共享出行,特别是网约车的出现,极大地方便了人们的出行生活。其充分利用了大量空闲的汽车资源,提高了社会的生产力,对国民经济和个人效率都有极大的促进。城市居民的出行极大的依赖于公共交通系统,但是传统的城市交通系统由于系统的承载能力和交通需求变化不协调而时常受到不利影响。网约车的出现一定程度上缓解了这种不利的局面,滴滴公司(占据国内网约车市场87%份额的龙头企业)公布的数据显示目前每天的订单量为2000万单左右,可以看出其对交通便利起着极大的促进作用。然而,存在于传统公共交通中供需不平衡的问题在网约车市场中依然严重,某些区域的乘客会时常打不到车,某些区域的司机却时常接不到单。造成供需不平衡的原因主要在于调度系统缺乏对未来一段时间打车需求量的准确预估以及合理的实时调度。传统的公共交通由于缺乏足够的供需数据,导致该问题一直没有得到很好的缓解。网约车系统的优势不仅体现在乘客端,在系统的后端也存储了海量的乘客出行和车辆分布的历史数据,并且新数据会实时传送到控制台,这为解决供需不平衡问题,改进资源调度算法提供了有力的支持。由此,本文提出了一个创新的基于模型预测控制(MPC,Model Predictive Control)框架的网约车调度算法,通过机器学习算法对供需历史数据建模并准确预测供需比,然后结合预测结果和车辆的实时GPS坐标数据,通过MPC框架进行实时的调度优化。本算法在实现全局供需均衡的前提下,考虑了被调度车辆的空载行驶距离,避免了车辆的“南水北调”,减少了司机不必要的开销。本文的实验数据来源于滴滴公司发布的出行数据公众平台,笔者选取了成都市2016年6月至10月五个月的出行数据,其中前4个月用于机器学习算法的训练数据集,最后一个月用于供需比预测的测试和调度算法的验证。实验结果表明,本文的调度算法将车辆平均空载距离减少了54%,总供给需求比率误差降低了48%。