CN110009137B - 一种基于分布集鲁棒的交通最短路径确定方法 - Google Patents
一种基于分布集鲁棒的交通最短路径确定方法 Download PDFInfo
- Publication number
- CN110009137B CN110009137B CN201910182624.2A CN201910182624A CN110009137B CN 110009137 B CN110009137 B CN 110009137B CN 201910182624 A CN201910182624 A CN 201910182624A CN 110009137 B CN110009137 B CN 110009137B
- Authority
- CN
- China
- Prior art keywords
- distribution
- path
- node
- feasible
- travel 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005315 distribution function Methods 0.000 claims abstract description 34
- 206010063659 Aversion Diseases 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000009827 uniform distribution Methods 0.000 abstract 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明一种基于分布集鲁棒的交通最短路径确定方法,属于运动状态确定技术领域。本方法设定旅行时间是服从某一未知分布的随机变量,此分布属于某个特定的分布函数集合;然后利用观测到的旅行时间的样本数据对该分布函数集合进行构建:认为这些样本数据服从均匀分布,而分布函数集合是以该均匀分布为中心的球,球内不同分布之间的距离用Wasserstein距离进行度量;最后,路径的性能度量选取为具有风险厌恶特性的平均超出时间(METT)。在此种设定下,该方法会寻找一条最优路径,使得该路径在旅行时间服从最差分布的情况下具有最小的METT。本发明首次提出利用Wasserstein距离构建分布函数集合,在旅行时间不确定的情况下,仍然可以保证最优路径性能,降低路径的风险。
Description
技术领域
本发明一种基于分布集鲁棒的交通最短路径确定方法,属于运动状态确定技术领域。
背景技术
交通最短路径问题是运输网络中基础问题之一,在车辆路径和供应链管理等问题中具有广泛的应用。给定起点-终点后,根据不同路径的旅行时间对路程进行合理的规划,可以有效缩短通行时间,提高准点到达率。过去的几十年中,在确定型最短路径问题已经做了相当多的理论研究,在这种确定性的模型中,都假定路程的旅行时间以及其他的参数是确定已知的。然而在现实中,由于天气原因、交通管制和道路容量等因素的影响,旅行时间往往存在着不确定性。在选择最短路径时,如果忽略旅行时间的不确定性,可能会导致最优解并不是时间最短的路径。因此在不确定环境下采用确定型模型,在实际中可能无法得到可靠的最短路径来保证能够准时到达。为了保证路径的可靠性,学者们开始针对具有不确定性的最短路径问题进行研究。
随机交通最短路径问题在过去几十年中引起了学术界和工业界的广泛关注,为了减小不确定性因素对交通最短路径问题的影响,有学者提出随机交通最短路径模型以在不确定环境下获得可靠的最短路径。在随机交通最短路径模型中,旅行时间被看作是一个分布已知的随机变量,模型的优化目标往往是路径可靠性标准,其中常用的一种是平均超出旅行时间(Mean-excess Travel Time,METT)Chen A,Zhou Z.Theα-reliable mean-excesstraffic equilibrium model with stochastic travel times[J].TransportationResearch Part B:Methodological,2010,44(4):493-513.虽然基于METT的随机交通最短路径模型在理论上对不确定性最短路径问题的研究有很好的推进作用,但随机模型的一些固有缺点,限制了随机交通最短路径问题在实际生产生活中的应用。这些缺点主要体现在以下几个方面:1)在随机模型中认为旅行时间的分布函数是精确已知的。但是实际上,由于数据不足,很多情况下精确的概率分布很难获得。除此之外,尽管在实际生活中观察到不同路径上的旅行时间具有一定的相关性,在基于METT的随机交通最短路径模型中通常假设这些旅行时间是独立的,这也与实际问题不符。在这种情况下,随机交通最短路径模型将不再适用。2)由于随机交通最短路径模型是一个整数规划问题,这类模型通常是NP-难的,通常只能用启发式算法或动态规划算法求解,当问题的规模增大时,求解随机交通最短路径模型的难度也会急剧增长。
