CN110084505A - 一种基于客流的智能排班方法及装置、移动端设备、服务器 - Google Patents
一种基于客流的智能排班方法及装置、移动端设备、服务器 Download PDFInfo
- Publication number
- CN110084505A CN110084505A CN201910325269.XA CN201910325269A CN110084505A CN 110084505 A CN110084505 A CN 110084505A CN 201910325269 A CN201910325269 A CN 201910325269A CN 110084505 A CN110084505 A CN 110084505A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- period
- passenger
- shift scheduling
- smart shift
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000013178 mathematical model Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 13
- 241001269238 Data Species 0.000 claims description 5
- 239000010755 BS 2869 Class G Substances 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客流的智能排班方法及装置、移动端设备、服务器,所述方法包括如下步骤,步骤1,获取公交的历史客流数据;步骤2,通过灰色模型预测某一天的客流,步骤3,对客流预测值划分成多个时间段,步骤4,计算每个时间段的最佳发车间隔,步骤5,根据最佳发车间隔进行排班,进而得到车辆发车计划。本发明通过数学模型计算得出最优的排班方式,输入客流量即可得到排班的结果,减少人为因素和不同城市因素的影响;通过使用灰色模型,并采用fisher最优分割法,最佳发车间隔的选择同时考虑了公交运营成本和乘客的等车成本,实现在降低公交运营成本的同时,有效保证乘客的乘车体验。
Description
技术领域
本发明涉及智能交通研究领域,尤其是根据公交客流大数据进行智能排班的方法,具体涉及一种基于客流的智能排班方法及装置、移动端设备、服务器。
背景技术
我国各大城市为了缓解交通拥堵,均在积极规划和改善公共交通服务,从而提升公共交通的乘客数量,缓解城市交通压力。如何合理的进行公交排班,在降低公交运营成本的同时,保证对乘客的服务质量,对公共交通服务质量的改善起着至关重要的作用。现有的公交排班大多依赖排班人员的主观经验,排班结果无统一标准,排班无法很好的贴合客流,我公司之前研发的一种基于历史客流大数据的公交智能排班方法,通过对历史客流的简单处理后,用于排班,一方面客流预测不够准确,另一方面无法同时兼顾公交运营成本和服务质量。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于客流的智能排班方法及装置、移动端设备、服务器,本发明的方法提高了客流预测的精度,实现在降低公交运营成本的同时,有效保证乘客的乘车体验。
为达到上述目的,本发明是通过以下的技术方案来实现的。
步骤1,获取公交的历史客流数据,所述历史客流数据包括每个公交站点的上车人数及上车时间、下车人数及下车时间。
步骤2,通过灰色模型根据n天历史客流数据预测第n+1天中每隔Qmin的时间区间的客流总数,Q∈[15,60];
关于Q的时间区间的取值,如果时间区间太小,会使得客流的随机性增加,对客流预测的准确性会降低,如果时间区间太大,比如是对每2h的客流进行预测,这样一天中只有12个客流预测值,把12个客流预测值分在步骤3所述的7 个时间段中,比较有困难并且不够合理。
步骤21,对所述历史客流数据进行预处理
获取之前连续同种类型日期的n天历史客流数据,将其中每天的历史客流数据按照每隔Qmin的时间聚合,得到每天每隔Qmin的时间区间的客流总数,所述同种类型日期是指相同的工作日或相同的节假日;
步骤22,使用灰色模型GM(1,1)预测第n+1天中每隔Qmin的时间区间的客流总数,Q∈[15,60]
所述灰色模型GM(1,1)表示1阶的、1个变量的微分方程模型,具体如下:
设x(0)=(x(0)(1),x(0)(2),…,x(0)(n)),其中n表示历史客流的天数,x(0)(1) 表示第一天历史客流中任Qmin的时间区间的客流数,比如,x(0)(1)表示第一天历史客流中6:00-6:30的客流数;
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))
称x(1)为x(0)的1次累加生成数列
z(1)(k)=αx(1)(k)+(1-α)x(1)(k-1),k=2,3,…,n;
z(1)=(z(1)(1),z(1)(2),…,z(1)(n))
称z(1)为邻值生成数列,权重α成为生成系数,优选,α取值0.5,当α=0.5 时,称z(1)为均值生成数列或等权邻值生成数列。
建立灰色模型GM(1,1)
定义GM(1,1)的灰微分方程为
x(0)(k)+az(1)(k)=b
其中,x(0)称为灰导数,a称为发展系数,z(1)称为白化背景值,b称为灰作用量。
将时刻k=2,3,…,n带入得
引入矩阵记号u、Y、B
