摘要：本文通過研究共享單車的授放以及調度優化問題，使得調度以及投放單車的次數最少。經過對單車調度以及投放情況進行分析，探討了單車分布的影響。以鄒城市為倒，首先根據實際情況，對數據進行了整理，通過BP神經網絡對單車的初始量進行預測，完成之后以期望調度次數最少為目標，建立整數規劃模型，利用lingo進行求解得出期望調度次數為4.3次。

　　關鍵詞：共享單車調度;神經網絡;整數規劃

　　一、數據處理

　　基于鄒城市的統計數據，將各時間段內的第i區域到達第j區域的騎車人次匯總，得到每個區域一天中共享單車的分布情況。通過與該市騎行需求相對比，發現需求量大于提供量，結果如下表，所以需要對共享單車進行調度。

　　二、BP神經網絡

　　BP算法由數據流的前向計算(正向傳播)和誤差信號的反向傳播兩個過程構成。正向傳播時，傳播方向為輸入層一隱含層一輸出層，每層神經元的狀態只影響下一層神經元。若在輸出層得不到期望的輸出，則轉向誤差信號的反向傳播流程。通過這兩個過程的交替進行，在權向量空間執行誤差函數梯度下降策略，動態迭代搜索一組權向量，使網絡誤差函數達到最小值，從而完成信息提取和記憶過程。

　　(1)信號的前向傳播過程。設BP網絡的輸入層有n個節點，隱含層有q個節點，輸出層有m個節點，輸入層與隱含層之間的權值為vki，隱含層與輸出層之間的權值為wjk。隱含層的傳遞兩數為f0)，輸出層的傳遞函數為5()，則隱層節點的輸出將閾值寫入求和項中，至此BP網絡就完成了n維空間向量對m維空間的近似映射。(2)誤差的反向傳播：0定義誤差函數。輸入P個學習樣本，用.，來表示。②輸出層權值的變化。采用累計誤差BP算法調整，使全局誤差變小。③隱層權值的調整。具體過程不再介紹，可以參考文獻。

　　三、模型建立及求解

　　根據以上分析，建立整數規劃模型來優化共享單車調度問題即有調度傾向度與調度值之積最大為目標函數：max ExjDjo每個需要調度的區域的單車數目都要滿足期望的調度單車數目：Exij=Ni i=1，2，5每個不需要調度的區域中，所有多余的車輛均要全部調度：Exij=Mj j-1.2-.5綜上：Ni-15，15.3，13，1;Mij[3，5，8，5，16])

　　其中xj是區域到區域j共享單車的調度數量，Ni是區域i所能調出的所有共享單車數量，Mj是區域j所需要調入的所有共享單車的數量。Dij為調度傾向。由結果可以者m在0點-6點之間，區域3的共享單車應該調出5輛給區域6：區域5的共享單車應該調出3輛給區域14輛給區域2.8輛給區域8;區域7的共享單車應該調出3輛給區域8;區域9的共享單車應該調出8輛給區域4.5輛給區域8;區域10的共享單車應該調出1輛給區域2。以上即為根據模型得出的最優調度方案。即說明，在滿意度最優的情況下，建立的整數規劃模型可以很好的解決增加車輛的問題。與計算結果進行比較，證明了模型的正確性與合理性。

　　參考文獻：

　　[1]張婷，共享經濟模式下共享單車管理策略研究小]現代營刊)，2017，(03)：30.

　　[2]劉亞楠.共享單車發展研究分析[]時代金融，2017，(08)：251+254.

　　基于BP神經網絡的共享單車調度優化相關推薦基于BP神經網絡的短期負荷預測