CN107368931B - 基于大数据分析技术的物流配送路径动态规划方法及系统 - Google Patents

基于大数据分析技术的物流配送路径动态规划方法及系统 Download PDF

Info

Publication number
CN107368931B
CN107368931B CN201710673692.XA CN201710673692A CN107368931B CN 107368931 B CN107368931 B CN 107368931B CN 201710673692 A CN201710673692 A CN 201710673692A CN 107368931 B CN107368931 B CN 107368931B
Authority
CN
China
Prior art keywords
vehicle
road section
distribution
traffic
delay time
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.)
Active
Application number
CN201710673692.XA
Other languages
English (en)
Other versions
CN107368931A (zh
Inventor
徐菱
江文辉
李思雯
刘璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201710673692.XA priority Critical patent/CN107368931B/zh
Publication of CN107368931A publication Critical patent/CN107368931A/zh
Application granted granted Critical
Publication of CN107368931B publication Critical patent/CN107368931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于大数据分析技术的物流配送路径动态规划方法及系统，所述方法包括：利用大数据对环境因素和交通事件因素进行分析，建立各种因素与车辆行驶速度二者之间折减系数的函数或各种因素与车辆行驶延迟时间的函数，利用图与网络的理论建立起城市配送路网模型，最终利用A*搜索算法动态规划最优配送路径。本发明充分考虑了环境因素和交通事件因素对配送路线的影响，以此来解决城市物流配送路径规划问题，可以有效的应对环境因素和交通事件对配送车辆的影响，提高了配送效率和配送服务水平，降低了配送成本。

