【综】Challenges and Opportunities in Dock-Based Bike-Sharing Rebalancing: A Systematic Review

Challenges and Opportunities in Dock-Based Bike-Sharing Rebalancing: A Systematic Review

摘要

自行车共享系统（BSS）由于其在可持续城市中的潜在份额，在过去几年中越来越受欢迎。尽管实施共享单车公共服务的第一次尝试可以追溯到1965年（阿姆斯特丹），但随着千禧年成为一个充满活力的研究领域，其活动在过去十年中稳步增加，共享单车的广泛使用也随之到来。几位作者试图总结当前的技术状态，但有关 BSS 的文献仍然分散在不同的领域。因此，缺乏对现有的BSS研究进行总结和分类的文献。在本文中，我们对共享单车系统再平衡背后的挑战进行了彻底的回顾。本文的目的是收集关于基于码头的共享单车服务中重新定位问题的论文，对其进行分类，并指出新的研究场所。我们在文献中进行了关键词分析，并给出了这些关键词在过去十年中的演变时间表。我们还包括一个详尽的表格，将帮助来自不同学科的研究人员应对该领域的公开挑战，并向更可持续的城市过渡。
关键词： 共享单车；重新定位平衡；重新安置算法；回顾可持续的车辆共享

1. Introduction

大城市的人口集中带来了更高水平的污染（由于交通堵塞），并提高了人们对所谓的“作为服务的企业”和共享经济的兴趣。有趣的是，新型冠状病毒危机阻碍了共享汽车等服务的发展，同时也提高了人们对共享自行车系统（BSS）的认识。
自行车共享系统Bike-sharing systems（BSS） 可能已经成为移动即服务Mobility as a Service（MaaS）概念最广泛的实现方式[ one]. BSS于1965年在阿姆斯特丹作为一项公共服务开始，其项目名为“白色自行车”。然而，直到过去十年，他们才在全球范围内普及[ two]. BSS实施的数量从2004年的13个增加到1956个可操作的本地计划，2019年约有15254400辆共享自行车¹（另请参见[ four , five , six]). 对共享自行车世界地图的目视检查表明，该地图得到了广泛应用，尤其是在北美、西欧和亚洲[ seven , eight ].
BSS背后的想法很简单：在城市周围放置一个公共自行车池，准备以低价使用。每个实现都有自己的特点，如：

• 公共或私人服务取决于它是由私人公司还是由政府管理部门管理。
• 基于停靠（如果是基于站点拾取区域）或自由浮动（如果只是可以在城市中拾取和放置）。
• 有使用限制区域（划定的周界）或没有任何地理限制。
• 实施不同的支付方式、服务使用奖励、折扣和价格计划。

关注他们的特点并根据[ nine , ten , eleven]图中显示了五代BSS表1 .

将我们的注意力集中在基于停靠站的BSS上，我们可以将其定义为分布在城市不同位置的一组站点。每个站点都有自行车道，用户可以在这里取车或离开已经使用过的自行车。由于需求不平衡，一些车站可能没有自行车，而其他车站则被完全占用，可能会因同时结束行程而超载。这一问题在文献中有几个名称：不平衡、再平衡、重新定位和平衡是最常用的。

BSS运营商（即拥有该服务的公司或政府管理部门）缓解了这种不对称需求的影响，在顶级起点站补充自行车，并在顶级终点站释放停靠基地。值得注意的是，所有者如何管理这个问题直接转化为用户对服务的满意度。

用于解决这种情况的选项可以分为两种策略²：基于操作员或基于用户的重新定位。前者包括使用一些车辆（通常是卡车）将自行车从一个车站移动到另一个车站。或者，在基于用户的重新定位中，鼓励用户而不是BSS员工在特定站点下车或取车。如中所述³基于操作员的策略在基于停靠站的BSS中似乎更有效，而基于用户的策略在无停靠BSS中获得更好的结果。这两种策略都可以从静态的角度（在特定的时间范围内重新分配自行车）或动态的角度（操作员实时重新分配自行车[ thirteen]). 当前的趋势显示出一种混合解决方案，将不同的再平衡模式结合在一起。

因为这个问题有几种可能的解决方案，所以我们决定确定专注于重新定位问题的可用综述文献。首先，我们决定对BSS领域的现有研究进行分类。虽然BSS的实施早在几年前就开始了，但直到2010年，该领域才出现相关研究。根据[ fourteen]BSS研究可分为四个阶段，如表2 .

