CN109446588B - 一种基于随机Petri网模型的共享单车分析调度方法 - Google Patents

一种基于随机Petri网模型的共享单车分析调度方法 Download PDF

Info

Publication number
CN109446588B
CN109446588B CN201811166836.3A CN201811166836A CN109446588B CN 109446588 B CN109446588 B CN 109446588B CN 201811166836 A CN201811166836 A CN 201811166836A CN 109446588 B CN109446588 B CN 109446588B
Authority
CN
China
Prior art keywords
scheduling
shared
network model
shared bicycle
station
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
CN201811166836.3A
Other languages
English (en)
Other versions
CN109446588A (zh
Inventor
彭雷
戴光明
王茂才
武云
柯琳
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201811166836.3A priority Critical patent/CN109446588B/zh
Publication of CN109446588A publication Critical patent/CN109446588A/zh
Application granted granted Critical
Publication of CN109446588B publication Critical patent/CN109446588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于随机Petri网模型的共享单车分析调度方法，采用K‑means和MeanShift算法对某一区域某一天的共享单车数据进行聚类分析，根据得到的各共享单车虚拟站点和各站点之间的调度情况，建立调度前的随机Petri网模型；基于共享单车的自然流动情况，对调度过程中的变量进行设置，建立随机Petri网模型；所述变量包括：调度路径、调度时间和调度数量；利用随机Petri网模型，根据控制变量法调整每条调度路径中的共享单车的调度数量，得到共享单车的最佳调度频率，确定出共享单车的最佳调度策略，使各虚拟站点的共享单车数量稳定在初始状态。本发明的有益效果是：缓解了共享单车停放混乱、分布无序的问题。

