CN110766211A - 一种实时路况下的车辆路径规划问题模型创建方法 - Google Patents
一种实时路况下的车辆路径规划问题模型创建方法 Download PDFInfo
- Publication number
- CN110766211A CN110766211A CN201910973500.6A CN201910973500A CN110766211A CN 110766211 A CN110766211 A CN 110766211A CN 201910973500 A CN201910973500 A CN 201910973500A CN 110766211 A CN110766211 A CN 110766211A
- Authority
- CN
- China
- Prior art keywords
- road
- time
- vehicle
- node
- path planning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种实时路况下的车辆路径规划问题(Vehicle Routing Problem,VRP)模型创建方法,包括交通网拓扑结构创建,VRP模型创建等,用于实现可设定问题参数的同城物流配送模型的创建。首先利用路网坐标数据结合数据结构创建交通网模型,接着利用BP神经网络模型对该交通网历史路况数据进行建模,将拟合完成的路况数据加载到交通网模型中,以搭建完整的包含实时路况信息的道路网络拓扑结构。最后,利用面向对象的方式建立VRP模型,并将之前创建的道路网络拓扑添加至VRP模型中,以构成完整的实时路况下的VRP模型,本发明将道路网络模型与VRP模型进行融合,支持模型参数的自定义,比传统的VRP模型更贴近实际情况。
Description
技术领域
本发明涉及同城物流配送领域,尤其涉及一种实时路况下的车辆 路径规划问题模型创建方法。
背景技术
在物流配送行业中,同城物流配送是一个占比很大的环节,该环 节面临着很多技术难点,如“最后一公里”。而车辆路径规划问题是 专家和学者们尝试实现智能物流配送的一个突破口。不管在学术领域 还是在实际工程中,要实现对同城物流配送的优化,首先要在实际的 物流场景基础上抽象出车辆路径规划问题模型,根据不同的场景,直 至今日,已经涌现出很多车辆路径规划问题模型。
一般来说,车辆路径规划问题模型分为静态和动态模型。静态模 型是指模型中的所有信息已知且在求解过程中各种信息保持不变,但 是实际物流配送工作的环境不可能保持不变,因此这类模型的实用价 值不高。动态模型是指在求解过程中,相关信息会发生变化,如新的 订单出现。这类模型相对静态模型更加复杂也更加贴近实际。但是, 实际的物流配送路线必须依托实际道路网络。因此,实际的道路网络 应该作为一个基本约束存在。另外,车辆在执行配送任务时,路况不 会保持不变,这是实际物流配送问题中一个主要的动态因素。现存的 车辆路径规划问题模型未考虑真实道路网络和路况的车辆路径规划模型,无法为实际的物流配送提供参考。
发明内容
有鉴于此,本发明提供了一种贴近实际的物流配送场景的实时路 况下的车辆路径规划问题模型创建方法。
本发明提供了一种实时路况下的车辆路径规划问题模型创建方 法,主要包括以下步骤:
步骤1:采集每条道路坐标数据,依据采集到的坐标利用数据结 构链表建立路网拓扑结构,路网拓扑结构包括相互交叉的道路之间的 拓扑结构及单条道路的拓扑结构;
步骤2:连续采集每条道路在24小时之内间隔1min的车辆速度, 持续三周,将采集到的车辆速度与路网拓扑结构中坐标点进行匹配, 并利用采集到的车辆速度以及对应的时刻分别对每个路段的路况趋 势进行BP神经网络建模,建立好的模型的输入是时刻,输出是该时 刻对应的车辆速度;
步骤3:利用最短路径算法A*验证步骤1路网拓扑结构的正确 性,并以A*算法作为任意两个坐标之间最短路径的求解算法;
步骤4:从已有的客户订单数据中获取客户货物需求,包含投递 和拣货需求、客户时间窗范围,将这些客户信息附加到路网拓扑结构 中的每个坐标点,使每个客户信息和坐标点一一对应,每个坐标点相 当于一个客户;
步骤5:设置车辆路径规划问题中的基础信息,包括仓库位置、 仓库开放时间、是否有动态订单、订单的个数、订单服务时间和车辆 最大载货量,至此,实时路况下的车辆路径规划问题模型创建完毕。
进一步地,所述步骤1中采集道路坐标数据的方法为:首先利用 高德地图的交通态势API获取指定区域的道路坐标并转化成图层覆 盖到高德经纬度查询地图上,之后沿着显示的道路点选所需坐标点并 记录其经纬度,主要记录各道路交叉路口坐标点的经纬度信息并保证 交叉路口所连接的各条道路在交叉路口处的坐标相同。