由于基于METT的随机交通最短路径模型具有以上缺点,有研究人员提出了另一种处理不确定性的方法——鲁棒交通最短路径模型(Kouvelis P,Yu G.Robust discreteoptimization and its applications[M].Springer Science&Business Media,2013.)。自20世纪90年代以来,鲁棒的区间模型和情景模型已经被提出以提供鲁棒的最短路径。鲁棒区间模型通过区间数据对旅行时间的不确定性进行刻画,认为旅行时间在给定的连续区间内,而鲁棒情景模型通过情景数据对旅行时间进行刻画(一个情景代表旅行时间的一种可能的取值),认为旅行时间在一个给定的情景集合中。这种描述方法相较于随机交通最短路径模型中对分布函数的描述。这种基于确定的不确定集的鲁棒交通最短路径模型更符合实际情况,既保证了最差情况下的鲁棒最优路径能有较小的代价,且降低了最优路径的风险。然而由于这种模型只考虑旅行时间的支撑集信息但忽略了其他如均值,方差等信息,基于此种不确定性集的鲁棒最短路径模型所得到的最短路径可能过于保守,会花费更长的旅行时间。
基于METT的随机交通最短路径模型和鲁棒最短路径模型各自具有不同的不足之处,为确定最优路径带来困难,最终决定的最优路径可能不够鲁棒,也可能过于保守。
发明内容
本发明的目的是提出一种基于分布集鲁棒的交通最短路径确定方法,以克服已有技术中基于METT的随机交通最短路径等模型的不足之处,结合基于METT的随机交通最短路径等模型的优点,考虑在旅行时间不确定的情况下,寻求风险最小的可行路径。
本发明提出的基于分布集鲁棒的交通最短路径确定方法,包括以下步骤:
(1)构建一个基于分布集鲁棒的交通最短路径确定的优化模型,具体过程如下:
(1-1)确定基于分布集鲁棒的交通最短路径优化模型的决策变量p:
设定优化模型中有m个节点,m个节点之间存在n条边,m个节点之间的有向连通图为 其中为有向连通图中m个节点的集合,为有向连通图中n条边的集合,定义有向连通图的有向路径为一组指向相同方向的边的序列,通过指向相同方向的边连接各个节点,则决策变量决策变量p表示从起点o到终点d的一条可行路径,其中,若边(i,j)为从节点o到节点d的可行路径上的一条边,则pij=1,若边(i,j)不是从节点o到节点d的可行路径上的一条边,则pij=0;
其中,bi表示对节点i的定义,当节点i为从节点o到节点d的可行路径的起点时,记bi=1,当节点i为从节点o到节点d的可行路径的终点时,bi=-1,当节点i为从节点o到节点d的可行路径的中途经过点时,即时,bi=0;
其中,Ξ表示可行路径p的旅行时间ξ的取值范围,集合表示一个分布函数的集合,其中分布函数的定义域为Ξ,FN(ξ)表示旅行时间ξ的经验分布,其中ξk为可行路径p的旅行时间ξ的样本数据集中的第k个样本,∈N表示分布集的半径,dW为经验分布FN(ξ)与中所有分布之间的距离,也称Wasserstein距离,
其中,K为上述M(Ξ)中任意两个分布函数的联合分布函数,即K表示F1∈M(Ξ)和F2∈M(Ξ)的联合分布,d(ξ1,ξ2)表示两个随机向量之间的距离,d(ξ1,ξ2)=‖ξ1-ξ2‖p,‖·‖p表示任意范数lp,设定集合内的分布函数满足一阶矩有限,即对于中的任意分布函数F,∫Ξ‖ξ‖pF(dξ)<∞;
其中,ξ为可行路径p的旅行时间,f(p,ξ)为可行路径p的总旅行时间,ξij表示从可行路径p中的节点i到节点j需要的旅行时间,pij为可行路径p中的元素,METT为可行路径p的风险厌恶特性平均超出时间:
其中,t为可行路径p的总旅行时间f(p,ξ)的设定阈值,下标α表示风险厌恶特性平均超出时间METT的置信水平,α∈(0,1),[·]+表示取最大,[·]+=max{·,0},下标Ft是可行路径p的旅行时间ξ的分布函数,R表示有向连通图中从起点o到终点d的可行路径p在分布集中最差情况下的METTα;
(3)用分支定界方法,求解步骤(2)中的确定混合整数规划模型,得到最优可行路径p*,实现基于分布集鲁棒的交通最短路径的确定:
本发明提出的基于分布集鲁棒的交通最短路径确定方法,其优点是:
1、本发明的基于分布集鲁棒的交通最短路径确定方法,只使用旅行时间的经验分布构建分布集,不需要精确的知道旅行时间的分布信息,因此比已有技术中的随机模型更符合实际情况。
2、本发明方法中构建的分布集,可以通过调节分布集的大小,将旅行时间的真实分布以较大的概率包含在集合中,不会因为分布集过大而导致决策过于保守,也不会以为分布集过小而无法涵盖真实分布,因此可以得到更加可靠和鲁棒的最优可行交通路径。
3、本发明方法考虑了决策者的风险厌恶特性,可以降低最优可行交通路径的风险,同时保证最优可行交通路径的鲁棒性。
4、本发明方法中的最短路径模型最终可以被转化为等价的凸优化问题,能够利用现有的方法对其进行高效的求解。
附图说明
图1为本发明方法的整体流程框图。