Description

基于大数据分析技术的物流配送路径动态规划方法及系统
技术领域
本发明属于智能交通和物流技术领域，具体涉及一种基于大数据分析技术的物流配送路径动态规划方法及系统的设计。
背景技术
近年来，我国城镇化和机动化进程不断加快，以交通拥堵为代表的城市交通问题成为一大难题，而城市交通拥堵又严重制约城市物流配送的发展，不仅提高了配送成本，还降低了配送效率。关于配送路径规划问题的研究许多学者都是集中在理想道路通行状况下的路线规划，并未将环境因素(降雨量、雾)和交通事件(交通管制和交通事故)纳入到规划过程要考虑的因素，而环境因素(雨、雾)对车辆车速的影响以及交通事件对路段通行能力的影响都是在进行物流配送路径规划过程中不容忽略的因素，某种程度上它们严重制约着配送效率和配送成本。
随着大数据和智能交通概念的发展，对城市交通实时信息的监控和交通信息的处理已成为可能，所以考虑环境因素和交通事件因素进行动态的配送路线规划可以更科学有效地提高配送效率、降低配送成本。
发明内容
本发明的目的是为了解决面对不同环境因素及不同交通事件因素时物流配送路径的动态规划问题，提出了一种基于大数据分析技术的物流配送路径动态规划方法及系统。
本发明的技术方案为：基于大数据分析技术的物流配送路径动态规划方法，包括以下步骤：
S1、利用大数据分析环境因素对车辆行驶速度的影响关系，并综合统计分析路段交通事件因素对该路段行驶车辆造成的时间延迟，建立多因素条件下的行车时间模型；环境因素包括降雨量和雾的能见度，交通事件因素包括交通事故和交通管制；
S2、利用图与网络的理论建立城市配送路网模型；
S3、综合多因素条件下的行车时间模型、城市配送路网模型、配送起始点和配送终点信息、当前时刻环境因素信息和交通事件因素信息，采用A*搜索算法动态规划最优配送路径。
本发明的有益效果是：本发明提供的路径动态规划方法充分考虑了环境因素和交通事件因素对配送路线的影响，以此来解决城市物流配送路径规划问题，可以有效的应对环境因素和交通事件对配送车辆的影响，提高了配送效率和配送服务水平，降低了配送成本。
本发明还提供了一种基于大数据分析技术的物流配送路径动态规划系统，包括：
定位装置，用于获取当前车辆行驶位置信息；
数据存储装置，用于存储每次配送活动中，特定时间间隔T下重新进行配送路线规划所求出的多组配送路径节点序列；
可视化装置，用于显示配送路线；
更新装置，用于对每次配送路线的节点序列进行更新。
本发明的有益效果是：本发明提供的路径动态规划系统充分利用了实时的环境信息和交通事件信息，为动态配送路径规划提供的硬件支持。
附图说明
图1所示为本发明实施例一提供的基于大数据分析技术的物流配送路径动态规划方法流程图。
图2所示为本发明实施例一提供的步骤S1的分步骤流程图。
图3所示为本发明实施例一提供的步骤S11的分步骤流程图。
图4所示为本发明实施例一提供的步骤S12的分步骤流程图。
图5所示为本发明实施例一提供的步骤S15的分步骤流程图。
图6所示为本发明实施例一提供的步骤S3的分步骤流程图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
实施例一：
本发明实施例提供了一种基于大数据分析技术的物流配送路径动态规划方法，如图1所示，包括以下步骤S1-S3：
S1、利用大数据分析环境因素对车辆行驶速度的影响关系，并综合统计分析路段交通事件因素对该路段行驶车辆造成的时间延迟，建立多因素条件下的行车时间模型。其中，环境因素包括降雨量和雾的能见度，交通事件因素包括交通事故和交通管制。
如图2所示，步骤S1具体包括以下分步骤S11-S16：
S11、对降雨量和车速折减系数进行关系拟合，计算雨天的车辆行驶速度折减系数α。
如图3所示，该步骤具体包括以下分步骤：
S111、采用浮动车或线圈装置对特定路段的车速进行采集(以每一个小时为一个时间节点)，保证采集到的数据能够覆盖降雨和晴天时路段的车速。
S112、判断特定路段是否下雨，若是进入步骤S113，否则进入步骤S115。
