由于用户出行需求的时空分布不均匀、共享单车停放区域具有容量限制等原因。
无论是传统的有桩式共享单车，还是新型的无粧式共享单车，在运营过程中出现的供需矛盾问题一直是制约共享单车系统发展的关键因素。
为解决供需矛盾问题，一种有效的方式是对共享单车进行调度。但现有的共享单车调度方法存在需求热点建模不完备、需求预测不准确、调度策略设计不合理等问题。
为此，本文基于共享单车群智大数据，研究需求热点的提取、预测与调度。
共享单车需求预测研究现状按照预测个体的不同，共享单车需求预测方法可以分为基于站点层面的单车需求预测方法和基于聚类层面的单车需求预测方法。
基于站点层面的单车需求预测方法以单个站点作为研究对象，预测所有站点未来时刻需求。
部分学者采用数理统计的方法预测共享单车需求，包括自回归滑动平均模型马尔可夫链、蒙特卡罗方法等。
Kaltenbrunner等人使用自回归滑动平均模型在巴塞罗那共享单车数据集上开展实验，预测未来时刻站点的单车数量谭玉龙基于马尔可夫链的方法研究站点的借还车量预测任务。
根据马尔可夫链的性质研究单车站点之间的转移概率，以建立需求预测模型。
Hu 等人114提出了一种概率预测方法，该方法采用蒙特卡罗模拟和随机森林模型来提高需求的预测精度。
何承辑基于季节性差分自回归移动平均模型预测短时共享单车借还车量吴瑶等人11通过构建多项Logit 型并根据单车历史序列数据中的规律模式设置模型的参数。
对早晚高峰期间的共享单车数量和停车桩数量进行了测算。
曾小明基于二元 Logit 模型预测地铁口的共享单车需求情况，基于预测结果对地铁口的共享单车停车桩数量进行调整。
钱进基于随机效用理论(Random Utility Theory预测西安市住宅区、商业办公区的共享单车使用需求。
焦志伦等人119基于机器学习方法，对比了套索回归(Lasso Regression)、岭回归(Ridge Regression)、随机森林和梯度提升回归树的需求预测精度。
另一部分学者利用深度学习模型预测共享单车需求。
刘路美基于 BP(BackPropagation)神经网络设计了一种考虑日期时间属性的站点借还车量预测方法。
周敏提出了一种基于差分进化的 BP 神经网络预测共享单车站点的借还车需求。
解小平等人122提出了一种基于改进埃尔(Elman)神经网络的共享单车需求预测模型，该模型利用具有自适应学习率的动量法训练更新，在早高峰时期的预测效果好张山山提出了一种基于主成分分析、蝙蝠算法和广义回归神经网络的共享单车需求预测模型。
Wang 等人使用长短期记忆网络和门控循环单元，通过一个月的单车需求数据预测站点的短期单车数量。
Chen等人设计了五种基于循环神经网络的需求预测模型，通过建模各个站点的高维时间序列特征，并结合每小时的天气信息，预测每个站点的单车借车量和还车量。
Chai 等人2提出了一种基于多图卷积神经网络的需求预测模型，根据历史序列信息构建站点距离图、站点交互图和站点相关图，以反映站点之间的异构关系，然后通过图卷积融合多张图以预测站点的单车进出量。
基于站点层面的单车需求预测方法以单个站点作为研究对象，在需求预测时建模方便，操作简单。
但此类方法有以下几点不足:首先，受天气和节假日等多种复杂因素的影响，单个站点的需求变化规律不明显，对单个站点的需求变化进行预测较为困难，所以一般情况下，此类方法预测的精度不高。
其次，如果发生某些社会事件影响共享单车的使用，通常影响的是一个区域，而不是单独的站点，比如大型音乐会结束时周边的骑行需求急剧增多。
再者，实际上并不需要对每个站点单独预测需求，因为用户通常会在附近的站点找共享单车。
如果一个站点没有可用的共享单车，他们会在附近的另一个站点找到共享单车并借用。
基于聚类层面的单车需求预测方法研究进展对相似的站点进行聚类是解决上述问题的一种有效方式，该类方法被称为基于聚类层面的单车需求预测方法。
具体而言，首先通过聚类技术将单车站点汇聚在一起，形成区域。
每个区域内有一定数量的站点，区域内所有站点的需求汇聚在一起，得到该区域的总需求。
然后，以聚类后得到的区域作为研究对象，设计需求预测模型，以区域为单位，而不是以站点为单位。
Froehlich 等人根据单车站点的空间分布及站点间的需求变化模式，使用层次聚类算法将城市中所有站点汇聚成不同的区域，然后对比了贝叶斯网络等四种模型预测单车使用率的实验结果。
Li 等人28提出了一种两阶段的站点聚类算法，该方法基于站点地理位置和单车转移模式对站点进行聚类，然后基于梯度提升回归树预测每个聚类中的单车需求。
Chen 等人129在站点聚类时进一步考虑外部情境特征，包括时间属性、天气状况、气温等公共情境因素。
以及社会事件和交通事件等环境因素:然后提出了一种基于距离约束的动态聚类算法，对不同时段的站点进行空间聚类。
最后使用蒙特卡罗模拟方法预测每一个聚类未来时刻的需求变化。
Liu 等人1301提出了一种 Bi-clustering 聚类算法，该方法首先基于兴趣点将城市内的距离相近的站点划分到一个功能区中，然后根据距离偏好、区域转移关系和区域特性三种因素构建预测模型，预测各功能区每个小时的单车进出量。