图2为本发明方法中涉及的交通路径示意图。
具体实施方式
本发明提出的基于分布集鲁棒的交通最短路径确定方法,其流程框图如图1所示,该方法包括以下步骤:
(1)构建一个基于分布集鲁棒的交通最短路径确定的优化模型,具体过程如下:
本发明方法关注的是具有随机旅行时间的交通最短路径问题,针对该问题建立了基于分布集鲁棒的交通最短路径模型。在交通最短路径问题中,给定路径的起点和终点,求解最短路径问题的目的即为在地图中寻找一条从起点到终点的可行交通路径,使其在某个性能指标如总旅行时间取到最优值。
在本发明方法中的基于分布集鲁棒的交通最短路径模型中,性能指标设置为总旅行时间,地图上每个地点之间的旅行时间具有随机不确定性,随机旅行时间分布未知,但属于一个由Wasserstein距离和数据样本所确定的分布集中。由于旅行时间是随机向量,路径的总旅行时间是一个随机向量,对应的可行的路径具有一定风险,例如可能会因为天气原因该条路出现拥堵而导致旅行时间增加,无法保证准时到达。考虑上述原因,总旅行时间的随机度量选取为具有风险厌恶特性的平均超出旅行时间(METT,Mean-excess TravelTime),METT衡量了不同路径的风险大小以及可靠程度。在此种设定下,本发明中的基于分布集鲁棒的交通最短路径模型的目标为寻找一个最优的可行路径,使得该路径的总旅行时间在旅行时间服从最差分布的情况下具有最小的METT。
(1-1)确定基于分布集鲁棒的交通最短路径优化模型的决策变量p:
该模型的决策变量为可行的路径,设定优化模型中有m个节点,m个节点之间存在n条边,m个节点之间的有向连通图为 其中为有向连通图中m个节点的集合,为有向连通图中n条边的集合,定义有向连通图的有向路径为一组指向相同方向的边的序列,通过指向相同方向的边连接各个节点,则决策变量决策变量p表示从起点o到终点d的一条可行路径,其中,若边(i,j)为从节点o到节点d的可行路径上的一条边,则pij=1,若边(i,j)不是从节点o到节点d的可行路径上的一条边,则pij=0,如图2中所示;
其中,bi表示对节点i的定义,当节点i为从节点o到节点d的可行路径的起点时,记bi=1,当节点i为从节点o到节点d的可行路径的终点时,bi=-1,当节点i为从节点o到节点d的可行路径的中途经过点时,即时,bi=0;
可行路径中不能有环结构,需要对包含环的路径进行消除,
其中,Ξ表示可行路径p的旅行时间ξ的取值范围,集合表示一个分布函数的集合,其中分布函数的定义域为Ξ,FN(ξ)表示旅行时间ξ的经验分布,其中ξk为可行路径p的旅行时间ξ的样本数据集中的第k个样本,∈N表示分布集的半径,dW为经验分布FN(ξ)与中所有分布之间的距离,也称Wasserstein距离,
其中,K为上述M(Ξ)中任意两个分布函数的联合分布函数,即K表示F1∈M(Ξ)和F2∈M(Ξ)的联合分布,d(ξ1,ξ2)表示两个随机向量之间的距离,d(ξ1,ξ2)=‖ξ1-ξ2‖p,‖·‖p表示任意范数lp,设定集合内的分布函数满足一阶矩有限,即对于中的任意分布函数F,∫Ξ‖ξ‖pF(dξ)<∞;
其中,ξ为可行路径p的旅行时间,f(p,ξ)为可行路径p的总旅行时间,ξij表示从可行路径p中的节点i到节点j需要的旅行时间,pij为可行路径p中的元素,METT为可行路径p的风险厌恶特性平均超出时间:
其中,t为可行路径p的总旅行时间f(p,ξ)的设定阈值,下标α表示风险厌恶特性平均超出时间METT的置信水平,α∈(0,1),[·]+表示取最大,[·]+=max{·,0},下标Ft是可行路径p的旅行时间ξ的分布函数,R表示有向连通图中从起点o到终点d的可行路径p在分布集中最差情况下的METTα;
其中,为有向连通图中从起点o到终点d的路径的可行域,的上标表示其所属的分布集为min表示在可行域中寻找目标函数的最小值,arg表示求得基于上述可行路径p的旅行时间ξ的分布函数分布集鲁棒的交通最短路径优化模型最小目标函数值时,对应的最优可行路径p*。
在构建可行路径p的旅行时间ξ的分布函数分布集时,如果采用不同的lp范数对旅行时间ξ的距离进行度量,则基于上述分布集鲁棒的交通最短路径模型可以转化成不同形式的优化问题。如采用l1范数计算距离时,上述基于分布集鲁棒的交通最短路径模型转化为混合0-1整数规划问题;而如果利用l2范数度量向量间的距离时,此时基于分布集鲁棒的交通最短路径模型被转换成混合0-1二阶锥规划问题。
本发明方法将不同lp范数的转换结果总结如表1所示,其中p表示不同的lp范数。
(3)用分支定界方法,求解步骤(2)中的确定混合整数规划模型,得到最优可行路径p*,实现基于分布集鲁棒的交通最短路径的确定:
Claims (1)
1.一种基于分布集鲁棒的交通最短路径确定方法,该方法包括以下步骤:
(1)构建一个基于分布集鲁棒的交通最短路径确定的优化模型,具体过程如下:(1-1)确定基于分布集鲁棒的交通最短路径优化模型的决策变量p:
设定优化模型中有m个节点,m个节点之间存在n条边,m个节点之间的有向连通图为其中为有向连通图中m个节点的集合,为有向连通图中n条边的集合,定义有向连通图的有向路径为一组指向相同方向的边的序列,通过指向相同方向的边连接各个节点,则决策变量决策变量p表示从节点o到终点d的一条可行路径,其中,若边(i,j)为从节点o到终点d的可行路径上的一条边,则pij=1,若边(i,j)不是从节点o到终点d的可行路径上的一条边,则pij=0;
其中,bi表示对节点i的定义,当节点i为从节点o到终点d的可行路径的起点时,记bi=1,当节点i为从节点o到终点d的可行路径的终点时,bi=-1,当节点i为从节点o到终点d的可行路径的中途经过点时,即时,bi=0;
其中,Ξ表示可行路径p的旅行时间ξ的取值范围,集合表示一个分布函数的集合,其中分布函数的定义域为Ξ,FN(ξ)表示旅行时间ξ的经验分布,其中ξk为可行路径p的旅行时间ξ的样本数据集中的第k个样本,∈N表示分布集的半径,dW为经验分布FN(ξ)与中所有分布之间的距离,也称Wasserstein距离,
其中,K为上述M(Ξ)中任意两个分布函数的联合分布函数,即K表示F1∈M(Ξ)和F2∈M(Ξ)的联合分布,d(ξ1,ξ2)表示两个随机向量之间的距离,d(ξ1,ξ2)=‖ξ1-ξ2‖p,‖·‖p表示任意范数lp,设定集合内的分布函数满足一阶矩有限,即对于中的任意分布函数F,∫Ξ‖ξ‖pF(dξ)<∞;
其中,ξ为可行路径p的旅行时间,f(p,ξ)为可行路径p的总旅行时间,ξij表示从可行路径p中的节点i到节点j需要的旅行时间,pij为可行路径p中的元素,METT为可行路径p的风险厌恶特性平均超出时间:
其中,t为可行路径p的总旅行时间f(p,ξ)的设定阈值,下标α表示风险厌恶特性平均超出时间METT的置信水平,α∈(0,1),[·]+表示取最大,[·]+=max{·,0},下标Ft是可行路径p的旅行时间ξ的分布函数,R表示有向连通图中从节点o到终点d的可行路径p在分布集中最差情况下的METTα;
(3)用分支定界方法,求解步骤(2)中的确定混合整数规划模型,得到最优可行路径p*,实现基于分布集鲁棒的交通最短路径的确定:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182624.2A CN110009137B (zh) | 2019-03-12 | 2019-03-12 | 一种基于分布集鲁棒的交通最短路径确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182624.2A CN110009137B (zh) | 2019-03-12 | 2019-03-12 | 一种基于分布集鲁棒的交通最短路径确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009137A CN110009137A (zh) | 2019-07-12 |
CN110009137B true CN110009137B (zh) | 2020-12-11 |
Family
ID=67166770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910182624.2A Active CN110009137B (zh) | 2019-03-12 | 2019-03-12 | 一种基于分布集鲁棒的交通最短路径确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009137B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762667B (zh) * | 2020-08-13 | 2024-07-19 | 北京京东振世信息技术有限公司 | 一种车辆调度方法和装置 |
US12058601B2 (en) * | 2021-02-25 | 2024-08-06 | Nokia Solutions And Networks Oy | Electronic packet switching based on traffic properties |
CN113962612B (zh) * | 2021-11-25 | 2024-06-11 | 东北电力大学 | 基于改进Wasserstein测度的电热联合系统分布鲁棒优化调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN107544251A (zh) * | 2017-09-25 | 2018-01-05 | 清华大学 | 一种基于分布式鲁棒模型的最小化总拖期的单机调度方法 |
-
2019
