[精]A Relocation Strategy for Munich‘s Bike Sharing System: Combining an operator-based and a

A Relocation Strategy for Munich’s Bike Sharing System: Combining an operator-based and a user-based Scheme

@article{OBS2017UBS,
annote = {"19th EURO Working Group on Transportation Meeting, EWGT2016, 5-7 September 2016, Istanbul, Turkey"},
author = {Reiss, Svenja and Bogenberger, Klaus},
doi = {https://doi.org/10.1016/j.trpro.2017.03.016},
issn = {2352-1465},
journal = {Transportation Research Procedia},
keywords = { Data Analysis, Demand Modelling, operator-based Relocation, user-based Relocation,Bike Sharing Systems},
pages = {105--114},
title = {{A Relocation Strategy for Munich's Bike Sharing System: Combining an operator-based and a user-based Scheme}},
url = {https://www.sciencedirect.com/science/article/pii/S2352146517301515},
volume = {22},
year = {2017}
}

摘要

基于对自由浮动自行车共享系统(free-float bike sharing system)的详细 GPS 数据分析，从空间和时间上确定了自行车使用的移动模式。根据季节、天气状况、一天中的时间和节假日/周末等不同因素，我们建立了一个需求模型，以预测特定时间和地点即将到来的需求。该模型揭示了运营区域内不同区域和不同时间段的最佳车队分布。为了重新分配车队，制定了合理的搬迁策略，以便在运营区域内获得自行车的最佳分布。评估了两种不同类型的搬迁方法：基于操作员的搬迁策略，其中至少一辆车重新分配车队的一部分。此外，还创建了一个基于用户的搬迁方案：根据用户的定价优势，至少一部分所需的搬迁由用户进行，几乎是成本中立的。但是，当必要的车队搬迁过于紧急并且基于运营商的干预是不可避免的时，存在一定的门槛。最后，我们进行了验证，以展示现实生活中的搬迁可能意味着什么样的影响。

关键字

• Bike Sharing Systems 自行车共享系统
• Data Analysis 数据分析
• Demand Modelling 需求建模
• user-based Relocation 基于用户的搬迁
• operator-based Relocation基于运营商的搬迁

1. Introduction and Literature Review 导言和文献综述

正如 Raumkom（2011 年）所指出的，公共自行车共享系统（BSS）为城市交通提供了一种进步的选择，它不仅适用于通勤者，也适用于自发用户和游客，参见 Shaheen 等人（2010 年）。不过，只有在用户需要的地方，在特定时间提供自行车，这种系统才是合理的。

过去几年，欧洲和北美推出了许多车辆共享系统，包括汽车和自行车。在这两种情况下，主要问题都是一样的：随着车辆在特定地点的积聚，车队不时会出现失衡，从而出现车辆密度较低的区域。

以往有许多关于车站式和自由浮动式汽车共享系统的研究：Correia 等人（2014 年）通过最大化运营商的利润，解决了固定汽车共享系统中的不平衡问题。他们通过修改车队规模、站点规模及其位置进行了模拟案例研究。Weikl 和 Bogenberger（2015 年）为自由浮动汽车共享系统开发了一种介观搬迁方法，通过满足估计发生的需求来最大化预订数量。类似的方法也可用于 BSS，如 Chemla 等人（2013 年）和 Raviv 等人（2013 年）；但就我们所知，还没有用于自由浮动情况的方法。例如，Martinez 等人（2012 年）建立了一种基于站点的 BSS 重定位方法。为了使运营商的利润最大化，他们在模拟案例研究的基础上找出了最佳的站点位置和机群规模。

所有这些搬迁策略都是基于操作员的，即算法为操作员提供建议路线，以搬迁共享汽车和共享单车的一部分。在本文中，我们创建了一种基于用户的策略，鼓励用户自己重新部署车队，或至少支持运营商的重新部署过程。Cepolina 和 Farina（2012 年）等人已经设计了几种基于用户的方法，但这是一种应用于汽车共享系统的 独立方法，因此没有考虑运营商的干预。

这项工作以 2014 年 3 月至 2014 年 12 月运营期间的 "叫车 "预订数据为基础，这些数据提供了每次出行的时间以及每次出行的起点和终点位置的 GPS 坐标。(This work is based on the “Call a Bike” booking data of the operating period from March 2014 to December 2014,which provide the time of each trip as well as the GPS-coordinates of the start and end position of each trip.)
该 BSS 是自由浮动的，即没有站点，只有一个确定的运行区域，用户可以在此租借和归还自行车。有关该系统的更多详情，请参见 Call a Bike (2014)。

