当前我国处于城市化和机动化高速发展时期，大中型城市普遍出现了交通拥堵、环境污染等重症“城市病”。共享单车为居民提供了随取随停的单车租赁服务，凸显了便捷出行、低碳出行的发展理念，为治理城市病提供了全新思路。截至2023年11月，北京市共享单车全年累积骑行量突破10亿人次，日均骑行311.57万人次。然而，由于前期共享单车企业的无序投放与粗放管理，导致共享单车需求预测、搬运优化、回收管理能力不足，引发了严重的供需失衡问题，对交通秩序、市容环境与居民出行造成了极大的负面影响。新一代信息技术的快速发展为共享单车的智慧化管理提供了技术支持。基于时空骑行数据，借助机器学习、深度学习等手段，企业致力于数据驱动的共享单车运营管理技术开发，旨在提高运营效率，实现共享单车的精准供需匹配。

梳理现有研究成果不难发现，目前学者对骑行数据中隐含的时空特征挖掘尚不充分，忽略了取车需求与还车需求之间的内在关联性。在优化建模方面，较少文献考虑动态搬运与故障车回收协同优化。此外，在日间共享单车动态搬运场景中，电动搬运车辆的续航里程限制不可忽略，然而较少研究考虑搬运车辆的充电管理。鉴于此，本文提出基于时空需求预测的共享单车动态搬运与回收优化方法。研究意义包括: 1) 通过分析骑行数据，挖掘用户骑行规律与时空分布规律；2) 基于数据分析结果，提出嵌入多任务学习的深度学习模型对共享单车取车与还车需求进行联合预测，提高预测模型的预测性能和泛化能力；3) 基于需求预测结果，以最小化运营成本与惩罚成本为目标，构建考虑充电决策的多时段动态搬运与故障车回收协同优化模型；4) 设计基于模拟退火的自适应大邻域搜索算法求解模型，以提高模型的求解效率。本文在我国《加快建设交通强国五年行动计划（2023-2027年）》和《“十四五”现代综合交通运输体系发展规划》的指引下，研究成果有助于拓展绿色交通管理领域的理论模型，有利于实现城市共享交通数智化治理研究方法的创新。此外，本文研究成果将有助于政府从共享单车搬运与回收协同维度制定未来共享交通治理政策，为我国加快建设交通强国提供参考。

二、主要内容

本文的主要研究内容围绕基于时空需求预测的共享单车动态搬运与回收协同优化问题展开，着重缓解共享单车系统中存在的需求预测不准确、单车调度不合理、故障车回收不及时等问题。具体来说，本文的研究内容包括以下三个方面：

第一，基于共享单车骑行订单数据，从分析用户出行时空分布规律角度出发，融合取车需求、还车需求等数据特征，时间特征，天气特征构建输入向量。采用多门混合专家结构嵌入基于注意力机制的双向长短期记忆网络，对各站点取车需求与还车需求进行联合预测。

第二，以还车与取车需求的预测差值作为搬运需求，输入到所构建的共享单车动态搬运与回收协同优化模型。通过线性化技术将模型转化为混合整数线性规划模型，并设计基于模拟退火的自适应大邻域搜索算法，自动选择优质算子对解进行破坏与修复，构建更大的搜索邻域，提高获得更优解的可能性。

第三，为了验证模型和算法的有效性，采用美国纽约市花旗自行车Citi Bike骑行数据设计数值实验。结果验证了所提预测模型、优化模型和求解算法的性能，并探究了搬运车辆运力上限、电池容量、惩罚成本系数、决策步长对搬运方案的成本、车辆调度、服务水平的影响。

