第1章 绪论
1.1 研究背景和意义
1.1.1 研究背景
我国正在经历着快速的城市化和机动化进程，出行需求不断增长的同时，城市居民的出行方式也在发生着改变。一方面，城市规模的不断扩大导致居民出行距离也在扩大，私家车已成为城市居民出行的一种主要方式。根据公安部交通管理局发布的数据，我国私家车保有量由2000年的654万辆增加到2019年的2.6亿辆，全国共有66个城市的汽车保有量超过百万辆，30个城市超过200万辆。尽管城市化水平的提高和私家车的普及为人们的生活带来了明显的改善和便利，但是与此同时也给城市交通造成了巨大的压力，导致日益加剧的城市交通拥堵和城市环境污染问题。另一方面，随着社会经济的发展和人们生活水平的提升，城市居民对于出行质量的要求也越来越高。
在此背景下，2019年9月，中共中央、国务院正式印发了《交通强国建设纲要》，明确指出要在2035年实现“智能、平安、绿色、共享交通发展水平明显提高，城市交通拥堵基本缓解，无障碍出行服务体系基本完善”的目标，更好地满足人民群众美好出行需要。作为有效缓解交通拥堵与节能减排的绿色交通手段，城市互联网租赁自行车（以下简称“租赁自行车”）不仅适用于中短途出行，同时也是轨道交通和地面常规公交的重要补充和延伸，能够有效缓解城市内部的交通压力、提升居民出行质量、降低能源消耗、减少尾气排放，是契合当前社会低碳发展的交通出行方式。
租赁自行车是一种有效的末端出行方式。租赁自行车系统又称为“自行车共享系统”，*早起源于欧洲，自1965年第一代公共自行车系统在荷兰阿姆斯特丹产生以来[1]，公共自行车系统经历了四代发展。其中，第三代和第四代租赁自行车即市面上主流的“有桩公共自行车”和“无桩共享单车”。租赁自行车换乘轨道一方面借助自行车“门到门”的特性扩大了个体对轨道站点或目的地的选择范围，同时利用轨道交通的优势规避了地面交通的干扰，极大地提高了个体的出行时间可靠性。近年来，借助互联网和共享经济的东风，租赁自行车的出现和兴起，激发了大众对自行车的使用热情。截至2019年底，我国租赁自行车已覆盖全国360个城市，注册用户超过3亿人次，日均使用量约4570万人次。
随着对《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》中创新、协调、绿色、开放、共享发展理念的贯彻落实，互联网租赁自行车作为移动互联网和租赁自行车融合发展的新型服务模式，借助智能手机、移动互联网、全球定位系统（GPS）等科技手段，凭借无桩运营、移动支付、随走随停等特点，为用户借还车提供了极大的自主性和便利性。近年来，互联网租赁自行车在我国甚至全世界范围内得到了迅猛的发展。相较于传统的有桩公共自行车企业，处于探索发展阶段的互联网租赁自行车企业运营管理经验较少，系统在实际运营过程中的弊端也日益凸显，如资源配置失衡、乱停乱放现象严重、运维调度不合理等[2]，这些问题导致互联网租赁自行车系统运营服务水平下降，同时造成了一定的负面社会影响。
2017年8月，交通运输部等10部门联合出台了《关于鼓励和规范互联网租赁自行车发展的指导意见》，该意见指出各城市须引导有序投放车辆、推进自行车停车点位设置和建设、规范运营服务行为。2018年3月5日，第十三届全国人民代表大会第一次会议开幕，会后交通运输部部长李小鹏在回应互联网租赁自行车管理服务问题时指出，互联网租赁自行车在发展过程中依然存在着乱停乱放、服务维护不及时等问题，社会各界需要共同治理与维护，让共享单车能够更好地服务大众。2019年，曾经共享单车行业的巨头ofo小黄车濒临破产，摩拜单车（Mobike）被美团收购并更名为美团单车。与此同时，哈啰单车（Hellobike）和青桔单车分别在阿里巴巴和滴滴出行的扶持下逐步成为国内主流的共享单车公司，与美团单车形成了“三足鼎立”的格局。尽管共享单车的热潮已退，但是毫无疑问，这种低碳环保的新型出行方式正在影响和改变着我国城市居民的出行模式和出行观念。