进一步地,所述步骤1中路网拓扑结构重建的方法为:道路坐标 数据集中包含了各个路段之间的连接关系,由于道路之间具有链式连 接关系,利用双向链表将单个道路中的坐标点连接起来,每个坐标点 有多个前驱及后继,只要将每个坐标点的前驱和后继全部找到,就完 成了路网拓扑结构的重建。
进一步地,步骤2中所述匹配方法为:首先判断当前需匹配速度 的坐标点属于哪一条道路,然后判断该坐标点属性描述中的道路方向 在路况数据中是否存在,若存在,则该点速度与路况数据中相同,否 则,计算在路况数据中对应道路中距离该坐标点最近的一点的速度。
进一步地,步骤2中所述以BP神经网络为骨架网络的深度神经 网络的输入层神经元个数设置为2,输出层神经元个数设置为1,激 活函数为sigmod,路况模型的创建以每一条道路中的每一个坐标点 为单位,训练数据为每个坐标点在一周内的每个时刻的车辆速度,模 型的输入为一周中的某一天,及这一天中的某个时刻,输出为对应的 车辆速度。
进一步地,在步骤3中,A*算法具体为:f(n)=g(n)+h(n), 其中:g(n)为车辆从起点到当前节点的实际行驶时间,h(n)表示车辆 从当前节点行驶到终点所需的估计时间,即l(n)/v(n),l(n)表示当前 节点距离终点的直线距离,v(n)表示当前节点在当前时刻的速度。
进一步地,在步骤3中,A*算法验证步骤1路网拓扑结构的正 确性的方法为:利用A*算法对路网中任意两点之间的最短路径进行 求解,若A*算法能够找到指定两点之间的最短路径,则表明这两点 之间的拓扑结构创建正确,否则利用Openframework将路网可视化, 依据可视化之后的路网查找未找到最短路径的两点之间缺失的坐标 点并补充。
进一步地,在步骤4中,每个客户订单的位置直接采取路网拓扑 结构中坐标点的位置,即每个坐标点除了其经纬度信息,还包括订单 发起时间、订单的货物需求、订单允许被处理的时间窗范围和订单需 要被服务的时间,这些信息都以对象的方式进行封装。
进一步地,步骤5中的各种基础信息设置通过类的封装实现,即 所有参数都作为车辆路径规划问题类的数据成员,仓库位置根据路网 拓扑结构的规模自由设定,仓库开放时间默认为8:00-24:00,订单 的个数最大为路网拓扑结构中经纬度坐标点的数目,是否有动态订单 的设定用来决定模型是否考虑动态客户,若模型不考虑动态客户,则 该模型仅考虑实时路况这一个动态信息,所有订单服务时间默认设置 成30min或根据实际订单数据自定义设置,最大载货量是车辆类的数 据成员,默认为3吨。
进一步地,所述步骤5中实时路况下的车辆路径规划问题模型相 关函数如下:
目标函数:
f1=K (1)
约束条件:
其中:目标函数f1表示使用的车辆总数目;目标函数f2表示所有车辆 行驶的总路程;目标函数f3表示所有车辆的延迟时间之和;目标函数 f4表示所有车辆的等待时间之和;目标函数f5表示最长的车辆行驶时 间;其他符号定义如下:
K:实际用到的车辆数;
f:第f辆车;
Dij:节点vi到vj的路径长度;
ai(t):车辆到达顾客节点i的时间;
若车辆k从节点vi访问节点vj,值为1,否则为0;
vik:若节点vi由车辆k服务过,则值为1,否则为0;
bi(t):若t时刻节点vi已被服务,则值为1,否则为0;
CS(t):客户不满意度,即所有客户的等待时间之和;
TTk(t):车辆k的行驶时间之和;
si:车辆在顾客节点i的服务时间
Sk:车辆k的服务时间之和;
bi:订单i的起始时间窗;
ei:订单i的最晚时间窗;
di:客户节点vi的收货需求;
pi:客户节点vi的发货需求;
C:车辆的最大载重量。
本发明的有益效果是:本发明将实际路网作为车辆路径规划问题 的基本约束,实现了车辆配送路线只能在现有道路上选择,同时将真 实的路况加到车辆路径规划问题模型中,并提供了能够依据实时路况 调整车辆最短行驶路径的算法,本发明更加贴近实际的物流配送场景, 依据本发明设计的算法能够为实际物流配送提供较大的参考。
附图说明
图1是本发明一种实时路况下的车辆路径规划问题模型创建方 法流程图;
图2是十字路口拓扑示意图;
图3是武汉市光谷区域部分快速路路网图;
图4是某路段24h内的路况趋势图;
图5是最短路径示意图;
图6是订单分布示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对 照附图详细说明本发明的具体实施方式。
请参考图1,本发明的实施例提供了一种实时路况下的车辆路径 规划问题模型创建方法,它包括以下过程:
