数学建模实战：用线性规划与需求预测破解共享汽车调度难题

1. 项目背景与问题拆解：从“破局”二字说起

看到“共享汽车”和“破局”这两个词放在一起，很多朋友可能第一反应是商业模式、运营策略或者市场分析。但这次我们聊的，是2021年认证杯SPSSPRO杯数学建模C题第一阶段的赛题。这恰恰是数学建模的魅力所在——它要求我们用严谨的数学工具，去量化分析一个看似属于经济或管理领域的社会热点问题。这道题的核心，不是空谈概念，而是要求参赛者建立一个数学模型，来诊断共享汽车行业面临的困境（即“局”），并寻找可行的优化路径（即“破”）。

我当年作为指导老师带学生打过不少比赛，这类“共享经济+运营优化”的题目非常典型，既考验对现实问题的抽象能力，也考验对运筹学、统计学等工具的灵活运用。题目通常不会给出现成的、结构完美的数据，而是需要你自己根据对行业的理解，去定义关键指标、构建关系、甚至合理假设缺失的数据。第一阶段的任务，往往聚焦于“问题识别与模型构建”，为第二阶段的深入求解和方案设计打下基础。

所以，这篇内容，我想从一个建模老手的角度，带大家完整地复盘这道题的求解思路。我们不会只停留在“用了什么模型”的层面，而是会深入探讨：面对一个开放的赛题描述，如何一步步抽丝剥茧，定义出可量化的核心问题？在模型选型时，为什么A方案比B方案更合适？在参数估计和数据处理中，有哪些容易踩坑的细节？最终，我们会形成一个逻辑自洽、可求解的完整模型框架，并附上核心的SPSSPRO操作思路和代码片段（以Python为例）。无论你是正在备赛的学生，还是对用数据方法解决实际问题感兴趣的朋友，相信都能从中获得启发。

2. 第一阶段核心任务解析：定义“困局”与量化指标

数学建模比赛的第一阶段，通常不要求你给出一个复杂的算法或精美的代码，其核心产出是一个清晰的、可量化的、逻辑严谨的问题定义和模型框架。对于“破局共享汽车”这个主题，我们首先要回答：共享汽车的“局”到底是什么？在数学上如何描述？

根据行业共识和一般赛题背景，共享汽车的核心痛点通常围绕以下几个维度展开：

2.1 供需时空错配：这是最根本的“局”用户想用车的时候，身边没车；用户到达目的地后，车辆大量堆积在热门区域，而冷门区域无车可用。这导致了用户满意度下降和车辆利用率不均。在数学上，我们需要刻画这种错配。

• 量化指标：我们可以定义区域i在时间段t的供需失衡度D_it。
  • D_it = (实际需求Q_it - 可用车辆数V_it) / 最大可能需求， 或直接用绝对值|Q_it - V_it|。
  • 这里的难点在于Q_it（需求）和V_it（供给）都是动态的、难以直接观测的。需求往往需要通过历史订单数据、区域属性（如住宅区、商业区、交通枢纽）来预测或估计。

2.2 车辆调度与再平衡成本高昂为了缓解错配，运营方需要人工或半自动地将车辆从富集区调度到稀缺区。这个过程产生拖车成本、人工成本和车辆闲置成本。如何以最低的成本完成调度，实现整体网络的供需平衡，是一个经典的运筹学问题。

• 量化指标：总调度成本C_total = Σ(调度距离_ij * 单位距离成本 * 调度车辆数_ij)。目标是最小化C_total，同时满足各区域调整后的车辆供给达到目标水平。

2.3 车辆周转率与盈利能力一辆车每天被使用的次数（周转率）直接关系到收入。如果车辆长时间闲置或处于调度状态，就在产生成本而非收益。破局，也需要提升单车日均收益。

• 量化指标：单车日均收入R = 平均订单时长 * 费率 * 日均订单数。而日均订单数受限于供需匹配度和车辆可达性。

2.4 用户满意度与长期留存等待时间过长、找不到车、停车点不便，都会导致用户流失。满意度是一个软性指标，但可以通过一些代理变量来量化。

• 量化指标：平均寻车时间、订单满足率（成功下单数/尝试下单数）、用户投诉率等。

对于第一阶段而言，我们不需要同时解决所有问题。通常，赛题会隐含一个主要矛盾。根据“破局”的紧迫性，“供需时空错配及其引发的调度成本问题”很可能成为第一阶段建模的焦点。因此，我们可以将第一阶段的核心任务明确为：

