智行通SMARTCYCLE 数据大屏
城市夜景中的共享单车
海豚杯 · 参赛平台

让每一辆车，都在对的时间、对的地点，创造价值

智行通是基于 105 万条真实骑行记录构建的共享单车智慧共享平台：用大数据洞察供需、用人工智能驱动调度与定价，把城市出行的低频资产变成高频价值。

1,048,575条骑行记录
458个站点
88%会员用户占比
3.83%供需失衡率
PLATFORM

一个平台，五个能力模块

从用户骑行到城市治理，每个模块都由真实数据驱动，并沉淀为可复用的数智能力。

扫码骑行

选站找车、扫码开锁、动态计费、即时结算的全流程体验。

进入体验

智能调度

预测早高峰双峰需求，把 3.83% 的站点失衡转化为订单增量。

查看算法

动态定价

分时分区价格模型：高峰提效、平峰促活、冷区引流。

体验定价

金融科技

信用免押、单次保险、自动分账，复用骑行数据资产。

查看方案

数据看板

75 天运营全貌：分时需求、站点失衡、时长分布与趋势。

打开看板
13,981日均订单（75 天实测均值）
40,192累计供需失衡订单（3.83%）
+174订单日增量斜率（单/天）
66.6%15 分钟以内短时订单占比
TECH STACK

