本文发表于《大众科学》的前博客网络，反映了作者的观点，不一定反映《大众科学》的观点
包括纽约、华盛顿、波士顿和旧金山在内的美国各地城市都推出了自行车共享计划，作为可持续的交通替代方案，以缓解交通拥堵、改善公众健康和减少碳排放。与此同时，这些城市的骑自行车者也欣然接受了自行车共享，使其通勤更快捷、更便宜、更有趣。去年，美国自行车共享骑行者完成了近 4600 万次行程——是前一年的两倍多。
然而，尽管这些计划具有优势和受欢迎程度，但仍然存在重大的运营挑战。例如，自行车的分配问题。由于通勤模式，住宅区在早高峰时段面临自行车短缺，而商业区在晚高峰时段则缺乏自行车。更重要的是，停车桩在某些时段可能会满，使得骑车者在到达目的地后难以归还自行车。
解决这个问题并非易事。自行车共享系统经常与骑车者争分夺秒，将自行车从满负荷的站点移走，并在需要的站点补充停车桩——这种在高峰通勤时段进行的调度被称为再平衡——。许多系统使用箱式货车车队来再平衡其自行车供应，一次重新分配数十辆自行车。这是一项成本高昂、耗时的努力，会扩大系统的碳足迹。因此，至关重要的是，再平衡必须尽可能高效。
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保未来能够继续报道关于塑造我们当今世界的发现和想法的具有影响力的故事。
尽管总体需求模式在总体上是可预测的，但自行车共享系统是复杂的网络，运营决策涉及许多微妙之处。以将自行车运送到纽约市东村的决策为例。作为一个住宅区，每天早上都有大量通勤者租用自行车上班；直观地看，在那里增加自行车是有道理的。然而，在下午的交通高峰期，当需求潮改变时，在上午晚些时候添加的自行车，太晚而无法被通勤者使用，会阻碍骑自行车者在回家途中归还自行车。确定何时不应再移动额外的自行车至关重要；为此，我们不能依赖直觉，而必须采取数据驱动的方法。
考虑到这一点，我的同事和我——康奈尔大学的大卫·B·舒莫伊斯和肖恩·G·亨德森；康奈尔大学毕业生杭吉尔·钟；以及康奈尔大学博士 Eoin O'Mahony——着手开发复杂的算法和高级分析技术，以应对自行车共享运营的新挑战。
我们的方法应用的一个领域是 Bike Angels 计划，该计划由我们在 Motivate（现为 Lyft 的一部分）的行业合作者在全国各地的城市运营。作为该计划的一部分，骑自行车者通过在某些高需求站点租借或归还自行车来赚取积分。最初，该计划每天早上对相同的站点模式奖励积分，下午对不同的固定模式奖励积分。在一项研究中，我们发现，当在实际上无助于再平衡的地点激励归还（或租借）时，这些固定模式会导致效率低下。
这些效率低下不仅是由于不完善的需求预测造成的，也是由于单个高峰时段内的异质性造成的。换句话说，系统有时变化太快，以至于恒定模式在一个完整的高峰时段内无法有效；基于实时信息更改模式可以将激励措施的影响提高约 15%。
今天，Bike Angels 约占纽约市自行车再平衡的 30%。它提高了客户满意度，反过来又增加了骑行人数。重要的是，这种形式的再平衡比箱式货车具有更好的碳足迹！
我们还应用分析技术来解决其他问题。例如，我们利用用户数据来识别停车桩数量经常未充分利用的站点集合，并确定哪些站点将受益于额外的停车容量。这使得运营商可以在系统内移动停车桩，从而可持续地增加系统中的骑行人数。
另一种算法帮助自行车共享运营商远程识别故障设备。通过分析使用信息，我们能够帮助运营商准确判断是否需要派出维修人员去修理损坏的自行车或停车桩。及时处理维护问题是分析技术可以对骑自行车者的体验产生重大影响的另一个方面。
可以肯定的是，分析技术和算法并非解决所有新交通问题的万能药。它们有许多局限性，包括由于需求受限而导致的信息不完整。也就是说，我们只观察到在有自行车（停车桩）的站点实现的租借（归还），而不是那些由于系统失衡而被阻止的租借（归还）。
然而，同样显而易见的是，新的出行选择（包括电动自行车和自由浮动式自行车共享系统）带来的许多挑战都需要数据驱动的解决方案。随着城市朝着减少汽车拥有量的方向发展，分析技术可以帮助社会朝着正确的方向前进。
此处描述的工作为丹尼尔·弗罗因德及其团队赢得了 2018 年丹尼尔·H·瓦格纳运筹学实践卓越奖。