建立一个数学模型，用于量化评估共享汽车网络在时空维度上的供需失衡状态，并在此基础上，设计一个成本最优的车辆静态调度方案（即针对某一特定时刻，如早高峰开始前，的车辆重新布局方案）。

这个定义将宏大的“破局”收敛到了一个具体、可建模的运筹学问题上。接下来，就是为这个定义填充数学细节。

3. 模型构建：从现实问题到数学公式

基于上述任务定义，我们构建一个两阶段模型框架：首先是状态评估模型，用于计算当前时刻各区域的车辆需求与缺口；然后是优化调度模型，用于计算如何移动车辆以填补缺口，并使总成本最低。

3.1 状态评估模型：预测需求与识别缺口

假设我们将运营区域划分为N个小区（如1km×1km的网格），我们关注一个特定的规划时刻T（例如，工作日早上7点）。我们需要知道每个小区i在接下来一段时间（如早高峰8点-10点）的预期用车需求D_i，以及当前时刻T停放在该小区的车辆数S_i。

• 预期需求D_i的估计：这是模型的关键输入，也是最体现建模功力的地方。如果没有详细历史数据，我们需要基于小区属性进行估算。一个常见的方法是构建多元线性回归或地理加权回归模型：
  • D_i = β0 + β1 * Pop_i + β2 * Office_i + β3 * Transit_i + β4 * POI_i + ε_i
  • 其中：
    • Pop_i: 小区居住人口密度（早高峰产生出发需求）。
    • Office_i: 写字楼面积或工作岗位密度（早高峰吸引到达需求）。
    • Transit_i: 交通枢纽（地铁站、公交站）密度，反映接驳需求。
    • POI_i: 兴趣点（商场、学校等）密度，反映弹性需求。
    • β为回归系数，可通过部分已知数据（如少量样本区域的订单数据）拟合得到，或根据文献和经验进行合理假设。
• 车辆缺口G_i的计算：
  • 定义每个小区有一个“理想车辆库存水平”I_i。一个简单的设定是I_i与预期需求D_i成正比，即I_i = k * D_i，k是一个经验系数（例如0.2，表示期望每5个潜在需求有一辆车备用）。
  • 则当前时刻的缺口为：G_i = I_i - S_i。
  • 若G_i > 0，表示该小区缺车，需要调入G_i辆车。
  • 若G_i < 0，表示该小区车多，可以调出-G_i辆车。

注意：这里有一个非常重要的实操细节。D_i是未来一段时间的预期需求，而S_i是当前时刻的即时供给。两者在时间尺度上并不完全匹配。更精细的模型可以考虑将D_i折算为对T时刻车辆供给的需求。例如，如果早高峰8点开始，那么7点时车辆就应该部署到位。我们可以定义D_i为8点-10点的总需求，那么7点所需的车辆数I_i可能等于D_i * 平均订单时长 / 2小时。这个转换过程需要在模型中清晰说明，它体现了你对业务逻辑的理解深度。

3.2 优化调度模型：线性规划求解

在得到所有小区的缺口G_i（正为缺，负为余）后，就形成了一个经典的运输问题或网络流问题。我们可以建立一个线性规划模型。

• 决策变量：x_ij表示从富余小区i调度到短缺小区j的车辆数量。
• 目标函数：最小化总调度成本。Minimize Z = Σ_i Σ_j (c_ij * x_ij)其中，c_ij是从小区i到j的单位调度成本，通常与距离d_ij成正比，即c_ij = α * d_ij，α是单位距离成本（包含油耗、人工等）。
• 约束条件：
  1. 调出约束：从任何一个富余小区i调出的车辆总数不能超过其富余量。Σ_j x_ij <= -G_i(对于所有G_i < 0的i)
  2. 调入约束：到任何一个短缺小区j调入的车辆总数应恰好满足其缺口。Σ_i x_ij = G_j(对于所有G_j > 0的j)
  3. 非负约束：x_ij >= 0。
  4. 可选-整数约束：如果车辆必须整数调度，则x_ij为整数，问题变为整数线性规划。

这个线性规划模型清晰、标准，可以使用SPSSPRO的优化求解模块、Python的PuLP或SciPy库、甚至Excel规划求解功能来计算出最优的调度方案{x_ij}。