天气气候数据：http://www.dwd.de

Call a Bike数据：www.callabike-interaktiv.de

2. 共享单车出行数据分析

首先，时间分析考虑了 2014 年整个运营期间的预订趋势( booking trend)。我们发现，每天的出游人数变化很大。一方面，好天气和坏天气会导致较高和较低的预订率–参见 Reiss, Paul, Bogenberger (2015)，但另一方面，日期类型也有很大影响。工作日和周末在旅行次数分布和旅行持续时间方面存在巨大差异。天气和日期类型对出行有影响

图 1a 显示了平日和周末的不同使用模式：平日（蓝线）上午 6 时至 10 时和下午 4 时至晚 8 时为高峰，因为通勤客流量很大。在周末（红线），这种明显的集群并不明显，但在中午 12 点至晚上 8 点之间有广泛的使用模式.从特定时段的平均骑行时间来看（见图 1b），工作日骑行时间较短（18 至 23 分钟）的可能性较大，而周末的平均骑行时间约为 30 分钟。这些初步结果提示了可能存在的不平衡，例如，在周日和周一之间，用户的行为会发生变化，因此自行车可能会在不需要的地方闲置。为了研究实际的空间使用模式，我们将运行区域划分为若干区域，这些区域代表了虚构的站点。因此，我们分析了历史预订数据，并根据设施定位问题（参见 Daganzo，2010 年），创建了 40 个区域，见图 2a 和 b。这些区域的大小并不相同，因为它们是根据经验预订数据和出行次数(empirical booking data and trip numbers)确定的，即平均预订次数越多，区域就越小，反之亦然。
猜测：每个区域的总的预定次数和出行次数接近。密度高，则区域小；密度低，则区域大。

蓝色线表示工作日，红色线表示周末。(a)图表示出行的时间点(借车频率？)，工作日具有明显的潮汐现象，周末则不明显。(b)图则表示出行的平均时长，工作日的骑行时间远远短于周末。(b)图划分了5个时间段:0-6:00, 6:00-10:00,10:00-16:00,16:00-20:00,20:00-24:00.

因此，我们考察了上午需求量较大的区域，即住宅区，并发现了晚上需求量较大的区域，例如市中心。图2a 和图 2b 显示了这种情况：早上市中心几乎没有租车（图 2a），而晚上市中心的区域似乎最受欢迎（图2b）。为了确定车队的失衡情况，我们进行了以下分析：如图 1b 所示，工作日和周末所有五个时段的租车和还车情况。分析结果是我们需求模型的重要组成部分，将在下一章中进行介绍。

图(a)表示早上的40个区域的租赁数量；(b)图表是晚上40个区域的租赁数量。
租赁个数颜色由浅到深表示数量由低到高。
可以看到早上市中心(12,16,19,21,24)的绿林数量很低，而晚上租赁数量很高。
自己加结果：例如33、22、27、28 等区域早晚得租赁数量都很高。

还有一些外部因素也会影响即将到来的需求。即将到来的预订在很大程度上取决于天气状况，尤其是降水。此外，足球赛或音乐会等大型活动不仅对当前需求有巨大影响，而且对下一个时段的机队分布失衡也有影响。

正如 Schmöller 等人（2014 年）所述，在日间预订趋势和旅行持续时间方面，共享汽车旅行有一些相似之 处。 但 天 气 条 件 的 影 响 则 相 反 ： Müller 等 人 （2014 年） 和 Reiss 等 人 （ 2015 年 ） 通 过 DeutscherWetterdienst（2014 年）提供的天气数据证明，在降水情况下，共享汽车的预订量会显著增加。

3. 需求模型和车队管理指南

重新平衡 BSS 机队的一个关键部分是估计和预测不同时段和地点的需求。我们的需求建模方法是基于现有的预订数据。根据以往的研究，我们知道夏季的预订量最高，因此该模型代表了旺季（即 6 月中旬至 9月中旬）的预订需求。我们对预订数据进行了详细分析，区分了工作日、周末和公共节假日以及之前描述的五个时段，另见图 1b。我们对每个时间段的需求模式进行了计算，并对以下时间段进行了数据分析。

