CN109064076A - 一种基于前景理论的多模式公共运输方式选择方法 - Google Patents

一种基于前景理论的多模式公共运输方式选择方法 Download PDF

Info

Publication number
CN109064076A
CN109064076A CN201811160159.4A CN201811160159A CN109064076A CN 109064076 A CN109064076 A CN 109064076A CN 201811160159 A CN201811160159 A CN 201811160159A CN 109064076 A CN109064076 A CN 109064076A
Authority
CN
China
Prior art keywords
cost
prospect
mode
trip
travel
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
Application number
CN201811160159.4A
Other languages
English (en)
Inventor
张宁
刘涵
何铁军
林磊
周明月
李量
耿雷
宋大治
张�浩
李波
李一波
尹嵘
陈宇
张鹏雄
马申瑞
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.)
NANJING METRO CONSTRUCTION Co Ltd
NANJING METRO GROUP Co Ltd
Southeast University
CRSC Research and Design Institute Group Co Ltd
Original Assignee
NANJING METRO CONSTRUCTION Co Ltd
NANJING METRO GROUP Co Ltd
Southeast University
CRSC Research and Design Institute Group Co Ltd
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 NANJING METRO CONSTRUCTION Co Ltd, NANJING METRO GROUP Co Ltd, Southeast University, CRSC Research and Design Institute Group Co Ltd filed Critical NANJING METRO CONSTRUCTION Co Ltd
Priority to CN201811160159.4A priority Critical patent/CN109064076A/zh
Publication of CN109064076A publication Critical patent/CN109064076A/zh
Pending legal-status Critical Current

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明公开了一种基于前景理论的多模式公共运输方式选择方法，针对可选择的多模式公共交通的组合方式，首先将包括出行者的出行时间、出行费用及情景舒适度的出行代价进行量化，计算相对参考点的收益或损失以及对应出行代价的价值函数，接着计算不同情景下的权重概率函数，再计算各个情景下的出行代价前景价值，选择前景价值最大的线路，即为目标路线，本方法克服了预期效用理论中最大假设和出行者完全理性假设的不足，结合出行时间和出行费用，对出行代价进行量化，引入了权重概率函数，并采用前景理论，对多模式公共交通方式进行选择，更趋近于真实的交通状况和出行者的心理预期，更加符合实际需求，实用性和适用性更加广泛。