于是GM(1,1)模型可表示为Y=Bu
使用最小二乘法求解u
对于GM(1,1)的灰微分方程,如果将时刻k=2,3,…,n视为连续变量 t,则之前的x(1)视为时间t函数,于是灰导数x(0)(k)变为连续函数的导数白化背景值z(1)(k)对应于导数x(1)(t)。于是GM(1,1)的灰微分方程对应于的白微分方程为
解为:
于是得到第n+1天中每隔Qmin的任一时间区间的客流预测值
进而得到某天中每隔Qmin的时间区间的m条客流预测值,
步骤3,对步骤2的m条客流预测值划分成h个时间段
优选的,根据步骤2得到的所述每隔Qmin的时间区间的m条客流预测值,使用fisher最优分割的方法把所述m条客流预测值划分为h个时间段,使每个时间段的每条客流预测值之间的波动或方差最小;也就是说使每个时间段的每条客流预测值比较接近;优选的,h值取7,把m条客流预测值划分成7个时间段,这里选取7个时间段是因为一般情况下,一天中客流分布会呈现低、平、高、平、高、平、低七个阶段,当然这里也可以根据具体的线路客流情况划分不同的时间段),
所述fisher最优分割法如下:
设预测的每隔Qmin的时间区间的m条客流预测值依次为x1,x2,…,xm,用 b(m,h)表示把m个客流预测值分为h个时间段的一种分法;
定义优化的目标,设某一类G包含有样本{xi,xi+1,…,xj-1,xj},j>i,记为G= {i,i+1,…,j},该类的均值向量:
类的直径为:
误差函数为:
当n,h固定时,L(b(m,h))越小,表示各类的离差平方和越小,分类越是合理的,记p(m,h)是达到极小值的分类法,即为最优的分法;
递归求解
最优求解法:若分类数h(1<h<m)已知,求分类法p(n,h),使它在损时函数意义下达到最小,
先找点jh,使
L(p(m,h))=L(p(jh-1,h-1))+D(jh,m)
得第h类Gh={jh,jh+1,…,m}
依此类推,得到G1,G2,…,Gh,即得到最优的分法p(m,h)
步骤4,计算每个时间段的最佳发车间隔Δti,i∈{1,2,…,h}
优选的,使用粒子群算法进行搜索,对公交运营建立如下的数学模型,其中Δti为优化的变量,即需要寻找最佳发车间隔,使得总成本最低。
设L(Δti)=λ1某线路每天公交运营成本(Δti)+λ2某线路每天乘客等车成本 (Δti),Δti∈[最小行车间隔,最大行车间隔],λ1、λ2分别为某线路每天公交运营成本、某线路每天乘客等车成本的权重;
得到最终解:即当L(Δti)取最小值时Δti的取值;
优选的,为了防止平均实载率过低造成班次浪费,或者最大实载率过高影响乘客体验,Δti需要同时满足条件:
其中T时段时长是指客流预测值最大的时间段的时长,T客流指是T时段时长的客流预测值,η∈[5%,15%],ω∈[40%,60%],其中 E(OD站数)是指乘客平均乘坐的站数;
得到最终解:即满足条件 E(Δti)≥η、M(Δti)≤ω时L(Δti)取最小值时Δti的取值;
优选的,η值取10%,ω值取50%;
步骤5,根据步骤4中得到的每个时间段的最佳发车间隔进行排班,即得到发车时刻表,进而得到车辆发车计划。
根据最佳发车间隔对其所在的时间段进行排班,得到出发车时刻表,即为最优的排班方式。
与现有技术相比,本发明具有如下有益效果:
本发明通过数学模型计算得出最优的排班方式,输入客流量即可得到排班的结果,通过将相关的信息参数化,仅调整参数就可以对不同的城市进行排班,减少人为因素和不同城市因素的影响。通过使用灰色模型,根据历史客流大数据,实现对客流的精准预测;并采用fisher最优分割法,根据客流情况把班次的运营时间划分为7个时间段,使每个时间段的每条客流预测值之间的波动 (方差)最小,这样每个时间段内使用相同的发车间隔较为合理;最佳发车间隔的选择同时考虑了公交运营成本和乘客的等车成本,实现在降低公交运营成本的同时,有效保证乘客的乘车体验,并且可以实时根据前一段时间的客流量不断地调整公交的排班。
具体实施方式
为了阐明本发明的技术方案和工作原理,下面结合具体实施例对本发明做详细的介绍,目的是使得本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解。本实施例中,包括但不限于公交车辆,也包括与公交车采用类似运行模式的企业班车、大巴车辆、地铁等。
实施例一:
步骤1,获取公交的历史客流数据,所述历史客流数据包括每个公交站点的上车人数及上车时间、下车人数及下车时间。
步骤2,通过灰色模型根据30天历史客流数据预测后一天即第31天中每隔 30min的时间区间的客流总数,
步骤21,对所述历史客流数据进行预处理
获取之前连续的30天工作日的历史客流数据,将其中每天的历史客流大数据按照每30min的时间聚合,如果某班次的运营时间为06:00-22:00,即分别得到6:00-6:30、6:30-7:00、7:00-7:30……,21:30-22:00的32个半个小时时间区间内的客流总数据。
步骤22,使用灰色模型GM(1,1)预测后一天即第31天中每隔30min的时间区间的客流总数,
所述灰色模型GM(1,1)表示1阶的、1个变量的微分方程模型,具体如下:
设x(0)=(x(0)(1),x(0)(2),…,x(0)(n)),其中n为30,表示历史客流的天数为30天,x(0)(1)表示第一天历史客流中任30min的时间区间的客流数,比如, x(0)(1)表示第一天历史客流中6:00-6:30的客流数,x(0)(2)表示第二天历史客流中6:00-6:30的客流数……。
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))