在第四个项目（2016年至2018年）中，研究主要集中在需求、再平衡和站点间自行车再分配问题上。然而，关于BSS的文献分散在不同的领域，这使得新的研究人员很难提出能够进一步推动这项服务的想法，以此作为实现更可持续城市的竞争战略。例如，在过去几年中，人们对理解解释BSS使用的模式越来越感兴趣。基于停靠的类似BSS的参考[ fifteen , sixteen]或无码头的[ seventeen , eighteen]可以找到。然而，再平衡数据并没有用于此目的。在这篇综述性论文中，我们试图回顾BSS研究的重点是“再平衡问题”。仅适用于基于扩展底座的BSS实现（第四代BSS）。本文讨论了四个关键主题：（a）与BSS研究相关的最新技术概述，（b）识别与自行车重新定位问题综述相关的可用文献，（c）与用于解决自行车重新定位的算法相关的研究列表和分类，以及（d）评估有待进行的进一步研究。我们将对文献的系统分析与自动特征提取相结合，以确定可为该领域新的令人兴奋的成就奠定基础的研究机会。在这项工作中，我们专注于基于码头的BSS，尽管我们预计在未来十年内无码头（自由浮动）BSS的出版物会大幅增加。

2. Methods and Data Acquisition 方法和数据采集

为了确定与审查主题（再平衡问题）相关的论文，遵循了以下步骤：
A. 在Google Scholar中按术语“自行车共享”执行搜索，应用以下范围限制：

1. 将范围限定为英语文学作品。
2. 时间范围为2010年至2020年第三季度。正如引言部分所述，直到2010年，BSS领域才出现相关研究。
3. 基于站点拾取区域（基于Dock-based）的BSS平衡问题研究。这意味着其他研究关注于解决自由浮动BSS实现的相同问题，如[ nineteen]不在本次审查范围内

B. 据此，我们检索了一份按相关性排序的自行车共享主题论文列表。Google Scholar将自动生成与这些关键字相关的其他搜索，如：“自行车共享、自行车共享、bikeshare、shared bikes、bikeshoring等”。对于之前搜索的第一个条目，我们使用谷歌学者提供的“被引用者”选项来识别与我们的一般主题（自行车共享）相关的最相关的论文。在此之后，我们使用几个用于表示再平衡问题的术语筛选“被引用”论文。如中所述[ twenty]现有文献中使用了各种术语来指代再平衡问题：平衡、再平衡、重新定位、重新定位和重新分配。对论文进行分类和分析，重点关注最新进展、提出的算法及其各自的参考文献。研究属于多个学科（经济学、物流、计算机科学、数学等），只分析专注于解决平衡问题的算法的论文。

我们知道，谷歌学者不是一个精心策划的人类数据库，而是互联网上的一个搜索引擎，但在我们的案例中，它简化了查询，因为它统一了关键字，如“自行车共享”、“自行车分享”或“bikesharing”。它还检索与“重新平衡问题”相关的文档，只有在查询中包含正确的关键字时，其他数据库才会包含这些文档。然而，我们已经通过科学网和Crossref对我们的结果进行了双重检查。

3. Results and Discussion

3.1. Contextualization of Research in Bike-Sharing Field 自行车共享领域研究的背景

我们首先对自行车共享领域的研究进行了探索性研究。为此，我们对自行车共享相关论文的标题和摘要中出现的主要关键字和主题进行了图形化表示。图1显示了所提到的关键字图，总结了BSS领域中的概念间关系，使用了一个免费的计算机软件来表示文献计量图（VOSviewer）。正如他们的作者评论的那样[ twenty-one]，VOSviewer与其他书目计量工具不同，它以一种简单的方式专注于视觉表现（VOSviewer文件可以在补充的 .

