一种基于站点短时需求预测的公共自行车动态调度方法技术领域
本发明属于公共自行车智能调度领域，涉及一种基于站点短时需求预测的公共自
行车动态调度方法。
背景技术
随着城市化进程不断加快，居民的出行需求愈发多元化，促进了机动化的快速发
展，然而机动车数量的急剧增长带来了城市交通拥堵、噪音、环境污染等一系列问题，制约
了城市的可持续发展。为了解决城市交通问题，优先发展城市公共交通已成为全社会的广
泛共识，但与此同时，轨道交通和常规公交由于受到交通用地、站点分布、线路覆盖等限制，
不能提供“点—点”的全程交通服务，公共自行车因此应运而生。
“公共自行车”是指政府或公司在大型的居住区、商业区、交通枢纽、旅游景点等客
流集聚地设置租赁点，为居民提供自行车服务，并根据使用时间征收一定费用的一种交通
工具。它具有节能减排，强身健体，提升城市形象、提高居民低碳环保出行意识等效益；公共
自行车的发展，也有利于增强公交微循环，解决公交出行“最后一公里”问题，满足居民短距
离公交出行需求，并降低道路资源建设和运行费用。
在实际运营过程中，高峰时段部分站点“无车可借、无车位可还”的问题最为突出，
这也严重影响了公共自行车的运营服务。现实中通过人工巡查进行调度的方式技术手段落
后、准确度不足、效率较低，难以满足高峰期调度需求。传统的调度方法缺乏对站点公共自
行车需求的实时预测，多基于调度前站点需求进行求解，没有考虑公共自行车的流动性和
站点需求变化的动态性，调度过程中往往无法及时对站点进行调度，且调度准确性不足，导
致公共自行车服务水平较低。
发明内容
技术问题：本发明提供一种计算速度快、预测精度高，可以以提高动态调度的实时
性和准确度的基于站点短时需求预测的公共自行车动态调度方法。
技术方案：本发明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，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。
进一步的，本发明方法中，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On＝f(∑
ωmn×Xm-θm)和Yt＝f(∑ωnm×On-θm)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On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，Yt为隐
含层向输出层的输出，ωmn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，Xm为网络初始化选取的任意一输入向量，θm为神经单元阙值，f(·)为激活函数
步骤42：根据公式和δ＝Yt(1-Yt)(Yt-Kt)Om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。
进一步的，本发明方法中，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。
进一步的，本发明方法中，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，cij表示调度车辆从站点i向站点j调度一次的总成本，cij＝c0+Tij，其中c0为调
度车辆启动所花费的固定成本，Tij为调度车辆从站点i向站点j调度的运输成本，xij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，xij取1，否则取0；
Si(t)i是用户满意度函数，表示为：
[Bi,Ci]是站点最佳调度时间范围，[Ai,Di]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：
式中di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；yi是个二
值函数，当站点i完成调度任务时，yi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：
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：
Ⅳ.到达站点j的时刻tj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：tj＝ti+tui+tij，ti为车辆到达站点i并开始服务
的时间，tui为车辆在站点i的服务时间，tij为调度车辆从站点i行驶到站点j的时间。
进一步的，本发明方法中，所述步骤2中的阈值为0.9。
本发明方法将公共自行车站点短时需求预测与动态调度相结合，通过信息更新和
用户满意度的量化，实时调整调度计划，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。
有益效果：本发明与现有技术相比，具有以下优点：
传统方法一般通过尽可能多的罗列影响因素来对公共自行车需求进行预测，然而
由于影响因素众多，难以罗列齐全且数据收集困难，使得预测的精度较低。如步骤1所示，本
