RUG:收益驱动的单向共享汽车用户重定位模型

共享汽车在满足用户多样化出行需求的同时,有助缓解交通拥堵、降低污染,很多场景比出租车更为经济。单向共享汽车允许用户在系统内任意站点借车和还车,具备运营成本低、服务灵活的优势。然而,用户出行需求的时空偏态性会导致站点间车辆和需求不平衡,成为制约单向共享汽车企业盈利的关键问题。车辆调度能在一定程度上缓解上述问题,现有研究多数以期望收益最大化或降低系统不平衡性为目标构建优化模型。前者受限于出行需求预测精度不足,放弃当前订单而追求期望更高收入的模式难以保证实际收益;后者为满足系统平衡而付出更多调度成本会使系统盈利能力下降。为此,本文提出一种收益驱动并适用实时场景的单向共享汽车用户重定位模型RUG,基于前景理论的确定效应保证当前可获得收益,对于受系统资源限制无法满足的需求,通过为用户提供替代方案在尝试获取收益的同时,也能有效平衡系统车辆资源。通过设计合理的用户激励和接受度模型将用户作为重定位主体纳入系统,利用公共交通突破传统用户重定位车辆的距离局限,以贪心的最优化实现调度计算。在真实的纽约出行和共享汽车数据集上的实验结果表明,RUG模型相比现有用户重定位方法优势显著,在同样模型参数条件下,相比现有代表性基于用户调度方法,RUG在服务订单数和利润2个方面分别提高14%和60%,尤其提升了交通高峰期单位利润。通过加入出行需求预测,模型进一步增加5.4%收益的同时,还能有效改善用户服务水平和系统平衡性。