1.1.2 研究意义
当前，我国发展所面临的机遇和挑战都有新的变化。2020年9月，习近平总书记在第七十五届联合国大会一般性辩论会上发表重要讲话，提出我国“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”。2020年12月，中央经济工作会议把“做好碳达峰、碳中和工作”定为2021年八大工作重点之一。2021年的国务院政府工作报告也明确提出，要“扎实做好碳达峰、碳中和各项工作”。交通运输行业是我国碳中和关注的重点领域，低碳交通工具的使用、绿色出行系统的完善是交通部门脱碳战略的主要方面。《交通强国建设纲要》中明确提出，“开展绿色出行行动，倡导绿色低碳出行理念”，“大力发展共享交通，打造基于移动智能终端技术的服务系统，实现出行即服务”。2021年2月，《国务院关于加快建立健全绿色低碳循环发展经济体系的指导意见》印发，倡导绿色低碳生活方式。新一轮科技革命和产业变革正加速演变，绿色交通、共享交通、智慧交通成为我国培育交通发展新优势的重要发力点。为积极贯彻落实国家层面的一系列重大决策部署，应坚持创新、协调、绿色、开放、共享的新发展理念，积极鼓励和规范共享交通新业态，全面推进节能减排和低碳循环发展，构筑新型交通生态系统，努力建设低碳交通系统。
互联网租赁自行车作为低碳交通系统的重要组成部分，是移动互联网和租赁自行车融合发展的新型绿色交通服务模式，为满足公众短距离出行和公共交通接驳换乘需求提供了新选项，在我国得到了快速发展。尤其是在当前疫情常态化防控形势下，少接触、少聚集的防控要求使得互联网租赁自行车骑行需求量明显提升。人民群众出行模式正发生深刻变化，多层次、多样化、个性化的出行需求特征更加明显，“绿色共享”成为重要出行方式。
在此背景下，针对互联网租赁自行车系统运营中面临的突出问题，如何科学构建互联网租赁自行车系统的运营优化模型及机制，制定高效合理的调度运营管理方案以提高单车运转效率和调度水平，促进租赁自行车与轨道交通协同发展以引导公众低碳出行，是优化城市交通结构、实现城市交通运输系统可持续发展的关键，也是当前备受关注且亟待解决的一个重大研究课题。
1.2 国内外研究现状
租赁自行车作为一种新兴的交通方式，其建设发展时间较短，相关的理论研究较少。目前已有的租赁自行车相关研究主要集中在传统公共自行车方面，涌现出丰富的研究成果。鉴于互联网租赁自行车和有桩公共自行车存在很多相似之处，本书结合传统的有桩公共自行车和互联网租赁自行车，分别从“租赁自行车特性分析”“租赁自行车需求预测”“租赁自行车投放优化”“租赁自行车调度优化”“租赁自行车换乘优化”“租赁自行车低碳评估”6个方面对国内外研究进展进行重点阐述。
1.2.1 租赁自行车特性分析
由于各交通方式自身有着不同的固有特性，加之出行个体属性的差异性，各种交通方式对不同群体具有不同的吸引程度，租赁自行车作为交通方式的一种，在城市交通发展过程中逐步得到重视。探究租赁自行车自身特性，为租赁自行车系统的良好运营和未来发展提供理论基础。Pinand等从交通特性的角度指出公共自行车和其他交通方式都是重要的城市要素[3]。Shaheen和Guzman指出公共自行车与现存的交通模式具有互补性，也被应用于解决“*后一公里”出行的问题[4]。Gastillo-Manzano等指出本地居民、受教育水平和被盗风险是决定公共自行车和私人自行车哪个更受欢迎的主要因素[5]。Bernatchez等通过 7011 份电话调查发现，公共自行车站点布设密度是影响公共自行车吸引力的关键因素[6]。Shaheen等还通过对杭州市公共自行车使用者和非使用者的问卷调查，统计分析使用者与非使用者在个人属性、对出行环境和环保的态度及对现有公共自行车系统的评价方面的区别[7]。