統(tǒng)調(diào)度算法[J].計算機系統(tǒng)應(yīng)用，2011，20(9)：112-116.

LIU Dengtao，F(xiàn)ANG Wendao，ZHANG Jianmin，GUO Mingze.Scheduling algorithm for public bicycle system[J].ComputerSystems&Applications，2011，20(9)：112-116.

[4] RUSSELL R A.Hybrid Heuristics for the vehicle routing problem with time windows[J].Transportation Science，1995，29(2)：156-166.

[5] 胡列格，夏云，王佳，等.城市公共自行車高峰期需求不均衡的調(diào)度優(yōu)化研究[J].鐵道科學(xué)與工程學(xué)報，2015 (2)：441-448.

HU Liege，XIA Yun，WANG Jia，et al.Scheduling optimization research on demand imbalance of urban public bicycles during peak period[J].JournalofRailwayScienceandEngineering，2015(2)：441-448.

[6] 柳祖鵬，丁衛(wèi)東，程逸旻.公共自行車系統(tǒng)站點間調(diào)度優(yōu)化研究[J].城市公共交通，2011(1)：39-42.

LIU Zupeng，DING Weidong，CHENG Yimin.Research of optimal scheduling between stations for public bicycle system[J].UrbanPublicTransport，2011(1)：39-42.

[7] 董紅召，趙敬洋，郭海峰，等.公共慢行系統(tǒng)的動態(tài)調(diào)度建模與滾動時域調(diào)度算法研究[J].公路工程，2009，34(6)：68-71.

DONG Hongzhao，ZHAO Jingyang，GUO Haifeng，et al.Research on the dynamic model and rolling horizon scheduling algorithm for public-use bicycle vehicle scheduling problem[J].HighwayEngineering，2009，34(6)：68-71.

[8] 吳滿金，董紅召，劉東旭，等.公共自行車多目標(biāo)動態(tài)調(diào)度建模與算法研究[J].機電工程，2015，32(7)：1006-1010.

WU Manjin，DONG Hongzhao，LIU Dongxu，et al.Research on the dynamic model with multi-objective and algorithm for public rebalance problem[J].JournalofMechanical&ElectricalEngineering， 2015，32(7)：1006-1010.

[9] 秦茜.公共自行車租賃系統(tǒng)調(diào)度問題研究[D].北京：北京交通大學(xué)，2013.

QIN Xi.TheResearchonRepositioninginaBbike-sharingSystem[D].Beijing：Beijing Jiaotong University，2013.

[10] CHEMLA D，MEUNIER F，CALVO R W.Bike sharing system solving the static rebalancing problem[J].DiscreteOptimization，2013，10(2)：120-146.

[11] GASPERO L D，RENDL A，URLI T.Constraint based approaches for balancing bike sharing systems[J].SpringerBerlinHeidelberg，2013，8124：758-773.

[12] 史彩霞.公共自行車系統(tǒng)運行數(shù)據(jù)時空分析及智能調(diào)度系統(tǒng)的研究[D].杭州：浙江工業(yè)大學(xué)，2012.

SHI Caixia.AnalysisonRunningDataandResearchintheIntelligentVehicleSchedulingforPublicBicycleSystem[D].Hangzhou：Zhejiang University of Technology，2012.

[13] 李錦霞.公共自行車調(diào)度優(yōu)化研究[D].長沙：長沙理工大學(xué)，2013.

LIN Jinxia.TheSchedulingOptimizationStudyofUrbanPublicBicycle[D].Changsha：Changsha University of Science & Technology，2013.

[14] 管娜娜.公共自行車調(diào)度路徑優(yōu)化問題研究[D].成都：西南交通大學(xué)，2015.

GUAN Nana.ResearchonPublicBicycleRoutingandSchedulingOptimization[D].Chengdu：Southwest Jiaotong University，2015.

(責(zé)任編輯：朱漢容)

Scheduling of Public Bicycle during Peak Period Based on the Customer Reservation Data

JIN Wenzhou，YE Qinhai，HAO Xiaoni

(School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，Guangdong，P.R.China)

The issues of scheduling delay and low customer satisfaction caused by the lack of demand forecast during peak period and the concept of systematic scheduling in the public bicycle system were analyzed.The quantization method of scheduling demand forecast and system average satisfaction of the public bicycle during peak period was discussed; the optimal routing of the public bicycle scheduling was also analyzed.According to the analysis on the scheduling demand forecast model based on the customer reservation data during peak period，the optimal scheduling model to minimize the comprehensive scheduling costs with considering the customer satisfaction level was established，and then an improved Genetic Algorithm was adopted to solve the proposed model.Finally，a case study of the public bicycle system at certain area in Guangzhou was cited to verify the proposed model.Research results show that，compared with the conventional scheduling plan，the comprehensive cost of the proposed model is reduced by 16.6% and the system average customer satisfaction is improved by 28.7%.

traffic and transportation engineering; public bicycle; demand forecast; system average satisfaction; optimal scheduling; genetic algorithm

U492.2+2

A

1674-0696(2017)10-091-06

2016-07-25；

2016-08-29

國家自然科學(xué)基金項目(61473122)；中央高?；究蒲袠I(yè)務(wù)費專項資金項目(2015ZM124)

靳文舟(1960—)，男，吉林四平人，教授，博士，主要從事交通運輸規(guī)劃與管理研究。E-mail：ctwzhjin@scut.edu.cn。

10.3969/j.issn.1674-0696.2017.10.15