CN105719083A - 一种基于多层次分区的公共自行车高峰期调度方法 - Google Patents
一种基于多层次分区的公共自行车高峰期调度方法 Download PDFInfo
- Publication number
- CN105719083A CN105719083A CN201610039835.7A CN201610039835A CN105719083A CN 105719083 A CN105719083 A CN 105719083A CN 201610039835 A CN201610039835 A CN 201610039835A CN 105719083 A CN105719083 A CN 105719083A
- Authority
- CN
- China
- Prior art keywords
- community
- point
- lease point
- scheduling
- lease
- 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.)
- Pending
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Abstract
本发明公开了一种基于多层次分区的公共自行车高峰期调度方法,包括步骤:1)选定研究范围,采集基础资料;2)确定上层调度区域,分析各租赁点锁车桩数和借还需求关系,通过各点间车辆流动关联度将周围租赁点纳入调度区域,直至上层调度区域内为公共自行车高峰期主要流动范围;3)在调度区域内进行小区划分,根据各租赁点高峰期运营数据,结合聚类分析和人工调整方法进行小区划分和编号;4)确定区间调度方案;5)确定区内固定调度方案;6)结合区间和区内调度方案制定高峰期整体方案。本发明采用分层调度方法有针对性的划定调度区域,根据需求和时间窗进行调度方案的确定,有效减少高峰期需求分布广泛带来的调度盲目性。
Description
技术领域
本发明涉及公共自行车调度的技术领域,尤其是指一种基于多层次分区的公共自行车高峰期调度方法。
背景技术
公共自行车的租借在时间分布上存在明显的高峰期,工作日早高峰和晚高峰的租借量远大于其他时段的租借量,工作日高峰期的用户量极有可能导致设施供给无法满足高使用需求的情况。而在空间分布上具有潮汐现象,同类型租赁点的租借规律相同,住宅类公共自行车租赁点工作日高峰期多为基家出行,因此呈现明显租车高峰,而晚高峰即为还车高峰。靠近就业区域公建类租赁点则相反。尽管公共自行车租赁点规划依据需求预测而定,但设施限制和借还需求的不匹配仍衍生出公共自行车调度问题,以期通过调度最大限度满足居民的使用需求。
目前公共自行车调度通过临界阈值警告方式,实时每一个服务点的车辆状况,当服务点的现存可用自行车数量临近饱和或非常少时,根据系统设置的空位和满溢阈值,发出预警信息,提示系统调度员进行调度,调度员向相关工作人员发出调度指令,进行车辆调配。这种调度方式的问题在于,临近阈值时发出调度指令,但调度方案临时确定,无法保证其路径最优。而距离较远的调度往往受到高峰期拥堵影响,无法保证调度效率和及时性。
公共自行车系统对于世界上大多数城市来说仍是新兴的交通方式,国外针对其的集中研究也是从21世纪初左右才开始的,主要的研究文献与第三代公共自行车系统的发展同步进行,主要集中在系统的发展特征、使用效果、面临的问题及优化改善几方面;国内对公共自行车的研究相对国外更晚,研究内容也零零散散,其中运营调度问题的研究主要表现如下:刘登涛等选择将动态车辆转运问题转化为静态车辆车辆转运问题,以运输成本最少为目标,经公共自行车系统调度模型优化后调度车辆行驶路程比优化前减少50%。刘祖鹏等将货郎担问题运用到公共自行车的动态调度问题中来,其首先收集有供给的租赁点处的公共自行车,然后再将收集到的自行车发放到有需求的租赁点处,最终通过上述两个步骤得到自行车的最优调度路径。董红召,赵敬洋等以最大化租赁点的满意度为目标建立了公共慢行系统调度的模型,并采用了滚动时域调度算法针对公共自行车的主要特点,即时间和空间不均衡问题进行了求解,最终实现了公共自行车系统的动态调度。
发明内容
本发明的目的在于克服现有技术的缺点和不足,提供一种基于多层次分区的公共自行车高峰期调度方法,保证调度及时有效。
为实现上述目的,本发明所提供的技术方案为:一种基于多层次分区的公共自行车高峰期调度方法,包括以下步骤:
1)选定研究范围,采集基础资料,包括规划资料、各租赁点的设施资料、需求资料,其中,所述规划资料包括规划租赁点位置、各租赁点规划配备车辆数和租赁点用地性质类型,该租赁点用地性质类型主要分为交通枢纽、公交中途站、公建商业类、居住类和休闲类五类;所述各租赁点的设施资料指实际锁车桩数;所述需求资料指该租赁点早晚高峰短时段内公共自行车相对准确的借还量,一般记借车量为公共自行车出行发生量,为正值,而还车量为出行吸引量,为负值;
2)确定上层调度区域,分析各租赁点锁车桩数和借还需求关系,通过各点间车辆流动关联度将周围租赁点纳入调度区域,直至上层调度区域内为公共自行车高峰期主要流动范围;
3)在调度区域内进行小区划分,根据各租赁点高峰期运营数据,结合聚类分析和人工调整方法进行小区划分和编号;
4)确定区间调度方案:根据步骤3)的小区划分结果,统计各小区高峰期短时段内总需求量以及小区各租赁点中最早的时间要求,代入调度模型中计算得到区间调度方案;
5)确定区内固定调度方案:根据各小区区内租赁点的分布和道路条件,利用最短路模型进行区内固定调度路线的确定,并结合小区内各租赁点的短时段需求量确定区内调度方案;
6)结合区间和区内调度方案制定高峰期整体方案。
在步骤2)中,分析确定上层调度区域的主要步骤包括:
2.1)判断各租赁点的高峰期每10分钟需求量和其锁车桩数量的差异,若差值超过锁车桩数量的一半,则将其作为供不应求的调度需求点;
2.2)通过公共自行车借还刷卡数据或预约数据,得到调度需求点主要自行车流向租赁点或自行车吸引租赁点,将其纳入上层调度区域内;
2.3)判断调度区域内租赁点互为主要吸引、发生租赁点,即流入和流出调度区域的公共自行车较少时,停止纳入新租赁点;