陈思浓通过对时间属性、地理位置、天气状况、气候温度等因素的分析，基于加权 K-Means 聚类算法对站点进行聚类。
并提出了带ARMA 误差的多因素预测模型Feng 等人使用谱聚类算法替代 K-means 聚类，并引入标签传播算法的思想约束地理范围大小，使得聚类得到的区域合理。
然后基于梯度提升回归树，预测每个区域的单车进出量。
高巍等人采用 K-medoids 算法将站点根据地理空间距离进行聚类，然后计算每一个簇内部的转移概率。
最后使用长短期记忆网络预测每个族的单车借出量Li等人提出了一个名为内部独立且平衡的聚类算法，该方法首先将站点聚类成小的功能区域。
然后根据类间独立且类内平衡的原则将各个小区域聚类成大的调度区域最后基于 I-Model和 0-Model两个预测器分别预测每个区域的单车进入量和骑出量。
Du 等人351使用基于密度的聚类算法汇聚站点，接着提出了一个名为动态转移卷积神经网络的模型来预测需求。
从上述文献中可以发现，现有的基于聚类层面的预测方法关注于空间站点的聚类，而对于时间的处理，这些方法都是对序列数据进行等时间间隔切分(如一个小时)。
但每个需求的变化和持续时间都是不同的，有的需求是从高到低，有的需求是从低变高，且持续时间不等长，在语义上表现出时间的趋势性。
因此，除空间聚类之外，还需考虑时间上的聚类。
其次，在需求预测模型设计上，现有的研究主要根据时序数据进行预测，忽略了需求变化的空间关联，预测效果较差。
虽然有些方法同时建模了空间和时间特征，但在空间建模时仅考虑空间邻近性，忽略了多种潜在的空间语义关系，比如空间区域的功能区相似性和需求模式相关性等。
最后大多数研究未考虑情境因素，但情境因素对需求的影响是直接的。
共享单车车辆调度研究现状按照调度方式的不同，共享单车车辆调度可以分为基于卡车运载的单车调度方法和基于用户骑行的单车调度方法。
基于卡车运载的单车调度方法研究进展基于卡车运载的单车调度方法使用卡车运载共享单车到指定的地点。
根据调度时间的不同，可分为静态卡车调度和动态卡车调度。
静态卡车调度是指在特定的时间进行调度，一般是夜晚或者是非高峰期使用卡车运载单车，忽略调度期间的用户借还车影响。
动态卡车调度则不受时间限制，在任意时刻都可进行调度，调度时考虑共享单车系统的单车数量变化情况。
针对静态卡车调度问题，刘登涛等人以最小化运输成本为优化目标建立单车调度模型，并提出了一种基于模拟退火算法和遗传算法的启发式算法，来求解较优的单车调度方案。
Raviv 等人37首先根据单车需求的随机性和动态性，定义了一种考虑共享单车系统中用户满意度和运载单车时间限制的目标函数。
然后提出了两种混合整数线性规划模型进行求解;最后在巴黎和华盛顿的共享单车数据集上的开展了实验，验证了该方法的有效性。
Chema等人138将静态调度问题定义为多对多取送货问题，提出了一种求解松弛问题的分支切割法，并通过禁忌搜索算法得到最优解的上界。
秦茜首先根据共享单车系统服务质量和运营成本两方面因素建立了最小化运营成本、最大化服务质量的多目标约束模型:然后基于复杂问题简单化的思想，使用遗传算法和禁忌搜索算法求解模型。
Forma 等人4提出了一种三阶段的启发式算法，该方法首先对站点进行聚类划分调度区域，然后规划初始的行驶路径，最后在限制条件下仅对同一个区域或者相邻的两个区域进行调度。
杨桥东等人综合考虑整个单车系统的最优调度，提出了一种多对多车场调度模型，该模型首先使用遗传算法进行初始化，然后通过禁忌搜索算法得到最优的调度成本，最后在中山市单车数据集上开展了实验。
结果表明该调度方法能够显著降低成本针对动态卡车调度问题，Zhang 等人为克服静态调度资源利用率低的问题，建立了一种多商品时空网络流动模型。
并将问题转化为等效的混合整数线性规划问题，提出了一种改进的启发式算法来有效求解该问题，与现有的方法相比，所提出的启发式算法可以显著减少单车的资源浪费。
柳祖鹏等人根据卡车运载单车的调度情况，基于调度卡车容量和下一站点单车供给数量作为约束，构建了一种单车站点间调度的数学模型。
然后基于改进的蚁群算法求解该模型，得到了单车调度的方案;最后在武汉市 24 个单车站点上进行了实例验证，发现所提出的算法能够得到最优的调度路径。
李锦霞1441通过分析共享单车的实时流动性，构建了一种最小化卡车运输成本和时间延误成本的单车动态调度优化模型，使用时间惩罚系数约束乘客等待时间，并基于遗传算法求解该模型。
Chiariotti 等人使用出生死亡过程建模各个站点的单车使用情况，以此作为调度的依据然后提出了一种基于图论的动态调度方法，通过最小化单车借还服务失败率来提高用户的满意度。
Li 等人提出了一种时空强化学习模型对共享单车系统进行动态调度，该模型基于借车量模拟器、还车量模拟器和调度模拟器来学习和评估调度策略的好坏。
并在纽约市共享单车数据上进行了模拟实验，证明了该模型的有效性基于卡车运载的调度方法在早期使用普遍，调度效果显著。
但存在以下几点问题:首先，卡车调度的策略不灵活，由于卡车具有固定的容量，每次只能运载有限的单车数量。
其次，基于卡车运载的调度方式成本较高，需要雇佣卡车司机和搬运人员，并且卡车运输过程中需要消耗汽油。
最后，卡车运输过程中的碳排放对环境有一定的污染，这与共享单车的环保理念相违背。