Description

一种基于前景理论的多模式公共运输方式选择方法
所属领域
本发明属于公共交通运输技术领域，具体涉及一种基于前景理论的多模式公共运输方式选择方法。
背景技术
随着全国各地经济交流与文化交流的逐渐频繁，为了满足人们日益增长的出行需求，公共运输方式也随之越来越丰富且复杂。最近十几年来我国逐渐形成了以公路、铁路、民航等为主的公共运输系统网络，越来越多的选择意味着公共运输系统的用户迫切需要更加全面的信息来帮助他们选择和使用。由于大型的公共运输网络通常涉及很多不同的线路以及各式各样的公共运输方式，因此在任何给定的时间内，在确定起点和终点后，通常都会存在不止一条的旅行线路，并且还可能乘坐多种公共运输工具，这些繁杂的公共运输方式使得乘客面对众多可能往往难以进行抉择。
传统的线路选择模型是基于预期效用理论建立的，这种理论的模型通常是在客观准确的现有交通状况下或者在可预测的交通状态下来预期的，需要对几条线路相当熟悉才能进行充分评估，通过找到最大预期效用值来确定该选择的路线，在基于预期效用理论的模型中，没有将乘客在路线选择过程中的主观因素考虑在内。也就是说，基于预期效用理论的模型通常要满足以下几个条件：(1)所有的路况信息完全已知；(2)所有的乘客都足够理性；(3)所有的乘客都会追求效用最大化。而现实中交通路况复杂且不确定，并且乘客也不会完全得知现有的或者将来的交通路况，这就使得基于预期效用理论的模型并不能真正意义上帮助出行者来选择，灵活性和准确性都稍差。
Kahneman和Tversky在1979年提出的前景理论被成功地运用在金融风险和电子商务的评估和政策制定上。前景理论为在面对不确定情况下人的选择和判断提供了解决思路，正好可以克服预期效用理论不能处理不确定信息和未知信息的缺点，因而如何能将前景理论与交通运输技术领域结合起来，将人为因素，不确定的路况因素等都考虑在内的大前提下，建立路线选择模型，这将是交通运输技术领域的一大改革和创新。
发明内容
本发明正是针对现有技术中的问题，提供了一种基于前景理论的多模式公共运输方式选择方法，克服了预期效用理论中最大假设和出行者完全理性假设的不足，结合出行时间和出行费用，对出行代价进行量化，引入了权重概率函数，并采用前景理论，对多模式公共交通方式进行选择，更趋近于真实的交通状况和出行者的心理预期。
为了实现上述目的，本发明采用的技术方案是：一种基于前景理论的多模式公共运输方式选择方法，包括如下步骤：
S1，出行代价量化：所述出行代价包括出行者的出行时间、出行费用及情景舒适度；
S2，价值函数计算：设定出行时间和出行费用的参考点，计算步骤S1中行程代价与参考点之差，从而得到对应的出行代价价值函数：
S3，权重概率函数计算：
S31，当参考点与形成代价之差大于等于零时，所述权重概率函数w(p)为：
S32，当参考点与形成代价之差小于零时，所述权重概率函数w(p)为：
其中，p是已选路径的概率；γ＝0.61,δ＝0.69；
S4，前景值计算：根据步骤S2得到的出行代价和步骤S3得到的概率权重函数计算前景值；
S5，路径选择：针对不同出行方式组合，重复步骤S1至S4，获取各出行方式组合的综合前景值，所述综合前景值为各前景值之和，选取综合前景值最大的线路，即为目标线路。
作为本发明的一种改进，所述步骤S1中出行代价量化＝出行时间量化+出行费用-情景舒适度量化。
作为本发明的又一种改进，所述步骤S1进一步包括：
S11，情景舒适度Ci量化，所述情景Si下舒适度Ci量化为：
其中，出行者的时间成本为timeprice，第j种公共交通方式下的出行者工作效率为rj，行程时间为tj；
S12，出行时间量化，将出行时间量化成价格数值timecost，所述出行时间量化为：
timecosti＝timeprice·ti·r
其中，r是时间成本折损系数；
S13，根据不同公共交通方式组合，量化情景Si下的出行代价costi为：
其中，pricej为出行费用。
作为本发明的另一种改进，所述步骤S2进一步包括：
S21，设定出行时间和出行费用的参考点R；
S22，确定情景Si的行程代价Ti；
S23，计算参考点R与形成代价Ti的差值xit：xit＝R-Ti；
S24，价值函数计算：
其中，α和β是风险偏好参数，0≤α≤1，0≤β≤1；λ是风险规避系数。
作为本发明的另一种改进，所述步骤S24中，α＝0.88，β＝0.92,λ＝2.25。
作为本发明的更进一步改进，所述步骤S4中情景Si对应的前景值为：
U(costi)＝V(costi)·W(Pi)。
与现有技术相比，本发明提出了一种基于前景理论的多模式公共运输方式选择方法，具有的有益效果是：
(1)、通过前景理论，消除了预期效用理论中效用最大假设的不足，路况中的不确定成分，由基于出行者的心理的前景值和权重概率的乘积决定，在前景理论的基础上，考虑了多模式公共交通方式，更符合出行者面临的真实情况，更加符合实际需求，进一步提高了模型的实用性。