根据3个影响因子，我们建立了 demand model(需求模型)

1. 需求因子 $D_i$

• $r_i^T$ 在时间T在区域$i$内的平均租赁
• $x_i^T$ 在时间T在区域$i$内的平均归还

2. O/D 因子 $O_i$

• $s_i^t$ 在区域$i$在时间t的存储
• $R^T$ 在时间间隔$T$的预定数量

3. 空闲因子 $I_i$

• $i=1,\cdots ,40$ 指示区域

其中指数 $i$ 表示作业区划分的 40 个区域，另见前面的图 2。
T表示时间 t 之后的时间间隔，即 $t=6.am$ 。
需求系数 $D_i$ 是时间间隔 T 内 i 区的租金$r_i^T$ 与在时间 t 的存量 $s_i^t$ 之间的比率。

两个项目是特定时间（区间）和特定天数区域的平均值，区分工作日和周末。

区域i的需求因子=$\frac{租赁bike数}{存储bike数}$

换言之：系数𝐷𝑖决定了在时间间隔 T 内，i 区的租赁者将以何种方式利用其存量。如果𝐷𝑖 很 高，即接近 1，则 i 区的自行车在时间间隔 T 内需求量很大，因为在即将到来的时间间隔内几乎所有存量都会被占用。但是，如果𝐷𝑖 较低，则在接下来的几个小时内，该区域的自行车需求量不大。

起始地/目的地系数𝑂𝑖描述了流入量（即归还的自行车）与流出量（即时间间隔 T 内 i 区租用的自行车）之间的差额。该数字按时间间隔 T 内的平均预订数量$R^T$ 进行缩放。

起始地/目的地系数$O_i$=$\frac{[在T时间段内的平均租赁-在T时间段的平均归还]}{在时间T的预定数量}$
即净流量根据T时间内的预定数量缩放，获得一个 平均净流量？

这个系数𝑂𝑖显示了在特定时间间隔 T 的 i 区是否对租用自行车更有吸引力，或者该区是否是人们在该时间段还车的区域。

第三个因子 𝐼𝑖 根据 40 个不同区域的空闲时间对其进行排名，空闲时间按每个区域和时段空闲自行车的平均数量进行缩放。

系数 𝐼𝑖 还表明了某一区域在某一时刻的吸引力。自行车空转的时间越长，该区域的需求量就越低，而如果某个区域在某个时间段内空转的时间很短，需求量可能会更高。

在图 3a-c 中，𝐷𝑖、𝑂𝑖 和 𝐼𝑖 因子适用于 𝑡 = 6 的工作日运营区域，即上午 6 时至上午 10 时之间的时间间隔。这些系数都是标准化的，但每个测量值都必须单独解释：𝐷𝑖 显示了有多少辆自行车被租用，取决于有多少辆自行车可用。在红色区域，租用自行车的比例很高，而在绿色区域，租用自行车的比例很小。

$D_i$ 租赁数量占存储数量的比值比较大：区域3,18,29,31,33,34,35（红色表示）
$O_i$净流量(租赁远大于归还)的值比较大：区域3,7,9,13,31,33,35(红色表示)
$I_i$在某个特定时间段的空闲值比较大：区域1,3,8,9,11,13,19,22,31,32,33,34,35(红色表示)

我们假设租赁需求与𝐷𝑖之间存在相关性。𝑂𝑖 描述了流入和流出之间的关系：在红色区域，许多自行车被租用，而在其他区域被归还。绿色区域代表归还的自行车多于租用的自行车的区域。因此，𝑂𝑖 也与需求直接相关。第三个因子 𝐼𝑖 表示每个区域的闲置时间。然而，由于闲置时间存在以下问题，该因子不如 𝐷𝑖 和 𝑂𝑖可靠：

• 由于采用了自由浮动系统，因此有可能（但官方并不允许）在隐蔽区域归还自行车，例如在其他潜在用户无法进入的私人后院。有些用户似乎经常这样做，但系统无法捕捉到。这种情况可能会导致闲置时间延长，即使当前某一区域的需求量很大。
• 在某些地点，例如桥下，自行车返回后无法通过 GPS 定位。在这种情况下，用户无法在智能手机应用程序上找到这些自行车，因此可能出现较长的闲置时间，这并不一定意味着需求量低。

