基于需求分配的整数规划模型与神经拉格朗日加速技术实现高效的自行车共享系统平衡调整

《Scientific Reports》：Efficient bicycle-sharing rebalancing via demand distribution-based integer programming model and neural lagrangian acceleration

　　

摘要

物联网人工智能的发展使得自行车共享系统转变为大规模、空间分布式的实体资源网络。这一变革提升了它们作为缓解城市交通拥堵和减少碳排放的有效解决方案的地位，但用户需求的不稳定性以及自行车分布不均往往会导致站点间的供需失衡。为解决这一问题，人们通常采用自行车重新分配策略，在各个站点之间调配自行车以保持供需平衡。整数规划优化方法被广泛用于解决自行车的重新部署问题。然而，现有的整数规划重新分配方法存在两个主要缺陷：其一是对历史平均需求模型的使用，无法反映需求的波动性；其二则是计算复杂度过高，难以实现实时应用。为克服这些缺陷，本文提出了一种基于需求分布的整数规划与神经拉格朗日加速框架（DD-IP-NLA）。该框架中，DD-IP通过需求分布向量来捕捉需求波动，而NLA则利用神经网络预测接近最优的拉格朗日乘数。对于大规模系统，还可结合距离-需求相似度度量标准使用DBSCAN聚类算法，进一步降低计算复杂度。在合成数据集和真实数据集上的大量实验表明，DD-IP-NLA能够更好地满足用户需求，提升系统的盈利能力，并且能够实时处理大规模自行车共享系统中的问题。