步骤1:本模型路网拓扑重建所需数据是来源于高德地图经纬度 查询API和交通态势API,首先利用高德地图的交通态势API获取 指定区域的道路网坐标及每条道路的名称、方向。然后将坐标点集转 化成图层(坐标点连成线)覆盖到高德经纬度查询地图上,之后沿着显 示的道路点选所需坐标点并记录其经纬度,主要记录各道路交叉路口 坐标点的经纬度信息并保证交叉路口所连接的各条道路在交叉路口 处的坐标相同,路网拓扑结构重建的重点在于十字交叉路口拓扑的重 建。十字交叉路口拓扑示意图如图2所示;由于车道有两个方向,因 此在十字路口会至少有四个交叉点,根据车道的方向,每个交叉点有 各自的前驱点和后继点。以图中点4为例,该点具有两个前驱点1和 5,两个后继点3和8;单个路段的拓扑相对简单,即一个坐标点仅有 一个前驱和一个后继;图3为光谷区域部分快速路路网示意图。
步骤2:在对路况进行建模之前,首先利用高德地图的交通态势 API获取指定区域内快速路在24小时之内的车辆速度,采样间隔 1min,持续三周;然后将经纬度查询得到的路网坐标与高德地图交通 态势API得到的路况进行匹配;因为高德地图交通态势API得到的 路段坐标依据实时路况划分,与用于重建路网拓扑的路段坐标点不同; 为了准确获取路网中所有坐标点的路况,需将用于路网拓扑重建的坐 标点与其路况进行匹配。
本模型对历史路况的建模采用的工具是OpenCV中的BP神经网 络。路况模型的创建以每一条道路中的每一个坐标点为单位,训练数 据为每个坐标点在一周内的每个时刻的路况;模型的输入为一周中的 某一天,及这一天中的某个时刻,输出为对应的道路上的车辆速度; 图4是某一个坐标点在24h之内的路况趋势。
步骤3:A*算法求解出的两点之间最短路径如图5所示,图中点 1表示起点,点2表示终点,A*算法在求解两点之间最短路径时,选 择下一个前进方向的依据不是距离,而是车辆的行驶时间;
A*算法具体为:f(n)=g(n)+h(n),其中:g(n)为车辆从起点到 当前节点的实际行驶时间,h(n)表示车辆从当前节点行驶到终点所需 的估计时间,即l(n)/v(n),l(n)表示当前节点距离终点的直线距离,v(n) 表示当前节点在当前时刻的速度;因此,可以利用A*算法验证路网 拓扑的正确性。
步骤4:本实例中的订单数据来源于基于实际网购订单脱敏后的 数据,订单数据包含客户货物需求量、允许服务时间窗。获取到订单 数据后,将每个订单的货物需求量、允许服务时间窗与路网中坐标点 的其他信息进行组合,即每个坐标点除了其经纬度信息、速度,还包 括订单的货物需求、订单允许被处理的时间窗范围;这些信息都以对 象的方式进行封装;
步骤5:设置车辆路径规划问题中的基础信息,包括仓库位置、 仓库关启时间、是否有动态订单、订单发起时间、订单的个数、订单 服务时间和车辆最大载货量;以上各种参数设置通过类的封装实现, 即所有参数都作为车辆路径规划问题类的数据成员,其主要作用是设 置模型顶层的相关参数;仓库位置可根据路网的规模自由设定,仓库 开放时间默认为8:00-24:00,订单的个数最大为路网中经纬度坐标 点的数目。是否有动态订单的设定用来决定模型是否考虑动态客户, 若模型不考虑动态客户,则该模型仅考虑实时路况这一个动态信息, 所有订单服务时间默认设置成30min或根据实际订单数据自定义设 置,最大载货量是车辆类的数据成员,默认为3吨。
以上是整个车辆路径规划问题模型的创建方法,模型可以描述为: 在实际路网拓扑结构G=(V,E)中,其中V={0,...,N}是路网中的节点,E= {<i,j>:i,j∈V}是路网中每两个相邻节点相连组成的边,即路段。多辆车 从仓库v0载货出发,它们需要完成从V中选取的n个客户节点v1,v2,...,vn的配送任务,然后返回节点v0,其中每个客户节点只能被某一辆车服 务一次。节点vi到vj的路径长度Dij固定不变,但车辆k通过节点vi到vj之间的路径行驶时间会因路况改变而随时间t发生改变。在任意 时刻t,车辆k的载货量Qk(t)不能超过车辆的最大载重量C。每个客户 节点vi允许被服务的时间窗为[bi,ei],车辆到达顾客节点i的时间ai(t)若 超过ei,允许车辆卸货,但会产生延迟惩罚,即客户不满意度CS(t)。车辆到达顾客节点i的时间ai(t)若超过bi,则产生车辆等待时间。车辆 在顾客节点i的服务时间为si。di和pi分别为客户节点vi的收货需求和 发货需求。车辆到达客户节点vi后,因供货其载货量Qk减少di,因拣 货其载货量Qk增加pi。其他符号定义如下:
K:实际用到的车辆数;
vik:若节点vi由车辆k服务过,则值为1,否则为0;
bi(t):若t时刻节点vi已被服务,则值为1,否则为0;
CS(t):客户不满意度,即所有客户的等待时间之和;
TTk(t):车辆k的行驶时间之和;
Sk:车辆k的服务时间之和。
bi:订单i的起始时间窗。
ei:订单i的最晚时间窗。
目标函数:
f1=K (1)
其中,表示车辆k的总服务时间。目标函数f1表示使用 的车辆总数目;目标函数f2表示所有车辆行驶的总路程,可衡量 车辆尾气排放量;目标函数f3表示所有车辆的延迟时间之和,可衡 量客户不满意度;目标函数f4表示所有车辆的等待时间之和,可 衡量配送效率;目标函数f5表示最长的车辆行驶时间,可衡量司机 的工作时间与车辆尾气排放。由于本课题模型考虑了实际路况, 因此目标函数f2和f4非正相关。遇到拥堵路段,车辆行驶速度极其 缓慢,导致行驶路程增加缓慢,行驶时间却逐渐加长。
