学术前沿讲座

报告内容：

当今共享单车行业面临着一个重要挑战：如何通过定期维护来降低运营成本。大量故障单车导致交通拥堵、停车和回收难题，依赖手动上报故障的维修方式亟需通过数据科学来改进。本研究引入了数据驱动的预测方法，旨在通过预测无桩共享单车区域的损坏速率来优化维修运营，其灵感来自于黑洞现象。类似于宇宙中异常高密度的黑洞，本研究识别出共享单车系统中的“黑洞”位置，即损坏速率异常快且对运营成本影响巨大的区域，并基于数据对这些“黑洞”区域进行预测。基于“黑洞”现象，本研究创新地提出了一种共享单车周期性维修模型，并设计了高效的拉格朗日松弛启发算法来解决该问题。此外，通过构造一个对称性网络，本论文发现在合适的交通需求离心性下，“黑洞”现象成为维修策略（混合策略 vs 专用策略）选择的主要因素。考虑到预测误差，本研究进一步提出了鲁棒模型，通过实际数据证明了“黑洞”现象对运营的显著影响，并证实了模型和方法的有效性和鲁棒性。本研究为共享单车行业的维修运营提供了一个新的视角，并对选址-库存联合问题和鲁棒优化做出了一定的理论贡献。

报告人简介：

刘林冬，2011年毕业于南京大学工程管理学院自动化系，获得学士学位；2015年毕业于香港科技大学工学院工业工程与物流管理系，获得博士学位；2016年起加入中国科学技术大学，现任管理学院特任教授。担任“智能决策博弈与数字经济创新”安徽省哲学社会科学重点实验室主任。主要研究方向包括数学建模、离散与组合优化等，以及它们在合作博弈、调度、交通物流等方面的应用。主持国家自然科学基金青年项目、优秀青年项目等，入选中国科学院青年创新促进会会员。在《Operations Research》、《INFORMS Journal on Computing》、《管理科学学报》等期刊上发表多篇学术论文。