近月，福建省智慧城市感知与计算重点实验室（厦门大学）陈龙彪副教授在空间群智感知方向的论文“RedPacketBike: A Graph-Based Demand Modeling and Crowd-Driven Station Rebalancing Framework for Bike Sharing Systems”被计算机网络领域的CCF-A类国际期刊“TMC 2022”(IEEE Transactions on Mobile Computing) 接收，该论文提出了一种基于空间群智大数据的共享单车需求热点建模与调度优化方法。共享单车系统作为一种健康、绿色的交通方式，已经在全球许多城市部署，用以解决城市交通污染的问题。为了维护高质量的共享单车系统，关键问题之一是如何调度供需失衡的单车站点。为此，我们提出了一个多源时空数据融合视角下的共享单车需求建模与群智调度方法，通过利用深度学习和群智感知技术的站点调度优化方法，可以准确地预测细粒度的单车需求趋势，并有效地平衡供需失衡的单车站点。

图1 论文RedPacketBike算法框架

　　具体而言，该论文提出了三个阶段的框架分别进行共享单车需求热点的时空语义提取、对共享单车需求趋势进行预测、对共享单车站点进行再平衡调度。流程如上图所示，在共享单车需求热点的语义提取阶段，该论文基于站点的地理位站点周围的POI分布、站点的单车使用趋势对共享单车站点采用距离约束聚类算法，得到热点空间区域的提取结果，对于热点空间区域上的单车使用序列该论文基于三次样条插值方法和峰值检测算法提取出单车使用趋势。在共享单车需求趋势预测阶段，该论文从空间、时间和情景三个方面进行处理，空间上基于多图卷积网络融合多种空间特征（空间邻近图、空间模式图、空间功能图），时间上基于多图卷积改进的长短期记忆网络实现时序数据的长期依赖建模，情景上基于自编码器建模情景特征，最后融合建模得到的时空情景特征，提出需求热点趋势预测模型。在共享单车的调度优化阶段，该论文将调度任务的生成问题定义为最短骑行距离目标下的运输问题，并使用整数线性规划算法求解该问题得到区域之间需要调度的单车数量，为了调度任务能够尽可能多的被执行，该论文基于强化学习模型，采用红包激励机制引导用户参与调度，最大化所有用户参与调度的收益总和。该论文在厦门市的摩拜单车数据集和纽约市的花旗单车数据集上对框架进行分析验证，实验结果表明该框架以4.171的MAE准确预测了共享单车的需求趋势，同时在模拟调度实验中达到了80.42%的站点平衡率，超过了其他基线方法。TMC (IEEE Transactions on Mobile Computing) 是计算机网络领域的顶级国际期刊，也是中国计算机学会推荐的A类计算机网络期刊。