Description

一种基于随机Petri网模型的共享单车分析调度方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于随机Petri网模型的共享单车分析调度方法。
背景技术
作为共享经济的一种体现，共享单车近几年快速兴起，成为公共自行车的有力补充。一方面共享单车停放灵活、便捷经济、节能环保，深受用户青睐，但另一方面其停放混乱、破坏严重、分布无序等问题给公共交通以及人们出行也造成了极大的不便。在无桩式单车未入市之前，各国内外学者对有桩式单车做出的大量研究，研究的内容主要包括公共自行车使用特征分析与出行者行为分析、公共自行车租赁点的布局选址规划、公共自行车系统需求预测、公共自行车系统调度优化问题等方面。但对近两年才出现的共享单车的研究相对较少。Petri网是完全从过程的角度出发为复杂系统的描述与分析设计提供一种有效的建模工具，能自然的描述并发、冲突、同步、资源争用等系统特性，并带有执行控制机制，同时还具备形式化步骤及数学图论相支持的理论严密性，基于Petri网的优势，亟需研究一种方法来缓解日益严重的共享单车停放混乱、分布无序的问题。
发明内容
为了解决上述问题，本发明提供了一种基于随机Petri网模型的共享单车分析调度方法，建立Petri网模型可以实现虚拟站点之间的调度，更好的模拟共享单车分布和调度的实际情况，该方法主要包括以下步骤：
S101：使用K-means算法将某区域的共享单车数据进行聚类，得到各热点区域，每一类即为一个热点区域，并输出每一类的共享单车经纬度坐标；
S102：将每一类的共享单车经纬度坐标输入MeanShift算法中，得到各热点区域的共享单车虚拟站点；
S103：根据各共享单车虚拟站点和各站点之间的调度情况，建立调度前的随机Petri网模型；
S104：基于共享单车的自然流动情况，对调度过程中的变量进行设置，建立随机Petri网模型；所述变量同时包括：调度路径、调度时间和调度数量；调度路径是指两虚拟站点之间调度共享单车的路线，调度时间指是两虚拟站点之间调度共享单车所花费的时间，调度数量是指各虚拟站点之间每次调度的共享单车数量；
S105：利用随机Petri网模型，根据控制变量法调整每条调度路径中的共享单车的调度数量，得到共享单车的最佳调度频率，确定出共享单车的最佳调度策略，使各虚拟站点的共享单车数量稳定在初始状态。
进一步地，在步骤104中，调度时间随各虚拟站点的确定而确定，各虚拟站点一旦确定，调度时间就保持不变。
进一步地，在步骤S105中，通过改变调度数量改变调度频率。
进一步地，在步骤S105中，调度过程决定着随机Petri网模型的构建，根据随机Petri网模型得出的各个时刻各虚拟站点的共享单车的分布情况，对调度过程中的调度路径、调度时间和调度数量进行调整，最后利用这种相互制约的关系确定出最佳的调度策略。
进一步地，在步骤S105中，最优调度频率的评判标准为：各个虚拟站点的共享单车数量稳定在初始状态，即不会发生各虚拟站点共享单车堆积或无共享单车可借的情况。
本发明提供的技术方案带来的有益效果是：缓解了共享单车停放混乱、分布无序的问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于随机Petri网模型的共享单车分析调度方法的流程图；
图2是本发明实施例中建立的调度前的随机Petri网模型；
图3是本发明实施例中建立的随机Petri网模型；
图4是本发明实施例中A站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图；
图5为本发明实施例中B站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图；
图6为本发明实施例中C站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图；
图7为本发明实施例中D站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图；
图8为本发明实施例中E站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图。
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。
本发明的实施例提供了一种基于随机Petri网模型的共享单车分析调度方法。
请参考图1，图1是本发明实施例中一种基于随机Petri网模型的共享单车分析调度方法的流程图，具体包括如下步骤：
S101：使用K-means算法，根据共享单车的密度，将某区域的共享单车数据进行聚类，得到各热点区域，每一类即为一个热点区域，并输出每一类的共享单车经纬度坐标；
S102：将每一类的共享单车经纬度坐标输入MeanShift算法中，得到各热点区域的共享单车虚拟站点；
在本实施例中以武汉市东湖新技术开发区及其周边区域为例：
初始数据热力分析：
将2018年3月10日武汉三环以内的共享单车数据基于leaflet地图做热力分析显示，获取显示出每个小时武汉三环以内的共享单车的热点区域；
获取光谷及其周边区域聚类数据：
由于武汉三环以内的共享单车数据数据量巨大，不方便进行分析，所以通过Arcgis的相交分析功能在初始数据中筛选出光谷及其周边区域的共享单车数据用于后续聚类等分析；
