详情

原文传递基于站点需求预测的共享电动汽车调度方法研究

论文题名：	基于站点需求预测的共享电动汽车调度方法研究
关键词：	共享电动汽车;调度优化;站点需求预测;时空特征;多图卷积网络;混合整数线性模型
摘要：	随着交通工具向着智慧化、共享化、电动化的发展，共享电动汽车将成为重要交通方式之一。共享电动汽车不仅舒适便利，还有低碳环保的优点，共享化也能够有效解决城市交通拥堵的问题。但是，由于用户出行的潮汐性和不均衡性，共享电动汽车站点存在车辆库存不平衡的问题，即有的站点车辆不足，导致用户无车可用，从而无法满足部分用户需求，降低了共享电动汽车运营商的利润，不利于共享电动汽车行业的发展。现有的研究中，对共享电动汽车的调度问题研究要么是基于历史需求的静态调度，要么简化为不考虑充电的共享汽车调度问题，对现实中共享电动汽车发展的意义有限。故此，本文提出基于站点需求预测的共享电动汽车调度优化方法，为共享电动汽车行业的发展提供理论依据和科学实践指导。　　首先，本文对上海市共享电动汽车项目原始订单数据进行了数据预处理，另外获取并处理了 POI(Point of Interest)数据和天气数据。基于预处理后的共享电动汽车站点出行订单数据，对其进行时空特征分析。结果表明，共享电动汽车出行需求呈现出较强的时间依赖性和空间关联性。工作日和周末相比，周末有更多的共享电动汽车出行需求，且工作日有明显的早晚高峰现象。用户用车时间大多在 30 分钟到 90 分钟之间。出行需求空间分布上，工作日主要分布在办公区和住宅区，而周末分布范围更广，还可能分布在休闲娱乐场所。　　然后，本文对基于站点的共享电动汽车需求预测问题进行了研究。根据时空特征分析的情况，设计了一种新的时空多图卷积网络预测模型。设计的模型主要包括五部分，输入层、LSTM(Long Short-Term Memory)编码层、多图卷积层、LSTM 解码层和输出层。使用 LSTM编码-解码器对时间依赖性进行建模，通过构建距离图、交互图、功能相似性图，使用多图卷积网络对空间关联性进行建模。将本文提出的需求预测模型与 HA(Historical Average)模型、LSTM 模型以及 MGCN(Multi-graph Convolutional Neural Network)模型进行实验对比，本文提出的模型有更高的准确性。　　最后，本文在基于站点需求预测的基础上，进行共享电动汽车调度的研究。本文在满足约束条件的前提下，构建了以利润最大化为目标的混合整数线性模型，并使用优化求解器进行求解。为了验证本文提出方法的有效性，本文分别对比了传统共享汽车系统、基于可用车辆进行调度的共享电动汽车系统和基于站点需求预测的共享电动汽车系统的区别，并以上海市共享电动汽车项目为研究对象进行实例分析。由于充电调度的原因，传统共享汽车系统和考虑充电的共享电动汽车系统的调度方案有很大的不同，且相比较传统共享汽车系统以及基于可用车辆进行调度的共享电动汽车系统，本文提出的基于站点需求预测的共享电动汽车系统获得了更高的利润。
作者：	刘方浩
专业：	计算机技术
导师：	姜誉
授予学位：	硕士
授予学位单位：	广州大学
学位年度：	2023