(2)、通过量化出行代价，综合考虑了出行时间、出行费用和舒适度，使得模型适用性更广。
(3)、通过引入权重概率函数，消除了预期效用理论中出行者完全理性假设的缺点，对主观路况信息进行了修正。
(4)、模型中引入工作效率rj，时间成本timeprice，时间成本折损系数r等符合实际的限定参数，且参数值大小根据个体情况改变，灵活性更强，更加满足不同人的需求，实现对出行者的个性化路线推荐。
(5)、将舒适度和时间敏感度量化为出行代价的方法，将出行时间因素考虑在出行代价中，从而平衡出行者对于出行时间和出行费用的选择，更加响应个性化需求。
(6)、概率权重函数根据出行者的主观出行概率，采用收益和损失两个概率权重函数，从而实现出行者对损失和收益的敏感度不同，便于选择和统计。
附图说明
图1为本发明的方法操作流程示意图；
图2为本发明实施例的价值函数图像；
图3为本发明实施例的权重概率函数图像。
具体实施方式
以下将结合附图和实施例，对本发明进行较为详细的说明。
实施例1
一种基于前景理论的多模式公共运输方式选择方法，图如1所示，包括如下步骤：
S1，出行代价量化：所述出行代价包括出行者的出行时间、出行费用及情景舒适度；
设定出行者个体的时间成本timeprice，某种公共交通方式下的工作效率rj以及在情景Si下出行者的行程时间ti，量化出出行者因在该公共交通方式下工作获得的出行代价；设定时间成本折损系数r，量化出出行者因在该公共交通方式下损失时间的出行代价；对各种公共交通方式的出行费用，直接转化为出行代价，并与上述时间量化的出行代价结合，得出情景Si下的出行代价；
所述出行代价量化进一步包括：
S11，情景舒适度Ci量化，所述情景Si下舒适度Ci量化为：
其中，出行者的时间成本为timeprice，第j种公共交通方式下的出行者工作效率为rj，行程时间为tj；
S12，出行时间量化，将出行时间量化成价格数值timecost，所述出行时间量化为：
timecosti＝timeprice·ti·r
其中，r是时间成本折损系数；
S13，根据不同公共交通方式组合，量化情景Si下的出行代价costi为：
其中，pricej为出行费用；
S2，价值函数计算：设定出行时间和出行费用的参考点，计算步骤S1中行程代价与参考点之差，从而得到对应的出行代价价值函数，如图2所示，所述步骤S2进一步包括：
S21，设定出行时间和出行费用的参考点R；
S22，确定情景Si的行程代价Ti；
S23，计算参考点R与形成代价Ti的差值xit：xit＝R-Ti；
S24，价值函数计算：
其中，α和β是风险偏好参数，α＝0.88，β＝0.92,λ＝2.25λ是风险规避系数；
S3，权重概率函数计算：
S31，当参考点与形成代价之差大于等于零时，所述权重概率函数w(p)为：
S32，当参考点与形成代价之差小于零时，所述权重概率函数w(p)为：
其中，p是已选路径的概率；γ＝0.61,δ＝0.69，权重概率函数的图像如图3；
S4，前景值计算：根据步骤S2得到的出行代价和步骤S3得到的概率权重函数计算前景值：U(costi)＝V(costi)·W(Pi)；
S5，路径选择：针对不同出行方式组合，重复步骤S1至S4，获取各出行方式组合的综合前景值，所述综合前景值为各前景值之和，选取综合前景值最大的线路，即为目标线路。
实施例2
假设乘客某次出行从江苏省淮安市到广东省广州市，出行方式有以下4种方式：
(1)方式一：①火车：淮安站-郑州站；8小时40分钟到达概率为30％，9小时30分到达概率为70％，参考点为8小时56分钟；费用为86元。
②高铁：郑州站-广州站；5小时40分到达概率为80％，5小时50分到达概率为20％，参考点为5小时48分钟；费用为656元。
(2)方式二：①火车：淮安站-商丘站；6小时20分钟到达概率为20％，7小时10分到达概率为80％，参考点为6小时32分钟；费用为62.5元。
②火车：商丘站-广州站；17小时50分达到概率为40％，18小时50分钟到达概率为60％，参考点为18小时；费用为189.5元。
(3)方式三：飞机：涟水机场-广州新白云国际机场；2小时30分到达概率为20％，3小时到达概率为40％，3小时30分钟到达概率为40％，参考点为2小时40分钟；费用为1260元。
(4)方式四：大巴：淮安汽车北站-广州市：17小时到达概率为10％，18小时到达概率为40％，19小时到达概率为50％，参考点为17小时20分钟；费用为520元。
Step1、出行代价量化
对出行者的出行时间和出行费用进行量化；设情景Si下出行者的行程时间为ti，该出行者的时间成本为timeprice，第j种公共交通方式下的出行者工作效率为rj，行程时间为tj，出行费用为pricej。则对于情景Si下舒适度可以量化为：
对于不同的出行者，他们对于时间和费用的敏感度是不同的，这与每个人的时间成本高度相关。时间成本高的出行者对于费用没有那么敏感，但是却对时间很敏感。相反，时间成本低的出行者对于费用及其敏感但却对时间不敏感。因此可以将时间这一因素转化为价格：