寻找热点区域虚拟站点位置：
使用K-means算法将光谷及其周边区域的共享单车数据聚类成5类，即得到5个热点区域，一类对应一个热点区域，并将输出的每一类的单车经纬度坐标数据分别输入MeanShift算法中，计算每一类的中心位置作为该热点区域的共享单车虚拟站点位置；最后在仿真软件中进行可视化显示，圆圈代表热点区域，圆圈半径大小代表单车数量的多少；
S103：根据各共享单车虚拟站点和各站点之间的调度情况，建立调度前的随机Petri网模型，得到共享单车的自然流动情况；所述自然流动即是指无人为干预的前提下，共享单车的流动情况；
通过上面采用K-means和MeanShift聚类算法对武汉市洪山区光谷及其周边区域的单车数据进行聚类分析，找到了五个主要热点区域，分别为：A站点(光谷广场及其周边区域)、B站点(中南民族大学及其周边区域)、C站点(创业街及其周边区域)、D站点(华中科技大学及其周边区域)、E站点(中国地质大学(武汉)和东湖风景区周边区域)；根据共享单车的自然流动特性，建立了如图2所示的调度前的随机Petri网模型；图2中的五个库分别表示五个热点区域中心：A站点、B站点、C站点、D站点、E站点，库所中的数字表示初始状态下每个热点区域中的共享单车数目，而图中的变迁则表示在无人为干预的前提下，站点之间共享单车自然流动的情况。其中我们通过对真实数据的分析以及合理假设给出了如下表1的共享单车流动情况。
表1调度前单车自然流动情况
Figure GDA0003901374100000041
S104：根据共享单车的自然流动情况，对调度过程中的变量进行设置，建立随机Petri网模型；所述变量包括：调度路径、调度时间和调度数量；
1)调度过程的变量设置：
规划调度路径：
调度路径是指两虚拟站点之间调度共享单车的路线，根据调研情况分析，A站点是大型商圈，D站点是创业区，所以这两个虚拟站点会存在大量共享单车堆积的情况，而B站点、C站点、E站点是高校，在白天的时候会因为学生外出导致大量的共享单车外流；基于此情况，规划出以下四条调度路径：
1、将共享单车从A站点向E站点运输(A->E)；
2、将共享单车从A站点向B站点运输(A->B)；
3、将共享单车从C站点向B站点运输(C->B)；
4、将共享单车从C站点向D站点运输(C->D)；
计算调度时间：
调度时间指是两虚拟站点之间调度共享单车所花费的时间；通过Arcgis软件分析各路径之间最短距离，根据距离来确定各条调度路径所花费的时间，即为调度时间，该时间随各虚拟站点的确定而确定，具体情况如下表：
表2虚拟站点之间调度花费时间
Figure GDA0003901374100000051
统计调度数量：
调度数量指的是各虚拟站点之间每次调度的共享单车数量；
2)建立随机Petri网模型：
在设置了调度过程的调度路径、调度时间、调度数量之后，建立如图3所示的随机Petri网模型；图3相对于图2，增加了几条调度路径，调度过程发生了变化，具体的内容如下表3所示：
表3增加调度路径
Figure GDA0003901374100000052
从上述构建模型的过程中，可看出调度策略决定着随机Petri网模型的构建，用模型构建后得出的各个时刻各虚拟站点的单车分布情况来调整调度策略中的调度路径、调度时间、调度数量，以此相互影响相互制约，最后利用这种相互制约关系确定最佳调度策略，从而在最大程度上缓解各站点分布无序的问题；
S105：利用随机Petri网模型，根据控制变量法调整每条调度路径中的共享单车的调度数量，得到共享单车的最佳调度频率，确定出共享单车的最佳调度策略，使各虚拟站点的共享单车数量稳定在初始状态；因为各虚拟站点的调度时间不变，所以通过改变调度数量改变调度频率；最优调度频率的评判标准为：各个虚拟站点的共享单车数量稳定在初始状态，即不会发生各虚拟站点共享单车堆积或无共享单车可借的情况，这也是最佳的调度策略；在本实施例中的最优调度频率的评判标准为：5个虚拟站点的共享单车数量稳定在初始状态，即不会发生各虚拟站点共享单车堆积或无共享单车可借的情况。
请参考图2，图2是本发明实施例中建立的调度前的随机Petri网模型，图中的五个圆圈分别表示五个热点区域中心：A站点、B站点、C站点、D站点、E站点，圆圈中的数字表示初始状态下该热点区域中的共享单车数目，而图中的长方形表示共享单车的变迁，变迁表示在无人为干预的前提下，各站点之间共享单车自然流动的情况，X_AB代表A站点的共享单车移动到B站点，X_BC代表B站点的共享单车移动到C站点，X_DC代表D站点的共享单车移动到C站点，X_ED代表E站点的共享单车移动到D站点，X_EA代表E站点的共享单车移动到A站点。
请参考图3，图3是本发明实施例中建立的随机Petri网模型的示意图，图中的五个圆圈分别表示五个热点区域中心：A站点、B站点、C站点、D站点、E站点，圆圈中的数字表示初始状态下该热点区域中的共享单车数目。相比于图2，图3中增加了A站点到E站点的共享单车的调度路径、A站点到B站点的共享单车的调度路径、C站点到B站点的共享单车的调度路径和C站点到D站点的共享单车的调度路径。
在本实施列中，调度策略中按调研情况做出了合理的调度路径规划和时间分配，所以主要研究的是调度数量。利用Petri网模型评估每条调度路径的最佳调度数量，并在确定最佳调度数量基础上，画出调度后各虚拟站点的单车分布情况折线图，并对折线图进行分析。具体情况如下：
(1)调度路径及调度时间：
