21世纪是科技高速发展的时代，互联网渐渐走入人们的生活。互联网就像一张网。把我们紧紧联系起来，现在的衣食住行都离不开互联网科技，下面分享一篇关于互联网科技的文章给大家。
然而，尽管有这些计划“优势和流行度”，但仍然存在着重大的运营挑战。例如，自行车的分布。由于通勤模式，住宅区在早上高峰时段面临自行车短缺，而商业区在晚上缺乏自行车。更重要的是，停车码头可以在一定的时间内充满，使得驾驶者一旦到达目的地就难以返回自行车。
补救这个问题是不容易的。自行车共享系统通常与驾驶者赛跑，以从完全被占用的站中移除自行车，并在需要他们的车站重新填充码头----在高峰通勤时间内进行重新平衡的兼顾。许多系统使用在给定时间重新分配几十个自行车的箱式卡车的车队来重新平衡他们的自行车供应。这是一个昂贵的耗时的努力，它扩大了系统的“碳足迹”，因此，必须尽可能高效地重新平衡。
尽管总需求模式在总体上是可预测的，但自行车共享系统是复杂的网络，并且操作决策涉及大量的微妙关系。举个例子，把自行车转向纽约的东村。作为一个居民区，每天早晨上班的上班族都会有很大的需求；在那里移动更多的自行车会很有道理。然而，在下午的匆忙中，当需求变化的浪潮发生变化时，自行车在深夜被增加，上班族使用的自行车太晚了，骑自行车的人从他们的自行车上返回他们的自行车回家。识别不应该移动额外自行车的点是至关重要的；为此，我们不能依靠直觉，而是必须采取一种数据驱动的方法。
在这一点上，我的同事和我的同事，康奈尔大学的亨德森和康奈尔大学的ShaneG.Henderson；康奈尔博士的HangilChung；以及康奈尔博士的EOINO“Mahoney”，旨在开发复杂的算法和高级分析，以解决自行车共享操作的新挑战。
我们的方法被应用到的一个领域是自行车天使计划，我们的行业合作者在全国各地的城市里(现在是Lyft的一部分)运行这个项目。作为项目的一部分，骑自行车的人通过在某些急需的车站租用或归还自行车来赚取积分。最初，节目每天早上为同一模式的电台颁发分数，并在每天下午颁发不同的固定模式。在一项研究中，我们发现这些固定的模式在回报(或租金)受到激励时会导致低效率，而这些模式实际上无助于再平衡。
这些低效率不仅是由于需求预测不完美，而且也是由于个人高峰时间内的异质性。换句话说，系统有时变化太快，以致于固定模式在整个高峰时间内效率不高；根据实时信息改变模式可以使激励措施的影响增加约15%。
今天，骑自行车的天使约占纽约市自行车再平衡的30%。它提高了顾客的满意度，反过来又增加了乘客的数量。更重要的是，这种形式的再平衡比箱式卡车有更好的碳足迹！
我们也应用分析技术来解决其他问题。例如，我们利用用户数据来确定经常没有充分利用停车场数量的几组车站，并确定哪些车站将受益于额外的停车能力。这使得操作人员能够在系统内移动码头，从而可持续地增加系统中的乘客量。
另一种算法帮助自行车共享操作人员远程识别故障设备。通过分析使用信息，我们能够帮助操作员准确地确定他们是否需要派出人员来修理破碎的自行车或码头。及时处理维护问题是分析可以对骑自行车者的体验产生重大影响的另一个背景。
可以肯定的是，分析和算法并不是解决每一个新的交通问题的灵丹妙药。它们有许多局限性，包括由于需求被审查而导致的信息不完整。也就是说，我们只观察到在自行车(码头)可供使用的车站的实际租金(返回)，而不是那些由于系统不平衡而被阻塞的。
然而，同样明显的是，新的移动选择带来的许多挑战，包括电动自行车和免费浮动自行车共享系统，都需要数据驱动的解决方案。随着城市逐渐减少汽车拥有量，分析可以帮助社会朝着正确的方向前进。
这里描述的工作为丹尼尔·弗洛因德和他的团队赢得了2018年丹尼尔·瓦格纳运筹学卓越实践奖。