物流管理论文哪里有？本文在研究了共享单车出行特点的基础上，选择某大学周边的区域作为研究区域，将研究区域划分为 45 个调度区域，构建 LSTM 人工神经网络预测模型对各区域的单车需求进行预测。基于划分的调度区域，建立需求动态变化下的共享单车调度模型，并设计遗传算法进行求解，最后对实例求解的调度方案结果进行了讨论和分析。
1 绪论
2.1 单车调度的研究现状
本文所研究的共享单车调度问题在近几年文献数量比较多，研究逐渐丰富和成熟。
早期关于共享单车的调度研究考虑的情形一般比较简单同时也缺少实际数据支撑，但这部分研究为后续的研究奠定了基础。赵曼[2]针对共享单车网络，分析了网络的特征，并建立了两种调度模型，一种基本没有限制条件，另一种考虑行驶时间、调度车容量、运营成本等各种限制因素，以最短调度距离为优化目标得到最终的调度方案。周龙雨等人[3]在研究中使用 BP 神经网络预测共享单车的初始量，以期望调度次数最少作为目标函数,建立整数规划模型，找到最少调度次数；柳志坤[4]将共享单车调度问题作为 VRP 问题求解，在求解静态需求的同时使用插入法处理新出现的动态需求；张建翔[5]通过历史数据对单车的时空分布情况进行分析，建立用户需求调度模型，得到各区域的实际投放量；姜剑[6]以杭州公共自行车的数据为例，分析影响自行车流量的因素，利用机器学习方法分析用户出行规律，预测用户的出行目的地，实现对共享单车调度需求的预测；A. PAL 等[7]指出共享单车相比于公共自行车启动成本更低，研究了单车和多车的调度模型来平衡单车的需求，提出一种新的混合规划方法允许同一辆车对同一节点多次访问，针对这一模型文章提出一种新的混合邻域搜索算法，能够以较短的时间获得高质量的解；
3 共享单车调度研究的数据准备—调度区域划分和需求量预测
.1 共享单车骑行数据特征分析
研究共享单车的调度首先需要把握共享单车出行的基本特点，在了解共享单车特点的基础上才能明晰共享单车存在的痛点，提出合理的解决方案。
3.1.1 数据来源
本文使用的原始数据来源于“2017 摩拜杯算法挑战赛”摩拜官方提供的北京地区 2017 年 5 月 10 日-5 月 24 日的摩拜共享单车出行数据，共 3214096 条数据，如表 3-1 所示，具体数据类型包括：序号、用户 ID、车辆 ID、出发时间、出发地经纬度（geohash 加密）、目的地经纬度（geohash 加密）
一个城市有各种类型的区域，如住宅区、大学区、休闲区、商业区、商务办公区等，不同区域承担的职能不同，人们在不同区域的出行特点也会有所不同，而共享单车作为一种新兴的出行方式，在不同区域中也会呈现不同的出行特点。
本文在北京市选取了能够代表五种区域的地点，并对这些地点周边 2 公里范围内的共享单车出行情况进行分析，从而更好地把握不同类型的地区的出行特点，具体地点选取和范围确定如表 3-3 所示。
5 考虑不同调度时间窗和调度策略的实例分析
5.1 需求随时间动态变化的共享单车调度模型基础数据的准备
5.1.1 调度区域的划分
第四章建立了需求动态变化下的共享单车调度模型并设计了相应的求解算法，在此基础上，本章基于摩拜单车的在北京地区的实际用车情况，选择合适的研究区域，并利用第三节章建立的调度区域划分和需求预测模型，得到各调度区域需求点的具体位置以及相应的单车需求，为调度模型实例求解提供数据支持，对模型和算法进行讨论和分析。
与第三章一样，本章同样选择某大学周边作为研究区域，具体是一个经纬度范围为 39.932555- 39.977875，116.29715-116.357590 的 5km*5km 的矩形区域，根据摩拜单车 2017 年 5 月 10 日-2017 年 5 月 24 日的实际骑行数据，利用 K-means聚类算法和 DBSCAN 密度聚类算法划分出调度区域，各调度区域的分布及编号如图 5-1 所示。各需求点的具体经纬度位置以及编号对应和第三章一致，详见附录 A（1）。
5.2 需求随时间动态变化情况下某大学周边区域共享单车调度方案
求解模型的基本参数设置：调度时间为上午 7：00-9：00，每辆调度车辆的固定成本为 40 元/辆/小时（主要考虑调度员的工资和车辆成本），需求未满足的惩罚成本为 4 元/辆（主要考虑丢失订单的损失成本和为公司形象带来的负面影响），每辆调度车辆的最大装载水平为 20 辆/辆，最大行驶速度为 20km/h（考虑北京市内进行共享单车调度的车辆主要以电动三轮车为主，这类车辆承载能力和行驶速度都不是很高），行驶成本为 2 元/km，调度时间窗为 1 小时，即每 1 小时调度一次，也就是说 7：00-9：00 需要进行两次调度。
5.2.1 优先考虑调度成本的调度
由于调度时间窗设定为 1 小时，所以对早高峰的调度需要分为两个阶段进行，分别是 7：00-8：00 和 8：00-9：00。
首先对 7：00-8：00 的时间段进行调度，直接将数据带入模型中计算，由于本次是第一轮调度，所以本次调度不强制要求调度车辆必须回到调度中心，得到的具体调度方案如表 5-2 所示，路径如图 5-2 所示。
此时最优的共享单车调度方案为分成 3 条路线进行调度，共对 45 个需求点中的 25 个点进行了调度，此时的总成本为 523.12 元，去掉需求损失的惩罚成本，运输成本和固定成本为 215.12 元，调度方案有 77 辆需求损失。
6 结论及展望
6.2 研究展望
本文建立了需求动态变化下的共享单车调度模型，并根据北京地区的单车使用实际数据进行了求解分析，得到了不同情况下的较优调度方案，但本文依然存在一些问题有待进一步研究：
（1）本文为简化计算，假设用车需求在时间窗范围内是均匀变动的，这种情况比较理想，在后续研究中可以根据用车数据得到用车需求的分布趋势，利用分布趋势推测区域在各时间点的用车需求，更加贴近实际情况。
（2）本文使用的单车用车数据天数偏少，虽然总数据量很大，但由于是整个北京地区的，所以只有半个月的用车数据，后续可以进一步收集更多的单车用车数据，从本文已有的数据也能够看出，节假日和工作日用车特点的差异非常大，在有充足数据的情况下，可以考虑对节假日和工作日分别建立符合各自特点的用车需求预测模型。
（3）本文在实例分析时选取的研究区域是比较繁华，人流量较大的区域，后续可以进一步探究如果对人流量不是非常大的区域进行调度，调度方案会呈现出怎样的特点。
参考文献（略）
