第3章 基于用户出行轨迹的共享汽车调度策略

为解决共享汽车区域分布不均衡、无车可用与空车空座并存等问题，实现共享汽车的充分共享，本章开展了基于用户出行轨迹的共享汽车调度策略研究。首先，以用户出行轨迹为基础，结合城市不同出行轨迹的先验知识，利用BP（Back Propagation）神经网络识别小汽车出行轨迹，挖掘出共享汽车的潜在需求，再基于轨迹时空相似性对共享汽车需求进行聚类，获取需求时空分布特点。其次，在用户参与型共享汽车服务模式下，基于用户出行轨迹识别和共享汽车需求聚类结果，考虑用户满意度，以平台总成本最小为目标，以用户调度优先于专人调度为主要约束条件，建立用户参与型共享汽车调度模型，并利用改进的遗传算法对模型进行求解。最后，采用微软亚洲研究院公开的GeoLife出行轨迹数据集，使用基于Python语言的TensorFlow深度学习框架实现用户出行轨迹识别，使用MATLAB编写遗传算法代码，求解用户参与型共享汽车调度模型，获得最优车辆路径及最低总成本，并通过与自主型调度方法的对比实验证明本章方法的有效性。

本章通过研究用户参与型共享汽车服务模式和基于用户出行轨迹的共享汽车调度方法，在一定程度上解决了空车空座、平台调度成本高、车辆供需失衡等问题，实证结果表明本章提出的用户参与型共享汽车调度方法可降低平台总成本，提高车辆利用率，为以后共享汽车服务模式与调度方法的研究提供了新思路。