4. 模型求解与SPSSPRO实操要点

有了数学模型，接下来就是求解和实现。这里重点讲一下在SPSSPRO中处理此类问题的思路，以及用Python辅助时的核心代码。

4.1 数据准备与预处理这是所有建模工作的基石，也是最耗时的一步。你需要准备至少两张表：

1. 小区属性表：包含每个小区的ID、中心点坐标（经纬度）、人口密度、写字楼密度等特征。用于计算D_i。
2. 当前车辆分布表：包含每个小区的ID、当前停车辆数S_i。

在SPSSPRO中，你可以使用【数据管理】->【计算变量】功能，根据你的回归公式计算每个小区的D_i。例如，如果你假设D_i = 0.5*Pop_i + 0.3*Office_i，就可以直接创建新变量。

4.2 距离矩阵计算调度成本c_ij依赖于小区间距离d_ij。你需要计算一个N x N的距离矩阵。

• SPSSPRO操作：如果小区数量不多，可以手动输入或通过地理信息计算后导入。SPSSPRO本身对大规模矩阵计算支持较弱，通常需要借助外部工具生成后导入。
• Python辅助（推荐）：这是Python的强项。假设你有每个小区的经纬度列表coords。

import numpy as np from geopy.distance import geodesic def compute_distance_matrix(coords): """计算地理坐标间的距离矩阵（公里）""" n = len(coords) dist_matrix = np.zeros((n, n)) for i in range(n): for j in range(n): if i != j: # 使用geopy库计算大地距离，更准确 dist_matrix[i][j] = geodesic(coords[i], coords[j]).kilometers else: dist_matrix[i][j] = 0 return dist_matrix # 示例：coords = [(lat1, lon1), (lat2, lon2), ...] # dist_mat = compute_distance_matrix(coords) # 然后将dist_mat保存为CSV，导入SPSSPRO

4.3 线性规划求解SPSSPRO的【数学规划】模块可以求解线性规划问题。你需要将问题转化为标准形式输入。

1. 确定目标函数系数：对于变量x_ij，其系数就是c_ij（即α * d_ij）。你需要将所有的x_ij拉成一个长向量，对应的系数也拉成一个向量。
2. 输入约束矩阵：这是最繁琐的一步。你需要将调出约束和调入约束写成A * x <= b或A_eq * x = b_eq的形式。对于有N个小区的问题，决策变量有N*(N-1)个（通常不考虑自己调给自己），约束条件约有2N个。手动构建几乎不可能，必须编程生成。

因此，对于这类问题，我强烈建议使用Python的优化库直接求解，然后将结果用于分析。以下是使用PuLP库的示例代码框架：

import pulp import numpy as np # 假设有3个小区，距离矩阵已计算好 dist_mat = np.array([[0, 5, 10], [5, 0, 8], [10, 8, 0]]) alpha = 10 # 单位距离成本，元/公里 G = np.array([-3, 5, -2]) # 小区0余3辆，小区1缺5辆，小区2余2辆 N = len(G) # 创建问题 prob = pulp.LpProblem('Vehicle_Relocation', pulp.LpMinimize) # 创建决策变量字典 x_vars = pulp.LpVariable.dicts("x", ((i, j) for i in range(N) for j in range(N) if i != j), lowBound=0, cat='Continuous') # 可以先连续，必要时改Integer # 设置目标函数 prob += pulp.lpSum([alpha * dist_mat[i][j] * x_vars[(i, j)] for i in range(N) for j in range(N) if i != j]) # 添加约束：调出约束（对于富余小区） for i in range(N): if G[i] < 0: # 富余小区 prob += pulp.lpSum([x_vars[(i, j)] for j in range(N) if j != i]) <= -G[i], f"Supply_Constraint_{i}" # 添加约束：调入约束（对于短缺小区） for j in range(N): if G[j] > 0: # 短缺小区 prob += pulp.lpSum([x_vars[(i, j)] for i in range(N) if i != j]) == G[j], f"Demand_Constraint_{j}" # 求解 prob.solve(pulp.PULP_CBC_CMD(msg=False)) print(pulp.LpStatus[prob.status]) # 打印结果 for v in prob.variables(): if v.varValue > 0: print(f"{v.name} = {v.varValue}") print(f"Total Cost = {pulp.value(prob.objective)}")