2.4)判断调度区域内租赁点个数,较多则剔除部分租借关联度较低的租赁点,最终确定调度区域范围;
在步骤3)中,小区划分的主要步骤包括:
3.1)输入步骤2)得到的调度区域内各租赁点高峰期每10分钟的需求数据,利用SPSS软件进行聚类分析,将高峰期借还特性相近的租赁点归为一类;
3.2)根据聚类结果,结合设计人员经验判断,将聚类相同且距离不大于300米的公共自行车租赁点划分为一个小区;
3.3)判断小区内租赁点个数N,若N>6,则剔除部分距离较远的租赁点另划分为一区,否则确定小区范围及内部租赁点,对小区进行编号a∈{a1,a2,...,am},同时对小区内部租赁点进行标号ba∈{ba1,ba2,...,ban};
在步骤4)中,确定区间调度方案的主要步骤包括:
4.1)统计各小区高峰期每10分钟的需求数据,即小区内所有租赁点每10分钟需求数据之和,将此数据作为小区需求数据;
4.2)统计各小区内租赁点的最早的时间窗要求,将其作为相应小区的时间窗;
4.3)采取设置虚拟小区的形式,将分区按相同顺序多次编号,按高峰期2小时计算,每10分钟统计一次需求量,最多来回调度12次,则以小区个数M为一个周期,循环12个周期编号,即a小区及其虚拟点编号集合为A={a,a+M,a+2M,...,a+11M};
4.4)绘制高峰期期间所有小区的各时段时间窗需求表,其中应包括所有小区编号、形心坐标、锁车桩数、需求量和时间区间;
4.5)根据调度的实际情况,考虑运输车辆的固定成本、行驶成本以及客户的满意度,建立目标函数:
其中,表达式等号右边第一部分为固定成本,其取值与人工费用、车辆折旧费用、车辆其它固定费用有关;第二部分为行驶成本,其取值与车辆单位油耗、租赁点间直线距离、城市道路直线系数有关;第三部分为惩罚成本,其取值与运输车辆到达服务点的实际时间、租赁点规定的服务时间、乘客等待时间有关;
4.6)根据既定目标函数以及实际调度情况,确定模型的约束条件如下:
①运输车辆必须从中心车场出发
②运输车辆必须回到中心车场
③运输车辆经过某一小区时,其调度量加上运输车辆原有的载运量不小于0且不大于运输车辆的最大载运能力0≤ωijk-qj≤Q;其中,ωijk≥0、i,j∈Nk∈{1,2,...,m};
④进入某小区的车辆,必须要从该小区离开
⑤每个小区只有一辆车服务
⑥任一小区的需求量不大于调度车辆的容量0≤|qi|yik≤Q;
⑦到达小区j的时刻tj等于到达上一个小区i并开始服务的时刻与该点服务时间与两点间行程时间tij之和tj=ti+tij+tuii,j=0,1,...,n,tij≠0;
⑧到达各小区的上一时间窗的时间必须小于到达该小区下一时间窗的时间ti<ti+M;
上式中:
N:小区编号{0,1,2,…,n},0代表中心车场;
M:实际小区个数;
K:所需运输车辆数{1,2,…,m};
dij:小区i到小区j的直接距离,假设dij=dji;
qi:小区i的调度量,调出为负,调入为正;
ωijk:运输车辆k从租赁点i到租赁点j车上的载运量;
li:小区i的最晚服务时间;
ei:小区i的最早服务时间;
ti:运输车辆到达小区i的时间;
tj:运输车辆到达小区j的时间;
tij:运输车辆从小区i到达小区j的时间;
tui:运输车辆在小区i的装卸时间;
P:时间惩罚系数,与乘客的等待时间成正相关关系;
C0:运输车辆的固定成本;
C1:运输车辆单位里程的成本费用;
C2:等待时间的成本费用;
4.7)采用遗传算法对模型进行求解,主要步骤如下:
①染色体编码
遗传算法在进行搜索前,先将解空间的解数据表示成遗传空间的基因串结构数据,这种从表现型到基因型的映射称为编码;适合本次研究调度模型的遗传编码方式是符号编码,具体表示为g=(w1,w2,...,wN),其中w表示每个租赁点被哪辆车服务,wi=(m-num,s-num)表示第i个租赁点接受车辆编号为m的运输车辆的配送服务;
②生成初始种群
系统通过染色体的编码方式来随机生成一系列染色体,作为最初的初始种群;初始种群的数量视调度区域的规模大小来确定,其取值在50-200之间;
③计算适应度值
本调度模型中,求的是目标函数的最小值,因此将函数值的倒数作为个体的适应度值,函数值越小的个体,适应度值越大,个体就越优;
fi=1/Z
④选择操作
选择操中从旧群体中以一定概率选择优良个体组成新的种群,以繁殖得到下一代个体,个体被选中的概率跟适应度值有关,个体适应度值越高,被选中的概率越大;本次研究选择轮盘赌法,即基于适应度比例的选择策略,个体i被选中的概率为其中,fi为个体i的适应值;N为种群个体数目;
⑤交叉操作
从种群中随机选择两个个体,通过两个染色体的交换组合,把父串的优秀特征遗传给子串,从而得到新的优秀个体;
⑥变异操作
从种群中随机选取一个个体,选择个体中的一点进行变异以产生更优秀的个体;
⑦判断是否满足终止条件;停止规则一般为最大进化代数;或算法在连续进化一定代数后,解的适应度没有明显改进;
4.8)整理求解得到的调度顺序和各租赁点应调度的车辆数,制定小区间调度路线方案;
在步骤5)中,确定区内固定调度路线的主要步骤包括:
5.1)采集小区内各租赁点周边道路高峰期交通量数据,以及各租赁点间的连接道路长度;分别对两类数据进行分级赋值,数据最大值赋5,最小值赋1,中间数值根据比例关系赋值,保留两位有效数字;
5.2)将各租赁点间每条连接道路的交通量等级值和道路长度等级值求和,作为该条连接道路的阻抗
式中:Qijk——小区内租赁点i至租赁点j间第k条连接道路的交通量等级值;
Lijk——小区内租赁点i至租赁点j间第k条连接道路的长度等级值;
5.3)比较小区内租赁点i至租赁点j所有连接道路的阻抗值,取最小者作为租赁点i和租赁点j间的路径,其阻抗
5.4)为确保区内服务点有且仅有一次均被服务到,建立最优路径模型,代入道路阻抗值求得小区内固定最优路径:
s.t.xij+xji≤1
i≠j
式中:Ω——小区内调度总阻抗值;
5.5)根据步骤5.4)得到的最优调度顺序,结合步骤5.3)中最小阻抗值道路,确定区内调度路线;
5.6)结合各租赁点的需求数据制定区内调度方案。
在步骤6)中,将区内调度方案衔接于区间调度之后,形成从小区到租赁点的完整调度方案。
本发明与现有技术相比,具有如下优点与有益效果:
1、采用分层调度方法有针对性的划定调度区域,根据需求和时间窗进行调度方案的确定,有效减少高峰期需求分布广泛带来的调度盲目性。
2、以半确定的调度路线解决租赁点间调度绕行和高峰期拥堵影响调度的问题,有效节省时间,确保高峰期及时调度。
附图说明
图1为本发明的公共自行车高峰期调度方法流程图。
图2为调度区域范围内小区分区情况示意图。
图3为区内调度方案示例图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明所述的基于多层次分区的公共自行车高峰期调度方法,通过分析总结公共自行车潮汐需求差异及时空分布特性,以保证调度及时有效为目标,确立多层次分区调度方法。总体分为调度区域、小区和租赁点三层,几个租赁点组成一个小区,调度区域内包含若干个小区,实行高峰期车辆在调度区域内部运行,小区间调度最后落实于租赁点的策略。小区层面调度方式为:建立以小区总体需求为输入的小区间有时间窗的调度模型,以确定小区间调度方案。小区内租赁点层面调度方式为:根据小区内租赁点的位置和路径,由于调度范围较小,采用最短路模型确定租赁点间调度固定路线。
如图1所示,本实施例所述的公共自行车高峰期调度方法,包括以下步骤:
1)选定研究范围,采集基础资料,包括规划资料、各租赁点的设施资料、需求资料,其中,所述规划资料包括规划租赁点位置、各租赁点规划配备车辆数和租赁点用地性质类型,该租赁点用地性质类型主要分为交通枢纽、公交中途站、公建商业类、居住类和休闲类五类;所述各租赁点的设施资料指实际锁车桩数;所述需求资料指该租赁点早晚高峰短时段(10分钟为单位)内公共自行车相对准确的借还量,一般记借车量为公共自行车出行发生量,为正值,而还车量为出行吸引量,为负值;
2)确定上层调度区域,分析各租赁点锁车桩数和借还需求关系,通过各点间车辆流动关联度将周围租赁点纳入调度区域,直至上层调度区域内为公共自行车高峰期主要流动范围,各类用地性质租赁点较综合,公共自行车借还需求大且基本为区域内部使用;
3)在调度区域内进行小区划分,根据各租赁点高峰期运营数据,结合聚类分析和人工调整方法进行小区划分和编号;
4)确定区间调度方案:根据步骤3)的小区划分结果,统计各小区高峰期短时段内总需求量以及小区各租赁点中最早的时间要求,代入调度模型中计算得到区间调度方案;
5)确定区内固定调度方案:根据各小区区内租赁点的分布和道路条件,利用最短路模型进行区内固定调度路线的确定,并结合小区内各租赁点的短时段需求量确定区内调度方案;
6)结合区间和区内调度方案制定高峰期整体方案。
在步骤2)中,分析确定上层调度区域的主要步骤包括:
2.1)判断各租赁点的高峰期每10分钟需求量和其锁车桩数量的差异,若差值超过锁车桩数量的一半,则将其作为供不应求的调度需求点;
2.2)通过公共自行车借还刷卡数据或预约数据等,得到调度需求点主要自行车流向租赁点或自行车吸引租赁点,将其纳入上层调度区域内;
2.3)判断调度区域内租赁点互为主要吸引、发生租赁点,即流入和流出调度区域的公共自行车较少时,停止纳入新租赁点;
2.4)判断调度区域内租赁点个数,较多则剔除部分租借关联度较低的租赁点,最终确定调度区域范围。
在步骤3)中,小区划分的主要步骤包括:
3.1)输入步骤2)得到的调度区域内各租赁点高峰期每10分钟的需求数据,利用SPSS软件进行聚类分析,将高峰期借还特性相近的租赁点归为一类;
3.2)根据聚类结果,结合设计人员经验判断判断,将聚类相同且距离不大于300米的公共自行车租赁点划分为一个小区;
3.3)判断小区内租赁点个数N,若N>6,则剔除部分距离较远的租赁点另划分为一区,否则确定小区范围及内部租赁点,对小区进行编号a∈{a1,a2,...,am},同时对小区内部租赁点进行标号ba∈{ba1,ba2,...,ban}。
在进行小区划分时可灵活处理,如剔除满足需求的租赁点,主要突出将正负需求量区别划分成不同小区。
在步骤4)中,确定区间调度方案的主要步骤包括:
4.1)统计各小区高峰期每10分钟的需求数据,即小区内所有租赁点每10分钟需求数据之和,将此数据作为小区需求数据;
4.2)统计各小区内租赁点的最早的时间窗要求,将其作为相应小区的时间窗;
4.3)由于本发明调度方案为高峰期集中调度,存在分时间段多次调度车辆的情况,不能采用传统意义上的调度方案,即调度车辆从车场出发,一个站点最多服务一次后回到车场;因此采取设置虚拟小区的形式,将分区按相同顺序多次编号,按高峰期2小时计算,每10分钟统计一次需求量,至多来回调度12次,则以小区个数M为一个周期,循环12个周期编号,即a小区及其虚拟点编号集合为A={a,a+M,a+2M,...,a+11M};
4.4)绘制高峰期期间所有小区的各时段时间窗需求表,其中应包括小区(及虚拟小区)编号、形心坐标、锁车桩数、需求量和时间区间几类内容;
4.5)根据调度的实际情况,考虑运输车辆的固定成本、行驶成本以及客户的满意度,建立目标函数:
其中,表达式等号右边第一部分为固定成本,其取值与人工费用、车辆折旧费用、车辆其它固定费用等有关;第二部分为行驶成本,其取值与车辆单位油耗、租赁点间直线距离、城市道路直线系数等有关;第三部分为惩罚成本,其取值与运输车辆到达服务点的实际时间、租赁点规定的服务时间、乘客等待时间等有关。
4.6)根据既定目标函数以及实际调度情况,确定模型的约束条件如下:
①运输车辆必须从中心车场出发
②运输车辆必须回到中心车场
③运输车辆经过某一小区时,其调度量加上运输车辆原有的载运量不小于0且不大于运输车辆的最大载运能力0≤ωijk-qj≤Q;其中,ωijk≥0、i,j∈Nk∈{1,2,...,m};
④进入某小区的车辆,必须要从该小区离开
⑤每个小区只有一辆车服务
⑥任一小区的需求量不大于调度车辆的容量0≤|qi|yik≤Q;
⑦到达小区j的时刻tj等于到达上一个小区i并开始服务的时刻与该点服务时间与两点间行程时间tij之和tj=ti+tij+tuii,j=0,1,...,n,tij≠0;
⑧到达各小区的上一时间窗的时间必须小于到达该小区下一时间窗的时间ti<ti+M;
上式中:
N:小区编号{0,1,2,…,n},0代表中心车场;
M:实际小区个数;
