43、智能交通：共享单车再平衡与公路事故缓解方案

智能交通：共享单车再平衡与公路事故缓解方案

共享单车再平衡方案研究

在共享单车系统（BSS）蓬勃发展的当下，解决车辆分布不均衡问题，实现高效再平衡至关重要。这不仅能提升服务水平，还能避免城市拥堵。目前，针对共享单车再平衡的研究主要集中在需求预测、再平衡策略设计等方面。

1. 混合激励方案优势显著
   • 实验表明，随着时隙数量的增加，混合激励方案的优势愈发明显。在对接式BSS数据集（如NYC数据集）的实验中，不同激励预算下，所有方案在预算增加时服务水平都会提高，但混合激励方案能更好地利用预算，达到最高服务水平。这显示出强化学习代理在分配激励方面比固定激励方案更优。
   • 不同站点数量的实验结果也显示，混合激励方案具有很强的鲁棒性。即使对接式BSS规模扩大，学习代理仍能明智地分配激励，保持较高服务水平，比固定激励方案高出约30.7% - 35.3%。
2. 需求预测方法多样
   • 现有需求预测方法可分为站点级和集群级预测方法。站点级预测旨在预测每个自行车站点的租赁/归还事件数量，但可能忽略站点间的潜在依赖关系，导致预测不准确。
   • 为克服这一问题，Li等人提出对相似站点进行聚类，通过过渡模式和站点位置聚类，预测每个集群的需求。Chen等人进一步考虑交通和社会事件等特征，提高了预测准确性。Du等人则采用卷积神经网络（CNN）进行需求预测，先通过基于密度峰值的聚类找到虚拟站点，再用CNN预测需求。
3. 再平衡策略各有优