根据上述原因，如果其他两个因素表明需求量大，则闲置时间因素 𝐼𝑖 不能被高估。因此，如果𝐷𝑖 和𝑂𝑖 对即将到来的需求没有得出相似的结果，𝐼𝑖 就可以作为第二项检查，例如，我们可以在 18 区看到，𝐷𝑖 表明需求量大，而𝑂𝑖 预测需求量小。在这个例子中，𝑂𝑖 很有可能导致需求量低，因为在这个区域有更多的自行车被归还，但与其他区域相比，在这个时段有更多的自行车被租用。考虑到闲置时间系数 𝐼𝑖，18 区的需求量较大，因为该区可用自行车的闲置时间很短。需求模型的最终输出是𝐷𝑖 和𝑂𝑖 的组合，两个因子的权重相等。在上述偏差较大的情况下，算法会借助空闲时间 𝐼𝑖 进行双重检查。

对于工作日和周末的每个时间片，需求模型提供了 40 个时段中每个时段的未来需求量。

区。据此，我们可以根据当前车队的规模计算出完美的车队分布。图 4a 显示了周一上午 8 点当前真实的自行车分布示例，图 4b 显示了为获得计算出的完美分布所需的重新分布。红色区域表示自行车过剩，绿色区域表示自行车短缺。

图4(a)表示bike的分布情况，图4(b)表示bike的搬迁情况。
从(b)图中可以查看到bike过剩的区域(红色)为：1,2,12,25,28,32

• 区域1原来的数量为29-38(紫色区域)，应搬迁移走的数量应为10-19
• 区域2原来的数量为18-28(蓝色区域)，应搬迁走的数量应为10-19
• 区域12原来的数量为29-38(紫色区域)，应搬迁移走的数量应为10-19
• …

从(b)图中可以查看bike短缺的区域(绿色)：20,22

• 区域20原来的数量为0-17(浅蓝色)，应搬迁添加的数量应为11-20
• 区域22原来的数量为0-17浅蓝色)，应搬迁添加的数量应为11-20

图4给出了一个用颜色表示的搬迁结果图

图 5a 和 b 显示了完成大部分 推荐的车队(recommended fleet) 分布的适当策略。因此有两条不同的迁移路线，一条覆盖城市西部（路线 1），另一条将车队迁移到城市东部（路线 2）。两条线路都从第 33 区开始，蓝色箭头指向下一个区域，彩色数字表示是自行车过剩（红色），需要到那里取车，还是自行车短缺（绿色），需要把自行车运到那里。大约 2 个小时后，旅行团在 20 区和 24 区结束。因此，如果周一早上 6 点开始搬迁，那么早上 8点通勤客流可能达到最高峰时，车队将保持平衡。

上一个图说明了需要搬迁的数量。图5举例说明了fleet搬迁的策略。东西两条路线都是从区域33出发的。

• 路线1：$区域33(取车1)\stackrel{取车9}{\to }区域38\stackrel{取车10}{\to }区域32\stackrel{还车10}{\to }区域23\stackrel{还车6}{\to }区域26\stackrel{取车5}{\to }区域11\stackrel{取车10}{\to }区域2\stackrel{取车9}{\to }区域5\stackrel{还车6}{\to }区域6\to 区域9(还车10)\to 区域12(取车17)\to 区域8(还车7)\to 区域15(还车9)\to 区域20(还车13)$
  $+1\to +9\to +10\to -10\to -6\to +5\to +10\to +9\to -6\to -10\to +17\to -7\to -9\to -13=0$
• 路线2：$区域33(取车2)\to 区域28(取车13)\to 区域39(还车6)\to 40(还车5)\to 29(取车8)\to 25(取车12)\to 30(还车10)\to 22(还车11)\to 4(取车6)\to 1(取车19)\to 19(还车7)\to 16(还车5)\to 18(还车9)\to 24(还车7)$
  $+2\to +13\to -6\to -5\to +8\to +12\to -10\to -11\to +6\to +19\to -7\to -5\to -9\to -7=0$
  西部区域未搬迁的区域有：27,31
  东部区域未搬迁的区域有：34,36,35,17,14,10,7,3,13,21

