CN109934401A - 一种基于移动互联的定制公交方法 - Google Patents
一种基于移动互联的定制公交方法 Download PDFInfo
- Publication number
- CN109934401A CN109934401A CN201910178296.9A CN201910178296A CN109934401A CN 109934401 A CN109934401 A CN 109934401A CN 201910178296 A CN201910178296 A CN 201910178296A CN 109934401 A CN109934401 A CN 109934401A
- Authority
- CN
- China
- Prior art keywords
- website
- route
- time
- chromosome
- customization
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于移动互联的定制公交方法,包括站点的时空规划及公交线路的优化;空间规划即交通小区的划分,选择层次聚类的方法对交通小区进行划分;对站点时间窗的约束,通过上一步空间规划实现了空间上的聚类,针对已聚类的中心,基于每个聚类区域包含的信息,确定该中心的时间区间,通过对一个站点的信息统计,确定用户选择频数最高的时段为该站点的乘车时间;通过遗传算法对定制的路线进行求解及优化,得到最优线路。本发明可根据乘客实时需求定制线路,在需求多的情况下还可以同时开通多条线路。
Description
技术领域
本发明属于智能交通、智能车辆研究领域,涉及一种基于移动互联的定制公交方法。
背景技术
随着城市工业化、城镇化进程的加快和城市人口的增长,现有公交出行表现出一些不足,如:城市公交规划与城市发展速度的不匹配性、居民出行与公交调度的不适应性等。这些不足制约了城市公交调度、规划等方面的发展,因此,必须建立与居民出行相适应的公交发展策略。
因此定制公交应运而生。定制公交对于乘客而言可以自己定制线路;对于公交公司而言,可以明确乘客的出行需求精准的发车。但现有定制公交存在着一些不足,其中主要的一点是现有定制公交不具有动态性,线路固定,不因乘客的需求变化而改变。如何实现公交站点和路线的动态优化是我们面临的问题。
一些学者对定制公交线路优化也做了相关研究。涂文苑等研究并确定了定制公交线网规划的一般方法,可根据乘客网上提交的信息进行线路制定;柳伍生等提出了多需求响应机制下的绿色定制公交线路优化方案,满足社会、乘客、企业3方面需求;卢小林等建立了灵活型定制公交系统,在传统公交线路的基础上添加一些灵活站点;然而现有的研究成果中还存在不足之处:(1)虽然收集的乘客出行信息已改变了根据历史数据库预测出行需求的特点,但未能根据乘客的实时需求定制线路;(2)未能解决多路线优化问题;(3)并未脱离传统公交的公交站点。
发明内容
本发明提供一种基于移动互联的交互性定制公交方法,根据乘客出行需求建立一种动态化站点和线路的定制公交,可根据乘客实时需求定制线路,在需求多的情况下还可以同时开通多条线路。
为解决上述技术问题,本发明是采用如下技术方案实现的:
一种基于移动互联的定制公交方法,包括以下步骤:
步骤一、站点的时空规划,其包括:
1)站点的空间规划:采用用户网上提交信息的方式,进行出行需求信息的收集;空间规划即交通小区的划分,选择层次聚类的方法对交通小区进行划分;
2)站点的时间规划,包括两部分:
第一部分为对站点时间窗的约束,通过上一步空间规划实现了空间上的聚类,针对已聚类的中心,基于每个聚类区域包含的信息,确定该中心的时间区间,通过对一个站点的信息统计,确定用户选择频数最高的时段为该站点的乘车时间;
第二部分为线路优化,如果当一条线路存在一个站点不满足乘客对于出行时间的需求时,则对判断该线路优越性的指标值进行改动;
步骤二、公交线路的优化:根据公交线路的约束条件和公交线路开通指标,构建线路开通标准模型,确定优化目标函数,并通过遗传算法对定制的路线进行求解及优化,得到最优线路。
附图说明
图1为本发明一种基于移动互联的定制公交方法步骤一种聚类流程图;
图2为乘客需求分布图;
图3为层次聚类法示意图;
图4为聚类中心分布图;
图5为本发明步骤二中遗传算法流程图;
图6为乘客移动终端上的实例线路展示图。
具体实施方式
以下结合附图详细介绍本发明的技术方案:
一种基于移动互联的定制公交方法,包括以下步骤:
步骤一、站点的时空规划。
站点时空规划包括对站点进行时间规划和空间规划。时间规划可以满足乘客对于出行时间的需求,让出行时间相近的乘客乘坐同一班车;空间规划可以满足乘客选择就近公交站点。考虑到时空规划的顺序影响到算法的复杂程度以及规划结果的优越程度,在收集出行信息后先对站点进行空间规划,再进行时间规划。
1、站点的空间规划。基于定制公交的动态性和实时性,考虑到用户使用的便捷性和可操作性,采用用户网上提交信息的方式,进行出行需求信息的收集。
站点的空间规划,即交通小区的划分。对比多种聚类方法,我们最终选择层次聚类的方法对交通小区进行划分,如图1至图4所示。
1)出行需求数据层次聚类。本文选取最大距离法作为层次聚类的距离计算方法,分别对起始出行需求数据和终到出行需求数据进行层次聚类。首先分别计算两个数据集中所有点间的欧式距离,计算公式为:
对两个数据集合分别按最大距离法进行层次聚类,直到所有点都合并为一类为止,生成聚类树。
2)确定类别数和初始聚类中心。结合常规公交交通小区覆盖范围要求,确定定制公交交通小区划分半径,从而确定最大类间距离。虽然最大类间距离的最大决定因素为乘客可接受最大步行距离,但城市的规模大小、公交车的运营规模以及通勤乘客人数也一定程度的影响了最大类间距离。然后确定起始交通小区的类别数k1、终到交通小区的类别数k2,计算得初始聚类中心。
3)根据所得的类别数,通过程序运行出该分类数下的乘客聚类情况交通小区划分情况。最后检验城市的公交站点分布情况,将距离初始聚类中心最近的公交站点设为定制公交的停靠站点。
实施例给出乘客真实需求表格,如表1所示:
表1
欢乐城 | 汉庭酒店 | 吉林大学前卫校区 | 长春大学 | |
吉林大学南岭校区 | 3 | 0 | 7 | 0 |
工农广场 | 5 | 3 | 0 | 0 |
省实验中学 | 0 | 0 | 0 | 3 |
2、站点的时间规划。站点的时间规划主要包含两部分:
第一部分为对站点时间窗的约束。通过数据的聚类处理,实现了空间上的聚类。针对已聚类的中心,基于每个聚类区域包含的信息,确定该中心的时间区间。通过对一个站点的信息统计,确定用户选择频数最高的时段为该站点的乘车时间。
第二部分为线路优化。如果当一条线路存在一个站点不满足乘客对于出行时间的需求(比如预计到达时间晚于乘客要求到达时间),则对判断该线路优越性的指标值进行固定数量的改动,降低该线路的评分,以此来要求定制公交应尽量满足乘客的出行时间需求。
步骤二、公交线路的优化。
结合定制公交出行需求特点,制定公交线路开通指标。根据公交线路的约束条件和公交线路开通指标,构建符合社会效益的线路开通标准模型,建立定制公交线网的开通指标、评价模型。
在保证大部分乘客时间与空间需求以及公交车的基本要求的情况下,本发明以公交公司利益最大化为目标,基于以下四个约束条件建立模型
优化目标函数:
式中Z表示公司所收到的利益,p表示各个站点乘客的数目,f表示各个站点间的票价来代替站点间的收益。
对约束条件的说明:
式(2)限制定制公交车辆先停靠上车站点,后停靠下车站点;
式(3)表示定制公交车辆从场站出发时车上没有乘客;
式(4)表示任何乘客从其上车站点到下车点的时间不超过最大乘车时间;
式(5)限制定制公交车辆到达站点的时间不能超过其时间窗要求。
Tik为车型为k的公交车辆到达站点i的时间;
sti为站点i所需要的上车或下车时间,i∈P;
e(i)为在上车点i的乘客所对应的下车点,i∈P+且e(i)∈P-;
P+为上车站点集合;
P-为下车站点集合;
k为线网规划的线路编号;
M为车型集合;
Lik为车型为k的公交车辆到达站点i的时间;
D为公交场站;
T为乘客最大乘车时间;
为站点的最早到达时间;
为站点的最晚到达时间;
V为所有站点。
最后通过遗传算法对定制的路线进行求解及优化。
采用遗传算法求解最优路线。优化算法有很多种,主要包括模拟退火算法、遗传算法、禁忌搜索算法、蚁群算法和神经网络方法,这些算法模仿了自然界的各种过程以及人的思维活动来对整个搜索过程进行指导。
遗传算法具有良好的全局搜索能力,可以快速的将空间中的全体解搜索出来,而不会陷入局部最优解的快速下降陷阱,并且利用他的内在并行性,可以方便的进行分布式计算,加快求解速度。
该部分以单路线优化为例,说明遗传算法的应用,如图5所示。假设聚类出m个上车站点,n个下车站点。站点间的距离按直线距离计算,定制公交匀速行驶,行驶时间与路线长度成正比。
(一)初始群体生成
在单路线优化模型中,每一条染色体对应一条线路;在路网优化模型中,每一条染色体对应多条路线。一条合格的路线需要满足以下初始约束:
1.车辆必须先经过上车站点,在经过下车站点。
2.车辆所载乘客不能超过其容量。
3.车辆在满足运行成本的前提下才能开通。
基于此,在生成满足初始约束的种群时,采用以下方法。
(二)适应度计算
适应度函数取为模型的目标函数,即:
对于一条染色体来说,乘客数量越多,票价越高,就代表着这条染色体所代表的路线收益越大,该染色体的适应度也越高。
同时,本模型将时间约束作为惩罚项。针对每个站点的时间窗约束进行检验,如果路线不满足任何一个站点的时间窗约束,该路线对应染色体的适应度将会减去一个极大值Q,作为对不满足约束条件的惩罚。
(三)选择操作
采用轮盘赌法进行选择操作。轮盘赌选择法是依据个体的适应度值计算每个个体在子代中出现的概率,并按照此概率随机选择个体构成子代种群。轮盘赌选择策略的出发点是适应度值越好的个体被选择的概率越大。因此本模型中,我们可以直接采用适应度值来进行选择。
(四)交叉、变异操作
采用单点交叉法。将群体中的染色体进行两两配对,每对配对染色体将生成[0,1]之间的随机数α,指定交叉概率Pc。若α≤Pc,则对该对染色体中表示运行线路编号与站点停靠顺序的基因值进行互相交叉;若α>Pc,则该对染色体不进行交叉操作,直接进入到下一步。本项目取Pc=0.4。
对变异种群中每个染色体都以变异概率Pm进行下列操作:逐一针对每一个染色体,产生[0,1]之间的随机数β,若β≤Pm,对染色体的基因值进行改变顺序的操作,改变的基因值序列由随机数产出确定;若β>Pm,则染色体保持不变。本发明取Pm=0.2。
Claims (4)
1.一种基于移动互联的定制公交方法,其特征在于,包括以下步骤:
步骤一、站点的时空规划,其包括:
1)站点的空间规划:采用用户网上提交信息的方式,进行出行需求信息的收集;空间规划即交通小区的划分,选择层次聚类的方法对交通小区进行划分;
2)站点的时间规划,包括两部分:
第一部分为对站点时间窗的约束,通过上一步空间规划实现了空间上的聚类,针对已聚类的中心,基于每个聚类区域包含的信息,确定该中心的时间区间,通过对一个站点的信息统计,确定用户选择频数最高的时段为该站点的乘车时间;
第二部分为线路优化,如果当一条线路存在一个站点不满足乘客对于出行时间的需求时,则对判断该线路优越性的指标值进行改动;
步骤二、公交线路的优化:根据公交线路的约束条件和公交线路开通指标,构建线路开通标准模型,确定优化目标函数,并通过遗传算法对定制的路线进行求解及优化,得到最优线路。
2.如权利要求1所述的一种基于移动互联的定制公交方法,其特征在于,所述步骤一中选择层次聚类的方法对交通小区进行划分包括以下具体过程:
1)出行需求数据层次聚类:
首先分别计算起始出行需求数据集和终到出行需求数据集中所有点间的欧式距离;
对两个数据集合分别按最大距离法进行层次聚类,直到所有点都合并为一类为止,生成聚类树;
2)确定类别数和初始聚类中心:结合常规公交交通小区覆盖范围要求,确定定制公交交通小区划分半径,从而确定最大类间距离,然后确定起始交通小区的类别数、终到交通小区的类别数,计算得初始聚类中心;
3)根据所得的类别数,通过程序运行出该分类数下的乘客聚类情况交通小区划分情况,最后检验城市的公交站点分布情况,将距离初始聚类中心最近的公交站点设为定制公交的停靠站点。
3.如权利要求1所述的一种基于移动互联的定制公交方法,其特征在于,所述步骤二公交线路的优化包括以下步骤:
以公交公司利益最大化为目标,基于以下四个约束条件建立模型
优化目标函数:
式中Z表示公司所收到的利益,p表示各个站点乘客的数目,f表示各个站点间的票价来代替站点间的收益;
Tik为车型为k的公交车辆到达站点i的时间;
sti为站点i所需要的上车或下车时间,i∈P;
e(i)为在上车点i的乘客所对应的下车点,i∈P+且e(i)∈P-;
P+为上车站点集合;
P-为下车站点集合;
k为线网规划的线路编号;
M为车型集合;
Lik为车型为k的公交车辆到达站点i的时间;
D为公交场站;
T为乘客最大乘车时间;
为站点的最早到达时间;
为站点的最晚到达时间;
V为所有站点;
最后通过遗传算法对定制的路线进行求解及优化。
4.如权利要求3所述的一种基于移动互联的定制公交方法,其特征在于,所述遗传算法对定制的路线进行求解及优化包括以下具体过程:
假设聚类出m个上车站点,n个下车站点。站点间的距离按直线距离计算,定制公交匀速行驶,行驶时间与路线长度成正比;
1)初始群体生成:
在单路线优化模型中,每一条染色体对应一条线路;在路网优化模型中,每一条染色体对应多条路线;
一条合格的路线需要满足以下初始约束:
1.车辆必须先经过上车站点,在经过下车站点;
2.车辆所载乘客不能超过其容量;
3.车辆在满足运行成本的前提下才能开通;
2)适应度计算:
适应度函数取为模型的目标函数,即:
对于一条染色体来说,乘客数量越多,票价越高,就代表着这条染色体所代表的路线收益越大,该染色体的适应度也越高;
同时,本模型将时间约束作为惩罚项,针对每个站点的时间窗约束进行检验,如果路线不满足任何一个站点的时间窗约束,该路线对应染色体的适应度将会减去一个极大值Q,作为对不满足约束条件的惩罚;
3)选择操作:
采用轮盘赌法进行选择操作,本模型中,直接采用适应度值来进行选择:
4)交叉、变异操作:
采用单点交叉法。将群体中的染色体进行两两配对,每对配对染色体将生成[0,1]之间的随机数α,指定交叉概率Pc。若α≤Pc,则对该对染色体中表示运行线路编号与站点停靠顺序的基因值进行互相交叉;若α>Pc,则该对染色体不进行交叉操作,直接进入到下一步;
对变异种群中每个染色体都以变异概率Pm进行下列操作:逐一针对每一个染色体,产生[0,1]之间的随机数β,若β≤Pm,对染色体的基因值进行改变顺序的操作,改变的基因值序列由随机数产出确定;若β>Pm,则染色体保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178296.9A CN109934401A (zh) | 2019-03-09 | 2019-03-09 | 一种基于移动互联的定制公交方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178296.9A CN109934401A (zh) | 2019-03-09 | 2019-03-09 | 一种基于移动互联的定制公交方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934401A true CN109934401A (zh) | 2019-06-25 |
Family
ID=66986869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910178296.9A Pending CN109934401A (zh) | 2019-03-09 | 2019-03-09 | 一种基于移动互联的定制公交方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934401A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689174A (zh) * | 2019-09-16 | 2020-01-14 | 深圳市威豹联合金融服务有限公司 | 基于公共交通的人员路线规划方法及装置 |
