一种基于站点短时需求预测的公共自行车动态调度方法与流程

技术特征：

1.一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R_t和归还的数量H_t，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K_t为K_t＝K_t-1-H_t+R_t，从而得到公共自行车站点空闲桩位数的时间序列K＝﹛K₁，K₂，…，K_t…，K_T﹜；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K_lt，则上个星期站点空闲桩位数的时间序列为K_l＝﹛K_l1，K_l2，…，K_lt…，K_lT﹜；

步骤2：计算选取的第t个时间段末站点空闲桩位数K_t与K_t-4、K_t-3、K_t-2、K_t-1、K_l(t-2)、K_l(t-1)、K_lt、K_l(t+1)、K_l(t+2)之间的斯皮尔曼相关系数，取与K_t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，…，X_t，…，X_M)和输出向量K_t；

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K_t(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[h_min，h_max]，其中h_min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q_i(t)与该站点库存能力Q_i之比的最小值，h_max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q_i(t)与该站点库存能力Q_i之比的最大值，其中q_i(t)＝Q_i-K_t(future)；未来时间段t末时刻站点i的调度需求量d_i的范围则为q_i(t)-h_max·Q_i≤d_i≤q_i(t)-h_min·Q_i；

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。

2.根据权利要求1所述的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，所述步骤4中的通过BP神经网络梯度训练法对训练样本进行训练，包括如下步骤：

步骤41：确定输入层为M层，输出层为1层，取隐含层层数为N层，根据公式O_n＝f(∑ω_mn×X_m-θ_m)和Y_t＝f(∑ω_nm×O_n-θ_m)逐层计算样本从输入层向隐含层的输出、隐含层向输出层的输出，其中O_n为输入层向隐含层的输出，n为隐含层的任意一层，n＝1,2,…,N，Y_t为隐含层向输出层的输出，ω_mn为连接结点m到下一层结点n的权重，m为输入层的任意一层，m＝1,2,…,M，X_m为网络初始化选取的任意一输入向量，θ_m为神经单元阙值，f(·)为激活函数

步骤42：根据公式和δ＝Y_t(1-Y_t)(Y_t-K_t)O_m分别计算网络的总误差和误差信号δ；

步骤43：根据公式ω(n+1)＝ω(n)+(-ηδ)，按梯度对输出层到隐含层、隐含层到输入层的权重和阈值进行调整，其中η为学习速率；

步骤44：训练完全部的输入样本后，判断网络的总误差是否满足精度要求，如果已达到精度要求或已进行的学习次数到达预先设定的最大学习次数，则训练结束，否则开始新一轮学习。

3.根据权利要求2所述的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，所述步骤43中，学习速率η的取值范围在0.01～0.8之间，η通过选取多个不同值对神经网络进行训练后，根据观察系统误差的下降速率来确定。

4.根据权利要求1、2或3所述的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，所述步骤6中通过采用遗传算法，在约束条件下求解调度目标为运输成本最低和顾客满意度最大的目标函数，计算得到调度方案的方法；

所述目标函数为：其中为调度成本，k为需要调度的次数，c_ij表示调度车辆从站点i向站点j调度一次的总成本，c_ij＝c₀+T_ij，其中c₀为调度车辆启动所花费的固定成本，T_ij为调度车辆从站点i向站点j调度的运输成本，x_ij是个二值函数，当调度车辆在站点i完成调度任务并驶向站点j时，x_ij取1，否则取0；

S_i(t)_i是用户满意度函数，表示为：

[B_i,C_i]是站点最佳调度时间范围，[A_i,D_i]为可容忍调度时间范围；

λ为变换因子，λ＝a*k*c₀，a为[0,1]之间的常数，按照调度的侧重点进行设置；

所述约束条件如下：

Ⅰ.调度车辆上公共自行车的载运量始终位于零和车辆的最大载运能力之间，即：

$0\≤d_h+1+\underset{i=1}{\overset{h}{\Σ}}{y}_i{d}_i\≤Q,h=1,2,\mathrm{...},k,$

式中d_i为公共自行车站点i的调度需求，该数值随时间不断变化，当其为正数时，表示站点i需要调出公共自行车；当其为负数时，表示站点i需要调入公共自行车；y_i是个二值函数，当站点i完成调度任务时，y_i取1，否则取0；Q为调度车辆的最大载运能力；

Ⅱ.调度开始时，调度车辆应从停车场出发，并最终返回初始停车场，即：

$\stackrel{k}{\Σ}{x}_{0i}=\stackrel{k}{\Σ}{x}_{i0}=1$

Ⅲ.调度车辆对任一站点进行调度后，必定会从该站点离开，即：

$\stackrel{k}{\Σ}{x}_{ji}=\stackrel{k}{\Σ}{x}_{ij},j=1,2,\mathrm{...},k$

Ⅳ.到达站点j的时刻t_j应等于到达上一个站点i的时刻加上在该站点的服务时间以及两个站点间调度车辆的行程时间，即：t_j＝t_i+t_ui+t_ij，t_i为车辆到达站点i并开始服务的时间，t_ui为车辆在站点i的服务时间，t_ij为调度车辆从站点i行驶到站点j的时间。

5.根据权利要求1、2或3所述的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，所述步骤2中的阈值为0.9。