大数据 + 人工智能的技术方法体系

围绕"感知—网络—平台—应用"四层架构，把骑行数据变成可预测、可调度、可定价的生产力。

大数据处理

  • Kafka 实时接入
  • Flink 流式计算
  • Spark 批处理
  • ClickHouse 分析引擎
  • Redis 实时缓存

人工智能

  • Prophet 需求预测
  • LightGBM 流量回归
  • LSTM 时序预测
  • VRP + 强化学习调度
  • 用户画像与风控

业务应用

  • 潮汐调度大脑
  • 动态定价引擎
  • 信用免押与保险
  • LBS 场景营销
  • 城市骑行指数
BUSINESS MODEL

五元收入结构，抗周期的商业模式

10 万辆车口径下年骑行收入约 1.64 亿元，成熟期 2.5~3 亿元，综合毛利率 25%~35%（保守测算，详见方案书）。

45%骑行收入
20%广告营销
15%会员订阅
12%数据服务
8%政企合作
RIDE EXPERIENCE

扫码骑行 · 全流程体验

选择真实站点数据中的热门站点，体验从找车到结算的完整骑行流程。

1选择站点
2扫码开锁
3骑行计时
4还车结算

附近站点

按出发订单量排序（实测数据）

计费规则

起步价1.50 元（含 15 分钟）
超时费率0.50 元 / 10 分钟
会员优惠8 折
高峰热点上浮+20%（演示开关）

骑行时段

演示环境按秒计时，实际计费按分钟；动态定价系数仅作演示，正式运营需试点验证并公开透明。

数据提示

实测数据中，会员用户平均骑行 12.4 分钟，散客 21.1 分钟——会员更偏向短途高频通勤，是动态定价与会员运营的核心对象。

AI DISPATCH

智能调度大脑 · 把供需缺口变成订单

实测 75 天数据揭示：工作日早 8 时、晚 17 时双峰，站点供需失衡合计 40,192 单。调度大脑用预测 + 强化学习提前干预。

40,192失衡订单总量（占 3.83%）
4,288单站最大净差（站点 6015）
1,657晚高峰 17 时日均订单峰值
+174订单日增量斜率（单/天）

分时需求预测

来源：数据集按工作日（54 天）/ 周末（21 天）分时均值，单位：单/时。

站点供需失衡 TOP 12

净差 = 出发 − 到达

站点 6015 净差 4,288 单，是调度资源投入的第一优先级。

调度大脑 · 建议指令（当前场景）

晚高峰 17 时

调度指令由数据规则引擎生成（演示口径）：依据分时需求预测与站点净差，输出调出 / 调入建议与预期收益。

DYNAMIC PRICING

动态定价 · 让价格成为调度工具

时段 × 区域的二维价格矩阵：高峰热点小幅上浮引导分流，冷门区免费骑行引流，平峰折扣激活闲置运力。点击矩阵查看策略。

价格系数矩阵

系数以起步价 1.5 元为基准（演示口径）

当前策略解读

弹性定价需平衡用户体验与监管合规：试点先行、公开透明，避免“高峰刺客”式舆情风险。

+10%~15%预期客单价提升（目标测算值）
+8%~12%高峰时段找车成功率提升
+15%平峰车辆周转率提升
FINTECH

金融科技融合 · 第二增长曲线

信用免押、单次保险、自动分账——三大金融场景复用同一套骑行数据资产，边际成本极低，全部与持牌机构合作。

信用免押 · 实时测算

拖动信用分滑块查看押金
350720950

演示口径：信用分 ≥ 650 免押金；低于 650 按阶梯收取 299~99 元押金（示意值）。

骑行保险 · 高频小额

单次骑行意外险
单次保费0.20 元
保障内容意外伤害 + 三者责任
渗透率（测算）30%
10 万辆车年保费约 240 万元

与持牌保险公司合作出单，平台不触碰资金池与承保风险。

自动分账 · 收入结构

骑行 / 广告 / 会员 / 数据 / 政企五元模型
骑行收入（45%）1.64 亿元/年（保守测算）
广告营销（20%）LBS 场景广告 + 品牌合作
会员订阅（15%）月卡 / 次卡 / 企业通勤
数据服务（12%）城市骑行指数 + 开放 API
政企合作（8%）公共自行车运营与治理服务

口径：10 万辆车 × 日均 3 单 × 客单价 1.5 元；广告 / 会员 / 数据 / 政企按行业对标比例测算（详见方案书附录 A.3）。

DATA BOARD

数据看板 · 75 天运营全貌

基于公共自行车系统共享数据集（1,048,575 条记录，2014-04-15 至 2014-06-28），全部指标由数据实测统计。

城市交通数据流

工作日 vs 周末 分时需求

单/时 · 均值

用户构成

会员 88% · 散客 12%

骑行时长分布

15 分钟内订单占 66.6%

周内日均订单

周一最高 15,485

每日订单趋势

75 天 · 峰值 23,603（6 月 19 日）

热门出发站点 TOP 12

站点 6184 出发 16,101 次
CITY DATA

双城实测数据集 · 跨城适配验证

接入西安（2022–2023 小时级骑行量）与深圳（2021 五一假期订单）两套真实数据，验证智行通「需求洞察 → 调度 → 定价」逻辑在不同城市、不同数据形态下的适配能力。

西安 · 小时级骑行量

2022-01-01 ~ 2023-12-31 · 24 个月
10,889条小时记录
2,086,210总骑行量
81.2%注册用户占比
17 时峰值时段
月度骑行量
24 小时均值曲线
用户构成
天气分布（按骑行量）

深圳 · 2021 五一订单

2021-05-01 ~ 05-03 · 3 天 · 深圳市政府数据开放平台
3,364,413条订单
1,247,910个用户
13.9平均时长（分钟）
18 时峰值时段（3 天合计）
三天分时订单量
骑行时长分布
起点热点网格 TOP10

口径说明：西安为小时级聚合记录（散客 / 注册用户 / 总量）；深圳订单时长按 60 秒~2 小时有效样本统计（有效样本 3,302,909 条），起点热点按经纬度 0.01° 网格聚合，均位于深圳主城区（约 22.5°N、113.9–114.1°E）。两个数据集统计结果均由原始文件实测得出。

DAILY DATA

按日租赁数据集 · 2011–2012

基于按日聚合的共享单车租赁数据（731 天），为平台补充「长周期趋势、季节性、天气与假期影响」的分析视角。

核心指标

2011-01-01 ~ 2012-12-31 · 731 天
731天（按日记录）
3,292,679总租赁量
81.2%注册用户占比
4,504日均租赁
月度租赁趋势（24 个月）
季节分布
天气分布
用户构成
年度对比