timecosti＝timeprice·ti·r (2)
其中，timecost表示时间转化为价格的数值,r是时间成本折损系数。
因此，综上所述，量化之后情景Si下的出行代价可以表示为：
设定出行者个体的时间成本timeprice为60元/小时，各种出行方式的出行者工作效率为别是：飞机50％，高铁60％，火车20％，大巴10％，在情景Si下出行者的行程时间ti如上，量化出出行者因在该公共交通方式下工作获得的出行代价；设定时间成本折损系数r为70％，量化出出行者因在该公共交通方式下损失时间的出行代价；对各种公共交通方式的出行费用，直接转化为出行代价，并与上述时间量化的出行代价结合，得出情景Si下的出行代价；
根据式(1)，情景S1下舒适度可以量化为第一部分火车的舒适度与第二部分高铁的舒适度之和，结果为
c1＝60·(8+40/60)·20％+60·(5+40/60)·60％
根据式(2)，情景S1下的时间成本为
timecost1＝60·(8+40/60+5+40/60)·70％
因此，量化之后情景Si下的出行代价可以表示为
按照以上的步骤可以算出其他不同组合的出行代价值和参考点出行代价值，同理，可以算出其他出行方案的组合出行代价值和参考点出行代价值。量化后的结果如表1：
表1所有组合出行线路和参考点的出行代价(元)
线路1 线路2 线路3 线路4 参考点
方式1 1036 1037 1061 1062 1045
方式2 977 1007 1002 1032 988
方式3 1290 1296 1302 1292
方式4 1132 1168 1204 1144
Step2、价值函数计算
对所有公共交通出行方式，分别设定其出行时间和出行费用的参考点R，并结合出行者对路况的主观预想，计算出相对于参考点R的收益或者损失xit，进而得到对应的出行代价价值函数。
设R为出行者设想的参考点，在某种出行方案的的情况下会出现若干种形行程代价情景，情景Si的行程代价Ti对于参考点的收益为
xit＝R-Ti (4)
当xit≥0时，情景Si的行程代价损失小于参考点，出行者心理感知为收益；当xit＜0时，情景Si的行程时间损失大于参考点，出行者心理感知为损失。
价值函数的形式如下，可以满足决策者的风险偏好特性公式分三段，当时，价值函数为一固定值，当xit≤0时，价值函数为负且缓慢递增，当时，价值函数为正且快速递增。
公式中α和β是风险偏好参数，两者范围为0≤α≤1，0≤β≤1。α和β越大表示出行者更倾向于风险大。当参数等于1表示出行者风险中立。收益的表达式和损失的表达式不同。收益部分是凹函数，反应了出行者在面对收益时的风险回避特性，而损失部分是凸函数，反应了出行者在面对损失时的风险追求特性。参数α和β表示价值函数的凹凸程度，即过程中出行者对于速度变化的敏感度。λ是风险规避系数。如果λ＞1，则表示出行者对损失更敏感，也就是损失的凹凸性会强于收益的凹凸性。根据实验和参考文献获取，当α＝8.0，β＝0.92,λ＝2.25时，函数与真实数据一致。
下面以方式一中线路1为例，计算方式一中线路1和方式一中线路4的价值函数值。
根据式(5)，方式一中线路1的价值函数值为：
v(x)＝(1045-1036)0.88＝6.91
根据式(5)，方式一中线路4的价值函数值为：
v(x)＝-2.25·(1062-1036)0.92＝-30.49
按照以上的步骤可以算出其他不同组合的价值函数值，计算的结果如表2：
表2所有组合出行线路的价值函数值
线路1 线路2 线路3 线路4
方式1 6.91 6.23 -28.84 -30.49
方式2 8.2495 -33.78 -25.50 -73.14
方式3 1.84 -8.06 -18.71
方式4 8.91 -41.88 -97.30
Step3、权重概率函数计算
对出行者依据路况及经验或者交通信息发布系统提供的信息判断得出的主观概率，分别得出出行代价在收益与损失时的权重概率函数。
根据Kathneman提出的权重概率函数，在动态路径规划中的公式如下：
对于收益，w(p)如下：
对于损失。w(p)如下：
其中，p是已选路径的概率。根据广泛的调查和经验分析，Kathneman提出γ＝0.61,δ＝0.69。
对于多模式运输来说，每个模式出行事件是相互独立的。设一次出行有i个情景，j个模式，因此某次出行的路径选择概率满足乘法公式：
根据各条线路中各种运输模式的概率和乘法公式，可以得出各出行方式中各条线路的概率，结果如表3：
表3 各条路线的概率
线路1 线路2 线路3 线路4
方式1 24％ 6％ 56％ 14％
方式2 8％ 12％ 32％ 48％
方式3 20％ 40％ 40％
方式4 10％ 40％ 50％
下面以方式一中线路1为例，计算方式一中线路1和方式一中线路4的权重概率函数值。
根据式(6)，方式一中线路1的权重概率函数值为：
