本文發表於《大眾科學》的前部落格網路，反映了作者的觀點，不一定反映《大眾科學》的觀點
包括紐約、華盛頓、波士頓和舊金山在內的美國各地城市都推出了腳踏車共享計劃，作為可持續的交通替代方案，以緩解交通擁堵、改善公眾健康和減少碳排放。與此同時，這些城市的騎腳踏車者也欣然接受了腳踏車共享，使其通勤更快捷、更便宜、更有趣。去年，美國腳踏車共享騎行者完成了近 4600 萬次行程——是前一年的兩倍多。
然而，儘管這些計劃具有優勢和受歡迎程度，但仍然存在重大的運營挑戰。例如，腳踏車的分配問題。由於通勤模式，住宅區在早高峰時段面臨腳踏車短缺，而商業區在晚高峰時段則缺乏腳踏車。更重要的是，停車樁在某些時段可能會滿，使得騎車者在到達目的地後難以歸還腳踏車。
解決這個問題並非易事。腳踏車共享系統經常與騎車者爭分奪秒，將腳踏車從滿負荷的站點移走，並在需要的站點補充停車樁——這種在高峰通勤時段進行的排程被稱為再平衡——。許多系統使用箱式貨車車隊來再平衡其腳踏車供應，一次重新分配數十輛腳踏車。這是一項成本高昂、耗時的努力，會擴大系統的碳足跡。因此，至關重要的是，再平衡必須儘可能高效。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保未來能夠繼續報道關於塑造我們當今世界的發現和想法的具有影響力的故事。
儘管總體需求模式在總體上是可預測的，但腳踏車共享系統是複雜的網路，運營決策涉及許多微妙之處。以將腳踏車運送到紐約市東村的決策為例。作為一個住宅區，每天早上都有大量通勤者租用腳踏車上班；直觀地看，在那裡增加腳踏車是有道理的。然而，在下午的交通高峰期，當需求潮改變時，在上午晚些時候新增的腳踏車，太晚而無法被通勤者使用，會阻礙騎腳踏車者在回家途中歸還腳踏車。確定何時不應再移動額外的腳踏車至關重要；為此，我們不能依賴直覺，而必須採取資料驅動的方法。
考慮到這一點，我的同事和我——康奈爾大學的大衛·B·舒莫伊斯和肖恩·G·亨德森；康奈爾大學畢業生杭吉爾·鍾；以及康奈爾大學博士 Eoin O'Mahony——著手開發複雜的演算法和高階分析技術，以應對腳踏車共享運營的新挑戰。
我們的方法應用的一個領域是 Bike Angels 計劃，該計劃由我們在 Motivate（現為 Lyft 的一部分）的行業合作者在全國各地的城市運營。作為該計劃的一部分，騎腳踏車者透過在某些高需求站點租借或歸還腳踏車來賺取積分。最初，該計劃每天早上對相同的站點模式獎勵積分，下午對不同的固定模式獎勵積分。在一項研究中，我們發現，當在實際上無助於再平衡的地點激勵歸還（或租借）時，這些固定模式會導致效率低下。
這些效率低下不僅是由於不完善的需求預測造成的，也是由於單個高峰時段內的異質性造成的。換句話說，系統有時變化太快，以至於恆定模式在一個完整的高峰時段內無法有效；基於即時資訊更改模式可以將激勵措施的影響提高約 15%。
今天，Bike Angels 約佔紐約市腳踏車再平衡的 30%。它提高了客戶滿意度，反過來又增加了騎行人數。重要的是，這種形式的再平衡比箱式貨車具有更好的碳足跡！
我們還應用分析技術來解決其他問題。例如，我們利用使用者資料來識別停車樁數量經常未充分利用的站點集合，並確定哪些站點將受益於額外的停車容量。這使得運營商可以在系統內移動停車樁，從而可持續地增加系統中的騎行人數。
另一種演算法幫助腳踏車共享運營商遠端識別故障裝置。透過分析使用資訊，我們能夠幫助運營商準確判斷是否需要派出維修人員去修理損壞的腳踏車或停車樁。及時處理維護問題是分析技術可以對騎腳踏車者的體驗產生重大影響的另一個方面。
可以肯定的是，分析技術和演算法並非解決所有新交通問題的萬能藥。它們有許多侷限性，包括由於需求受限而導致的資訊不完整。也就是說，我們只觀察到在有腳踏車（停車樁）的站點實現的租借（歸還），而不是那些由於系統失衡而被阻止的租借（歸還）。
然而，同樣顯而易見的是，新的出行選擇（包括電動腳踏車和自由浮動式腳踏車共享系統）帶來的許多挑戰都需要資料驅動的解決方案。隨著城市朝著減少汽車擁有量的方向發展，分析技術可以幫助社會朝著正確的方向前進。
此處描述的工作為丹尼爾·弗羅因德及其團隊贏得了 2018 年丹尼爾·H·瓦格納運籌學實踐卓越獎。