表4调度路径及其调度时间
Figure GDA0003901374100000061
Figure GDA0003901374100000071
(2)调度数量：
在随机Petri模型中调整四条调度路径的实验过程中，分析出与虚拟站点有直接调度路径的路线对该站点影响比较大，所以我们在A站点的基础上，通过控制变量法研究各调度路径的最佳调度频率。因为各虚拟站点的调度时间是固定不变的，则通过改变调度的单车数量来改变调度频率。
由于D站点、C站点与A站点之间不存在直接调度路径，而B站点、E站点与A站点之间存在直接调度路径，所以研究各虚拟站点最佳调度单车数量时，采用控制变量法控制与A站点有直接调度路径的两条路径Y_AE(A->E)和Y_AB(A->B)的调度频率不变，通过改变Y_CB(C->B)和Y_CD(C->D)这两条路径的调度频率来分析各虚拟站点共享单车分布情况，从而确定四条路径的最优调度数量。下表首先将Y_CB调度频率固定为30/30、Y_CD调度频率固定为40/25，改变与A站点有直接调度关系的两条路径Y_AE和Y_AB的调度频率，然后再将两条固定路径Y_CB和Y_CD的调度频率分别调为50/30和60/25、70/30和80/25、90/30和100/25、110/30和120/25后，进行重复实验，得到如下表所示的调度频率：
表5站点间的调度频率
Figure GDA0003901374100000072
Figure GDA0003901374100000081
通过上述25组实验，可得出第13组实验Y_CB(C->B)和Y_CD(C->D)的调度频率分别调为70/30和80/25，Y_AE(A->E)和Y_AB(A->B)的调度频率调为120/20、190/20时，各站点的共享单车数量能稳定最初始的情况(未出现站点堆积或无车可借的情况)，此时调度效果是最佳的。
(3)调度前后共享单车数量的对比图：
在这个最佳调度策略基础上，画出各站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图。我们通过对五个虚拟站点一天的数据进行分析，发现在一天中6:00—9:00点和17:00—19:00点是车辆流动的高峰期，所以本文选取上午6:00—9:00这一典型时期作为研究的时间段。下图3-7每张图中横坐标表示时间，以分钟为计量单位，0对应的是该天中的6：00点，纵坐标表示虚拟站点的各个时期单车数量。蓝线表示调度前每个时期各站点的单车数量折线图，黄线表示调度后的单车数量折线图。
请参考图4，图4为本发明实施例中A站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图，A站点所在的区域是光谷广场，在其周边存在很多大型商圈，所以会出现大量单车涌入A站点的情况。从图4可看出，在调度之前，A站点的单车数量随时间推移从424辆增加到781辆，导致该站点大量车辆堆积，与实际情况相符。但通过调度后，车辆逐渐趋向平稳，在9:00时刻稳定在576辆，比调度之前的781辆减少了205辆，很大程度的缓解了A站点单车的堆积问题。
请参考图5，图5为本发明实施例中B站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图，B站点所在的区域是中南民族大学，6:00-9:00点之间可能存在大量学生骑单车外出的情况，所以会出现大量单车涌出A站点的情况。从图5可看出，在调度之前，B站点的单车数量随时间推移从357辆减少到81辆，此时就会导致B站点无车可借的情况，与实际情况也刚好相符。但通过调度后，车辆逐渐趋向平稳，在9:00时刻稳定在426辆，与调度之前81辆相比，缓解了B站点无车可借的问题。
请参考图6，图6为本发明实施例中C站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图，C站点所在的区域是创业街，在6:00-9:00点之间存在很多上班族骑单车去上班，所以C站点也会出现大量单车涌入的情况。从图6可看出，在调度之前，C站点的单车数量670辆增加到840辆，此时就会出现车辆堆积。但通过调度后，单车逐渐下降至385，缓解了C站点车辆堆积的问题。
请参考图7和图8，图7为本发明实施例中D站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图，图8为本发明实施例中E站点在调度前后每隔20分钟各虚拟站点共享单车数量的折线对比图，D站点和E站点分别代表华中科技大学和中国地质大学，都属于高校区，与B站点情况相似，在6：00-9:00之间存在大量学生外出的情况，从图6和图7看出，两站点的车辆慢慢得减少100辆左右，但调度之后，D站点每个时刻稳定在初始值300辆，E站点车辆也渐渐增加，从而也缓解了6：00-9:00这个时间段高校无车可借的情况。
从上面五个虚拟站点每个时刻单车数量折线图可以看出，将Y_CB和Y_CD(C->D)的调度频率分别调为70/30和80/25，Y_AE和Y_AB的调度频率分别调为120/20、190/20时，可以有效地解决各站点无车可借或车辆堆积的情况。
本发明的有益效果是：缓解了共享单车停放混乱、分布无序的问题。
以上所述仅为本发明的较佳实施例，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。