约束条件:
公式(5)表示每个订单只能配送一次;公式(6)表示车辆任意时刻载货 量不能超重。
图6是模拟的订单分布,图中点1表示中心仓库,黑实心点表示 订单。
以上所述仅为本发明的一个实例,并不用以限制本发明,凡在本 发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应 包含在本发明的保护范围之内。在不冲突的情况下,本文中上述实施 例及实施例中的特征可以相互结合。
Claims (10)
1.一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:包括以下步骤:
步骤1:采集每条道路坐标数据,依据采集到的坐标利用数据结构链表建立路网拓扑结构,路网拓扑结构包括相互交叉的道路之间的拓扑结构及单条道路的拓扑结构;
步骤2:连续采集每条道路在24小时之内间隔1min的车辆速度,持续三周,将采集到的车辆速度与路网拓扑结构中坐标点进行匹配,并利用采集到的车辆速度以及对应的时刻分别对每个路段的路况趋势进行BP神经网络建模,建立好的模型的输入是时刻,输出是该时刻对应的车辆速度;
步骤3:利用最短路径算法A*验证步骤1路网拓扑结构的正确性,并以A*算法作为任意两个坐标之间最短路径的求解算法;
步骤4:从已有的客户订单数据中获取客户货物需求,包含投递和拣货需求、客户时间窗范围,将这些客户信息附加到路网拓扑结构中的每个坐标点,使每个客户信息和坐标点一一对应,每个坐标点相当于一个客户;
步骤5:设置车辆路径规划问题中的基础信息,包括仓库位置、仓库开放时间、是否有动态订单、订单的个数、订单服务时间和车辆最大载货量,至此,实时路况下的车辆路径规划问题模型创建完毕。
2.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:所述步骤1中采集道路坐标数据的方法为:首先利用高德地图的交通态势API获取指定区域的道路坐标并转化成图层覆盖到高德经纬度查询地图上,之后沿着显示的道路点选所需坐标点并记录其经纬度,主要记录各道路交叉路口坐标点的经纬度信息并保证交叉路口所连接的各条道路在交叉路口处的坐标相同。
3.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:所述步骤1中路网拓扑结构重建的方法为:道路坐标数据集中包含了各个路段之间的连接关系,由于道路之间具有链式连接关系,利用双向链表将单个道路中的坐标点连接起来,每个坐标点有多个前驱及后继,只要将每个坐标点的前驱和后继全部找到,就完成了路网拓扑结构的重建。
4.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:步骤2中所述匹配方法为:首先判断当前需匹配速度的坐标点属于哪一条道路,然后判断该坐标点属性描述中的道路方向在路况数据中是否存在,若存在,则该点速度与路况数据中相同,否则,计算在路况数据中对应道路中距离该坐标点最近的一点的速度。
5.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:步骤2中所述以BP神经网络为骨架网络的深度神经网络的输入层神经元个数设置为2,输出层神经元个数设置为1,激活函数为sigmod,路况模型的创建以每一条道路中的每一个坐标点为单位,训练数据为每个坐标点在一周内的每个时刻的车辆速度,模型的输入为一周中的某一天,及这一天中的某个时刻,输出为对应的车辆速度。
6.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:在步骤3中,A*算法具体为:f(n)=g(n)+h(n),其中:g(n)为车辆从起点到当前节点的实际行驶时间,h(n)表示车辆从当前节点行驶到终点所需的估计时间,即l(n)/v(n),l(n)表示当前节点距离终点的直线距离,v(n)表示当前节点在当前时刻的车辆速度。
7.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:在步骤3中,A*算法验证步骤1路网拓扑结构的正确性的方法为:利用A*算法对路网中任意两点之间的最短路径进行求解,若A*算法能够找到指定两点之间的最短路径,则表明这两点之间的拓扑结构创建正确,否则利用Openframework将路网可视化,依据可视化之后的路网查找未找到最短路径的两点之间缺失的坐标点并补充。