图1使用VOSviewer通过相似性对BSS研究概念进行聚类[9]不同的颜色代表不同的组，大小与概念的出现次数成正比。

研究主题分为五组：1-绿色：代表以出行分析、停靠BSS实施和再平衡问题为重点的研究；2-红色：与健康、流动性等社会概念相关的团体研究；3-蓝色：显示最近的研究趋势（无船坞BSS），值得注意的是，这类研究主要在亚洲进行；4-黄色：经济和政府相关领域的研究。有趣的是，这种研究主要在美国进行；5-紫色：研究重点是应用于BSS的算法，主要使用欧洲数据解决。VOSviewer软件使用模块化聚类技术执行此聚类。与此聚类技术相关的更多信息已由[ twenty-two ].

如果我们在图表中包括时间变量（研究年份），我们将获得图2显示了各年研究课题的趋势：

图2BSS多年来的研究趋势表明，当前的重点是无码头自行车共享。
有趣的是，简单检查图2强调了这样一个事实，即趋势研究主题正在逐步转向在亚洲进行的研究，尤其是在第五代（无船坞BSS）。关于重新平衡的作用，我们可以在中看到关键字图的突出显示版本图3（左)

图3突出显示重新平衡单词的关键字图版本(向上的)和可持续发展词(向下)显示它与其他相关单词的关系。

“再平衡问题”已聚集在绿色集群中，与“停靠自行车共享”、问题的同义词（如重新分配或重新安置）和“出行分析”等概念有重要联系（在采取再平衡政策之前执行出行分析是非常常见的）。

另一个相关见解来自图3（up）“再平衡问题”与其他研究课题相关。例如，它影响经济措施和社会行为。使用特定算法进行求解。作为一个概念，“再平衡”也会影响无坞自行车。虽然他们没有车站，但也需要在城市范围内重新分配自行车。然而，这种再分配问题（无坞自行车再分配）超出了本文的范围。

最后，我们可以看到，再平衡问题与“可持续性”密切相关。事实上，如果我们将注意力集中在图表中的可持续性上，我们将获得图3（向下），基本上表明BSS中的大多数相关研究主题与可持续性有某种联系。

在对现有研究进行总体和视觉分类后，我们确定了关于BSS的综述论文。BSS最新技术的第一次审查由[ twenty-three]其中提供：1。自行车共享计划概述，2。对现有文献进行批判性检查，并确定知识差距。

之后[ three , twenty-four]提供了各自的评论，重点关注与BSS相关的特定主题，并考虑到2015年之前的可用文献。最后，参考文献[ fourteen]作者总结了2010年至2018年间BSS研究的成果，该研究采用了科学计量学方法。它包括应用数学和统计方法对与BSS相关的知识进行定量分析。

表3显示了可用BSS文献综述论文Literature review paper（LRP）的特点，但也确立了当前工作在先前发布的LRP背景下的地位。

3.2. BSS Rebalancing Problem Review Analysis BSS再平衡问题审查分析

近年来，特别是自2010年以来，与BSS相关的研究数量一直在增加[ twenty-five]. 因此，我们工作的主要目的是提供一个最新的和广泛的文献观点，以指导未来对该主题的研究。因此，通过对BSS文献的分析，我们可以得出结论，在这一研究领域中只有很少的回顾性研究。此外，这些综述性论文提供了对BSS研究的高层次概述，混合了不同的知识领域，并且没有提供有关BSS主要研究主题的足够详细信息。聚焦于一个主要的BSS问题（“再平衡问题”），我们发现没有具体的综述文件来总结可用的研究。与再平衡问题相关的现状被分割开来，因为不同的论文正在为这个问题提供解决方案，而这正是本研究所涵盖的主题之一。

平衡问题被认为是自BSS最早实施以来所面临的主要挑战之一。BSS运营商发现需要改进自行车的配送方法，在某些情况下，他们还评估了相关成本[ nine]. 因此，有必要找到使再分配更有效的方法[ two ].

在过去十年中，提出了几种方法。Nair和Miller-Hooks[ twenty-six]使用随机规划，假设移动车辆（汽车或自行车）的成本可以用固定的pus线性函数表示，而不考虑路径约束和成本。该模型假设需求是静态的，但没有考虑不同时期的需求波动。因此，对于BSS重新定位问题，该模型被认为过于简单。

另一种早期方法[ twenty-seven]描述了该问题作为经典旅行商问题（TSP）的替代方案，并提出了一种基于近似算法的方法来降低成本。同年，另一项研究[ twenty-eight]使用站点起点-目的地可视化技术显示停靠站之间的行程流。除了确定可能的平衡策略外，本文的主要贡献在于认识到需要进行需求研究，以找到最佳平衡策略。此外，他们发现再平衡战略和BSS的具体实施之间存在明显的依赖性，也如[ twenty-nine ].