Claims (5)

1.一种基于随机Petri网模型的共享单车分析调度方法，其特征在于：包括以下步骤：
S101：使用K-means算法将某区域的共享单车数据进行聚类，得到各热点区域，每一类即为一个热点区域，并输出每一类的共享单车经纬度坐标；
S102：将每一类的共享单车经纬度坐标输入MeanShift算法中，得到各热点区域的共享单车虚拟站点；
S103：根据各共享单车虚拟站点和各站点之间的调度情况，建立调度前的随机Petri网模型；
S104：基于共享单车的自然流动情况，对调度过程中的变量进行设置，建立随机Petri网模型；所述变量同时包括：调度路径、调度时间和调度数量；调度路径是指两虚拟站点之间调度共享单车的路线，调度时间指是两虚拟站点之间调度共享单车所花费的时间，调度数量是指各虚拟站点之间每次调度的共享单车数量；
S105：利用随机Petri网模型，根据控制变量法调整每条调度路径中的共享单车的调度数量，得到共享单车的最佳调度频率，确定出共享单车的最佳调度策略，使各虚拟站点的共享单车数量稳定在初始状态。
2.如权利要求1所述的一种基于随机Petri网模型的共享单车分析调度方法，其特征在于：在步骤104中，调度时间随各虚拟站点的确定而确定，各虚拟站点一旦确定，调度时间就保持不变。
3.如权利要求1所述的一种基于随机Petri网模型的共享单车分析调度方法，其特征在于：在步骤S105中，通过改变调度数量改变调度频率。
4.如权利要求1所述的一种基于随机Petri网模型的共享单车分析调度方法，其特征在于：在步骤S105中，调度过程决定着随机Petri网模型的构建，根据随机Petri网模型得出的各个时刻各虚拟站点的共享单车的分布情况，对调度过程中的调度路径、调度时间和调度数量进行调整，最后利用这种相互制约的关系确定出最佳的调度策略。
5.如权利要求1所述的一种基于随机Petri网模型的共享单车分析调度方法，其特征在于：在步骤S105中，最优调度频率的评判标准为：各个虚拟站点的共享单车数量稳定在初始状态，即不会发生各虚拟站点共享单车堆积或无共享单车可借的情况。
CN201811166836.3A 2018-09-30 2018-09-30 一种基于随机Petri网模型的共享单车分析调度方法 Active CN109446588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811166836.3A CN109446588B (zh) 2018-09-30 2018-09-30 一种基于随机Petri网模型的共享单车分析调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811166836.3A CN109446588B (zh) 2018-09-30 2018-09-30 一种基于随机Petri网模型的共享单车分析调度方法

Publications (2)

Publication Number Publication Date
CN109446588A CN109446588A (zh) 2019-03-08
CN109446588B true CN109446588B (zh) 2023-01-03