三、主要结论及政策建议

本文获得的主要结论与政策建议如下：在需求预测方面，与其他单任务学习模型相比，MMoE-AM-BiLSTM预测模型值最高达到0.92，验证了所提预测模型的有效性。在模型求解方面，通过与CPLEX求解器和其他启发式算法进行对比，在求解大规模问题时，所提ALNS-SA算法在求解效率和稳定性上表现出优势。通过灵敏度分析发现：(1) 采用较大容量的搬运车辆执行搬运任务，虽然在旅行距离上有所减少，但可能造成较低的车辆利用率，容易导致车辆运力的浪费；(2) 采用较低电池容量的电动搬运车辆，可能产生电力不足无法访问某些站点的情况，应针对站点与场站的实际距离，合理划分管理区域，或对较远站点派出续航能力较强的车辆单独执行搬运任务；(3) 在做搬运决策时，决策者可调节不同惩罚成本参数，判断站点的剩余单车是否满足下一时段用户的取车需求，以较低的运营成本执行搬运任务的决策；(4) 决策者应根据用户骑行需求动态设置决策步长，在保证较低的运营成本的同时，避免高峰时期需求集中而产生未满足需求。

四、边际贡献与未来拓展

本文提出了共享单车取车与还车需求协同预测方法、共享单车动态搬运与回收协同优化模型以及基于模拟退火的自适应大邻域搜索算法，面向我国大中城市共享单车绿色治理问题，符合我国“双碳”目标的重大战略和“十四五”时期现代综合交通运输体系的发展规划，具有一定的理论研究和应用价值。本文边际贡献体现在以下几点：

第一、本文注重大数据、人工智能等新技术与共享单车治理的深度融合，拓展用户需求分析与状态演化的理论研究。通过传统优化方法与现代智能优化方法相结合，将多任务深度学习模型应用于共享单车治理的实际场景，具有一定的学术价值。

第二、在需求与政策的双重驱动下，本文旨在加强城市慢行交通系统建设，推进交通运输行业协同增效，对于推动“十四五”时期智慧交通运输体系绿色转型与高质量发展具有重要现实意义，为国家实施定制化、个性化、专业化的共享单车治理方案提供有效依据和参考。

此外，本文的研究仍有一些改进的空间。首先，本文只考虑了一种具有固定运力和电池容量的车型，然而在实际应用中，可以派遣不同容量、不同电力的车辆执行搬运任务。其次，在所提出的优化模型中，假设电池的耗电过程是线性的，但实际情况中应考虑车辆的载重、天气条件以及电池老化等因素的影响。因此，在未来的研究中，可以进一步深入考虑上述问题，使得所提出的方法更贴合实际。

五、写作、投稿过程的心得体会

本文是论文Dynamic repositioning in bike-sharing systems with uncertain demand: An improved rolling horizon framework研究的拓展，进一步研究了考虑充电决策和搬运回收协同优化问题，在构建共享单车动态搬运模型的基础上，引入充电决策和约束，以及中间变量防止回收的故障单车被放置到单车匮乏区域。通过广泛阅读文献和多次讨论，逐步完善了研究内容，对领域内的相关研究有了更全面的认识。

在论文投稿过程中，我们收到了审稿专家和编辑部老师的宝贵意见，从预测模型特征、预测模型公式表达到丰富的结果展示等方面均提出了深入和细致的建议，极大地提高了论文的整体质量。按照审稿专家和编辑部老师的建议，我们对预测模型框架进行了澄清，加强了大规模实验的结果展示，增加了不同时间步的数值实验，提高了论文实验结果的说服力。不仅加深了我们对研究问题的深入理解，也保证了研究结果严谨有力。此外，文章在投稿、审稿等各个流程中得到了审稿专家和编辑部老师非常高效的处理，在此由衷感谢所有审稿专家和编辑部老师的辛苦付出！

本文摘编自《系统工程理论与实践》2025年,第45卷,第8期论文《基于时空需求预测的共享单车动态搬运与回收优化研究》（点击题目链接全文）；

作者：冯紫嫣¹，博士, 讲师, 研究方向: 智能交通管理；李想²,(通信作者)，博士, 教授, 研究方向: 交通运输管理, 大数据决策；昌锡铭³，博士, 副教授, 研究方向: 共享出行管理；吴建军⁴，博士, 教授, 研究方向: 城市 (综合) 交通系统复杂性

      1. 北京化工大学 经济管理学院, 北京 100029

      2. 北京理工大学 管理学院, 北京 100081

      3. 北京交通大学 系统科学学院, 北京 100044

      4. 大连理工大学 经济管理学院, 大连 116024