S113、设置气象自动检测站对特定路段的降雨量数据进行采集。合理设置气象自动检测站，保证选取的气象自动检测站点距离检测路段的距离不超过3.5km，降雨量按小时统计。
S114、根据特定路段的车速及降雨量数据，采用公式(1)计算得到该路段雨天的车辆行驶速度折减系数α，进入步骤S12。
Figure BDA0001373707470000031
式中ai,bi为常数，通过代入特定路段在不同时段的车速及降雨量数据计算得到，i＝1,2,3，x为特定路段的降雨量，F(x)为关于x的函数。
本发明实施例中，为保证数据处理时的合理性，考虑拥堵情况不同，不同路段交通流参数不同，特将研究时段划分为3个区间：夜间时段(23:00～次日7:00)、早晚高峰时段(7:00～10:00、17:00～21:00)、其他时段(10:00～17:00、21:00～23:00)，并且把道路划分为快速路和主干路。采用“5％截尾法”统计出降雨量为0时不同路段不同时段的平均行车速度。同样的方法统计出不同降雨量相对应不同路段、不同时段的车速，然后进行降雨量和车速折减系数的关系拟合。
S115、设定雨天的车辆行驶速度折减系数α＝0，进入步骤S12。
S12、对雾的能见度和车速折减系数进行关系拟合，计算雾天的车辆行驶速度折减系数β。
如图4所示，该步骤具体包括以下分步骤：
S121、采用浮动车或线圈装置对特定路段的车速进行采集(以每一个小时为一个时间节点)。
S122、判断特定路段是否有雾，若是进入步骤S123，否则进入步骤S125。
S123、对特定路段离散化的雾的能见度所导致车速折减比例的研究结果或实验结果进行搜集整理。根据已有的相关研究成果如下表所示(不同能见度下高速公路速度折减系数范围取值)：
Figure BDA0001373707470000032
根据上表可知，当能见度小于500m且大于300m时，平均速度基本不变；当能见度小于300m且大于150m时，平均速度有小幅度下降；当能见度小于150m时，平均速度随能见度下降的幅度迅速增大。同时结合相关规定，当能见度小于50m时，公安机关依照规定可采取局部或全路段封闭公路的交通管制措施，故不考虑能见度小于50m的情况。
S124、根据特定路段的车速及雾的能见度所导致车速折减比例，采用公式(2)计算得到该路段雾天的车辆行驶速度折减系数β，进入步骤S13。
β＝a4+b4F4(s) (2)
式中a4,b4为常数，通过代入特定路段在不同时段的车速及雾的能见度所导致车速折减比例计算得到，s为特定路段的能见度距离，F(s)为关于s的函数。
S125、设定雾天的车辆行驶速度折减系数β＝0，进入步骤S13。
S13、对雨天和雾天的车辆行驶速度折减系数α和β进行变量组合，计算综合折减系数r：
Figure BDA0001373707470000041
式中x为特定路段的降雨量，单位为ml，s为特定路段的能见度距离，单位为m。
S14、计算特定路段交通管制车辆延迟时间T1。
实时监测特定路段的交通事件信息，若发生交通管制，则将其作为断路处理，即该路段不通，设定该路段交通管制车辆延迟时间T1＝+∞，否则设定该路段交通管制车辆延迟时间T1＝0。
S15、计算特定路段交通事故车辆延迟时间T2。
如图5所示，该步骤具体包括以下分步骤：
S151、实时监测特定路段的交通事件信息，判断是否发生交通事故，若是则进入步骤S152，否则进入步骤S156。
S152、确定交通事故的表现形式。
关于交通事故因素，在现有的研究成果中可以将交通事故的表现形式或事故后果分类，本发明实施例是在常见的事故表现形式的基础上对事故所造成的车辆延迟时间进行量化分析，并结合不同路段的车道数进行系数修正。不同事故类型所造成的路段延迟时间如下表所示：
Figure BDA0001373707470000051
S153、确定每种表现形式的交通事故所造成的平均延迟时间。
根据上表可知，t1、t2、t3、t4、t5为每种事故发生所造成的平均延迟时间，其具体数值为分析大量交通数据取得。
S154、确定该路段的总车道数以及交通事故发生时可通行车道数。
S155、对每种表现形式的交通事故所造成的平均延迟时间进行系数修正，并采用公式(4)计算该路段交通事故车辆延迟时间T2，进入步骤S16。