口径说明：数据集为按日聚合记录（含温度 / 湿度 / 风速等标准化字段）；季节编码 1 春 / 2 夏 / 3 秋 / 4 冬，天气编码 1 晴朗 / 2 多云或雾 / 3 小雨或小雪（原数据天气 4 未出现）；工作日日均 4,527 高于节假日日均 3,735；2012 年总租赁较 2011 年增长 64.9%（实测）。全部指标由原始文件实测得出。

OPS DATA

运营透视 · 明细级运营与小时级需求双视角

接入单车运营明细（377 条骑行全字段）与小时级租赁（10,886 条）两套新数据，验证平台在「运营成本 / 车辆健康 / 分时需求」维度的分析能力。

城市运营明细 · 单车骑行全字段

2026-01 ~ 2026-02 · 10 城市
377条骑行记录
10覆盖城市
184.4平均时长（分钟）
3.49平均费用（元）
城市骑行量 TOP 8
骑行时长分布
调度标记分布
车辆剩余电量分布

小时级租赁 · 2011–2012

2011-01-01 ~ 2012-12-19 · 10,886 条小时记录
10,886条小时记录
2,085,476总租赁量
81.2%注册用户占比
17 时峰值时段（均值 468.8）
月度租赁趋势（24 个月）
24 小时均值曲线
周内日均
季节分布
天气分布

口径说明：运营明细含 377 条骑行全字段记录（2026-01 至 02，10 城市）；平均时长 184.4 分钟含超长订单（最长 379 分钟），均值受其抬升，中位数为 153 分钟；费用按原始单位「分」换算为元。小时级租赁与「每日租赁」板块同源数据集的小时粒度版本（10,886 条，2011-01-01 至 2012-12-19）；季节编码 1 春 / 2 夏 / 3 秋 / 4 冬，天气编码 1 晴朗 / 2 多云或雾 / 3 小雨或小雪；注册占比、峰值时段、月度 / 季节 / 天气分布均由原始文件实测得出。

AI FORECAST

预测智能调度 · 用历史数据预判运力缺口

基于滴滴出行城市运营数据（30 天 · 2013-09，覆盖 11 / 12 / 13 时）：先预测未来需求，再在缺口到来前调配运力，实现「预测 → 调度 → 复盘」的闭环。

30天运营周期（9 月）
21,097总请求数
13,485成交订单数
55.8%司机平均在忙率

每日供需趋势

30 天 · 请求 vs 成交

覆盖时段供需对比

数据仅覆盖 11 / 12 / 13 时

运力紧张度 · 司机在忙率

12 时与 13 时在忙率 60%

未来 7 天需求预测

最近 7 天均值外推（演示口径）

预测调度建议 · 提前调配

按供需缺口占比排序（实测口径）

A/B 测试效果分析

29 天 · 控制组 vs 实验组（2019-01）
29天实验周期
-控制组 GMV
-实验组 GMV
-GMV 相对变化
逐日 GMV · 两组对比
核心指标对比

口径说明：运营数据为滴滴内部某城市 2013-09 共 30 天、每天仅 11 / 12 / 13 三个时点（合计 90 条记录）；在忙率 = 司机服务时间 / 在线时长，供需缺口占比 =（请求 − 成交）/ 请求；需求预测按最近 7 天各时段均值外推未来 7 天（简单移动平均，演示口径）。A/B 测试数据为 2019-01 共 29 天、控制组与实验组逐日指标（请求 / GMV / 优惠券 / 成交 / 取消）；数据许可 CC-BY-NC 署名-禁止商用，仅用于参赛演示。全部指标由原始文件实测得出。

SMART MOBILITY

智能交通 · 车流、路况与绿色出行协同分析

接入智能出行交通数据集（5,000 条城市路网 5 分钟级记录，2024-03-01 至 03-18）：从车流、车速、占用率到拼车需求与排放，验证平台在城市级交通治理中的分析能力，并给出流量预测 / 路径规划的算法方案。

