论文部分内容阅读
共享单车作为第三大公共出行方式,为出行者提供了更多的交通选择。它的出现不仅解决了用户短途出行的痛点,还符合创新、协调、绿色、开放、共享的城市新发展理念。但是由于共享单车企业的大规模增长,管理经验的缺乏导致共享单车发展面临一系列的难题。为此,本文针对共享单车管理部门设计并实现了一款共享单车智能调度原型系统。借鉴传统公共自行车调度管理的研究理论,以调度成本最小化为目标,形成需求分析到需求预测,区域划分到区域调度的解决思路。本文的主要工作如下:(1)提出基于改进随机森林的共享单车需求预测算法(Bike-sharing Demand Forecasting Algorithm Based On Improved Random Forests,IMRF-DF),解决共享单车管理部门对站点车辆投放数量的预测问题。通过分析时间、天气、温度、风速等出行特征对共享单车需求的影响,建立共享单车需求预测模型。在求解模型过程中,引入加权思想,采用Pearson相关系数算法改进特征选择方式,增加特征选择多样性,提高算法预测精度;采用特征区间划分原则,加强特征子集的优良性,避免算法陷入局部最优。在CitiBike数据集上进行实验比较,IMRF-DF算法相较于RF算法在预测精度上提高了约5.13%,证明了该改进算法在共享单车需求预测方面有较大提升。(2)提出基于改进蚁群算法的共享单车调度路径优化算法(Bike-sharing Scheduling Path Optimization Algorithm Based On Improved Ant Colony Optimization Algorithm,IMACO-SP),解决车辆调度路径选择的优化问题。考虑传统人工调度车辆可能会导致的调度路径冲突以及最优调度路径的求解问题,构建以总调度成本最小化为目标的共享单车调度优化模型。在模型求解过程中,采用K-means+关联属性的区域划分原则,将调度问题由全局最优转化为局部最优。改进ACO算法信息素更新原则,通过引用调度净需求量为信息素参数,避免调度路径之间因信息素挥发过快而陷入局部最优。在CitiBike数据集上的实验结果表明,IMACO-SP算法相较于ACO算法在解的准确度上有显著的提高,全局最优解优化了约3.69%,全局平均解优化了约4.60%,解的平均偏差降低了约0.9%,最大偏差降低了约0.49%。该改进算法不仅提高算法的求解速率,而且改善了算法的稳健性。(3)设计并实现了共享单车智能调度原型系统。该原型系统基于B/S架构,采用Java为主要开发语言,MySQL为数据库。原型系统能够实现共享单车调度需求预测,调度区域划分以及调度路径生成等功能,并将结果进行可视化展示。