Chemla等人[ thirty]为了更好地理解影响最优解的关键因素，引入了更严格的理论框架。此外，这是第一次在这种情况下使用元启发式方法。他们提出了一个整数程序，用分支算法解决了几个约束。

2012年，Labadi等人[ thirty-one]提出使用Petri网建立模块化动态模型。目标是搜索模型的最佳值，以最小化空站和满站情况。林和周[ thirty-two]认识到自行车再分配是车辆路径问题 vehicle routing problem（VPR）的一部分，传统上是使用欧氏距离计算运输成本来解决的。他们建议在运输成本计算中包括 地理信息系统geographic information systems（GIS) 提供的地理信息（如道路状况、交通规则等）。通过这种方法，并对不同的构造方法进行测试，他们得出结论，最远的插入比最近邻的方法执行得更好。

直到2013年，主要的想法是解决问题，假设每个站点都有一个最佳的占用水平，目标是以最低的自行车重置成本实现这些水平。Raviv等人[ thirty-three]使用混合整数线性规划Mixed-integer linear program（MILP）提供了该问题的两种公式，从而获得了具有可接受最佳间隙的解决方案，适用于中等规模的BSS实现（最多60个基站）。对于较大的系统，他们建议将其方法与地理方法结合使用，或决定使用启发式方法，如禁忌搜索或遗传算法。

另一种解决平衡问题的方法是可变邻域搜索 Variable Neighborhood Search（VNS）[ thirty-four , thirty-five]. 一般来说，VNS的性能和伸缩性都比线性编程方法好得多。Nair等人[ thirty-six]决定对大规模BSS实施（巴黎的Vélib系统）进行定量分析。他们利用随机历史信息分析了再分配问题。这项研究建立在同一主要作者先前的研究基础上[ twenty-six]. 此外，在同一年，Lin等人[ thirty-seven]提出了BSS的战略设计，其中考虑了库存因素，并将问题表述为中心位置库存模型。他们使用启发式方法计算目标函数的成本。他们的弱点是，他们在模型中没有考虑到值机自行车可以重复使用。

或者，Di Gaspero等人[ thirty-eight]使用所谓的约束编程解决了这个问题。为了加快搜索最有希望的路线，他们使用了大邻域搜索 Large Neighborhood Search（LNS）方法。2014年，Erdogan等人[ thirty-nine]引入、建模并解决了一种称为具有需求间隔的静态自行车重新定位问题Static Bicycle Relocation Problem with Demand Intervals（SBRP-DI）的单一商品取货和交货旅行推销员问题One Commodity Pickup and Delivery Traveling Salesman Problem （1-PDTSP）的变体。该问题包括考虑每个站点的初始库存和一些固定的上下限，在不同站点之间重新定位自行车。他们用分枝算法应用整数规划解决了这个问题。同年，Kloimüllner等人[ forty]从静态的角度扩展了他们之前的工作（使用贪婪-PILOT启发式和可变邻域搜索）。其他作者F[ forty-one]在动态规划范式下，提出了一个基于四个模型（1-需求预测、2-站点库存、3-再分配需求和4-车辆路径）的重新定位问题解决框架。

从成本效益方面来看，参考文献⁴作者将BSS实施所有者的经典再分配方法与对客户的定价激励方法相结合。这是基于用户的方法与基于经典运营商的方法相结合的第一个例子，说明可以实现成本降低，如果用户将车停在一个或另一个自行车站，则可以动态改变给用户的奖励。基本上，他们建议计算用户如何获得可变奖励，然后重新计算员工的自行车配送计划。

Dell'Amico等人[ forty-three]通过结合四种不同的方法并比较其结果来解决这个问题。所有备选方案都有一个共同点，即它们涉及到指数数量的约束，因此采用了分支和切割算法来求解它们。在用多个数据集进行测试后，他们得出结论，这种方法适用于最多50个顶点的实例。对于较大的计算机，计算时间会增加。他们建议用启发式和元启发式算法来处理这些问题。

