基于感知可用性的共享电动滑板车系统混合预测性再平衡控制

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Hybrid predictive rebalancing control of perceived usability in shared e-scooter systems

　　

共享电动滑板车系统的混合预测性再平衡控制（Hybrid predictive rebalancing control）旨在调控地理围栏（geo-fenced）系统中的感知可用性（perceived usability）。直接前瞻预测模型（Direct look-ahead prediction model）可估计随机需求（stochastic demand）与电池动态（battery dynamics）条件下的未来可用性及需求损失（demand loss）。一个混合整数线性规划（MILP）模型联合优化了基于卡车的再平衡、电池更换（battery swapping）与还车激励（drop-off incentives）。该框架利用欧洲某大型共享电动滑板车运营商的规模化运营数据进行评估。该方法在控制运营成本的同时提升了服务可靠性与供需匹配度。

共享电动滑板车系统混合预测性再平衡控制研究解读

一、研究背景与问题

共享电动微出行服务（shared e-micromobility services）作为城市第一公里和最后一公里出行的灵活选择，近年来在全球城市网络中迅速扩张。用户可在整个服务区域内任意取用和停放车辆，这种高度时空灵活性使得车辆容易在低需求区域堆积，而其他区域则出现供给短缺。这种供需失衡直接影响出行请求能否在合适的时间和地点得到响应。运营商因此依赖再平衡计划（rebalancing plans），即持续在服务区域内重新分配车辆，以匹配不确定且随时间变化的需求。

现有再平衡优化方法主要采用"可用性"（availability）视角，将供给定义为每个区域内实际存在的车辆数量。然而，在依赖电池的电动微出行系统中，这一视角存在明显局限：即使用户剩余续航足够，骑行者仍可能系统性地回避低电量电动滑板车。因此，物理上可用的车辆未必会被用户选择。基于此，研究人员提出"感知可用性"（perceived usability）视角，将供给定义为用户根据电池状态判断为可用的车辆数量。相同车辆数量的区域，可能因电池状态分布和用户选择行为的差异而呈现截然不同的服务水平。

管理感知可用性面临需求不确定性和再平衡干预延迟效应的双重挑战。取车和还车行为在时空上波动，旨在改善可用性的行动往往影响未来状态而非立即纠正当前失衡。现有前瞻方法（look-ahead approaches）通过向前传播当前系统状态来预测服务损失，但其预测精度取决于预测模型对系统关键方面的表征。在共享电动微出行系统中，未来服务可用性不仅取决于车辆位置，更取决于用户愿意且能够骑行的车辆，这一选择强烈受电池水平和感知可用性影响。当预测模型未嵌入电池状态和用户选择行为时，可用性和未满足需求的预测将产生系统性偏差，限制前瞻方法指导有效运营决策的能力。

二、研究内容与意义

为填补这一空白，研究人员开发了直接前瞻混合再平衡（Direct Look-ahead Hybrid Rebalancing, DL-HR）模型，以感知可用性作为运营决策的基础。该框架协调运营商主导的干预措施（包括电动滑板车迁移和路边电池更换）与用户参与的还车激励，共同影响空间可用性和电池分布。马尔可夫预测前瞻层（Markovian predictive look-ahead layer）在随机需求、电池消耗和用户响应条件下捕捉系统状态的演化，并依据候选行动对未来未满足需求的预期影响进行评估。决策在滚动时域方案（rolling horizon scheme）中随新信息不断更新，确保与日内运营决策周期的一致性。

该研究以三种方式推进共享电动微出行系统的运营管理。第一，将再平衡重新定义为围绕感知可用性展开，这一结果由空间可用性、电池状态和用户行为共同塑造，而非仅由车辆数量决定。第二，开发了行为嵌入的直接前瞻模型，通过考虑需求不确定性、电池动态和用户选择行为来预测未来服务损失，并利用这些预测协调运营商和用户主导的干预措施。第三，在由欧洲电动滑板车系统大规模运营数据验证的滚动时域决策过程中实施该框架。研究证明DL-HR方法提升了服务水平和空间供需匹配度，在保持运营成本可控的同时优于基于卡车的再平衡和传统可用性指标。

三、关键技术方法

研究人员采用的主要技术方法包括：其一，离散选择模型（discrete choice model），基于Burghardt等人（2025）的估计结果，将电池水平、步行距离和定价等车辆属性转化为各电池状态的选择概率；其二，马尔可夫状态预测模型（Markovian state prediction model），将区域状态定义为三种电池类别（不活跃、低功率、高功率）的联合分布，通过六种状态转移事件在有限前瞻时域内传播状态分布并计算期望需求损失（Expected Demand Loss, EDL）；其三，混合整数线性规划（Mixed Integer Linear Programming, MILP）优化模型，联合优化卡车路径规划、车辆装卸、电池更换和用户还车激励决策；其四，滚动时域控制框架，以两小时为再平衡规划时域、每小时更新系统状态并重新优化决策。研究使用欧洲某大型共享电动滑板车运营商的规模化运营数据进行验证。

四、研究结果

用户选择模型。 研究人员采用多项逻辑模型（multinomial logit formulation）刻画用户对低功率、高功率电动滑板车及退出系统的选择概率。电池水平直接进入效用函数，决定各可用车辆间的相对选择概率，进而影响各电池状态的取车率并参数化状态预测模型。

直接前瞻预测与EDL。 研究人员将系统状态定义为各区域三种电池类别车辆数的联合分布，通过马尔可夫链在有限前瞻时域内传播瞬态状态分布。EDL定义为因缺乏可用电动滑板车或停车容量不足而无法服务的取车或还车请求的期望数量。EDL作为预测层与优化层之间的接口，用于评估和比较再平衡行动。

再平衡行动对状态预测的影响。 卡车干预在执行时刻对区域状态产生局部调整，用户干预则同时影响原始还车区域和系统选择的目标区域，且状态调整在行程完成时而非激励发出时实现。因此激励须具有前瞻性，需提前足够时间发出以考虑骑行时长。

滚动时域实施。 在每个重新规划周期开始时，观测当前系统状态并重新初始化预测模型，基于更新后的可用性和EDL预测计算新的混合再平衡计划。仅执行下一次重新规划前计划实施的部分，其余部分被丢弃并在后续更新中重新计算，形成闭环控制结构。

五、讨论与结论

DL-HR框架通过将直接前瞻预测嵌入滚动时域控制结构，持续对齐预测状态与实际系统状态，在不确性和延迟行为效应条件下实现运营商主导和用户参与再平衡行动的协调管理。研究证明，基于感知可用性而非单纯车辆数量的再平衡方法能更准确地预测需求损失并指导有效的日内控制。DL-HR方法在提升服务水平和空间供需匹配度的同时控制运营成本，优于基于卡车的再平衡和传统可用性指标。该框架为电池依赖型共享微出行系统的运营管理提供了新的决策范式，其行为嵌入的预测方法为未来研究奠定了重要基础。