8.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:在步骤4中,每个客户订单的位置直接采取路网拓扑结构中坐标点的位置,即每个坐标点除了其经纬度信息,还包括订单发起时间、订单的货物需求、订单允许被处理的时间窗范围和订单需要被服务的时间,这些信息都以对象的方式进行封装。
9.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:步骤5中的各种基础信息设置通过类的封装实现,即所有参数都作为车辆路径规划问题类的数据成员,仓库位置根据路网拓扑结构的规模自由设定,仓库开放时间默认为8:00-24:00,订单的个数最大为路网拓扑结构中经纬度坐标点的数目,是否有动态订单的设定用来决定模型是否考虑动态客户,若模型不考虑动态客户,则该模型仅考虑实时路况这一个动态信息,所有订单服务时间默认设置成30min或根据实际订单数据自定义设置,最大载货量是车辆类的数据成员,默认为3吨。
10.如权利要求1所述的一种实时路况下的车辆路径规划问题模型创建方法,其特征在于:所述步骤5中实时路况下的车辆路径规划问题模型相关函数如下:
目标函数:
f1=K (1)
约束条件:
其中:目标函数f1表示使用的车辆总数目;目标函数f2表示所有车辆行驶的总路程;目标函数f3表示所有车辆的延迟时间之和;目标函数f4表示所有车辆的等待时间之和;目标函数f5表示最长的车辆行驶时间,其他符号定义如下:
K:实际用到的车辆数;
k:第k辆车;
Dij:节点vi到vj的路径长度;
ai(t):车辆到达顾客节点i的时间;
vik:若节点vi由车辆k服务过,则值为1,否则为0;
bi(t):若t时刻节点vi已被服务,则值为1,否则为0;
CS(t):客户不满意度,即所有客户的等待时间之和;
TTk(t):车辆k的行驶时间之和;
si:车辆在顾客节点i的服务时间
Sk:车辆k的服务时间之和;
bi:订单i的起始时间窗;
ei:订单i的最晚时间窗;
di:客户节点vi的收货需求;
pi:客户节点vi的发货需求;
C:车辆的最大载重量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973500.6A CN110766211B (zh) | 2019-10-14 | 2019-10-14 | 一种实时路况下的车辆路径规划问题模型创建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973500.6A CN110766211B (zh) | 2019-10-14 | 2019-10-14 | 一种实时路况下的车辆路径规划问题模型创建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766211A true CN110766211A (zh) | 2020-02-07 |
CN110766211B CN110766211B (zh) | 2022-05-06 |
Family
ID=69330955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910973500.6A Active CN110766211B (zh) | 2019-10-14 | 2019-10-14 | 一种实时路况下的车辆路径规划问题模型创建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766211B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524353A (zh) * | 2020-04-28 | 2020-08-11 | 中国计量大学 | 一种交通文本数据用于速度预测及行程规划方法 |
CN111652434A (zh) * | 2020-06-02 | 2020-09-11 | 百度在线网络技术(北京)有限公司 | 路网数据处理方法、装置、电子设备及计算机存储介质 |
CN111954160A (zh) * | 2020-08-20 | 2020-11-17 | 南京邮电大学 | 一种二维手机信令数据转化三维空间轨迹数据的方法 |
CN112132312A (zh) * | 2020-08-14 | 2020-12-25 | 蓝海(福建)信息科技有限公司 | 一种基于进化多目标多任务优化的路径规划方法 |
CN113069330A (zh) * | 2021-03-24 | 2021-07-06 | 南京大学 | 一种基于智能终端的视障人士户外出行方向诱导方法 |
CN113159534A (zh) * | 2021-04-02 | 2021-07-23 | 天地(常州)自动化股份有限公司 | 一种基于最优路径算法的井下车辆智能调度方法 |