同年，参考文献（Ref[ forty-four]. 根据他们的研究，与本研究中使用的 视觉分类技术 (加权平均值中心计算、空间k均值聚类和核密度估计）相比，峰值时间需求的经典分析给再平衡带来了更多问题。通过这种方法，他们确定了不平衡的主要来源（早上与晚上、伦敦内部与外部的旅行等等）。

何[ forty-five]使用迭代禁忌搜索启发式方法iterated tabu search heuristic，在短的计算机时间内生成高质量的解决方案。除了改进的解决方案外，本文还有助于增加再平衡问题的现实性和缩小解决空间。他们最后评论说，这种方法可以与其他目标函数一起使用，并建议将研究扩展到多个报告车辆场景。

最后，也是在2014年，Zhan等人[ forty-six]分析了中国自行车共享探索BSS的成功程度。尽管本文中没有提供再平衡问题的算法或可能的解决方案，但值得注意的是，他们得出的结论是，所采用的再平衡策略会影响服务水平，从这一点开始，并且往往忽略了实现成功BSS所要解决的关键因素。2015年初，在[ forty-seven]. 首先，考虑地理和库存因素（集群）对站点进行划分和分组。其次，通过集群设置车辆路线，对每个站点进行库存级别决策。最后，第三步只允许在同一集群或属于连续集群的站点之间进行传输。同年，Erdolan等人[ forty-eight]介绍了一种线性规划算法，将一般变量转换为二进制变量converting general variables into binary ones。他们用几个数据集证明了这个解决方案，能够将计算规模扩大到60个站点。

2016年，阿尔瓦雷斯-瓦尔德斯等人[forty-nine]讨论了重新定位计划作为服务质量关键因素的作用。他们总结了迄今为止所做的研究，并得出结论，尽管每个系统都有自己的特点，但它们都有两个部分。第一个是随机需求的预测/预测，第二个是路由计划。他们的贡献包括设计一个连接两部分的程序。最后，他们建议将研究扩展到动态解决方案。

关于计算时间，参考文献[ fifty-one]Dell'Amico等人声称，他们提出的解决方案通过将新的启发式方法与本地搜索相结合，并使用分支技术对其进行调整，以考虑重新定位的最长持续时间，从而大大改进了以前的备选方案。

Li等人[ fifty-two]解决了拥有不同类型自行车的场景。他们建议降低再平衡任务的总成本，制定混合线性规划问题，并使用混合遗传算法进行求解。

2016年，Medard de Chardon等人发表了另一项有趣的研究[ twenty]描述了九个BSS的再平衡过程。他们得出结论，出行与再平衡之间的关系比预期的更为复杂。尽管他们没有提供新的再平衡算法，但他们的一个结论是非常相关的：对电站应用再平衡政策的简单事实直接影响其需求水平。其他作者如Cruz等人[ fifty-three]专注于问题的一个简单版本（只有一辆车可以在车站之间重新平衡自行车）。本研究中提出的算法是基于迭代局部搜索Iterated local search （ILS）的启发式算法，它们还与先前提出的解决方案进行了比较[ thirty , forty-eight ].

Zhang等人⁵强调了再平衡问题分为两部分：第一部分与目标库存水平的决定有关，第二部分与配送自行车的路线计划有关，以实现前面提到的目标库存水平。他们使用气象相似性加权K-最近-近邻Meteorology Similarity Weighted K-Nearest-Neighbor（MSWK）回归变量根据历史数据预测需求，并使用 混合整数非线性规划mixed-integer nonlinear programming（MINLP) 尽量减少路线车辆的行驶距离。最后，为了对站点进行聚类，作者使用了自适应容量约束的K中心聚类 Adaptive-Capacity Constrained K-centers Clustering （AdaCCKC）算法。

最后，也是在2016年，Zhang等人[ fifty-five]提出了一种动态自行车重新定位方法。利用库存水平和用户到达预测、自行车重新定位数据和车辆路线，将时空网络模型转化为一个潜在的复杂非线性优化问题，并分析了一种定制的启发式算法。沿着这些路线，何和泽托[ fifty-six]提出了一种基于大邻域搜索的启发式算法，利用禁忌搜索和各种插入和删除算子 tabu search and various insertion and removal operators 来提高算法性能。该算法比以前的算法性能更好，但有一个局限性：可以将自行车从已经平衡的站点移动到相邻的站点，从而降低旅行成本。类似地，参考文献[ fifty-seven]以及基于人工蜂群 artificial bee colony（EABC）算法的Shui和Szeto将重点放在减少CO2上 two排放量超过经典遗传算法。