称x(1)为x(0)的1次累加生成数列
z(1)(k)=αx(1)(k)+(1-α)x(1)(k-1),k=2,3,…,n;
z(1)=(z(1)(1),z(1)(2),…,z(1)(n))
称z(1)为邻值生成数列,权重α成为生成系数,α取值0.5。
建立灰色模型GM(1,1)
定义GM(1,1)的灰微分方程为
x(0)(k)+az(1)(k)=b
其中,x(0)称为灰导数,a称为发展系数,z(1)称为白化背景值,b称为灰作用量。
将时刻k=2,3,…,n带入得
引入矩阵记号u、Y、B
于是GM(1,1)模型可表示为Y=Bu
使用最小二乘法求解u
对于GM(1,1)的灰微分方程,如果将时刻k=2,3,…,n视为连续变量 t,则之前的x(1)视为时间t函数,于是灰导数x(0)(k)变为连续函数的导数白化背景值z(1)(k)对应于导数x(1)(t)。于是GM(1,1)的灰微分方程对应于的白微分方程为
解为:
于是得到第31天中每隔30min的任一时间区间的客流预测值
进而得到某天中每隔30min的时间区间的m条客流预测值,
如果公交运营时间为06:00-22:00,则m为32;
步骤3,对步骤2的32条客流预测值划分成7个时间段
优选的,根据步骤2得到的所述每隔30min的时间区间的32条客流预测值,使用fisher最优分割的方法把所述32条客流预测值划分为7个时间段,使每个时间段的每条客流预测值之间的波动或方差最小;也就是说使每个时间段的每条客流预测值比较接近;这里选取7个时间段,是因为一般情况下一天中客流分布会呈现低、平、高、平、高、平、低七个阶段,当然这里也可以根据具体的线路客流情况划分不同的时间段。
所述fisher最优分割法如下:
设预测的每隔30min的时间区间的32条客流预测值依次为x1,x2,…,xm,用 b(m,h)表示把m个客流预测值分为h个时间段的一种分法,m为32,h为7,即把32个客流预测值分为7个时间段的一种分法;
定义优化的目标,设某一类G包含有样本{xi,xi+1,…,xj-1,xj},j>i,记为G= {i,i+1,…,j},该类的均值向量:
类的直径为:
误差函数为:
当n,h固定时,L(b(m,h))越小,表示各类的离差平方和越小,分类越是合理的,记p(m,h)是达到极小值的分类法,即为最优的分法;
递归求解
最优求解法:若分类数h(1<h<m)已知,求分类法p(n,h),使它在损时函数意义下达到最小,
先找点jh,使
L(p(m,h))=L(p(jh-1,h-1))+D(jh,m)
得第h类Gh={jh,jh+1,…,m}
依此类推,得到G1,G2,…,Gh,即得到最优的分法p(m,h)
步骤4,计算每个时间段的最佳发车间隔Δti,i∈{1,2,…,h}
优选的,使用粒子群算法进行搜索,对公交运营建立如下的数学模型,其中Δti为优化的变量,即需要寻找最佳发车间隔,使得总成本最低。
设L(Δti)=λ1某线路每天公交运营成本(Δti)+λ2某线路每天乘客等车成本 (Δti),Δti∈[最小行车间隔,最大行车间隔],λ1、λ2分别为某线路每天公交运营成本、某线路每天乘客等车成本的权重;
为了防止平均实载率过低造成班次浪费,或者最大实载率过高影响乘客体验,Δti需要同时满足条件:
其中T时段时长是指客流预测值最大的时间段的时长,T客流指是T时段时长的客流预测值,其中E(OD站数)是指乘客平均乘坐的站数;
得到最终解:即满足条件E(Δti)≥10%、M(Δti)≤50%时L(Δti)取最小值时Δti的取值;
步骤5,根据步骤4中得到的每个时间段的最佳发车间隔进行排班,即得到发车时刻表,进而得到车辆发车计划。
根据最佳发车间隔对其所在的时间段进行排班,得到出发车时刻表,即为最优的排班方式。
基于相同的技术构思,本发明实施例提供的一种基于客流的智能排班装置,该装置可以执行一种基于客流的智能排班方法的流程。该装置包括获取单元、预测单元、第一优化单元、第二优化单元、输出单元;
所述获取单元,执行所述的一种基于客流的智能排班方法的步骤1的步骤;
所述预测单元,执行所述的一种基于客流的智能排班方法的步骤2的步骤;
所述第一优化单元,执行所述的一种基于客流的智能排班方法的步骤3的步骤;
所述第二优化单元,执行所述的一种基于客流的智能排班方法的步骤4的步骤;
所述输出单元,执行所述的一种基于客流的智能排班方法的步骤5的步骤。
本发明还包括一种移动端设备,包括所述一种基于客流的智能排班装置。
本发明还包括一种服务器,包括所述一种基于客流的智能排班装置。
以上对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (7)
1.一种基于客流的智能排班方法,其特征在于,包括以下具体步骤:
步骤1,获取公交的历史客流数据,所述历史客流数据包括每个公交站点的上车人数及上车时间、下车人数及下车时间;
步骤2,通过灰色模型根据n天历史客流数据预测第n+1天中每隔Q min的时间区间的客流总数,Q∈[15,60];
步骤21,对所述历史客流数据进行预处理
获取之前连续同种类型日期的n天历史客流数据,将其中每天的历史客流数据按照每隔Q min的时间聚合,得到每天每隔Q min的时间区间的客流总数,所述同种类型日期是指相同的工作日或相同的节假日;
步骤22,使用灰色模型GM(1,1)预测第n+1天中每隔Q min的时间区间的客流总数
所述灰色模型GM(1,1)表示1阶的、1个变量的微分方程模型,具体如下:
设x(0)=(x(0)(1),x(0)(2),…,x(0)(n)),其中n表示历史客流的天数,x(0)(1)表示第一天历史客流中任Q min的时间区间的客流数,
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))
称x(1)为x(0)的1次累加生成数列
z(1)(k)=αx(1)(k)+(1-α)x(1)(k-1),k=2,3,…,n;
z(1)=(z(1)(1),z(1)(2),…,z(1)(n))
称z(1)为邻值生成数列,权重α成为生成系数;
建立灰色模型GM(1,1)
定义GM(1,1)的灰微分方程为
x(0)(k)+az(1)(k)=b
其中,x(0)称为灰导数,a称为发展系数,z(1)称为白化背景值,b称为灰作用量;
将时刻k=2,3,…,n带入得
引入矩阵记号u、Y、B
于是GM(1,1)模型可表示为Y=Bu
使用最小二乘法求解u
对于GM(1,1)的灰微分方程,如果将时刻k=2,3,…,n视为连续变量t,则之前的x(1)视为时间t函数,于是灰导数x(0)(k)变为连续函数的导数白化背景值z(1)(k)对应于导数x(1)(t);于是GM(1,1)的灰微分方程对应于的白微分方程为
解为:
于是得到第n+1天中每隔Q min的任一时间区间的客流预测值
进而得到某天中每隔Q min的时间区间的m条客流预测值,
步骤3,对步骤2的所述m条客流预测值划分成h个时间段
步骤4,计算每个时间段的最佳发车间隔Δti,i∈{1,2,…,h}
步骤5,根据步骤4中得到的每个时间段的最佳发车间隔进行排班,即得到发车时刻表,进而得到车辆发车计划。
2.根据权利要求1所述的一种基于客流的智能排班方法,其特征在于,步骤3中对步骤2的所述m条客流预测值划分成h个时间段,具体为:使用fisher最优分割的方法把所述m条客流预测值划分为h个时间段,使每个时间段的每条客流预测值之间的波动或方差最小;
所述fisher最优分割法如下:
设预测的每隔Q min的时间区间的m条客流预测值依次为x1,x2,…,xm,用b(m,h)表示把m个客流预测值分为h个时间段的一种分法:
定义优化的目标,设某一类G包含有样本{xi,xi+1,…,xj-1,xj},j>i,记为G={i,i+1,…,j},该类的均值向量:
类的直径为:
误差函数为:
当n,h固定时,L(b(m,h))越小,表示各类的离差平方和越小,分类越是合理的,记p(m,h)是达到极小值的分类法,即为最优的分法;
递归求解
最优求解法:若分类数h(1<h<m)已知,求分类法p(n,h),使它在损时函数意义下达到最小,
先找点jh,使
L(p(m,h))=L(p(jh-1,h-1))+D(jh,m)
得第h类Gh={jh,jh+1,…,m}
依此类推,得到G1,G2,…,Gh,即得到最优的分法p(m,h)。
3.根据权利要求2所述的一种基于客流的智能排班方法,其特征在于,步骤4中计算每个时间段的最佳发车间隔,具体为:
使用粒子群算法进行搜索,对公交运营建立如下的数学模型,其中Δti为优化的变量,即需要寻找最佳发车间隔,使得总成本最低;
设L(Δti)=λ1某线路每天公交运营成本(Δti)+λ2某线路每天乘客等车成本(Δti),Δti∈[最小行车间隔,最大行车间隔],λ1、λ2分别为某线路每天公交运营成本、某线路每天乘客等车成本的权重;
得到最终解:即当L(Δti)取最小值时Δti的取值。
4.根据权利要求3所述的一种基于客流的智能排班方法,其特征在于,步骤4中Δti的求解过程中,Δti需要同时满足条件:
其中T时段时长是指客流预测值最大的时间段的时长,T客流指是T时段时长的客流预测值,η∈[5%,15%],ω∈[40%,60%],其中E(OD站数)是指乘客平均乘坐的站数;
得到最终解:即满足条件E(Δti)≥η、M(Δti)≤ω时L(Δti)取最小值时Δti的取值。
5.一种基于客流的智能排班装置,其特征在于,包括获取单元、预测单元、第一优化单元、第二优化单元、输出单元;
所述获取单元,执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤1的步骤;
所述预测单元,执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤2的步骤;
所述第一优化单元,执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤3的步骤;
所述第二优化单元,执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤4的步骤;
所述输出单元,执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤5的步骤。
6.一种移动端设备,其特征在于,包括如权利要求5所述的一种基于客流的智能排班装置。
7.一种服务器,其特征在于,包括如权利要求5所述的一种基于客流的智能排班装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325269.XA CN110084505A (zh) | 2019-04-22 | 2019-04-22 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325269.XA CN110084505A (zh) | 2019-04-22 | 2019-04-22 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084505A true CN110084505A (zh) | 2019-08-02 |