CN113778094A (zh) * | 2021-09-14 | 2021-12-10 | 北京航空航天大学 | 车辆路径规划方法、装置、可读存储介质及电子设备 |
CN113887828A (zh) * | 2021-10-25 | 2022-01-04 | 北京外国语大学 | 智能供应链产运销协同与实时网络规划方法以及装置 |
CN113962639A (zh) * | 2021-12-23 | 2022-01-21 | 湖北普罗格科技股份有限公司 | 一种基于全域地图的配送路径规划方法和系统 |
CN114281908A (zh) * | 2021-11-12 | 2022-04-05 | 上海国际港务(集团)股份有限公司 | 一种历史行驶路径重建方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070087756A1 (en) * | 2005-10-04 | 2007-04-19 | Hoffberg Steven M | Multifactorial optimization system and method |
CN101782986A (zh) * | 2009-07-21 | 2010-07-21 | 上海海事大学 | 一种基于免疫算法的物流配送分区均衡优化方法 |
CN103123704A (zh) * | 2013-01-21 | 2013-05-29 | 浙江工业大学 | 一种基于富网络属性路网的物流配送方法 |
CN107767036A (zh) * | 2017-09-29 | 2018-03-06 | 北斗导航位置服务(北京)有限公司 | 一种基于条件随机场的实时交通状态估计方法 |
CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
-
2019
- 2019-10-14 CN CN201910973500.6A patent/CN110766211B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070087756A1 (en) * | 2005-10-04 | 2007-04-19 | Hoffberg Steven M | Multifactorial optimization system and method |
CN101782986A (zh) * | 2009-07-21 | 2010-07-21 | 上海海事大学 | 一种基于免疫算法的物流配送分区均衡优化方法 |
CN103123704A (zh) * | 2013-01-21 | 2013-05-29 | 浙江工业大学 | 一种基于富网络属性路网的物流配送方法 |
CN107767036A (zh) * | 2017-09-29 | 2018-03-06 | 北斗导航位置服务(北京)有限公司 | 一种基于条件随机场的实时交通状态估计方法 |
CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
Non-Patent Citations (1)
Title |
---|
王剑: "基于遗传模糊控制的多机器人避碰规划", 《工业控制与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524353A (zh) * | 2020-04-28 | 2020-08-11 | 中国计量大学 | 一种交通文本数据用于速度预测及行程规划方法 |
CN111652434A (zh) * | 2020-06-02 | 2020-09-11 | 百度在线网络技术(北京)有限公司 | 路网数据处理方法、装置、电子设备及计算机存储介质 |
CN111652434B (zh) * | 2020-06-02 | 2023-09-29 | 百度在线网络技术(北京)有限公司 | 路网数据处理方法、装置、电子设备及计算机存储介质 |
CN112132312A (zh) * | 2020-08-14 | 2020-12-25 | 蓝海(福建)信息科技有限公司 | 一种基于进化多目标多任务优化的路径规划方法 |
CN112132312B (zh) * | 2020-08-14 | 2022-08-23 | 蓝海(福建)信息科技有限公司 | 一种基于进化多目标多任务优化的路径规划方法 |
CN111954160A (zh) * | 2020-08-20 | 2020-11-17 | 南京邮电大学 | 一种二维手机信令数据转化三维空间轨迹数据的方法 |
CN113069330A (zh) * | 2021-03-24 | 2021-07-06 | 南京大学 | 一种基于智能终端的视障人士户外出行方向诱导方法 |