K:所需运输车辆数{1,2,…,m};
dij:小区i到小区j的直接距离,假设dij=dji;
qi:小区i的调度量,调出为负,调入为正;
ωijk:运输车辆k从租赁点i到租赁点j车上的载运量;
li:小区i的最晚服务时间;
ei:小区i的最早服务时间;
ti:运输车辆到达小区i的时间;
tj:运输车辆到达小区j的时间;
tij:运输车辆从小区i到达小区j的时间;
tui:运输车辆在小区i的装卸时间;
P:时间惩罚系数,与乘客的等待时间成正相关关系;
C0:运输车辆的固定成本;
C1:运输车辆单位里程的成本费用;
C2:等待时间的成本费用。
4.7)采用遗传算法对模型进行求解,主要步骤如下:
①染色体编码
遗传算法在进行搜索前,先将解空间的解数据表示成遗传空间的基因串结构数据,这种从表现型到基因型的映射称为编码。适合本次研究调度模型的遗传编码方式是符号编码,具体表示为g=(w1,w2,...,wN),其中w表示每个租赁点被哪辆车服务,wi=(m-num,s-num)表示第i个租赁点接受车辆编号为m的运输车辆的配送服务。
②生成初始种群
系统通过染色体的编码方式来随机生成一系列染色体,作为最初的初始种群。初始种群的数目一般根据经验得到,一般情况下种群的数量视调度区域的规模大小来确定,其取值在50-200之间,本次研究中,调度区域相对较小,我们确定初始种群数目为50。
③计算适应度值
本调度模型中,求的是目标函数的最小值,因此我们将函数值的倒数作为个体的适应度值,函数值越小的个体,适应度值越大,个体就越优。
fi=1/Z
④选择操作
选择操中从旧群体中以一定概率选择优良个体组成新的种群,以繁殖得到下一代个体,个体被选中的概率跟适应度值有关,个体适应度值越高,被选中的概率越大。本次研究选择轮盘赌法,即基于适应度比例的选择策略,个体i被选中的概率为其中,fi为个体i的适应值;N为种群个体数目。
⑤交叉操作
从种群中随机选择两个个体,通过两个染色体的交换组合,把父串的优秀特征遗传给子串,从而得到新的优秀个体。
⑥变异操作
从种群中随机选取一个个体,选择个体中的一点进行变异以产生更优秀的个体。
⑦判断是否满足终止条件。停止规则一般为最大进化代数;或算法在连续进化一定代数后,解的适应度没有明显改进。
4.8)整理求解得到的调度顺序和各租赁点应调度的车辆数,制定小区间调度路线方案。
在步骤5)中,确定区内固定调度路线的主要步骤包括:
5.1)采集小区内各租赁点周边道路高峰期交通量数据,以及各租赁点间的连接道路长度。分别对两类数据进行分级赋值,数据最大值赋5,最小值赋1,中间数值根据比例关系赋值,保留两位有效数字;
5.2)将各租赁点间每条连接道路的交通量等级值和道路长度等级值求和,作为该条连接道路的阻抗
式中:Qijk——小区内租赁点i至租赁点j间第k条连接道路的交通量等级值;
Lijk——小区内租赁点i至租赁点j间第k条连接道路的长度等级值。
5.3)比较小区内租赁点i至租赁点j所有连接道路的阻抗值,取最小者作为租赁点i和租赁点j间的路径,其阻抗
5.4)为确保区内服务点有且仅有一次均被服务到,建立最优路径模型,代入道路阻抗值求得小区内固定最优路径:
s.t.xij+xji≤1
i≠j
式中:Ω——小区内调度总阻抗值;
5.5)根据步骤5.4)得到的最优调度顺序,结合步骤5.3)中最小阻抗值道路,确定区内调度路线;
5.6)结合各租赁点的需求数据制定区内调度方案。
在租赁点较少或内部道路较少的小区,可直接人工确定路径。
在步骤6)中,将区内调度方案衔接于区间调度之后,形成从小区到租赁点的完整调度方案。
案例分析
选取广州市珠江新城片区北至金穗路,南至临江大道,东至花城广场,西至猎德大道的区域作为调度区域。区域内包含各类站点共23个,其中公建类11个,公交站点类4个,交通枢纽类2个,住宅类6个,涵盖类别相对较全面。
按照图1流程图,根据调度区域内各租赁点坐标、高峰期公共自行车借还数据进行聚类分析,将研究区域分成7个小区,其中,1,5,6小区以公建类为主,2,3小区为住宅类,4以交通枢纽类为主,7为公交站点类,如图2所示。
以早高峰7:00~7:30为例,根据需求数据统计,形成基于小区的时间窗需求表,如下表1所示。
表1小区时间窗需求表
设置参数值,并利用Python算法编程求解:C0=10元;C1=0.58元/km;C2=0.65元/min;Q=60辆;P=2.6;N=28;v=21km/h;tij=2.4-3dijmin;
程序运行结果调度车辆为3时,成本和时间较优。案例调度方案如下表2所示。
表2调度方案表
由于小区内道路较少,直接进行小区内路径的人工确定,得到结果如图3所示。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于多层次分区的公共自行车高峰期调度方法,其特征在于,包括以下步骤:
1)选定研究范围,采集基础资料,包括规划资料、各租赁点的设施资料、需求资料,其中,所述规划资料包括规划租赁点位置、各租赁点规划配备车辆数和租赁点用地性质类型,该租赁点用地性质类型主要分为交通枢纽、公交中途站、公建商业类、居住类和休闲类五类;所述各租赁点的设施资料指实际锁车桩数;所述需求资料指该租赁点早晚高峰短时段内公共自行车相对准确的借还量,一般记借车量为公共自行车出行发生量,为正值,而还车量为出行吸引量,为负值;
2)确定上层调度区域,分析各租赁点锁车桩数和借还需求关系,通过各点间车辆流动关联度将周围租赁点纳入调度区域,直至上层调度区域内为公共自行车高峰期主要流动范围;
3)在调度区域内进行小区划分,根据各租赁点高峰期运营数据,结合聚类分析和人工调整方法进行小区划分和编号;
4)确定区间调度方案:根据步骤3)的小区划分结果,统计各小区高峰期短时段内总需求量以及小区各租赁点中最早的时间要求,代入调度模型中计算得到区间调度方案;
5)确定区内固定调度方案:根据各小区区内租赁点的分布和道路条件,利用最短路模型进行区内固定调度路线的确定,并结合小区内各租赁点的短时段需求量确定区内调度方案;
6)结合区间和区内调度方案制定高峰期整体方案。
2.根据权利要求1所述的一种基于多层次分区的公共自行车高峰期调度方法,其特征在于:在步骤2)中,分析确定上层调度区域的主要步骤包括:
2.1)判断各租赁点的高峰期每10分钟需求量和其锁车桩数量的差异,若差值超过锁车桩数量的一半,则将其作为供不应求的调度需求点;
2.2)通过公共自行车借还刷卡数据或预约数据,得到调度需求点主要自行车流向租赁点或自行车吸引租赁点,将其纳入上层调度区域内;
2.3)判断调度区域内租赁点互为主要吸引、发生租赁点,即流入和流出调度区域的公共自行车较少时,停止纳入新租赁点;
2.4)判断调度区域内租赁点个数,较多则剔除部分租借关联度较低的租赁点,最终确定调度区域范围;
在步骤3)中,小区划分的主要步骤包括:
3.1)输入步骤2)得到的调度区域内各租赁点高峰期每10分钟的需求数据,利用SPSS软件进行聚类分析,将高峰期借还特性相近的租赁点归为一类;
3.2)根据聚类结果,结合设计人员经验判断,将聚类相同且距离不大于300米的公共自行车租赁点划分为一个小区;
3.3)判断小区内租赁点个数N,若N>6,则剔除部分距离较远的租赁点另划分为一区,否则确定小区范围及内部租赁点,对小区进行编号a∈{a1,a2,...,am},同时对小区内部租赁点进行标号ba∈{ba1,ba2,...,ban};
在步骤4)中,确定区间调度方案的主要步骤包括:
4.1)统计各小区高峰期每10分钟的需求数据,即小区内所有租赁点每10分钟需求数据之和,将此数据作为小区需求数据;
4.2)统计各小区内租赁点的最早的时间窗要求,将其作为相应小区的时间窗;
4.3)采取设置虚拟小区的形式,将分区按相同顺序多次编号,按高峰期2小时计算,每10分钟统计一次需求量,最多来回调度12次,则以小区个数M为一个周期,循环12个周期编号,即a小区及其虚拟点编号集合为A={a,a+M,a+2M,...,a+11M};
4.4)绘制高峰期期间所有小区的各时段时间窗需求表,其中应包括所有小区编号、形心坐标、锁车桩数、需求量和时间区间;
4.5)根据调度的实际情况,考虑运输车辆的固定成本、行驶成本以及客户的满意度,建立目标函数:
其中,表达式等号右边第一部分为固定成本,其取值与人工费用、车辆折旧费用、车辆其它固定费用有关;第二部分为行驶成本,其取值与车辆单位油耗、租赁点间直线距离、城市道路直线系数有关;第三部分为惩罚成本,其取值与运输车辆到达服务点的实际时间、租赁点规定的服务时间、乘客等待时间有关;
4.6)根据既定目标函数以及实际调度情况,确定模型的约束条件如下:
①运输车辆必须从中心车场出发
②运输车辆必须回到中心车场
③运输车辆经过某一小区时,其调度量加上运输车辆原有的载运量不小于0且不大于运输车辆的最大载运能力0≤ωijk-qj≤Q;其中,ωijk≥0、i,j∈Nk∈{1,2,...,m};
④进入某小区的车辆,必须要从该小区离开
⑤每个小区只有一辆车服务
⑥任一小区的需求量不大于调度车辆的容量0≤|qi|yik≤Q;
⑦到达小区j的时刻tj等于到达上一个小区i并开始服务的时刻与该点服务时间与两点间行程时间tij之和tj=ti+tij+tuii,j=0,1,...,n,tij≠0;
⑧到达各小区的上一时间窗的时间必须小于到达该小区下一时间窗的时间ti<ti+M;
上式中:
N:小区编号{0,1,2,…,n},0代表中心车场;
M:实际小区个数;
K:所需运输车辆数{1,2,…,m};
dij:小区i到小区j的直接距离,假设dij=dji;
qi:小区i的调度量,调出为负,调入为正;
ωijk:运输车辆k从租赁点i到租赁点j车上的载运量;
li:小区i的最晚服务时间;
ei:小区i的最早服务时间;
ti:运输车辆到达小区i的时间;
tj:运输车辆到达小区j的时间;
tij:运输车辆从小区i到达小区j的时间;
tui:运输车辆在小区i的装卸时间;
P:时间惩罚系数,与乘客的等待时间成正相关关系;
C0:运输车辆的固定成本;
C1:运输车辆单位里程的成本费用;
C2:等待时间的成本费用;
4.7)采用遗传算法对模型进行求解,主要步骤如下:
①染色体编码
遗传算法在进行搜索前,先将解空间的解数据表示成遗传空间的基因串结构数据,这种从表现型到基因型的映射称为编码;适合本次研究调度模型的遗传编码方式是符号编码,具体表示为g=(w1,w2,...,wN),其中w表示每个租赁点被哪辆车服务,wi=(m-num,s-num)表示第i个租赁点接受车辆编号为m的运输车辆的配送服务;
②生成初始种群
系统通过染色体的编码方式来随机生成一系列染色体,作为最初的初始种群;初始种群的数量视调度区域的规模大小来确定,其取值在50-200之间;
③计算适应度值
本调度模型中,求的是目标函数的最小值,因此将函数值的倒数作为个体的适应度值,函数值越小的个体,适应度值越大,个体就越优;
fi=1/Z
④选择操作
选择操中从旧群体中以一定概率选择优良个体组成新的种群,以繁殖得到下一代个体,个体被选中的概率跟适应度值有关,个体适应度值越高,被选中的概率越大;本次研究选择轮盘赌法,即基于适应度比例的选择策略,个体i被选中的概率为其中,fi为个体i的适应值;N为种群个体数目;
⑤交叉操作
从种群中随机选择两个个体,通过两个染色体的交换组合,把父串的优秀特征遗传给子串,从而得到新的优秀个体;
⑥变异操作
从种群中随机选取一个个体,选择个体中的一点进行变异以产生更优秀的个体;
⑦判断是否满足终止条件;停止规则一般为最大进化代数;或算法在连续进化一定代数后,解的适应度没有明显改进;
4.8)整理求解得到的调度顺序和各租赁点应调度的车辆数,制定小区间调度路线方案;
在步骤5)中,确定区内固定调度路线的主要步骤包括:
5.1)采集小区内各租赁点周边道路高峰期交通量数据,以及各租赁点间的连接道路长度;分别对两类数据进行分级赋值,数据最大值赋5,最小值赋1,中间数值根据比例关系赋值,保留两位有效数字;
5.2)将各租赁点间每条连接道路的交通量等级值和道路长度等级值求和,作为该条连接道路的阻抗
式中:Qijk——小区内租赁点i至租赁点j间第k条连接道路的交通量等级值;
Lijk——小区内租赁点i至租赁点j间第k条连接道路的长度等级值;
5.3)比较小区内租赁点i至租赁点j所有连接道路的阻抗值,取最小者作为租赁点i和租赁点j间的路径,其阻抗