CN111460598A (zh) * | 2020-04-13 | 2020-07-28 | 同济大学 | 一种基于机器学习的公交干线网生成方法 |
CN111832882A (zh) * | 2020-04-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种交通运输的控制方法、装置、存储介质和电子设备 |
CN112418535A (zh) * | 2020-11-27 | 2021-02-26 | 福建诺诚数字科技有限公司 | 基于二叉树的校车调度规划方法 |
CN112419128A (zh) * | 2020-12-16 | 2021-02-26 | 武汉元光科技有限公司 | 一种线路规划方法以及相关设备 |
CN112561249A (zh) * | 2020-09-04 | 2021-03-26 | 同济大学 | 面向实时需求的城市定制公交调度方法 |
CN112906221A (zh) * | 2021-02-19 | 2021-06-04 | 同济大学 | 基于预约数据的多车型区域定制公交调度方法 |
CN113393079A (zh) * | 2021-05-07 | 2021-09-14 | 杭州数知梦科技有限公司 | 一种基于公交数据的交通小区划分方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
CN108053062A (zh) * | 2017-12-11 | 2018-05-18 | 北京航空航天大学 | 一种基于多源数据的定制公交线路生成方法 |
CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
-
2019
- 2019-03-09 CN CN201910178296.9A patent/CN109934401A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
CN108053062A (zh) * | 2017-12-11 | 2018-05-18 | 北京航空航天大学 | 一种基于多源数据的定制公交线路生成方法 |
CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
Non-Patent Citations (2)
Title |
---|
涂文苑: "定制公交的线网规划研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
陈栩: "考虑多样化运营模式的定制公交线网规划研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689174A (zh) * | 2019-09-16 | 2020-01-14 | 深圳市威豹联合金融服务有限公司 | 基于公共交通的人员路线规划方法及装置 |
CN110689174B (zh) * | 2019-09-16 | 2023-09-26 | 深圳市威豹联合金融服务有限公司 | 基于公共交通的人员路线规划方法及装置 |
CN111460598B (zh) * | 2020-04-13 | 2023-02-10 | 同济大学 | 一种基于机器学习的公交干线网生成方法 |
CN111460598A (zh) * | 2020-04-13 | 2020-07-28 | 同济大学 | 一种基于机器学习的公交干线网生成方法 |
CN111832882A (zh) * | 2020-04-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种交通运输的控制方法、装置、存储介质和电子设备 |
CN112561249A (zh) * | 2020-09-04 | 2021-03-26 | 同济大学 | 面向实时需求的城市定制公交调度方法 |
CN112418535A (zh) * | 2020-11-27 | 2021-02-26 | 福建诺诚数字科技有限公司 | 基于二叉树的校车调度规划方法 |
CN112419128A (zh) * | 2020-12-16 | 2021-02-26 | 武汉元光科技有限公司 | 一种线路规划方法以及相关设备 |
CN112419128B (zh) * | 2020-12-16 | 2024-03-05 | 武汉元光科技有限公司 | 一种线路规划方法以及相关设备 |
CN112906221B (zh) * | 2021-02-19 | 2022-06-07 | 同济大学 | 基于预约数据的多车型区域定制公交调度方法 |
CN112906221A (zh) * | 2021-02-19 | 2021-06-04 | 同济大学 | 基于预约数据的多车型区域定制公交调度方法 |
CN113393079A (zh) * | 2021-05-07 | 2021-09-14 | 杭州数知梦科技有限公司 | 一种基于公交数据的交通小区划分方法 |