Family
ID=67416062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325269.XA Pending CN110084505A (zh) | 2019-04-22 | 2019-04-22 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084505A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160686A (zh) * | 2019-10-12 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种行车计划生成方法及装置 |
CN111161536A (zh) * | 2019-12-25 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种公交专用道的时段及路段选取方法、装置及系统 |
CN111401663A (zh) * | 2020-04-12 | 2020-07-10 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
CN111754326A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
CN111931978A (zh) * | 2020-06-29 | 2020-11-13 | 南京熊猫电子股份有限公司 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
CN112078633A (zh) * | 2020-08-28 | 2020-12-15 | 通号城市轨道交通技术有限公司 | 轨道交通列车派班方法及系统 |
CN112396274A (zh) * | 2019-08-16 | 2021-02-23 | 阿里巴巴集团控股有限公司 | 任务调度方法 |
CN113033928A (zh) * | 2019-12-09 | 2021-06-25 | 南京行者易智能交通科技有限公司 | 一种基于深度强化学习的公交排班模型的设计方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355276A (zh) * | 2016-08-30 | 2017-01-25 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的发车时刻表生成系统 |
CN108615391A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种公交智能调度方法、系统及介质 |
CN109255972A (zh) * | 2018-09-11 | 2019-01-22 | 北京市交通信息中心 | 一种基于大数据的地面公交固定线路时刻表的优化方法 |
CN109657845A (zh) * | 2018-11-29 | 2019-04-19 | 河海大学 | 一种针对时变客流的城市轨道交通列车时刻表优化系统 |
-
2019
- 2019-04-22 CN CN201910325269.XA patent/CN110084505A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355276A (zh) * | 2016-08-30 | 2017-01-25 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的发车时刻表生成系统 |
CN108615391A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种公交智能调度方法、系统及介质 |
CN109255972A (zh) * | 2018-09-11 | 2019-01-22 | 北京市交通信息中心 | 一种基于大数据的地面公交固定线路时刻表的优化方法 |
CN109657845A (zh) * | 2018-11-29 | 2019-04-19 | 河海大学 | 一种针对时变客流的城市轨道交通列车时刻表优化系统 |
Non-Patent Citations (1)
Title |
---|
徐潇: "基于客流预测的公交调度优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396274A (zh) * | 2019-08-16 | 2021-02-23 | 阿里巴巴集团控股有限公司 | 任务调度方法 |
CN111160686A (zh) * | 2019-10-12 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种行车计划生成方法及装置 |
CN111160686B (zh) * | 2019-10-12 | 2021-04-16 | 南京行者易智能交通科技有限公司 | 一种行车计划生成模型的设计方法及装置 |
CN113033928B (zh) * | 2019-12-09 | 2023-10-31 | 南京行者易智能交通科技有限公司 | 一种基于深度强化学习的公交排班模型的设计方法、装置及系统 |
