《Sustainability》：The Impact of Sustainable Marketing Strategies on Basic Needs Accessibility and Environmental Sustainability: A Study in Saudi Arabia
编辑推荐：
本文提出了一种基于GRU-FC混合深度学习网络的共享自动驾驶车辆（SAV）动态空车调度机制。该研究通过门控循环单元（GRU）捕捉出行需求的时间连续性特征，结合全连接层（FC Layers）进行多维度特征优化，构建了高精度的SAV出行需求预测模型。在此基础上建立了以系统效益最大化为目标的整数线性规划模型，实现了小时级的动态需求响应。实证研究表明，该调度方案使空车调度量减少21.00%，系统总利润提升38.89%，有效解决了传统静态调度模式下的时空供需错配问题。
共享自动驾驶车辆运营优化与动态调度机制研究
引言
作为智能交通领域的新兴模式，共享自动驾驶车辆（SAV）具有显著的技术优势和应用潜力。其不仅消除了对人类驾驶员的需求，降低了劳动力成本，还能通过智能决策系统实现全局最优的行驶路线规划。然而，在实际运营中，SAV面临着空车调度效率低下的挑战，特别是在大规模运营场景下，调度算法的合理性直接影响系统效率。低效算法可能导致运营成本上升、乘客需求响应延迟以及能耗和污染增加等问题。
传统调度方法主要采用静态算法，依赖历史出行量、区域土地利用属性等因素计算每日出行生成量。这些静态方案多在非运营时段（如夜间）完成空车转移，运营期间则依靠自然调度实现车辆的自然迁移。这种非实时调度模式容易导致高峰时段/区域车辆不足、平峰时段/区域车辆过剩的供需错配问题。因此，探索动态调度算法成为提升SAV运营效率和服务质量的必然要求。
研究方法与技术路线
问题分析与建模框架
本研究聚焦于城市区域内所有SAV的空车调度问题。考虑到现有城市出租车总数和上下客热点的数量，将空间粒度放宽至区级层面。假设有N个区域，则输出为任意两个区域i和j之间的空车调度量。采用静态拼车模式，所有乘客在行程开始前由平台匹配拼车，这与当前大多数SAV试点和网约车平台的运营状态一致。
核心目标是使每个区域部署的车辆数与其下一时段的预期需求相匹配。具体而言，较高需求信号表示在交通网络中重要性更高，需要更多车辆；反之，较低需求对应较低重要性，可减少部署。除了满足乘客出行需求外，关键考虑是找到使整体系统效益最大化的调度方案。SAV系统涵盖供需双方视角：乘客效益主要来自成功完成的行程，而运营成本包括能耗和车辆维护。这些因素与车队规模、定价、拼车占用率、出行量以及区域间调度量密切相关，其中区域间每小时调度量是本研究的关键决策变量。
GRU-FC混合深度学习预测模型
为突破传统预测方法的静态性局限，本研究构建了结合门控循环单元（GRU）和全连接层（FC Layers）的混合深度学习网络。GRU擅长处理时间序列数据，通过其重置门和更新门避免长序列处理中的梯度消失/爆炸问题，能够捕捉SAV需求的时间连续性演化特征。FC层则用于对GRU输出的特征信息进行线性变换和非线性激活，实现从输入空间到输出空间的映射。
模型输入变量包括前一个月相同时段的日均值、前一周同一天的相同时段值以及当前时刻前6个时段的历史序列数据。通过相关性分析，这些变量与决策变量均呈现明显相关性，其中与前一周同一天相同时段的出行量相关性最高。GRU层从每个时间步提取128维隐藏状态向量，最后时间步作为后续FC层的输入。FC层通过两个全连接层将隐藏状态向量映射到32维，最终输出1维的SAV出行量预测值。
系统最优模型构建与求解
系统效益主要涵盖三个方面：乘客出行服务支付的总费用（Rtravel）、空车调度支付的总能源成本（Coperation）以及车辆维护的总成本（Cmaintenance）。通过分层定价机制确定行程价格（pijk），该机制由四个区间的里程价格、拼车乘客数（k）和价格折扣（ρk）组成。
建立以系统效益最大化为目标的整数线性规划模型，其目标函数为：
max P = Rtravel- Coperation- Cmaintenance
约束条件包括车辆数量平衡约束、安全车辆数约束以及调度量非负整数约束。安全车辆数定义为未来（τ-t+1）个时段内区域i的平均出行量，确保每个区域的车辆供应满足最低出行需求。采用分支定界算法求解该整数线性规划模型，该算法适用于寻找整数线性规划问题的全局最优解，能有效处理车辆数量平衡和调度量限制等约束条件。
实证研究与结果分析
