基于短期需求预测的动态自行车调度问题

作为一种低成本的环保旅行方式，公共自行车已在许多大城市中得到广泛应用，极大地便利了人们的日常生活。 但是，由于公共自行车的分配不平衡，在高峰时段很难在某些车站找到要出租的自行车或要归还的地方。 传统的调度方法具有滞后性，一般来说，调度车辆到达车站时需求可能会发生变化。 为了更好地解决此类问题，我们提出了一种基于短期需求预测的动态调度（DBS）模型。 在本文中，我们首先采用K均值对站点进行聚类，然后采用随机森林（RF）来预测每个聚类中自行车的结帐数量。 此外，应用多相似性推断模型计算每个站点的签出概率以进行签出预测，并提出了一个概率模型用于集群中的签入预测。 基于预测结果，应用增强遗传算法（E-GA）来优化自行车调度路线。 最后，我们通过芝加哥公共自行车共享系统（BSS）的一年数据集评估了模型的性能，该数据集拥有500多个站点和380万条旅行记录。 与其他预测方法和调度方法相比，该方法具有更好的性能。