根据式(7)，方式一中线路4的权重概率函数值为：
按照以上的步骤可以算出其他不同组合的权重概率函数值，计算的结果如表4和表5：
表4所有组合出行线路的收益概率权重函数值
表5所有组合出行线路的损失概率权重函数值
线路1 线路2 线路3 线路4
方式1 28.64％ 12.47％ 49.20％ 20.80％
方式2 14.87％ 18.98％ 34.07％ 44.15％
方式3 25.70％ 39.17％ 39.17％
方式4 17.01％ 39.17％ 45.40％
Step4、前景值计算
对第j出行路线的情景Si，根据Step2和Step3中得到的出行代价和概率权重函数，计算情景Si对应的前景值。
U(costi)＝V(costi)·W(Pi) (9)
Step5、路径选择
对多模式公共交通方式，综合前景值为该出行路线中各情景前景值之和；对所有出行线路，选择综合前景值最大的线路，作为出行者推荐线路；因此基于前景理论的运输方式的选择可以由式(14)描述：
maxU(·)＝∑V(costi)·W(Pi) (10)
以方式一为例，计算方式一的综合前景值。
根据式(9)，线路一的综合前景值为U＝6.91·28.5％+6.82·14.44％-28.82·49.2％-30.49·20.8％＝-17.66
同理可以算出其他几种方式的前景值，结果如表6：
表6几种出行方式的综合前景值
因此，根据式(10)，该出行者在该出行条件下应该选择综合前景值最大的方式，即选择方式三。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.一种基于前景理论的多模式公共运输方式选择方法，其特征在于，包括如下步骤：
S1，出行代价量化：所述出行代价包括出行者的出行时间、出行费用及情景舒适度；
S2，价值函数计算：设定出行时间和出行费用的参考点，计算步骤S1中行程代价与参考点之差，从而得到对应的出行代价价值函数：
S3，权重概率函数计算：
S31，当参考点与形成代价之差大于等于零时，所述权重概率函数w(p)为：
S32，当参考点与形成代价之差小于零时，所述权重概率函数w(p)为：
其中，p是已选路径的概率；γ＝0.61,δ＝0.69；
S4，前景值计算：根据步骤S2得到的出行代价和步骤S3得到的概率权重函数计算前景值；
S5，路径选择：针对不同出行方式组合，重复步骤S1至S4，获取各出行方式组合的综合前景值，所述综合前景值为各前景值之和，选取综合前景值最大的线路，即为目标线路。
2.如权利要求1所述的一种基于前景理论的多模式公共运输方式选择方法，其特征在于所述步骤S1中出行代价量化＝出行时间量化+出行费用-情景舒适度量化。
3.如权利要求2所述的一种基于前景理论的多模式公共运输方式选择方法，其特征在于所述步骤S1进一步包括：
S11，情景舒适度Ci量化，所述情景Si下舒适度Ci量化为：
其中，出行者的时间成本为timeprice，第j种公共交通方式下的出行者工作效率为rj，行程时间为tj；
S12，出行时间量化，将出行时间量化成价格数值timecost，所述出行时间量化为：
timecosti＝timeprice·ti·r
其中，r是时间成本折损系数；
S13，根据不同公共交通方式组合，量化情景Si下的出行代价costi为：
其中，pricej为出行费用。
4.如权利要求1所述的一种基于前景理论的多模式公共运输方式选择方法，其特征在于所述步骤S2进一步包括：
S21，设定出行时间和出行费用的参考点R；
S22，确定情景Si的行程代价Ti；
S23，计算参考点R与形成代价Ti的差值xit：xit＝R-Ti；
S24，价值函数计算：
其中，α和β是风险偏好参数，0≤α≤1，0≤β≤1；λ是风险规避系数。
5.如权利要求4所述的一种基于前景理论的多模式公共运输方式选择方法，其特征在于所述步骤S24中，α＝0.88，β＝0.92,λ＝2.25。
6.如权利要求3或4或5所述的一种基于前景理论的多模式公共运输方式选择方法，其特征在于所述步骤S4中情景Si对应的前景值为：
U(costi)＝V(costi)·W(Pi)。
CN201811160159.4A 2018-09-30 2018-09-30 一种基于前景理论的多模式公共运输方式选择方法 Pending CN109064076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811160159.4A CN109064076A (zh) 2018-09-30 2018-09-30 一种基于前景理论的多模式公共运输方式选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811160159.4A CN109064076A (zh) 2018-09-30 2018-09-30 一种基于前景理论的多模式公共运输方式选择方法