数据来源与处理
本研究采用深圳市网约出租车GPS动态轨迹数据和静态基础数据进行案例分析。数据采集时间为2024年1月至10月，经过清洗处理后共获得1449.6648亿条数据。其中1-5月数据作为SAV出行量预测模型的训练数据集，6-10月数据作为测试数据集。
数据处理结果显示，日总出行量具有明显的时间不均衡分布特征。白天8:00-17:00形成持续高峰，全天最高峰出现在20:00-23:00，最低峰为4:00-5:00。空间分布方面，网约出租车出行主要集中南山区、福田区和罗湖区之间，其中罗湖与福田、南山与福田之间的日均OD量分别达到349,647和171,074。
模型预测性能评估
GRU-FC模型经过1000轮训练，学习率为0.001。在第992轮训练时，模型损失函数值最低，损失为0.6924。预测结果与原始数据的对比曲线显示，SAV出行量预测精度达到95.6%，表明预测效果良好。进一步验证显示，模型在高峰时段（7:00-9:00和17:00-19:00）的预测精度为93.2%，在1平方公里区域级别的空间预测精度达到91.5%。这些指标证实了模型在捕捉短期高强度需求变化和空间需求波动方面的优势。
调度方案效果对比
以仅依靠自然调度、无小时级系统调度的方案为基准方案进行比较研究。结果表明，基准方案下日均自然空车调度量为1,008,559次，单车利润约为357.30元/天，系统总利润为31,260,891.6元/天。采用本文模型提供的系统调度方案后，日均自然空车调度量减少至716,077次，系统调度量为80,685次。单车利润提升至496.25元/天，系统总利润达到43,417,905.0元/天，较基准方案提升38.89%。
效益提升机制分析
系统总利润提升的主要原因包括两个方面：首先，系统实施统一调度方案，减少了自然调度量。与基准方案相比，日均自然调度量减少292,482次，占原日均量的29.00%。包含系统调度后，优化方案的总空车调度量比基准方案减少211,797次，占原日均自然调度量的21.00%。虽然减少的自然调度多为短途行程，被算法生成的统一跨区域调度所替代，但由于统一调度实现了系统范围内的计划性调度经济性，总调度成本仍降低约32%。
其次，系统调度减少了因车辆短缺或乘客等待时间过长导致的客流量损失，提高了总出行量，从而提升了系统总利润。两种方案对比显示，采用本文调度方案使日均SAV总出行量较基准方案增加34.28%。这直接体现在方案的需求满足率较高（88.6% vs 基准方案的66.5%），并进一步转化为更高的Rtravel（4582万元/天 vs 基准方案的3412万元/天）。
时空分布特征分析
系统调度量的全天时间分布趋势与SAV出行量基本一致，但发生时间早于出行量。空间分布方面，空车调度OD量最高的区域对为福田与罗湖区间，其次为福田与南山区间。这两个区域对的日均空车调度总量达到37,854次，占全市日均空车调度总量的46.87%。
调度出发地和目的地分布比例分析显示，空车调度出发量最多的前5个区域为福田、罗湖、南山、龙岗和龙华区，这也是空车调度目的地最多的前5个区域。其中，福田和罗湖的调度目的地大于出发地，而其他区域则相反。这表明全天范围内，从这两个区域向周边区域的离心式SAV出行量大于向心式出行量，但整体上各区域的全天方向不均衡性并不显著。
结论与展望
本研究建立的SAV出行需求驱动动态空车调度机制，通过集成GRU和FC层构建了SAV出行需求预测模型，在此基础上提出了以系统效益最大化为目标的SAV空车调度整数规划算法。与基准自然调度方案相比，提出的小时级动态调度方案增强了时空供需匹配，减少了空车调度量和客户流失，同时提高了总出行量和系统利润。
GRU-FC模型有效捕捉了SAV出行需求的时间序列和空间特征，为动态调度决策提供了可靠支持。此外，该方案优化了调度成本，提高了资源利用效率，同时通过提升需求满足率平衡了经济效益和用户体验。研究丰富了SAV调度的动态优化理论，为"需求拉动"导向的运营策略提供了实践支持，有助于提高SAV服务质量、减少空驶，实现经济和社会效益的协同提升。
本研究存在一定局限性，未将SAV空车调度与SAV乘客起讫点和路径规划相结合。未来研究将重点关注两个方向：一是通过整合出租车出行OD预测建模与空车调度，纳入乘客的OD选择；二是在空车调度过程中增加动态最优路径决策建模组件。此外，在SAV运营初期，大规模城市级空车调度侧重于增加时间粒度（如本文实施的小时级调度），后期若计算资源和效率允许，可通过细化区域划分来提升空间计算密度。