发明以最直接的站点空闲桩位数的时间序列作为因变量，数据仅从刷卡数据中就能获得，
无需进行大规模的实地调研，并建立神经网络模型对未来的站点空闲桩位数进行预测，运
算速度快，预测精确高。
本发明所提出的基于神经网络的公共自行车站点短时需求预测方法，能够预测未
来短时间站点空闲桩位数，运算速度快，预测精确高。如步骤1中取T＝144，则将1天24小时
划分为144个长度为10分钟的时间段来作为站点空闲桩位数的时间序列，再通过步骤4的预
测手段就能够预测未来10分钟内站点需求变化情况。可以真正反映站点实时的需求变化。
相比传统方法只能得到每天的需求变化，本发明能够得到一天之内各个时段的需求变化，
为站点的实时智能调度提供了依据。
传统的调度方法仅基于调配前各站点的调入调出需求量来进行车辆调度，缺乏用
户满意度对系统影响的考虑，不能准确反应站点需求的变化。本发明在步骤5中得到的调度
时间窗和调度需求量的基础上，还充分考虑步骤6中引入的调度成本最低和用户满意度最
大的约束函数来制定车辆执行调度计划，能够同时满足公共自行车运营管理者和用户使用
者的双重需求。
同时本发明本发明通过设定更新周期，在调度过程中实时调整调度计划，提高调
度的效率与准确度，并能充分考虑调度延误对公共自行车系统的影响，相比传统方法更能
满足市场的需求。
附图说明
图1为本发明方法的流程图；
图2为本发明方法中站点短时需求预测的预测值与实际值效果对比图。
具体实施方式
结合附图和实施例，对本发明技术方案详细说明如下：
本发明是一种基于短时需求预测的公共自行车动态调度方法，具体预测过程如
下：
1)获取站点空闲桩位时间序列
以宁波市某一公共自行车站点为例，以10min为间隔，采集2014年5月12日—5月23
日两周工作日的站点公共自行车租赁的数量Rt和归还的数量Ht，t＝1,2,…,T，T＝720，则各
时间段末公共自行车站点空闲桩位数Kt可表示为Kt＝Kt-1-Ht+Rt，从而得到5月19日—5月23
日公共自行车站点空闲桩位数的时间序列K＝﹛K1，K2，…，K720﹜；用Klt表示公共自行车站点
在上个星期5月12日-5月16日相同时间段的空闲桩位数，则该星期站点空闲桩位数的时间
序列可表示为Kl＝﹛Kl1，Kl2，…，Kl720﹜。
2)计算各时间段spearman相关系数
计算Kt时间段与Kt-4、Kt-3、Kt-2、Kt-1以及Kl(t-2)、Kl(t-1)、Klt、Kl(t+1)、Kl(t+2)之间的斯皮
尔曼相关系数如表1所示，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，本发
明取该阈值为0.9，斯皮尔曼相关系数大于0.9，分别为Kt-1、Kt-2、Kt-3、Kl(t-1)、Klt、Kl(t+1)和
Kl(t+2),从而确定输入向量的维数M(本例中M＝7)。
表1相邻公交停靠站之间交叉口数量
3)网络初始化
建立BP神经网络模型，随机分配层与层间的初始权值和阈值，并设定最大学习次
数、期望误差等参数；并提供训练样本，每个样本需要提供输入向量X＝(X1，X2，…，XM)，和输
出向量Kt；
4)网络训练和预测
根据公式On＝f(∑ωmn×Xm-θm)和Yt＝f(∑ωnm×On-θm)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On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，Yt为隐含层向输出层的输出，ωmn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，Xm为网络初始化选取的任意一输入向量，θm为神经
单元阙值，f(·)为激活函数
基于计算的输出值和实际值之间的误差，计算系统总误差，公式为：
计算误差信号，公式为δ＝Yt(1-Yt)(Yt-Kt)Om；
为修正误差值，使总误差E按误差信号δ梯度下降，应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，假设神经元j到神经元k的修正值用Δjk表示，则Δjk
＝-ηδ，其中η称为学习速率取值范围在0.01～0.8之间，选取多个不同的学习速率，对神经
网络进行训练，若网络的总误差E和误差信号δ呈现出下降趋势，则说明选取的学习速率合
适，若误差出现震荡现象，则说明选取的学习速率过大，需重新选取。在选取多个不同的值
对神经网络进行训练后，本发明中取0.01；
设定相关参数，输入样本进行训练，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，训练结束，否则开始新
一轮学习。
以周二到周四之间的所有数据为样本用于训练BP神经网络，BP神经网络训练完成
后，为了预测周五第t时间段的站点空闲桩位数，重新选取周五第t时间段的输入向量
X(future)，输入训练好的BP神经网络中，此时输出的就是周五第t时间段末公共自行车站点空
闲桩位数Kt(future)，得到预测结果如图2所示。对预测结果进行误差分析可知，90.2％的预测