Figure BDA0001373707470000052
式中A1为抛锚事故的修正延迟时间，A1＝t1×φ，t1为统计得到的抛锚事故平均延迟时间；A2为翻车事故的修正延迟时间，A2＝t2×φ，t2为统计得到的翻车事故平均延迟时间；A3为火烧事故的修正延迟时间，A3＝t3×φ，t3为统计得到的火烧事故平均延迟时间；A4为追尾事故的修正延迟时间，A4＝t4×φ，t4为统计得到的追尾事故平均延迟时间；A5为碰撞事故的修正延迟时间，A5＝t5×φ，t5为统计得到的碰撞事故平均延迟时间；φ为修正系数，
Figure BDA0001373707470000053
n0为该路段交通事故发生时可通行车道数，n为该路段总车道数；c1～c5均为0-1变量。
当特定路段发生事故而造成所有车道无法通行时，该路段可作断路处理，因此其行驶延误时间即等于事故延迟时间；当事故已救援完毕，该路段全车道畅通，则行驶延误时间即为0。因此对于行驶延误时间的选取仍需提供因车道数影响的修正系数进行改进。
S156、设定该路段交通事故车辆延迟时间T2＝0，进入步骤S16。
S16、基于综合折减系数、交通管制车辆延迟时间以及交通事故车辆延迟时间，建立多因素条件下的行车时间模型。
多因素条件下路段(i,j)的行车时间模型Tij建立如下：
Figure BDA0001373707470000061
式中Sij为路段节点i与j的之间的道路距离，vij为路段节点i与j的之间的车辆正常通行速度，r为综合折减系数，T1为该路段交通管制车辆延迟时间，T2为该路段交通事故车辆延迟时间，P1,P2为表示事件是否发生的变量，若事件发生取值为1，否则取值为0。
S2、利用图与网络的理论建立城市配送路网模型。
城市配送路网模型中，路网的节点选取城市的路段节点，节点选取要包含配送需求节点和配送起始节点，路网的权重选取各个节点间的路段长度。城市配送路网模型即可建立节点的邻接矩阵和连通性矩阵。
S3、综合多因素条件下的行车时间模型、城市配送路网模型、配送起始点和配送终点信息、当前时刻环境因素信息和交通事件因素信息，采用A*搜索算法动态规划最优配送路径。
如图6所示，步骤S3具体包括以下分步骤S31-S35：
S31、综合多因素条件下的行车时间模型以及城市配送路网模型，建立基于车辆行驶时间的邻接矩阵表。
S32、获取配送起始点和配送终点信息，在基于车辆行驶时间的邻接矩阵表中采用A*搜索算法搜索出最优路径作为初始配送路线。
在编写A*搜索算法时，为时搜索效率的高效和准确，需要定义恰当的估价函数值。本发明实施例中，A*搜索算法的估价值T估为：
Figure BDA0001373707470000062
式中v0为车辆在特定路段上正常行驶的平均速度，D为两个路段节点之间的欧氏距离。
D＝R×arccos C×π×1000/180 (7)
式中R为地球半径。
C＝sin Lat(i)×sin Lat(j)+cos Lat(i)×cos Lat(j)×cos[Lon(i)-Lon(j)] (8)
式中i，j表示特定路段的两个节点，Lat(·)表示纬度值，Lon(·)表示经度值。
S33、车辆行驶特定时间间隔T后，获取当前车辆行驶位置信息。
S34、判断当前车辆位置是否为配送终点，若是则配送完成，否则进入步骤S35。
S35、结合当前时刻环境因素信息和交通事件因素信息，以当前车辆位置作为配送起始点，配送终点不变，重新规划新的配送路线并动态更新，返回步骤S33。
实施例二：
本发明实施例提供了一种基于大数据分析技术的物流配送路径动态规划系统，包括：
定位装置，用于获取当前车辆行驶位置信息。本发明实施例中定位装置采用车载GPS定位系统，车载GPS定位系统通过在车辆上安装车载定位单元，应用GPS定位技术确定车辆的位置信息，获取车辆实时速度以及经纬度。
数据存储装置，用于存储每次配送活动中，特定时间间隔T下重新进行配送路线规划所求出的多组配送路径节点序列。本发明实施例中数据存储装置应用SQL Server数据库建立路网信息数据库，存储主要道路节点基础数据以及交通事件数据。