5,000条路网记录（5 分钟级）
153.9平均车流（辆 / 采样点）
42.1平均车速（km/h）
54.7%道路平均占用率

24 小时车流与车速

车流均值 153.9 · 车速均值 42.1 km/h

交通状况分布

高拥堵占比 63.3%

天气条件与拥堵占比

各天气下高拥堵（High）占比

信号灯状态分布

绿 1,651 · 黄 1,726 · 红 1,623

道路占用率分布

50% 以上占用占 55.3%

24 小时拼车需求与停车可用性

拼车需求均值 50.5 · 停车可用均值 24.6

数智算法方案 · 从路况数据到城市治理

算法思路（方案设计，非实测结果）
交通流量预测

ARIMA 适合短期平稳车流；LSTM 捕捉周期 / 季节性，对本数据集的 5 分钟粒度车流序列可直接训练预测下一时段流量。

路径规划

路网抽象为加权有向图：Dijkstra 求最短路径，A* 引入启发式信息，结合实时车速 / 拥堵动态重规划，避开拥堵路段。

供需联动

拼车需求 + 停车可用性与交通状况联动：高峰期把共享单车 / 拼车引导至高需求区域，降低私家车占用率与排放。

口径说明：数据集为城市路网 5 分钟级采样（2024-03-01 至 03-18 共 17.4 天，纽约市 40.6~40.9°N）；车流 / 车速 / 占用率为采样点均值；交通状况 High / Medium / Low 按原始标注统计；天气条件含 Clear / Rain / Fog / Snow；排放 g/km 与能耗 L/h 为原始字段均值；事故数 480（占 9.6%）；算法方案为设计说明，非实测预测结果。全部指标由原始文件实测得出。

DIDI SUPPLY-DEMAND

滴滴供需预测 · 854 万订单的运力均衡难题

接入滴滴出行预测竞赛训练集（M 市 2016-01-01 至 01-21，21 天订单 / 天气 / 交通 / POI 多表数据）：用请求与成交的差值识别供需缺口，展示 ARIMA / LSTM 供需预测的落地路径。

854 万21 天出行请求总量
40.7 万日均请求
17.76%无司机应答（供需缺口）
17.3平均客单价（元）

每日请求量趋势

21 天 · 峰值 1-20 为 535,823

24 小时供需双峰

早 8 时 797,927 · 晚 17 时 726,237

出发区域 TOP 10

区域 51 居首 · 区域 ID（匿名）

天气与温度

PM2.5 均值 122.8

路段拥堵等级分布

级别越大越拥堵 · 平均路段数

POI 一级类目 TOP 8

区域功能属性（类目代码匿名）

供需预测方案 · 先预测、再引导

算法思路（方案设计）
需求预测

ARIMA 对平稳时段序列短期预测；LSTM 学习区域 × 时段 × 天气的长期依赖，输出未来时间片请求量（本数据集测试集为 1-22 至 1-30 的时间片）。

缺口定位

无司机应答占比 17.76% 即供需缺口：按区域聚合请求与满足量，锁定缺口 TOP 区域（如区域 51），提前引导运力。

引导调优

结合拥堵等级与 POI 属性：商务区晚高峰、居住区早高峰差异化配置运力，形成「预测 → 调度 → 复盘」闭环。

口径说明：训练集 21 天订单表（2016-01-01 至 01-21，合计 8,540,614 条请求）；无司机应答 = driver_id 为空的记录占比 17.76%（说明文件注明 driver 为空即无司机应答），为供需缺口的直接代理指标；平均客单价 17.3 元；天气编码 1~9 为原始编码（2 出现最多），温度 ℃，PM2.5 为均值 122.8；拥堵等级 1~4 级别越大越拥堵；区域 ID 与 POI 类目为匿名编码（cluster_map / poi_data 映射）；预测算法为方案设计，未在本数据集上实测输出。数据许可与出处见滴滴出行预测说明（CC-BY 转载需署名）。全部指标由原始文件实测得出。