Family

ID=65544923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811166836.3A Active CN109446588B (zh) 2018-09-30 2018-09-30 一种基于随机Petri网模型的共享单车分析调度方法

Country Status (1)

Country Link
CN (1) CN109446588B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902969A (zh) * 2019-03-13 2019-06-18 武汉大学 一种基于od数据的共享单车投放点规划方法
CN110047279B (zh) * 2019-04-04 2020-07-31 东南大学 一种基于订单数据确定共享单车调度量的方法
US11928406B2 (en) 2020-07-02 2024-03-12 Ford Global Technologies, Llc Systems and methods for creating infrastructure models
CN113240898B (zh) * 2021-04-30 2022-11-22 云上青海大数据产业有限公司 一种大数据信息采集方法
CN116824861B (zh) * 2023-08-24 2023-12-05 北京亦庄智能城市研究院集团有限公司 基于城市大脑平台多维数据的共享单车调度方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014032531A (ja) * 2012-08-03 2014-02-20 Toyota Motor Corp カーシェアリングシステムの運用計画システム、運用計画方法
CN107730876A (zh) * 2017-10-21 2018-02-23 淮阴工学院 一种城市共享单车关键调度点数量和位置确定方法
CN108399560A (zh) * 2018-02-09 2018-08-14 上海享骑电动车服务有限公司 共享电单车租赁商业模式

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014032531A (ja) * 2012-08-03 2014-02-20 Toyota Motor Corp カーシェアリングシステムの運用計画システム、運用計画方法
CN107730876A (zh) * 2017-10-21 2018-02-23 淮阴工学院 一种城市共享单车关键调度点数量和位置确定方法
CN108399560A (zh) * 2018-02-09 2018-08-14 上海享骑电动车服务有限公司 共享电单车租赁商业模式

Also Published As

Publication number Publication date
CN109446588A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109446588B (zh) 一种基于随机Petri网模型的共享单车分析调度方法
Zhou et al. Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model
Xie et al. Long-term strategic planning of inter-city fast charging infrastructure for battery electric vehicles
CN112348324B (zh) 一种冲突空间识别方法、终端设备及存储介质
CN103956042A (zh) 一种基于图论的公共自行车调度区域智能划分方法
CN102750732A (zh) 基于gis系统的土地资源利用变化动态预测模型及其使用方法
Schoier et al. Spatial data mining for highlighting hotspots in personal navigation routes
Fu et al. Perimeter control and route guidance of multi-region mfd systems with boundary queues using colored petri nets
CN106373384A (zh) 边远地区客运班车线路实时生成方法
CN110288125A (zh) 一种基于手机信令数据的通勤模型建立方法及应用
CN111738527B (zh) 一种基于热点探测模型的城市交通小区划分方法
CN104680782A (zh) 一种交通控制云端系统
Yuting et al. Does the land use structure change conform to the evolution law of industrial structure? An empirical study of Anhui Province, China
CN116132998A (zh) 一种基于路口中心度的城市边缘服务器部署方法
CN110058945A (zh) 基于割点分割机制的大规模图并行计算最大流的加速算法
CN105608164A (zh) 一种面向实名制企业信息的网格划分与编码方法
Zhang et al. Pedestrian phase pattern investigation in a traffic light scheduling problem for signalized network
CN109308313A (zh) 基于文化资源评价的资源富集区识别方法
CN104933237A (zh) 一种面向土地利用与交通多尺度模拟方法
CN109345947A (zh) 基于数据关联性分析的工作区域划分方法及终端设备
Jin Modelling the influence of neighbourhood design on daily trip patterns in urban neighbourhoods
Kanemoto et al. Urban dynamics and urban externalities
Shirowzhan et al. Spatial big data, BIM and advanced GIS for smart transformation: city, infrastructure and construction
CN102073925A (zh) 一种基于水质水量约束的工业企业空间增长模拟实现方法
Zhang [Retracted] Evaluation of Social and Economic Benefit of Urban Rail Transit Project Based on Spatial Econometric Model

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