5.4)为确保区内服务点有且仅有一次均被服务到,建立最优路径模型,代入道路阻抗值求得小区内固定最优路径:
s.t.xij+xji≤1
i≠j
式中:Ω——小区内调度总阻抗值;
5.5)根据步骤5.4)得到的最优调度顺序,结合步骤5.3)中最小阻抗值道路,确定区内调度路线;
5.6)结合各租赁点的需求数据制定区内调度方案。
3.根据权利要求1所述的一种基于多层次分区的公共自行车高峰期调度方法,其特征在于:在步骤6)中,将区内调度方案衔接于区间调度之后,形成从小区到租赁点的完整调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039835.7A CN105719083A (zh) | 2016-01-21 | 2016-01-21 | 一种基于多层次分区的公共自行车高峰期调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039835.7A CN105719083A (zh) | 2016-01-21 | 2016-01-21 | 一种基于多层次分区的公共自行车高峰期调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719083A true CN105719083A (zh) | 2016-06-29 |
Family
ID=56153635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610039835.7A Pending CN105719083A (zh) | 2016-01-21 | 2016-01-21 | 一种基于多层次分区的公共自行车高峰期调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719083A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106130110A (zh) * | 2016-07-15 | 2016-11-16 | 华北电力大学 | 基于分层概率选择出行地的电动出租车充电站定容方法 |
CN106651177A (zh) * | 2016-12-22 | 2017-05-10 | 安徽杰瑞信息科技有限公司 | 一种新能源汽车租赁云管理方法 |
CN106871916A (zh) * | 2017-01-19 | 2017-06-20 | 华南理工大学 | 一种基于自主导航的快递派送方法 |
CN107239883A (zh) * | 2017-05-12 | 2017-10-10 | 同济大学 | 一种汽车共享系统车辆的调度方法 |
CN107248006A (zh) * | 2017-05-27 | 2017-10-13 | 北方工业大学 | 基于分层递阶的地铁线路客流协调控制方法 |
CN107545725A (zh) * | 2017-08-30 | 2018-01-05 | 顾泰来 | 一种共享车辆调度方法及系统 |
CN107563945A (zh) * | 2017-07-28 | 2018-01-09 | 广州亿程交通信息有限公司 | 车辆运营管理方法 |
CN107578618A (zh) * | 2017-08-30 | 2018-01-12 | 顾泰来 | 一种共享车辆调度方法、装置及终端 |
CN107633673A (zh) * | 2017-08-30 | 2018-01-26 | 顾泰来 | 一种共享车辆调度计费方法、装置以及终端 |
CN107657353A (zh) * | 2017-11-09 | 2018-02-02 | 东峡大通(北京)管理咨询有限公司 | 租赁物的调度方法及系统 |
CN107809469A (zh) * | 2017-10-11 | 2018-03-16 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN107909811A (zh) * | 2017-12-05 | 2018-04-13 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN108055301A (zh) * | 2017-12-05 | 2018-05-18 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN108229836A (zh) * | 2018-01-19 | 2018-06-29 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种自行车停放站点内公共自行车存车量计算方法 |
CN108492547A (zh) * | 2018-04-03 | 2018-09-04 | 东南大学 | 一种有桩与无桩混用的公共自行车分区调度方法 |
CN108596484A (zh) * | 2018-04-24 | 2018-09-28 | 徐漫洋 | 一种基于网点属性分析的共享汽车调度方法和系统 |
CN108629522A (zh) * | 2018-05-11 | 2018-10-09 | 东南大学 | 一种基于聚类分析的公共自行车调度方法 |
CN108664995A (zh) * | 2018-04-18 | 2018-10-16 | 宁波工程学院 | 基于DBScan的多粒度城市公共自行车调度方法及系统 |
CN108805360A (zh) * | 2018-06-19 | 2018-11-13 | 哈尔滨工业大学 | 一种将城市生物质载体运输至生物质发电厂的运输成本确定方法 |
CN108805402A (zh) * | 2018-04-28 | 2018-11-13 | 北京机械设备研究所 | 一种基于外骨骼的共享单车调度系统 |
CN108960539A (zh) * | 2018-08-31 | 2018-12-07 | 东南大学 | 一种需求响应式接驳公交路径优化方法 |
CN109523146A (zh) * | 2018-11-02 | 2019-03-26 | 中电海康集团有限公司 | 一种基于复杂网络的调度区域划分方法 |