Chiaiotti等人⁶使用出生-死亡过程Birth–Death Processes 的组合来决定重新分配自行车的时间，并使用图论来选择重新平衡路线。⭐️似乎有趣

此外，2017年，Elthernawy和Rakha[ fifty-nine]提出了一种基于博弈论game theory的解决方案，特别是延迟接受算法。该算法分为两个阶段：构建用于重新平衡的路径和改进该路径。最后，将问题建模为两组不相交的参与者，每组都有自己的参与者。⭐️有趣的想法

最后，2017年，Schuijbroek等人。 sixty]结合了传统上单独处理的两个方面：每个自行车站的服务水平和优化车辆路线以重新平衡自行车。为了结合这两个子问题，他们首先使用了聚类算法，然后应用了一些启发式算法。

Bulhoes等人[ sixty-one]包括有可能拥有多辆车，进行多次访问，以在车站之间进行再平衡。他们提出了一个整数规划问题，用分支算法解决。他们的主要贡献是，多次访问只对容量超过20辆自行车的车辆感兴趣。他们还得出结论，所需的再次访问次数随着可用车辆数量的增加而减少

Szeto和Sui[ fifty]提出了一种改进的人工蜂群（EABC）算法，结论是 EABC 比经典 CPLEX 算法具有更好的性能，并且返回更好的近似解。他们还提供了关于路线持续时间、服务时间、车辆数量和需求满足度的建议列表。所有这些建议都得到了证明。勒格罗斯⁷提供了一个基于马尔可夫决策过程的决策支持工具，该工具允许操作员在特定时间内决定进出每个站点的自行车数量。或者，Dell'Amico等人[ sixty-three]提供了问题的启发式解决方案，但侧重于随机需求版本。平行，参考[ sixty-four]有助于利用机器学习技术改进需求预测问题的解决。

Li等人提供了另一个动态自行车重新定位模型的示例⁸，使用基于聚类算法的时空强化学习。他们将BSSS划分为几个集群，并将模型应用于每个集群。这样做，他们降低了问题的复杂性，并通过培训模型学习了最佳重新定位策略。

2019年，你[ sixty-six]提出了一种约束非线性混合整数规划模型。为了解决问题的复杂性，将其分解为与时间无关的子问题。然后，他们用选定的线性规划模型解决了剩余的问题。证据表明，他们的方法优于GAMS/CEPLEX，也优于混合方法（遗传算法加线性规划）。

Tang等人⁹使用迭代局部和禁忌搜索算法iterated local and tabu search algorithms求解了一个双层模型。上层负责管理目标站点之间应移动的自行车数量，下层负责降低运输成本。根据测试，它们的性能优于以前可用的解决方案。同时，他们提供了一些影响重新定位成本的见解：重新定位车辆的大小、单车的装载/卸载时间值以及重新定位时间的长度。

王和吴[ sixty-eight]在问题中加入了其他变量（无法使用的自行车和车站、多辆车以及由于车站的维修要求而造成的访问和限制）。他们提出了一个模型，用一个小问题进行了测试，并用简单的启发式数学算法进行了求解。他们的结论是，为了进行进一步和更大规模的研究，需要使用元启发式算法，如迭代局部搜索、大邻域搜索或禁忌搜索。

沃林顿和鲁赫蒂[ sixty-nine]提出了一种两阶段随机近似，不仅适用于BSS，也适用于其他共享车辆。我们将其包括在本次审查中，因为他们使用BSS系统来评估他们的解决方案。

2020年期间，许多工作的重点是预测未来需求。特别是Brinkmann等人[ seventy]引入一个随机动态库存路径问题来解决该问题，该问题被建模为马尔可夫决策过程。