Bachand-Marleau等在蒙特利尔通过问卷调查收集个人属性和附近交通设施的相关数据，探讨公共自行车使用者个人特征及交通设施的完善程度与使用频率的关系[8]。Flamm等对公共自行车系统实施前后公共汽车历年工作日与周末、不同类型公交线路的客流量进行统计分析，揭示公共自行车系统在短距离的优势及对公共交通产生的影响[9]。石晓凤从公共自行车设施的使用角度出发，对用户的使用特征进行调查研究，总结我国公共自行车系统的交通特性和运营特征[10]。牛伟伟和叶霞飞等探讨了公共自行车接驳的相关特性，包括公共自行车接驳轨道交通的特点、单辆自行车周转率等，得出公共自行车在城市外围地区接驳轨道交通中发挥独*的作用的结论[11]。
在IC卡（集成电路卡）数据应用方面，Bian和Wu等利用北京公共自行车IC卡数据，统计了不同行政区站点借车频次、周转率，据此将站点划分成四个等级，为站点优化提供依据；并通过问卷调查统计出行目的、出行模式等出行特征，利用曲线拟合获得公共自行车使用量与出行距离的关系，计算站点服务半径[12]。Vogel和Greiser等通过对公共自行车系统大量借还车数据挖掘分析，统计各站点工作日与周末不同时间段借还车频次，以此为依据利用聚类分析将站点分为五类，并结合站点的空间分布研究不同类型站点的活动模式[13]。黄莉和刘丁酉以MySQL关系数据库为工具，对温州市鹿城区20天借还车数据进行处理，统计了各站点的借还车频次、用车时长和时刻分布，以期研究公共自行车服务系统的运行规律[14]。
1.2.2 租赁自行车需求预测
租赁自行车需求预测对系统的运营具有重要意义。根据预测的时间跨度，可以分为中长时需求预测（预测时长超过60min）及短时需求预测（预测时长为5～60min）[15]。精准地预测租赁自行车的短时借还需求，能够有效提高租赁自行车的调度效率与服务质量。目前关于租赁自行车短时需求预测方法主要分为：时间序列预测方法、机器学习预测方法和深度学习预测方法。
1. 时间序列预测方法
国内外一些学者将租赁自行车的短时需求预测问题划归为时间序列预测问题，通过对已有的时间序列进行分析，提取其中的变化特征，从而预测未来的借还需求量。Shen等基于互联网租赁自行车的历史骑行数据，利用K均值（K-means）算法得到了互联网租赁自行车的虚拟站点，通过构建自回归移动平均模型（ARMA）预测了虚拟站点在工作日的用户借还需求[16]。刘畅基于互联网租赁自行车历史骑行数据，分析其需求变化的周期性特征，构建了差分自回归移动平均模型（ARIMA）对网格内的互联网租赁自行车需求量进行预测[17]。赵明明分别构建了ARIMA、支持向量机（SVM）、决策树（DT）、随机森林（RF）模型对互联网租赁自行车的调度需求量进行预测[18]。李源庆臻综合考虑天气、气温、风力、站点容量与初始车辆数等因素，运用BP（back propagation）神经网络、小波神经网络和灰色神经网络对互联网租赁自行车的潜在借还需求进行预测，随后将基于神经网络预测的潜在需求量导入到原始数据得到组合数据，使用ARIMA预测得到站点的借还需求量[19]。陈绵等使用BP神经网络模型与ARIMA结合的方法预测了互联网租赁自行车的短时停放需求，证明了此组合预测模型比ARIMA效果更好[20]。徐铖铖等基于互联网租赁自行车的历史骑行数据，使用ARIMA预测了不同时间间隔下各交通小区的互联网租赁自行车出行需求量[21]。
2. 机器学习预测方法
随着大数据相关理论的逐渐成熟，将机器学习技术引入租赁自行车需求预测中也成为一个研究热点。孔静[22]、金含笑[23]和侯宁[24]基于互联网租赁自行车历史骑行数据，利用BP神经网络对投放点或区域内的借车需求和还车需求分别进行预测。李博峰提出采用附加动量的自适应BP神经网络分别对工作日高峰期交通小区的借车需求和还车需求进行预测[25]。杨军等考虑天气因素与时间因素，构建了基于不同激活函数下的BP神经网络模型，预测了未来一段时间的互联网租赁自行车需求
展开