可视化装置，用于显示配送路线。本发明实施例中基于ASP.NET 2.0平台，采用面向对象的程序设计语言C#完成界面设计及算法编译，采用B/S架构(浏览器/服务器模式)完成Web应用程序开发，以实现数据可视化。服务器软件：Internet Information Services(简称IIS)5.0，NET FrameWork2.0，数据库系统SQL Server 2008及其以上；客户端软件：Internet Explorer 6.0及其以上，客户端配送路径显示在Web浏览器界面上。
更新装置，用于对每次配送路线的节点序列进行更新。本发明实施例中数据传输及更新利用ADO.NET技术访问数据库，实现数据库与Web应用程序的数据通信。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.基于大数据分析技术的物流配送路径动态规划方法，其特征在于，包括以下步骤：
S1、利用大数据分析环境因素对车辆行驶速度的影响关系，并综合统计分析路段交通事件因素对该路段行驶车辆造成的时间延迟，建立多因素条件下的行车时间模型；所述环境因素包括降雨量和雾的能见度，所述交通事件因素包括交通事故和交通管制；
S2、利用图与网络的理论建立城市配送路网模型；
S3、综合多因素条件下的行车时间模型、城市配送路网模型、配送起始点和配送终点信息、当前时刻环境因素信息和交通事件因素信息，采用A*搜索算法动态规划最优配送路径；
所述步骤S1具体包括以下分步骤：
S11、对降雨量和车速折减系数进行关系拟合，计算雨天的车辆行驶速度折减系数α；
S12、对雾的能见度和车速折减系数进行关系拟合，计算雾天的车辆行驶速度折减系数β；
S13、对雨天和雾天的车辆行驶速度折减系数α和β进行变量组合，计算综合折减系数r；
S14、计算特定路段交通管制车辆延迟时间T1；
S15、计算特定路段交通事故车辆延迟时间T2；
S16、基于综合折减系数、交通管制车辆延迟时间以及交通事故车辆延迟时间，建立多因素条件下的行车时间模型；
所述步骤S11具体包括以下分步骤：
S111、采用浮动车或线圈装置对特定路段的车速进行采集；
S112、判断所述特定路段是否下雨，若是进入步骤S113，否则进入步骤S115；
S113、设置气象自动检测站对所述特定路段的降雨量数据进行采集；
S114、根据特定路段的车速及降雨量数据，采用公式(1)计算得到该路段雨天的车辆行驶速度折减系数α，进入步骤S12；
Figure FDA0002570897940000011
式中ai,bi为常数，通过代入特定路段在不同时段的车速及降雨量数据计算得到，i＝1,2,3，x为特定路段的降雨量，F(x)为关于x的函数；早晚高峰时段为7:00～10:00以及17:00～21:00，夜间时段为23:00～次日7:00，其他时段为10:00～17:00以及21:00～23:00；
S115、设定雨天的车辆行驶速度折减系数α＝0，进入步骤S12；
所述步骤S16具体为：
多因素条件下路段(i,j)的行车时间模型Tij建立如下：
Figure FDA0002570897940000021
式中Sij为路段节点i与j的之间的道路距离，vij为路段节点i与j的之间的车辆正常通行速度，r为综合折减系数，T1为该路段交通管制车辆延迟时间，T2为该路段交通事故车辆延迟时间，P1,P2为表示事件是否发生的变量，若事件发生取值为1，否则取值为0；
所述步骤S3具体包括以下分步骤：
S31、综合多因素条件下的行车时间模型以及城市配送路网模型，建立基于车辆行驶时间的邻接矩阵表；
S32、获取配送起始点和配送终点信息，在基于车辆行驶时间的邻接矩阵表中采用A*搜索算法搜索出最优路径作为初始配送路线；所述A*搜索算法的估价值T估为：
Figure FDA0002570897940000022
式中v0为车辆在特定路段上正常行驶的平均速度，D为两个路段节点之间的欧氏距离；
D＝R×arccosC×π×1000/180 (7)
式中R为地球半径；
C＝sinLat(i)×sinLat(i)+cosLat(i)×cosLat(j)×cos[Lon(i)-Lon(j)] (8)