CN113159534A (zh) * | 2021-04-02 | 2021-07-23 | 天地(常州)自动化股份有限公司 | 一种基于最优路径算法的井下车辆智能调度方法 |
CN113778094A (zh) * | 2021-09-14 | 2021-12-10 | 北京航空航天大学 | 车辆路径规划方法、装置、可读存储介质及电子设备 |
CN113887828A (zh) * | 2021-10-25 | 2022-01-04 | 北京外国语大学 | 智能供应链产运销协同与实时网络规划方法以及装置 |
CN114281908A (zh) * | 2021-11-12 | 2022-04-05 | 上海国际港务(集团)股份有限公司 | 一种历史行驶路径重建方法、装置和计算机设备 |
CN113962639A (zh) * | 2021-12-23 | 2022-01-21 | 湖北普罗格科技股份有限公司 | 一种基于全域地图的配送路径规划方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110766211B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766211B (zh) | 一种实时路况下的车辆路径规划问题模型创建方法 | |
CN108898838B (zh) | 一种基于lstm模型的机场交通拥堵预测方法及装置 | |
CN102176283B (zh) | 一种简化交通路网模型的导航方法 | |
US9459111B2 (en) | Methods and apparatus for estimating power usage | |
US7881914B2 (en) | System and method for collecting and transporting simulation data | |
CN106198049A (zh) | 真实车辆在环测试系统和方法 | |
CN108805348A (zh) | 一种交叉口信号配时控制优化的方法和装置 | |
De Palma et al. | METROPOLIS: Modular system for dynamic traffic simulation | |
US20020133329A1 (en) | Simulation program product, method and system utilizing a plurality of simulation-models | |
CN110488842A (zh) | 一种基于双向内核岭回归的车辆轨迹预测方法 | |
CN101295326A (zh) | 基于gps数据生成od矩阵的方法及其交通仿真的方法 | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN110274609A (zh) | 一种基于行程时间预测的实时路径规划方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112530158B (zh) | 一种基于历史轨迹的路网补充方法 | |
CN115481531B (zh) | 基于sumo的路网交通流实时孪生方法及系统 | |
CN112967493A (zh) | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
Dingyi et al. | State-of-the-art and trends of autonomous driving technology | |
CN104331746B (zh) | 一种分离式的动态路径优化系统及其方法 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Validi et al. | Simulation-based impact of connected vehicles in platooning mode on travel time, emissions and fuel consumption | |
Joubert | Multi-agent model of route choice when vehicles are sensitive to road grade | |
JP2000193470A (ja) | 経路探索装置、経路探索方法及び経路探索用プログラムを記録した媒体 | |
CN116342019A (zh) | 一种实时路况下多目标双层路径规划方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |