缺口(i,t) = 预测骑行产生量(i,t) - 预测骑行到达量(i,t) + 目标留车量 - 当前库存(i,t)

- i：空间网格（通常边长50～200米的六边形或矩形）
- t：时间片（如未来30分钟）
- 目标留车量：保证用户随到随骑的缓冲数量

预测模型常用**梯度提升树（LightGBM/XGBoost）** 或**时序Transformer**，输入连续7天同时段特征、前一时段流入流出等，输出每个网格的需求量。

## 调度任务生成与派发

预测出缺口后，需要将其转化为可执行的调度指令，并派发给路面运维人员。

### 工单逻辑
系统将存在正缺口（缺车）的网格标记为**入车点**，负缺口（淤积）的网格标记为**出车点**，并求解带容量的最优匹配。常用**匈牙利算法**或**最小费用最大流**模型，约束条件包括：
- 调度车辆容积（如每辆三轮车最多装15辆单车）
- 单次任务时长上限（防止疲劳驾驶）
- 任务优先级（地铁口、医院为高优）

### 任务包设计
一个任务包包含：从当前车辆位置出发 → 前往1~3个出车点装载 → 运往1~2个入车点卸载 → 返回。系统需计算最优路径与建议装载数量，并通过App推送。运维人员看到的是类似“前往A点取8辆，送至B点卸载”的清单式指令。

## 常用调度算法与策略详解

### 静态调度（夜间批量）
每天凌晨利用低峰期大规模搬运，将车辆重新分布到理想初始状态。可建模为**带时间窗的车辆路径问题（VRPTW）**，使用启发式算法（如自适应大邻域搜索ALNS）求解多辆调度车的路径，最小化总行驶距离。

### 动态调度（实时响应）
日间出现突发需求时，需在15分钟内响应。常用**滚动时域优化**：每10分钟重新求解未来2小时的最优调度方案，仅执行第一个10分钟的指令，然后进入下一周期。为提升速度，可将网格聚合为50～100个片区求解。

### 激励式再平衡（用户参与）
让用户参与调度，成本更低。例如“红包车”策略：将淤积区的车辆设为红包车，骑行至缺车区可获现金奖励。定价需解一个**均衡定价模型**——奖励金额=用户绕路的时间成本+不便性补偿，通常为1.5～4元。

## 调度效果评估指标体系

无衡量，不优化。建议从效率和体验两个维度监控。

### 效率指标
- **单位车辆日均调度次数**：总调度量/活跃车数，反映健康度，通常优秀城市低于0.15次。
- **每调度订单成本**：包含人工、三轮车电费、车辆折旧，目标低于1.8元/次。
- **再平衡时间**：从发现缺口到车辆到位的时间中位数。

### 体验指标
- **需求满足率**：用户打开App时，300米内有车的概率。理想值>90%。
- **车辆闲置率**：超过24小时无订单的车辆占比，过高说明投放过度或淤积。
- **客诉量**：关于“找不到车”“还车难”的投诉趋势。

## 实操工具与开源资源

### 地图格网生成
可使用H3（Uber开源）六边形索引系统，层级为8或9（边长约450m或174m），统一分析口径。

Python示例

import h3 h3_address = h3.geo_to_h3(lat, lng, resolution=9)