误差在5％以内，表明本发明所建立的预测方法可进行公共自行车站点短时需求预测，有良
好的精度。
5)计算调度时间窗和调度需求量
在本例中选取的调度区域内共有17个公共自行车站点编号分别1-17，因此根据需
求预测调度区域内17个站点周五各个时段的空闲桩位数结果，结果显示在早高峰时段，2
号、9号和10号站点首先出现调度需求，计算需要调度站点的调度时间窗和调度需求量如表
1所示：
表1站点调度需求情况
编号
库存能力(辆)
最佳调配时间窗
可容忍服务时间窗
调度需求(辆)
0
—
—
—
—
2
20
7:53-7:55
7:53-8:01
10
9
25
7:46-8:00
7:46-8:03
5
10
25
7:52-7:57
7:48-8:00
15
6)求解调度方案
根据站点的调度需求，以调度成本最低和用户满意度最大为目标。
所述目标函数为：其中为调度成本，cij表示
调度车辆从站点i向站点j调度一次的总成本，cij＝c0+Tij，其中c0为调度车辆启动所花费的
固定成本，在本例中宁波调度车辆启动花费时间的固定成本为40元。Tij为调度车辆从站点i
向站点j调度的运输成本，xij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，xij取1，否则取0；
Si(t)i是用户满意度函数，表示为：
[Bi,Ci]是站点最佳调度时间范围，[Ai,Di]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，当
较为看重运输成本时，a取较小值；当更为看重满意度时，a取较大值；本例中为保证顾客满
意度为100％，因此取a＝1.
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：
式中di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；yi是个二
值函数，当站点i完成调度任务时，yi取1，否则取0；Q为调度车辆的最大载运能力，本例中Q
取30辆；
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：
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：
Ⅳ.到达站点j的时刻tj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：tj＝ti+tui+tij，ti为车辆到达站点i并开始服务
的时间，tui为车辆在站点i的服务时间，tij为调度车辆从站点i行驶到站点j的时间。
通过遗传算法求解，得到调度方案为：0-9-10-2，调度车辆执行调度计划。
7)信息更新
对所有信息进行第一次更新后，得到站点需求如下表2所示，此时车辆已完成站点
9和站点10的调度，按照同样的方法计算得到新的调度方案为：9-10-2-12。
表2第一次信息更新后站点调度需求情况
8)检查调度进程
在下一个周期继续进行信息更新，车辆已完成站点2的调度，正在前往站点12的途
中，站点需求产生变化如表3所示，计算得到新的调度方案为：9-10-2-12-1-3，调度车辆执
行新的调度计划。
表3第二次信息更新后站点调度需求情况
编号
库存能力(辆)
最佳调配时间窗
可容忍服务时间窗
调度需求(辆)
0
—
—
—
—
1
20
8:03-8:10
8:03-8:16
15
2
20
7:53-7:55
7:53-8:01
10
3
25
8:05-8:13
8:05-8:16
-20
9
25
7:46-8:00
7:46-8:03
5
10
25
7:52-7:57
7:48-8:00
15
12
25
7:58-8:05
7:58-8:08
-20
按照相同的周期进行信息更新，得到站点调度需求如表4所示，可得最终调度方案
为9-10-2-12-1-7-3-6-4-15，当调度车辆在站点15完成调度，即可认为调度结束。
表4最终站点调度需求情况
编号
库存能力(辆)
最佳调配时间窗
可容忍服务时间窗
调度需求(辆)
0
—
—
—
—
1
20
8:03-8:10
8:03-8:16
15
2
20
7:53-7:55
7:53-8:01
10
3
25
8:05-8:13
8:05-8:16
-20
4
30
8:15-8:21
8:15-8:23
-15
6
50
8:13-8:20
8:13-8:20
20
7
25
8:06-8:10
8:06-8:13
5
9
25
7:46-8:00
7:46-8:03
5
10
25
7:52-7:57
7:48-8:00
15
12
25
7:58-8:05
7:58-8:08
-20
15
25
8:15-8:26
8:15-8:29
8
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术
人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明
权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。