式中i，j表示特定路段的两个节点，Lat(·)表示纬度值，Lon(·)表示经度值；
S33、车辆行驶特定时间间隔T后，获取当前车辆行驶位置信息；
S34、判断当前车辆位置是否为配送终点，若是则配送完成，否则进入步骤S35；
S35、结合当前时刻环境因素信息和交通事件因素信息，以当前车辆位置作为配送起始点，配送终点不变，重新规划新的配送路线并动态更新，返回步骤S33。
2.根据权利要求1所述的物流配送路径动态规划方法，其特征在于，所述步骤S12具体包括以下分步骤：
S121、采用浮动车或线圈装置对特定路段的车速进行采集；
S122、判断所述特定路段是否有雾，若是进入步骤S123，否则进入步骤S125；
S123、对所述特定路段离散化的雾的能见度所导致车速折减比例的研究结果或实验结果进行搜集整理；
S124、根据特定路段的车速及雾的能见度所导致车速折减比例，采用公式(2)计算得到该路段雾天的车辆行驶速度折减系数β，进入步骤S13；
β＝a4+b4F4(s) (2)
式中a4,b4为常数，通过代入特定路段在不同时段的车速及雾的能见度所导致车速折减比例计算得到，s为特定路段的能见度距离，F(s)为关于s的函数；
S125、设定雾天的车辆行驶速度折减系数β＝0，进入步骤S13。
3.根据权利要求1所述的物流配送路径动态规划方法，其特征在于，所述步骤S13中计算综合折减系数r的公式为：
Figure FDA0002570897940000031
式中x为特定路段的降雨量，s为特定路段的能见度距离。
4.根据权利要求1所述的物流配送路径动态规划方法，其特征在于，所述步骤S14具体为：
实时监测特定路段的交通事件信息，若发生交通管制，则设定该路段交通管制车辆延迟时间T1＝+∞，否则设定该路段交通管制车辆延迟时间T1＝0。
5.根据权利要求1所述的物流配送路径动态规划方法，其特征在于，所述步骤S15具体包括以下分步骤：
S151、实时监测特定路段的交通事件信息，判断是否发生交通事故，若是则进入步骤S152，否则进入步骤S156；
S152、确定交通事故的表现形式，所述表现形式包括抛锚、翻车、火烧、追尾和碰撞；
S153、确定每种表现形式的交通事故所造成的平均延迟时间；
S154、确定该路段的总车道数以及交通事故发生时可通行车道数；
S155、对每种表现形式的交通事故所造成的平均延迟时间进行系数修正，并采用公式(4)计算该路段交通事故车辆延迟时间T2，进入步骤S16；
Figure FDA0002570897940000041
式中A1为抛锚事故的修正延迟时间，A1＝t1×φ，t1为统计得到的抛锚事故平均延迟时间；A2为翻车事故的修正延迟时间，A2＝t2×φ，t2为统计得到的翻车事故平均延迟时间；A3为火烧事故的修正延迟时间，A3＝t3×φ，t3为统计得到的火烧事故平均延迟时间；A4为追尾事故的修正延迟时间，A4＝t4×φ，t4为统计得到的追尾事故平均延迟时间；A5为碰撞事故的修正延迟时间，A5＝t5×φ，t5为统计得到的碰撞事故平均延迟时间；φ为修正系数，
Figure FDA0002570897940000042
n0为该路段交通事故发生时可通行车道数，n为该路段总车道数；c1～c5均为0-1变量；
S156、设定该路段交通事故车辆延迟时间T2＝0，进入步骤S16。
CN201710673692.XA 2017-08-09 2017-08-09 基于大数据分析技术的物流配送路径动态规划方法及系统 Active CN107368931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710673692.XA CN107368931B (zh) 2017-08-09 2017-08-09 基于大数据分析技术的物流配送路径动态规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710673692.XA CN107368931B (zh) 2017-08-09 2017-08-09 基于大数据分析技术的物流配送路径动态规划方法及系统