Publications (1)

Publication Number Publication Date
CN109064076A true CN109064076A (zh) 2018-12-21

Family

ID=64767390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811160159.4A Pending CN109064076A (zh) 2018-09-30 2018-09-30 一种基于前景理论的多模式公共运输方式选择方法

Country Status (1)

Country Link
CN (1) CN109064076A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660216A (zh) * 2019-09-26 2020-01-07 广州大学 行程时间阈值确定方法、系统及智能设备
CN111489024A (zh) * 2020-04-03 2020-08-04 腾讯科技（深圳）有限公司 出行方案推荐方法、装置、设备及存储介质
CN113420943A (zh) * 2021-07-21 2021-09-21 广东工业大学 一种考虑行人热舒适的城市绿道出行设计方法
CN114842641A (zh) * 2022-03-11 2022-08-02 华设设计集团股份有限公司 面向省域的多模式链式交通分配方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660216A (zh) * 2019-09-26 2020-01-07 广州大学 行程时间阈值确定方法、系统及智能设备
CN111489024A (zh) * 2020-04-03 2020-08-04 腾讯科技（深圳）有限公司 出行方案推荐方法、装置、设备及存储介质
CN111489024B (zh) * 2020-04-03 2022-05-20 腾讯科技（深圳）有限公司 出行方案推荐方法、装置、设备及存储介质
CN113420943A (zh) * 2021-07-21 2021-09-21 广东工业大学 一种考虑行人热舒适的城市绿道出行设计方法
CN114842641A (zh) * 2022-03-11 2022-08-02 华设设计集团股份有限公司 面向省域的多模式链式交通分配方法
CN114842641B (zh) * 2022-03-11 2024-02-09 华设设计集团股份有限公司 面向省域的多模式链式交通分配方法

Similar Documents

Publication Publication Date Title
CN109064076A (zh) 一种基于前景理论的多模式公共运输方式选择方法
Zhang et al. Evaluation of urban public transport priority performance based on the improved TOPSIS method: A case study of Wuhan
CN104809344B (zh) 一种基于ic卡数据的公交站点区间客流估计方法
CN108805344A (zh) 一种考虑时变需求的高速铁路网络列车开行方案优化方法
CN109117993A (zh) 一种车辆路径优化的处理方法
CN109308574A (zh) 一种实时响应的互联网半灵活公交调度方法
CN110084640B (zh) 一种两阶段主从博弈的共享电动汽车补贴与定价方法
CN103761589A (zh) 一种城市轨道交通清分方法
CN102903038B (zh) 基于用户轨迹的小件物流配送方法及系统
Celiński et al. REAL TIME MODEL FOR PUBLIC TRANSPORTATION MANAGEMENT.
Gulyás et al. Assessment of transport connections based on accessibility
CN110046824A (zh) 一种城市公共交通线路的运营时段划分方法
Wang et al. Cross-regional customized bus route planning considering staggered commuting during the COVID-19
CN115713207A (zh) 一种混合公交服务组合优化方法
CN115759639A (zh) 基于小样本增量学习的非租还高发期共享单车调度方法
CN105528890B (zh) 一种适用于大型交通枢纽处的出租车拼车方法
CN108694182A (zh) 活动推送方法、活动推送装置和服务器
Duan et al. Optimization of urban bus stops setting based on data mining
Akgöl et al. Prediction of modal shift using artificial neural networks
Kontelj et al. Transport Modelling of Freight Flows Accordance to Investments: Case Study of Slovenian Railways
Han et al. Research on performance evaluation method of public transit routes based on BCC model
Chen et al. Regional public transportation scheduling model based on welfare economics and DEA
Jiang et al. Prediction of bus bunching using smart card data
Barzilai et al. Auction based algorithm for a smart junction with social priorities
Xue et al. Modelling and simulation of the urban rail transit operation system based on system dynamics

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221

RJ01 Rejection of invention patent application after publication