摘要：本文通過研究共享單車的授放以及調度優(yōu)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(guī)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(guī)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(qū)域到達第j區(qū)域的騎車人次匯總，得到每個區(qū)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(fā)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(tài)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(zhí)行誤差函數梯度下降策略，動態(tài)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(jié)點，隱含層有q個節(jié)點，輸出層有m個節(jié)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(jié)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(guī)劃模型來優(yōu)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(qū)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(qū)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(qū)域到區(qū)域j共享單車的調度數量，Ni是區(qū)域i所能調出的所有共享單車數量，Mj是區(qū)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(qū)域3的共享單車應該調出5輛給區(qū)域6：區(qū)域5的共享單車應該調出3輛給區(qū)域14輛給區(qū)域2.8輛給區(qū)域8;區(qū)域7的共享單車應該調出3輛給區(qū)域8;區(qū)域9的共享單車應該調出8輛給區(qū)域4.5輛給區(qū)域8;區(qū)域10的共享單車應該調出1輛給區(qū)域2。以上即為根據模型得出的最優(yōu)調度方案。即說明，在滿意度最優(yōu)的情況下，建立的整數規(guī)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(fā)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(yōu)化相關推薦基于BP神經網絡的短期負荷預測