此外，Tang等人¹⁰他们将研究重点放在最小化与再平衡程序相一致的几项成本上：1-运输成本，2-因未满足需求而对所有车站造成的罚款成本，以及3-持有成本。为此，他们使用了一个用模拟退火算法求解的两阶段随机规划模型。与此同时，Maleki等人¹¹将问题建模为Jackson网络，并使用遗传算法进行求解。他们获得了可接受的改进，还提供了有关车队规模和BSS容量的反馈。

Zhang等人提出了另一种解决方案[ seventy-three]通过将问题建模为经典线性规划问题，但使用自适应禁忌搜索adaptative tabu search （ATP）算法进行求解。

Jia等人[ seventy-four]而不是像经典文献那样将研究重点放在获取平衡点上，而是引入了“平衡区间”的概念。他们使用多部分多目标粒子群优化（MS-MOPSO）算法将其建模为一个双目标整数混合程序问题。

最后，Lu等人[ seventy-five]提出了一种结合贪婪构造方法生成解的模因算法、用于解重组的路由复制算法和用于解改进的局部搜索算法。此解决方案提供了双重改进：前46%的案例获得了更好的结果，第二个案例的速度比文献中可用的解决方案快近两到六倍。

近年来，对再平衡问题的研究主要集中在无坞BSS实现上。由于无坞BSS不在本次审查范围内，因此本工作中未提及。自由浮动的BSS要求考虑其他变量，如城市区域在区域类型（住宅、商业、休闲区等）中的分类以及交通管理政策等。为了进行进一步的研究，分析无坞系统中使用的重新分配算法并将其与基于坞的BSS中使用的算法进行比较是很有意思的。

4. Summary of Results and Discussion 结果总结和讨论

基于停靠的BSS重新平衡问题已经由几位作者解决，他们用不同的名称引用它（可以在中看到表A1). 显然，无论作者如何命名，都需要在一篇论文中收集与解决问题相关的所有参考文献。这是我们研究的动机之一。

一旦我们确定了目标论文，就需要对其进行分类。据Ho和Szeto介绍[ fifty-six]还有Shui和Szeto[ fifty-seven]解决再平衡问题的算法可以分为四类：（1）精确方法；（2） 近似值；（3） 启发式/元启发式；（4）混合方法。在论文的族（1）（精确方法）中，它已经包含了初始解，重点解决了线性整数规划问题。精确方法的不便之处在于，对于大型现实问题，它们变得难以处理。因此，大多数研究都集中在近似算法上，试图以较少的计算机分析成本获得更好的解决方案。在我们的研究中，我们发现了一些不适合前面提到的家庭的解决方案。我们指的是使用可视化和机器学习等现代技术的方法。我们决定让他们参加表A1作为“其他人”

对于每个建议的解决方案，我们还确定了自行车的选择配送时间。它可以是 静态分发（操作员在特定的时间范围内重新分发自行车），也可以是动态分发（操作员实时地重新分发它们）。我们已经检查过，大多数解决方案都选择静态方法.

考虑到重新平衡自行车所遵循的策略，方法可以分为三组（基于1个操作员、基于2个用户、基于3个操作员和基于用户的混合），正如我们在引言中所描述的那样。考虑到我们的范围仅限于基于码头的BSS实现，请记住，基于运营商的策略似乎在基于停靠站的BSS中更有效（如[ thirteen])预期的是，所分析的大多数论文都描述了基于运营商的战略。我们已经核实，情况确实如此。

关于时间和空间位置，我们还按作者所在的大陆和年份对论文进行了分类，如果使用数据集来验证算法，也就是所涉及的BSS实现。自2020年以来，再平衡问题每年都会被讨论数次，而最近几次几乎没有增加。在本世纪初，大多数工作都是针对欧洲和美洲的BSS，数据集也来自这些大陆城市的BSS实施。但是，到了本世纪末，这一趋势发生了变化，许多作品目前正在亚洲（几乎只在中国）进行BSS研究。

作为审查工作的结果，我们确定了BSS再平衡问题中的开放问题研究路线列表。在以下方面表4我们列出了这个列表，其中包括已经完成的研究和尚待解决的研究领域。

5. Conclusions

自行车共享系统（BSS）已被公认为可持续城市建设的重要参与者，并在全球范围内经历了前所未有的扩张。在这项工作中，我们回顾了文献中报告的用于解决基于码头的BSS中的再平衡问题的所有可用算法（通常称为再平衡、重新分配、分配、重新配置、平衡、不平衡和重新定位）。为了克服系统性偏见，并提供对文献的详尽综述，我们创建了一个同义词库，以扩大综述范围。