CN110189029A (zh) * | 2019-05-31 | 2019-08-30 | 福州大学 | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 |
CN110298531A (zh) * | 2019-04-15 | 2019-10-01 | 同济大学 | 一种基于多元数据的电动车调度方法 |
CN110930687A (zh) * | 2017-12-18 | 2020-03-27 | 北京物资学院 | 高峰用车时间段车辆调度的方法及系统 |
CN113743797A (zh) * | 2021-09-08 | 2021-12-03 | 北京化工大学 | 基于大数据的无桩共享单车运营调度策略优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729724A (zh) * | 2013-12-06 | 2014-04-16 | 浙江工业大学 | 公共自行车系统的自然混合调度方法 |
CN104166897A (zh) * | 2014-07-28 | 2014-11-26 | 浙江工业大学 | 公共自行车调度监控方法 |
CN104376327A (zh) * | 2014-11-05 | 2015-02-25 | 南京师范大学 | 一种公共自行车租赁点的聚类方法 |
-
2016
- 2016-01-21 CN CN201610039835.7A patent/CN105719083A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729724A (zh) * | 2013-12-06 | 2014-04-16 | 浙江工业大学 | 公共自行车系统的自然混合调度方法 |
CN104166897A (zh) * | 2014-07-28 | 2014-11-26 | 浙江工业大学 | 公共自行车调度监控方法 |
CN104376327A (zh) * | 2014-11-05 | 2015-02-25 | 南京师范大学 | 一种公共自行车租赁点的聚类方法 |
Non-Patent Citations (1)
Title |
---|
宋明珠: "公共自行车调度模型理论分析与案例研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106130110A (zh) * | 2016-07-15 | 2016-11-16 | 华北电力大学 | 基于分层概率选择出行地的电动出租车充电站定容方法 |
CN106130110B (zh) * | 2016-07-15 | 2018-12-25 | 华北电力大学 | 基于分层概率选择出行地的电动出租车充电站定容方法 |
CN106651177A (zh) * | 2016-12-22 | 2017-05-10 | 安徽杰瑞信息科技有限公司 | 一种新能源汽车租赁云管理方法 |
CN106871916A (zh) * | 2017-01-19 | 2017-06-20 | 华南理工大学 | 一种基于自主导航的快递派送方法 |
CN107239883A (zh) * | 2017-05-12 | 2017-10-10 | 同济大学 | 一种汽车共享系统车辆的调度方法 |
CN107248006A (zh) * | 2017-05-27 | 2017-10-13 | 北方工业大学 | 基于分层递阶的地铁线路客流协调控制方法 |
CN107563945A (zh) * | 2017-07-28 | 2018-01-09 | 广州亿程交通信息有限公司 | 车辆运营管理方法 |
CN107578618A (zh) * | 2017-08-30 | 2018-01-12 | 顾泰来 | 一种共享车辆调度方法、装置及终端 |
CN107633673A (zh) * | 2017-08-30 | 2018-01-26 | 顾泰来 | 一种共享车辆调度计费方法、装置以及终端 |
CN107545725A (zh) * | 2017-08-30 | 2018-01-05 | 顾泰来 | 一种共享车辆调度方法及系统 |
CN107809469A (zh) * | 2017-10-11 | 2018-03-16 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN107809469B (zh) * | 2017-10-11 | 2019-04-12 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN107657353A (zh) * | 2017-11-09 | 2018-02-02 | 东峡大通(北京)管理咨询有限公司 | 租赁物的调度方法及系统 |
CN108055301B (zh) * | 2017-12-05 | 2019-06-21 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN108055301A (zh) * | 2017-12-05 | 2018-05-18 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN107909811A (zh) * | 2017-12-05 | 2018-04-13 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
CN110930687A (zh) * | 2017-12-18 | 2020-03-27 | 北京物资学院 | 高峰用车时间段车辆调度的方法及系统 |
CN110930687B (zh) * | 2017-12-18 | 2020-12-25 | 北京物资学院 | 高峰用车时间段车辆调度的方法及系统 |