Publications (2)

Publication Number Publication Date
CN107368931A CN107368931A (zh) 2017-11-21
CN107368931B true CN107368931B (zh) 2020-10-09

Family

ID=60309302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710673692.XA Active CN107368931B (zh) 2017-08-09 2017-08-09 基于大数据分析技术的物流配送路径动态规划方法及系统

Country Status (1)

Country Link
CN (1) CN107368931B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492063A (zh) * 2018-03-06 2018-09-04 中国邮政集团公司广州市分公司 一种gps精准定位物流轨迹系统
CN110674990B (zh) * 2019-09-24 2023-05-09 重庆城市管理职业学院 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN111552288B (zh) * 2020-04-28 2021-03-16 西南交通大学 一种移动机器人路径平滑方法
CN113627689B (zh) * 2021-09-03 2022-05-27 哈尔滨工业大学 基于critic与熵值的村镇垃圾移动化处理设备调度寻优方法
CN114493465B (zh) * 2022-02-21 2022-09-16 深圳佳利达供应链管理有限公司 一种多目标物流路径优化方法
CN114721068A (zh) * 2022-02-24 2022-07-08 广东烟草河源市有限责任公司 一种物流中心气象环境监控系统及方法
CN114723350B (zh) * 2022-06-10 2023-02-21 北京科技大学 震后道路通行受阻对建筑修复进度影响的分析方法及装置
CN115116231B (zh) * 2022-08-26 2023-02-03 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同微观仿真系统、方法、电子设备及存储介质
CN116045982A (zh) * 2022-12-23 2023-05-02 中国船舶集团有限公司综合技术经济研究院 一种面向紧急救援情况的船上路径规划方法以及装置
CN115829183B (zh) * 2023-02-22 2023-05-02 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940829A (zh) * 2017-04-28 2017-07-11 兰州交通大学 一种车联网环境下的个性化路径推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4657728B2 (ja) * 2002-08-29 2011-03-23 アイティス・ホールディングス・ピーエルシー トラフィック情報を提供するための装置および方法
CN103278168B (zh) * 2013-04-28 2015-09-02 北京航空航天大学 一种面向交通热点规避的路径规划方法
CN104464320B (zh) * 2014-12-15 2016-09-07 东南大学 基于真实路网特性及动态行程时间的最短路径诱导方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940829A (zh) * 2017-04-28 2017-07-11 兰州交通大学 一种车联网环境下的个性化路径推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能交通系统中最优路径规划算法研究;钱红昇;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140915(第09期);论文第五章 *

Also Published As

Publication number Publication date
CN107368931A (zh) 2017-11-21

Similar Documents

Publication Publication Date Title
CN107368931B (zh) 基于大数据分析技术的物流配送路径动态规划方法及系统
US10850731B2 (en) Apparatus and method for automated traffic and driving pattern recognition and location-dependent measurement of absolute and/or relative risk probabilities for car accidents
US11380195B2 (en) Road traffic analysis methods and apparatuses
US20190347739A1 (en) Risk Based Automotive Insurance Rating System
CN105674994B (zh) 获取行车路线的方法、装置及导航设备
AU2016247117B2 (en) Driver profiling system and method
Alexander et al. Assessing the impact of real-time ridesharing on urban traffic using mobile phone data
US6539300B2 (en) Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
CN105427660B (zh) 智能停车信息提供方法及装置
CN102394009B (zh) 使用来自移动数据源的数据估算道路交通状况
EP1177508A2 (en) Apparatus and methods for providing route guidance for vehicles
CN110956807B (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN104574970A (zh) 城市地下停车系统出入口接驳处交通状态评价方法
US20190096253A1 (en) Method and apparatus for providing a map data update based on region-specific data turbulence
CN110363985A (zh) 一种交通数据分析方法、装置、存储介质及设备
CN111009140B (zh) 一种基于开源路况信息的智能交通信号控制方法
Halefom et al. How much traffic stress can cyclists endure?
CN113112789A (zh) 城市快速路突发事件的影响预测及管控方法
CN105321217A (zh) 一种基于路测监控的道路定价方法及系统
Gabe Measurement and analysis of neighborhood congestion: Evidence from sidewalk pedestrian traffic and walking speeds
Alomari et al. Evaluation of travel time reliability in urban areas using mobile navigation applications in Jordan
Viti et al. National data warehouse: how the Netherlands is creating a reliable, widespread, accessible data bank for traffic information, monitoring, and road network control
JP7482685B2 (ja) 乗降地提示装置及び乗降地提示方法
Herzog Heterogeneous Speed, Reliability, and Traffic Externalities
WO2023021162A2 (en) Automated dynamic routing unit and method thereof

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