通过数据驱动随机优化协调电动汽车网约车服务的引导、匹配与充电站选择

电动汽车 (EV) 在可持续网约车服务中发挥着关键作用，主要是因为其在减少碳排放和加强环境保护方面的潜力。尽管其重要性显著，但当前关于 EV 批量匹配的研究经常忽略骑手需求不确定性和充电站 (CS) 选择等关键方面，导致匹配率降低以及骑手和 EV 司机等待时间延长等低效问题。为了填补这一研究空白，我们提出了一个数据驱动优化框架，该框架结合了两个相互关联的随机优化模型以应对这些挑战。第一个模型旨在根据概率性骑手需求预测结果，在真实骑手需求揭示之前，将空闲 EV 重新定位到满足条件的指定区域。以第一个模型的解作为输入，第二个模型通过最小化骑手的平均等待时间和 EV 在 CS 的充电等待时间来优化批量匹配结果。该集成框架不仅在引导模块中纳入骑手需求不确定性从而提高了匹配率，而且通过将引导与 CS 选择选择协同作用，显著缩短了骑手和 EV 的充电等待时间。我们利用真实世界数据集在纽约市进行了广泛的案例研究，对该框架进行了实证验证。验证结果表明，所提出的数据驱动优化框架在提出的评估指标方面优于基准模型。最重要的是，当部署我们的框架时，与没有 CS 选择的基准模型相比，低 SOC 的 EV 的充电等待时间最多可减少 73.6%。