4. 搬迁策略

不仅是共享单车系统，例如 Angeloudis 等人（2012 年）和 Vogel 等人（2014 年）关于基于站点的系统的研究，而且还包括共享汽车系统，参见 Weikl、Bogenberger（2013 年）和 Jorge 等人（2014 年）的研究。在重新分配自行车时，搬迁过程本身就大大简化了，因为一辆车最多可以收集 40 辆自行车。慕尼黑 "Call a Bike "的 BSS 是自由浮动的，即没有站点，自行车可在预定的操作区域内使用。但这一特点使搬迁过程变得复杂，因为配送员不能只沿着站点行驶，而必须在随机地点收集单辆自行车。如果只考虑以运营商为基础的策略，我们的模型可以提供几种搬迁方式。例如，在前一章中，由于前一个周末的使用模式与一周内的使用模式大相径庭，因此在周一早上，车队的使用情况很不平衡。平均而言，25% 的车队位于错误的地点，模型建议在该时间段进行搬迁，这将导致约 200 次搬迁。假设每辆车和一名员工分别进行两次搬迁，每次搬迁将花费约 4 个工作小时；还需加上燃料、车辆维护费用以及因车辆增加而产生的环境问题。然而，在经过两小时的搬迁后，这一策略保证了完美的车队分布(perfect fleet distribution )（根据模型），从而最佳地满足了出现的需求(occurring demand)。为了节省搬迁次数，从而节省人员、成本等，我们开发了一种基于用户的搬迁策略，它可以替代基于运营商的搬迁次数，或者在严重失衡的情况下，通过结合两种方案来支持后者。表 1 比较了这两种策略，并分别列出了其优缺点。为了捕捉需要车队搬迁的压力，我们定义了所谓的紧迫性指数，将决策分为两个等级：我们定义了第 1 阶段，该阶段描述了车队的中度不平衡。需要搬迁的自行车少于 15%，但系统仍然相对平衡，基于用户的策略已经足够。 在第二阶段，不平衡程度较高，即多达 50%的自行车需要重新安置，而仅采用基于用户的方法无法快速重新平衡。 这两种方法结合使用，首先为主要的不平衡车队找到一条基于运营商的高效路线，其次激励用户将剩余的自行车骑到更好的地点。

关于汽车共享系统 Car Sharing System，汽车共享公司Drive Now于2015年实施了 “Drive’n Save”，即无论用户在哪里还车，都可以每分钟20美分的价格租用一些汽车，而不是每分钟34美分，见DriveNow（2016）。这对用户来说是一个相当透明的方法，但也有可能发生还车地点更差的情况；因此，车队的不平衡可能会更严重。不过，基于用户的还车定价系统至关重要。如果用户在站点还车（例如在混合自行车系统中），或者从拥挤的站点租车，许多自行车系统运营商都会为用户提供积分。在自由浮动系统中，没有站点，因此我们需要一些其他规定：因此，在我们的案例中，当用户即将租用一辆特定的自行车时，我们会向他们提出建议，这辆自行车必须重新定位：智能手机应用程序会在地图上显示，在哪些地方还车可能有利可图。在 10%到 80% 的车费折扣范围内（取决于最终归还地点），用户可以决定是改变出行计划还是支付标准车费。

图 6a 和 b 展示了这两种方法：在第一阶段，只有不到 15%的车队需要搬迁。因此，软措施–基于用户的策略就足够了。图 6a 举例说明了两辆特定自行车的使用情况：如果用户想租用 1 号自行车，则有五个不同的区域，在这五个区域内，总车费都会降低，分别是 在 30% 至 60% 之间。如果用户想去其他任何地点，即绿色或红色区域，则按正常价格收费。 单车 2 为用户提供了不同的选择：这里的折扣范围在 10%到 50%之间，但还是那句话：骑行到其他地点没有任何缺点，只有省钱的激励措施才能促使足够多的人完成基于用户的方法。我们假设约有 15%的用户愿意调整他们的路线，因此，如果不平衡现象不太严重，车队就会在适当的时间段内实现成本中立或至少是碳中立的再平衡。在第二阶段，我们的失衡情况更严重：基于用户的方法不够充分，或者至少需要太长时间来重新安排车队。该模型为基于运营商的搬迁行程计算出一条有效路线，其中包括失衡最严重的区域。在我们的案例中，运营区域南部的自行车是用卡车搬迁的，见图 6b。北部地区的不平衡程度没有南部那么高，因此我们的搬迁模型建议在那里采用基于用户的策略，根据该策略，用户租用特定的自行车并在建议的区域归还，最多可节省 50%的车费。