CN113033928A (zh) * | 2019-12-09 | 2021-06-25 | 南京行者易智能交通科技有限公司 | 一种基于深度强化学习的公交排班模型的设计方法、装置及系统 |
CN111161536B (zh) * | 2019-12-25 | 2021-04-02 | 南京行者易智能交通科技有限公司 | 一种公交专用道的时段及路段选取方法、装置及系统 |
CN111161536A (zh) * | 2019-12-25 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种公交专用道的时段及路段选取方法、装置及系统 |
CN111401663B (zh) * | 2020-04-12 | 2021-04-27 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
CN111401663A (zh) * | 2020-04-12 | 2020-07-10 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
CN111754326A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
CN111754326B (zh) * | 2020-06-24 | 2024-04-05 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
CN111931978A (zh) * | 2020-06-29 | 2020-11-13 | 南京熊猫电子股份有限公司 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
CN112078633A (zh) * | 2020-08-28 | 2020-12-15 | 通号城市轨道交通技术有限公司 | 轨道交通列车派班方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084505A (zh) | 一种基于客流的智能排班方法及装置、移动端设备、服务器 | |
CN107230014B (zh) | 一种末端即时物流的智能调度系统 | |
CN105070044B (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
Wu et al. | A label based ant colony algorithm for heterogeneous vehicle routing with mixed backhaul | |
Chuanjiao et al. | Scheduling combination and headway optimization of bus rapid transit | |
CN103226801B (zh) | 基于多用户配流模型的空港集疏运交通量确定方法 | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
Espinosa-Aranda et al. | High-speed railway scheduling based on user preferences | |
CN109949068A (zh) | 一种基于预测结果的实时拼车方法和装置 | |
CN104884900A (zh) | 行程时间信息提供设备和行程时间信息提供方法 | |
CN107256631A (zh) | 一种车辆轨迹数据聚合运算方法 | |
Garrison et al. | Travel, work, and telecommunications: a view of the electronics revolution and its potential impacts | |
WO2019003672A1 (ja) | 交通需要予測装置、及び交通需要予測方法 | |
CN111340318B (zh) | 一种车辆动态调度方法、装置及终端设备 | |
CN110544055A (zh) | 订单处理方法和装置 | |
CN114328675A (zh) | 基于双注意力机制和双向双层lstm的公交行程时间预测方法 | |
CN109063970A (zh) | 基于客流仿真分析的双向自动排班系统 | |
Ma et al. | Public transportation big data mining and analysis | |
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 | |
CN110459050B (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
Santi et al. | A future of shared mobility | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
Sharma et al. | Heuristics and meta-heuristics based multiple depot vehicle routing problem: A review | |
CN112669595A (zh) | 一种基于深度学习的网约车流量预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190802 |