一旦确定了目标论文，我们就创建了拟议算法的分类法/分类，为了使我们的分析更有帮助，我们在表A1在里面附录A在该表中，可用文献按年份、算法类型、再平衡策略和分配时间进行了分类。其他信息与所用数据集的来源和论文的主要区别贡献有关。

尽管文献中提出了几种算法来解决这个问题，但所有这些算法都得出结论，即再平衡问题需要两个子问题的结合。第一种方法包括对服务需求进行分析和建模，并对多个BSS实现进行通用分析。有很多变量直接影响需求，而且它们不会以相同的方式影响不同的BSS实现。第二个问题涉及自行车再平衡过程的优化，尊重期望的服务水平并将成本降至最低。

我们已经清楚地看到了，因为参考文献[ thirty-two]不同城市的BSS具有不同的特征，这意味着需要不同的再分配机制（由于拓扑结构、社会经济因素和气候）。在拟议再分配机制的实际总体中，一个共同的特点是使用车队来执行此操作。矛盾之处在于，他们中的大多数人使用高污染车辆，这与缓解可持续交通问题的目标相矛盾。有趣的是，据我们所知，除了参考文献[ fifty-seven]，没有其他工作计算不同BSS再平衡策略的碳足迹，因此我们的工作为这种方法奠定了基础。

我们还发现，在过去几年中，诸如可视化或基于机器学习的现代算法已被用于为再平衡问题提供可能的解决方案。这些算法不适合该领域中使用的经典算法分类法，因此我们建议在其中包含一个新组，以包含这种新方法。

最后，我们确定了BSS再平衡问题中的以下开放问题和研究路线。（1） 令人惊讶的是，所有现有的工程都以不可持续的方式将BSS作为可持续的替代方案，因为它们忽略了使用污染车辆进行再平衡的影响。（2） “再平衡问题”已经在其他场景中进行了研究（其他车辆共享系统、可交付服务的经典接送问题等）。但是，我们还没有检索到比较其他领域采用的解决方案以及如何在BSS中采用的比较研究。（3） 目前，大多数新植入的BSS解决方案都是无坞的，因此我们预计在未来十年内，这方面的出版物将大幅增加。我们预计，BSS采用的大多数解决方案都将过时，这为适应其特性的进一步开发奠定了基础。（4） 目前，大多数解决方案都没有利用大量以用户为中心的数据，而使用机器学习技术可以大大提高服务的个性化。（5） 最后，我们猜测，基于码头和无码头的BSS系统之间的比较分析（在可持续性以及经济或社会渗透方面）将有助于公共管理部门和公司评估从一种BSS类型迁移到另一种类型的决策。

---

参考文献

---

---

1. How to Save Bike-Sharing: An Evidence-Based Survival Toolkit for Policy-Makers and Mobility Providers. --MDPI ↩︎

2. Towards Dynamic Rebalancing of Bike Sharing Systems: An Event-Driven Agents Approach–Springer ↩︎

3. Curvature-Based Distribution Algorithm: Rebalancing Bike Sharing System with Agent-Based Simulation-Springer ↩︎

4. The Bike Sharing Rebalancing Problem: Mathematical Formulations and Benchmark Instances–els ↩︎

5. Rebalancing Bike Sharing Systems: A Multi-Source Data Smart Optimization–ACM ↩︎

6. Dynamic Approach to Rebalancing Bike-Sharing Systems. --MDPI ↩︎

7. Dynamic Repositioning Strategy in a Bike-Sharing System; How to Prioritize and How to Rebalance a Bike Station–els ↩︎

8. Dynamic Bike Reposition: A Spatio-Temporal Reinforcement Learning Approach.–ACM ↩︎

9. A Bilevel Programming Model and Algorithm for the Static Bike Repositioning Problem --Hindawi ↩︎

10. Addressing the Bike Repositioning Problem in Bike Sharing System: A Two-Stage Stochastic Programming Model --ACM ↩︎

11. Balancing Public Bicycle Sharing System Using Inventory Critical Levels in Queuing Network–els ↩︎