5. 验证和潜在影响

对于特定日期的每个时间片，我们的需求模型和搬迁算法都能提供最佳的车队分布和搬迁建议。为了测试和证明所给出的方法，我们对每个区域进行了验证，以捕捉短时间内（指下一个时间片）的影响，同时也捕捉长时间内的影响，即由于全天不同的车队分布而产生的动态影响。

根据经验数据分析，我们知道每个时段在工作日都有类似的预订模式，但也有一定的偏差。例如，天气条件不同，出行人数也不同，如果下雨，出行人数就会相当少。不过，也存在随机效应，或者至少无法找出原因导致旅行次数增加或减少。同样，我们对所有工作日和周末分别进行了调查，并捕捉了 40 个区域每天的典型趋势曲线。单条趋势曲线与平均昼夜图之间的偏差差异高达 15%。将单日平均租金和实际租金与各自的库存量进行比较，得出以下结果：每个区域都有一定的存量门槛，不应低于这一门槛，但超过这一门槛也不会带来进一步的增值<.font>。但其他区域则有不同的特点：存量越高，出行次数越多，反之亦然，自行车数量不足则无法满足需求。

图 7 描述了这种情况：在下午 4 点到晚上 8 点之间，我们比较了不同日期的两种分布情况。红条表示分布不佳，该区域只有约 20 辆自行车可用。绿色柱状图（代表另一天）显示了良好的分布，即有 50 辆自行车可用。根据我们的模型，29 区需要 48 辆自行车，在4.pm 以满足即将到来的需求。红线和绿线分别表示即将到来时段的实际租用情况。在车队分布不佳的情况下，只有 23 次租赁，而在分布良好的情况下，预订次数几乎是三倍，即下午 4 点到晚上 8 点之间有 64 次租赁.

根据我们的分析，在周一上午搬迁车队对出车次数的影响最大。根据我们的验证，周一上午搬迁后，整个运行区域（即所有 40 个区域）的出车次数最多可增加 24%。我们假设，周末的使用模式会使车队失去平衡，因此车队的重要部分在周一早上会在错误的位置空转。根据失衡的程度，我们的模型建议采用基于用户的搬迁方法，为特殊自行车和某些方向提供价格优惠；或者采用基于运营商的搬迁方法。在这两种情况下，我们的验证结果都很好：在某些区域，只需增加几辆自行车就能促进租赁行为。因此，基于用户的搬迁模式是有利可图的，即使运营商产生的营业额不如不采用该方法或不为用户提供折扣的情况下那么多。

6. 结论

对慕尼黑 Call a Bike BSS 的 GPS 预订数据进行的实证分析表明，使用模式不仅在一天中的时间段不同，而且在一天中的类型（即工作日还是周末）也不同。当然，也有季节性的影响，即夏季出行人数最多，而春季和秋季的预订人数则较少。

将运营区划分为 40 个区域的结果表明，有些区域–大多位于运营区的边缘–上午的自行车租赁需求量大，但下午和晚上的需求量却相当小。傍晚。相反，位于市中心附近的区域早上的需求量较低，但晚上的需求量较高。

这些特殊情况（如天气状况等）会导致车队失衡，表现为预订数量相对较少、闲置时间较长，或只有少数自行车可用，因此无法满足需求。概述的需求模型根据历史预订数据、库存和闲置时间，提供了不同日期和时段的需求信息。根据这些信息，我们可以计算出完美的车队分布，并借助搬迁方案来实现，该方案告诉我们在实践中搬迁部分车队的最佳路线。

虽然搬迁需要几个小时，因此会产生费用，但它会创造附加值。对用户来说，因为整个系统的自行车供应得到了改善。而对于运营商来说，由于可以通过最佳供应来满足需求，因此预计会有更多的出行。在适度失衡的情况下，在基于用户的方法的支持下，车队几乎可以自我调节，从而为运营商节省成本，并为用户提供平衡的 BSS。

借助我们的验证方法，我们证明了用户和运营商双方都能从中获益，即在必要时重新部署车队；如果只是基于用户的重新部署，车队的移动是碳中和的(carbon-neutrally)，除了某些行程的折扣价格外，不会给运营商带来更多成本。