- 2019-03-12 CN CN201910182624.2A patent/CN110009137B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN107544251A (zh) * | 2017-09-25 | 2018-01-05 | 清华大学 | 一种基于分布式鲁棒模型的最小化总拖期的单机调度方法 |
Non-Patent Citations (5)
Title |
---|
Pareto efficiency of reliability-based traffic equilibria;Zhijia Tan;《Transportation Research Part B》;20140831;第2-3节 * |
不确定条件对交通网络设计的影响分析;蒋洋等;《交通运输系统工程与信息》;20140630;第14卷(第3期);第1-3节 * |
基于不同风险态度的用户均衡状态路径选择;李小静等;《兰州交通大学学报》;20160228;第35卷(第1期);第1-3节 * |
基于出行时间可靠性的交通配流问题;邵虎等;《管理科学学报》;20091031(第5期);第1-3节 * |
基于走行时间鲁棒可靠性的随机交通均衡问题;孙华等;《交通运输系统工程与信息》;20120430;第12卷(第2期);第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN110009137A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009137B (zh) | 一种基于分布集鲁棒的交通最短路径确定方法 | |
CN105897329B (zh) | 基于多目标决策的leo卫星网络多业务路由优化方法 | |
CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
CN108827335B (zh) | 一种基于单向搜索模型的最短路径规划方法 | |
Xiao et al. | Pressure releasing policy in traffic signal control with finite queue capacities | |
CN110336751B (zh) | 基于隶属函数的低轨卫星网络路由策略 | |
CN113518007B (zh) | 一种基于联邦学习的多物联网设备异构模型高效互学习方法 | |
CN111147398A (zh) | 一种时延敏感网络中的通信计算联合资源分配方法及系统 | |
CN108519737A (zh) | 一种考虑能源补给的无人设备路径规划方法 | |
CN111356199B (zh) | 一种三维场景中车载自组织网络路由选择方法 | |
CN105722030B (zh) | 一种dtn网络中节点位置预测方法 | |
CN104301259A (zh) | 一种适用于多跳无线mesh网络的资源分配方法 | |
CN111404815B (zh) | 一种基于深度学习的有约束路由选择方法 | |
CN106211344A (zh) | 一种基于情景感知的Ad Hoc网络带宽管理方法 | |
Yuan et al. | Integrated route planning and resource allocation for connected vehicles | |
CN106105282B (zh) | 利用链路缓冲区状态进行流量工程的系统和方法 | |
Adacher et al. | A surrogate approach for the global optimization of signal settings and traffic assignment problem | |
CN103079249A (zh) | 一种基于车流密度的物联网组播数据传输方法 | |
Van der Zijpp et al. | Estimation of origin-destination demand for dynamic assignment with simultaneous route and departure time choice | |
CN110881178A (zh) | 一种基于分支游走的物联网数据聚合方法 | |
CN110049464B (zh) | 一种基于auv三维移动模型的水下传感网数据收集方法 | |
CN114169580A (zh) | 一种区域枢纽的交通等时圈计算方法 | |
CN105337702A (zh) | 一种采用基于Delaunay三角剖分的空间网络编码的网络传输方法 | |
Liu et al. | Improved Opening Window Trajectory Simplification Algorithm | |
TWI700940B (zh) | 行為偵測方法 |
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 |