42、基于自适应用户激励的共享单车系统再平衡的AI方法

基于自适应用户激励的共享单车系统再平衡的AI方法

1. 调整源和目的地激励的绕行距离比例

为了优化共享单车系统的再平衡，我们可以调整源和目的地激励的绕行距离比例。具体做法是在环境模型中为用户添加最大绕行约束。设 $l$ 表示用户能够接受的最大绕行距离，包括源绕行和目的地绕行。在实际应用该方案时，$l$ 的值可以通过用户调查获取。

我们将 $l$ 分为两部分 $l_s$ 和 $l_d$，分别对应最大源绕行和最大目的地绕行。设 $a$ 为 $l_s$ 和 $l_d$ 之间的调整参数。根据定义，在源激励下的最大绕行距离为 $l_s = al$，在目的地激励下的绕行距离为 $l_d = (1 - a)l$。

为了与环境模型保持一致，我们假设如果用户的绕行距离超过限制，或者无法从绕行中获利，用户将拒绝绕行。通过这种设置，我们试图在所有时间段内限制每个区域的源和目的地激励。

预算划分严格限制了源和目的地激励的预算，而绕行距离划分则在估计时限制了源和目的地激励价格。这两种激励在不同区域都是自适应的，并且激励价格之和不能超过相应的预算。预算划分应用于马尔可夫决策过程（MDP）的初始状态，而绕行距离划分应用于环境，超过限制的激励对方案没有益处。

2. 混合激励方案的特性

混合激励方案除了具有自适应调整的特性外，还能将一个用户的长绕行距离分解为不同用户的两个短绕行距离。例如，假设有两个用户分别在时间槽 0 和 1 到达，他们的起点分别为 $u_1$ 和 $u_2$，终点分别为 $u_1’$ 和 $u_2’$。在初始时间槽 $t = 0$ 时，有一辆自行车位于 $R$ 处。

如果只允许源激励，用户 $u_1$ 从 $R