求解后，你得到了最优的调度方案x_ij。可以在SPSSPRO中将这些结果作为新变量录入，利用其强大的【图表】功能进行可视化，例如绘制车辆调度的流向图。

5. 模型深化与常见问题排坑指南

上面的模型是一个基础框架。在实际比赛或应用中，需要考虑更多复杂因素，这也是拉开差距的地方。

5.1 需求预测模型的深化使用简单的线性回归估计D_i可能过于粗糙。可以考虑：

• 时间序列因素：早高峰、晚高峰、周末的需求模式截然不同。可以引入时间哑变量，或者为不同时段建立不同的模型。
• 空间自相关：一个区域的需求很可能受其周边区域影响。可以考虑空间计量经济学模型，如空间滞后模型（SLM）。
• 机器学习方法：如果有足够的历史数据，使用随机森林、梯度提升树（如XGBoost）等模型进行需求预测，效果通常会优于线性模型。在SPSSPRO中，可以直接使用【机器学习】模块中的相关算法。

5.2 调度模型的复杂化

• 动态调度：我们的模型是静态的（针对一个时刻）。现实中调度是连续的。可以将其扩展为多时段动态调度问题，形成动态网络流模型，决策变量变为x_ijt，约束条件包含车辆库存平衡方程。复杂度会指数级上升，可能需要启发式算法（如遗传算法、模拟退火）来求解。
• 带容量约束的调度：调度车辆本身的运输工具（拖车）有容量限制，一次不能运送太多车。这需要在约束中增加Σ_j x_ij <= Capacity_i（对于每个出发地i）。
• 非线性成本：调度成本可能不是简单的线性关系，比如存在固定启动成本。这会使模型变为混合整数线性规划（MILP）。

5.3 实操中的关键陷阱与应对

1. 数据尺度不一致：人口密度（人/平方公里）和写字楼面积（平方米）数值量级可能差成百上千倍。直接放入回归模型会导致系数估计偏差。必须进行标准化处理（如Z-score标准化）。SPSSPRO的【数据标准化】功能可以轻松完成。
2. 距离计算的选择：使用欧氏距离还是实际路网距离？对于城市内部，直线距离误差很大。如果条件允许，应调用地图API（如百度地图、高德地图的路径规划API）获取驾车距离和时间，这比直线距离合理得多。
3. 模型不可行：在构建线性规划时，可能会遇到“无可行解”的情况。最常见的原因是约束过紧。例如，所有富余小区的车辆总数小于所有短缺小区的需求总数。这时需要检查你的G_i计算是否合理，或者考虑引入松弛变量，允许部分需求不被满足（但需付出惩罚成本），将等式约束改为Σ_i x_ij >= G_j * θ（其中θ为满足率，如0.9）。
4. 忽略调度时间：我们的静态模型假设调度是瞬间完成的。实际上，调度需要时间。如果调度时间过长，车辆到达时可能已经错过了需求高峰。一个改进方法是，在目标函数中不仅考虑距离成本，还加入时间惩罚成本，或者将调度时间纳入多时段模型。
5. 结果解释与可视化：算出x_ij后，不要只给出一堆数字。用桑基图（Sankey Diagram）展示车辆从富余区到短缺区的流动，用热力图展示调度前后的供需对比，能让你的论文脱颖而出。SPSSPRO的【可视化】模块支持多种高级图表。

构建数学模型解决“共享汽车破局”问题，其精髓在于将模糊的商业语言转化为精确的数学语言。第一阶段的核心是完成这个转化，并搭建一个坚实、可扩展的模型基座。通过状态评估模型量化“困局”的严重程度，再通过优化调度模型找到成本最低的“破局”起点。这个过程中，对业务逻辑的深刻理解（如何定义需求、缺口）与对数学工具的熟练运用（回归分析、线性规划）同等重要。

在实际操作中，我建议采用“迭代建模”的思路：先建立一个最简单的模型（如本文所述的基础版），确保它能跑通并得出有意义的结论；然后，再逐步加入一两个复杂因素（如动态调度、非线性成本），分析它们对结果的影响，并判断其必要性。在比赛论文中，清晰地展示这个从简到繁的思考过程，往往比直接抛出一个复杂但黑箱的模型更能赢得评委的青睐。最后，所有模型的输出都应当服务于决策——调度方案是否显著降低了成本？供需失衡度是否下降？这些才是“破局”与否的最终判据。