CN108229836A (zh) * | 2018-01-19 | 2018-06-29 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种自行车停放站点内公共自行车存车量计算方法 |
CN108492547A (zh) * | 2018-04-03 | 2018-09-04 | 东南大学 | 一种有桩与无桩混用的公共自行车分区调度方法 |
CN108492547B (zh) * | 2018-04-03 | 2020-09-11 | 东南大学 | 一种有桩与无桩混用的公共自行车分区调度方法 |
CN108664995A (zh) * | 2018-04-18 | 2018-10-16 | 宁波工程学院 | 基于DBScan的多粒度城市公共自行车调度方法及系统 |
CN108596484A (zh) * | 2018-04-24 | 2018-09-28 | 徐漫洋 | 一种基于网点属性分析的共享汽车调度方法和系统 |
CN108805402A (zh) * | 2018-04-28 | 2018-11-13 | 北京机械设备研究所 | 一种基于外骨骼的共享单车调度系统 |
CN108629522A (zh) * | 2018-05-11 | 2018-10-09 | 东南大学 | 一种基于聚类分析的公共自行车调度方法 |
CN108629522B (zh) * | 2018-05-11 | 2020-06-16 | 东南大学 | 一种基于聚类分析的公共自行车调度方法 |
CN108805360A (zh) * | 2018-06-19 | 2018-11-13 | 哈尔滨工业大学 | 一种将城市生物质载体运输至生物质发电厂的运输成本确定方法 |
CN108805360B (zh) * | 2018-06-19 | 2020-01-24 | 哈尔滨工业大学 | 一种将城市生物质载体运输至生物质发电厂的运输成本确定方法 |
CN108960539B (zh) * | 2018-08-31 | 2020-10-16 | 东南大学 | 一种需求响应式接驳公交路径优化方法 |
CN108960539A (zh) * | 2018-08-31 | 2018-12-07 | 东南大学 | 一种需求响应式接驳公交路径优化方法 |
CN109523146A (zh) * | 2018-11-02 | 2019-03-26 | 中电海康集团有限公司 | 一种基于复杂网络的调度区域划分方法 |
CN109523146B (zh) * | 2018-11-02 | 2020-12-08 | 浙江海康智联科技有限公司 | 一种基于复杂网络的调度区域划分方法 |
CN110298531A (zh) * | 2019-04-15 | 2019-10-01 | 同济大学 | 一种基于多元数据的电动车调度方法 |
CN110189029A (zh) * | 2019-05-31 | 2019-08-30 | 福州大学 | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 |
CN113743797A (zh) * | 2021-09-08 | 2021-12-03 | 北京化工大学 | 基于大数据的无桩共享单车运营调度策略优化方法及系统 |
CN113743797B (zh) * | 2021-09-08 | 2023-08-04 | 北京化工大学 | 基于大数据的无桩共享单车运营调度策略优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719083A (zh) | 一种基于多层次分区的公共自行车高峰期调度方法 | |
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN105303882B (zh) | 基于时空维度动态停车收费策略的停车管理系统及方法 | |
CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN107330547A (zh) | 一种城市公交动态调度优化方法及系统 | |
CN106326992A (zh) | 一种基于电量匹配的app预约租车系统及方法 | |
CN107392336A (zh) | 智能交通中基于预约的分布式电动汽车充电调度方法 | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN110909434B (zh) | 一种低碳导向下的城市公共交通干线网络设计方法 | |
WO2023050955A1 (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
CN107330716A (zh) | 一种考虑系统最优的定制公交定价方法 | |
CN109636137A (zh) | 基于层次分析的电动汽车充电站规划布局方法和系统 | |
CN108665140A (zh) | 一种城际铁路客运枢纽交通衔接系统评价方法 | |
CN108062591A (zh) | 电动汽车充电负荷时空分布预测方法 | |
CN110189025A (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
CN115936240B (zh) | 共享单车需求预测与投放调度方法 | |
CN106295875A (zh) | 一种开放式服务区选址分布方法 | |
CN103310120B (zh) | 一种基于交通服务水平确定路段拥堵收费费率的方法 | |
CN110210667A (zh) | 基于变尺度地理加权回归模型的o-d时空分布预测方法 | |
CN116362523B (zh) | 考虑温度适应性的换电站选址与运营策略协同优化方法 | |
CN113393104A (zh) | 一种轨道交通运行状态对周边公共自行车影响的评价方法 | |
CN112070334A (zh) | 基于多智能理论的充换电站协调规划的方法及系统 | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160629 |