CN113393079B (zh) * | 2021-05-07 | 2024-01-09 | 杭州数知梦科技有限公司 | 一种基于公交数据的交通小区划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934401A (zh) | 一种基于移动互联的定制公交方法 | |
Kong et al. | A shared bus profiling scheme for smart cities based on heterogeneous mobile crowdsourced data | |
CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
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 | |
Wang et al. | Multi-objective optimization of real-time customized bus routes based on two-stage method | |
CN105718946A (zh) | 一种基于地铁刷卡数据的乘客出行行为分析方法 | |
CN113159364A (zh) | 一种大型交通场站的客流预测方法及系统 | |
CN105894847A (zh) | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 | |
CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
Lin et al. | Intelligent bus operation optimization by integrating cases and data driven based on business chain and enhanced quantum genetic algorithm | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN109254984B (zh) | 基于od数据感知城市动态结构演化规律的可视分析方法 | |
Qiu et al. | RPSBPT: A route planning scheme with best profit for taxi | |
CN115510056B (zh) | 一种利用手机信令数据进行宏观经济分析的数据处理系统 | |
Wang et al. | In-depth learning layout and path optimization of energy service urban distribution sites under e-commerce environment | |
Kedia et al. | Transit shift response analysis through fuzzy rule based-choice model: a case study of Indian metropolitan city | |
Yu et al. | A dynamic line generation and vehicle scheduling method for airport bus line based on multi-source big travel data | |
Suo et al. | The evolutionary mechanism of high-speed railway system based on hypernetwork theory | |
Gan et al. | Capturing the swarm intelligence in truckers: The foundation analysis for future swarm robotics in road freight | |
Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN | |
Liu et al. | An intelligent urban traffic data fusion analysis method based on improved artificial neural network | |
Shang et al. | Data mining technologies for Mobility-as-a-Service (MaaS) | |
Sun et al. | Congestion prediction based on dissipative structure theory: A case study of Chengdu, China | |
Niu et al. | Highway temporal-spatial traffic flow performance estimation by using gantry toll collection samples: A deep learning method |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |