摘要
为提高大学校园共享单车运营效率,综合考虑校园区域和学生出行特性,应用小波神经网络预测区域需求量,在此基础上,建立调度模型,得到调度路径规划方法,并以福州大学为例,进行实例验证。实例分析结果表明,预测需求量的平均绝对误差和平均绝对百分误差分别为0.983辆和14.36%,可见共享单车预测需求量与实际需求量差别不大,且给出的调度路线较优。
引文
[1] 焦志伦,金红,刘秉镰,等.大数据驱动下的共享单车短期需求预测:基于机器学习模型的比较分析[J].商业经济与管理,2018(8):16-25.
[2] ZHANG J,WALTER G.Wavelet neural networks for function learning[J].IEEE Transactions on Signal Processing,1995,43(6):1485-1497.
[3] ZHANG Q,BENVENISTE A.Wavelet networks[J].IEEE Transactions Oil Neural Networks,1992,3(6):889-898.
[4] JIANG X M,ADELI H.Dynamic wav-elet neural network model for traffic flow forecasting[J].Journal of Transportation Engineering,2005,131(10):771-779.
[5] 韩印,郑喆,赵靖,等.基于灰色-小波神经网络的有效泊位预测[J].交通运输系统工程与信息,2017,17(5):60-67.
[6] 高楹,宋辞,舒华,等.北京市摩拜共享单车源汇时空特征分析及空间调度[J].地球信息科学学报,2018(8):1123-1138.
[7] LEGROS B.Dynamic repositioning str-ategy in a bike-sharing system:how to prioritize and how to rebalance a bike station[J].European Journal of Operational Research,2019,272(2):740-753.
[8] 杨显立,许伦辉,周勇.基于小波神经网络的道路交通流量实时预测模型研究[J].公路交通技术,2013(5):111-114.
[9] 范峥,付文耀,赵笑男,等.基于小波神经网络预测多相动态管道腐蚀速率[J].化工进展,2018,37(8):2904-2911.
[10] 周荣,王元庆,朱亮,等.基于时空数据的共享单车出行特征研究[J].武汉理工大学学报(交通科学与工程版),2019,43(1):159-163.
[11] MOSHEIOV G.The traveling salesman problem with pick-up and delivery[J].European Journal of Operation Research,1994,79(2):299-310.