CN110909434B - 一种低碳导向下的城市公共交通干线网络设计方法 - Google Patents
一种低碳导向下的城市公共交通干线网络设计方法 Download PDFInfo
- Publication number
- CN110909434B CN110909434B CN201910962500.6A CN201910962500A CN110909434B CN 110909434 B CN110909434 B CN 110909434B CN 201910962500 A CN201910962500 A CN 201910962500A CN 110909434 B CN110909434 B CN 110909434B
- Authority
- CN
- China
- Prior art keywords
- node
- line
- bus
- station
- carbon emission
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种低碳导向下的城市公共交通干线网络设计方法,该方法以公交干线网络碳排放量最小为目标,构建了公共交通干线布设的双层规划模型,其中,上层模型是基于遗传算法的路线选择模型,下层模型是基于图论的客流分配模型。与现有技术相比,本发明的有益效果在于:以低碳为导向,提出了城市公共交通干线的设计方法,在承担公交干线客流的基础上,有效地减少了城市公共交通干线的碳排放。
Description
技术领域
本发明涉及城市公共交通干线网络设计的领域,特别是涉及一种低碳导向下的城市公共交通干线网络设计方法。
背景技术
现代人类生产生活中产生的碳排放加速了温室效应和全球变暖等环境问题,限制了社会的高速发展和进步。为了实现交通与经济的可持续发展,必须发展出更低碳更绿色的生产生活模式。公共交通作为一种社会公共服务,往往需要保证较高的覆盖率,而高覆盖率意味着一些支线上的能源浪费和较高的单次出行碳排放量,因此聚焦城市公共交通干线,以低碳为导向,针对公共交通干线的布设方法做出改进,保证公共交通干线的服务效率,提高公共交通的吸引力,从而引导居民出行向更低碳的方式发展。
本发明基于客流OD分布及其地理信息特征,提出了低碳导向下的城市公共交通干线网络设计方法。以碳排放量最小为目标,结合公交线网布设中的各类约束条件,构建出公共交通干线布设的双层规划模型,上层模型求解公共交通干线的布设方案,下层根据上层模型方案进行公交客流分配。构建公交首末站选择方法,求解每对首末站间的K条最短路,基于服务效率构建备选线路集筛选机制,建立备选线路集。应用遗传算法求解当前首末站下公共交通干线的最优布设方案,检验该方案各线路的客流量是否满足干线要求,若不满足,迭代更新直至得到满足干线客流量要求的公共交通干线布设方案。
发明内容
为了解决以上问题,本发明提出了低碳导向下的城市公共交通干线网络设计方法,以碳排放量最小为目标,构建出公共交通干线布设的双层规划模型,利用节点对重要度计算方法选择公交首末站,求解每对首末站间的K条最短路作为初始的候选线路集合,基于服务效率构建备选线路集筛选机制,应用遗传算法求解满足干线客流要求且碳排放量最小的公共交通干线布设方案。
为达此目的,本发明提供一种低碳导向下的城市公共交通干线网络设计方法,具体步骤如下:
步骤1、交通数据采集与处理;
采集居民出行数据和公共服务设施地理空间数据,其中出行数据通过发放居民出行调查问卷,采集调查样本的原始出行数据得来,包括每次出行的出发点、目的地、出行方式和出行时间;公共服务设施地理空间数据通过在线电子地图采集,包括公交枢纽站在内的大型公共服务设施点;人口密度和就业岗位密度数据通过空间数据库获取;
针对研究区域内的交通小区,编号并以交通小区内最重要的公共服务设施点为出行吸引和发生的中心位置,即节点,根据节点的经纬度计算各节点间的距离矩阵;通过对居民出行数据的统计与处理,得到交通小区间的机动车出行OD矩阵;测量并收集与公共交通相关的碳排放特征量,计算得到公共交通运行时每千米的碳排放量,即公共交通的碳排放因子;
步骤2、构建双层规划模型;
构建双层规划模型来确定公交干线的网络化配置,上层模型是基于遗传算法的路线选择模型,以公交干线网络碳排放量最小为目标,约束条件包括:流量守恒条件、最大出行时间约束、最大停靠站点数约束、最大配车数约束和供应与需求关系约束;下层模型是客流分配模型,以出行时间最小为目标,将流量分配到路网上;
步骤3、构建节点对重要度的计算方法,确定公交干线的首末站选择方法;
构建以人口密度和就业岗位密度为主要影响因素的潜力因子,结合对区位的考虑,计算单个节点的重要度;结合对客流量的考虑,计算节点对间重要度,得出节点对的重要度矩阵;将重要度矩阵进行归一化处理,并按照大小进行排序,选择重要度最大的n对节点对作为首末站;
步骤4、构建备选线路集筛选机制,建立备选线路集;
根据步骤3中首末站选择结果,按照Dijkstra算法求解每对首末站的K条最短路,从而形成初始的候选线路集合;在初始候选线路集合考虑线路长度影响的基础上,引入“服务效率”的概念,分析客流分布对线路选择的影响;定义每条线路累计服务的OD量与线路长度的商为服务效率,计算每对首末站候选线路的服务效率并排序,将每对首末站间的服务效率最高的k条线路选入最终的备选线路集合;
步骤5、应用遗传算法求解碳排量最小的公交干线布设方案;
对初始种群进行编码,染色体编码的长度等于n,每个编码可以有k种可能编码;遗传算法的选择策略随机采取轮盘赌策略和锦标赛选择策略;按照顺序依次对两个父代染色体进行交叉操作;根据变异概率进行变异操作;双层模型以单次出行碳排放量最小为目标,适应度函数为单次出行碳排放量的倒数;经过N次种群迭代后,得到n对首末站时碳排量最小的公交干线布设方案;
步骤6、检验当前公交干线布设方案的客流是否满足干线要求;
根据步骤5中得到的公交干线布设方案,计算得到每条线路的单向客运能力,检验该方案下线路客运能力是否满足公交的干线服务要求;若满足,结束步骤;若不满足,转移至步骤7;
步骤7、迭代更新首末站,更新公交干线布设方案;
在原方案的基础上,按照重要度的排序,每次增设一对公交首末站,重复步骤3~6,依次筛选备选线路,求解最优布设方案,直至方案满足公交的干线服务要求,分析最后的公交干线布设方案的碳排放情况;
本发明的进一步改进,步骤2中双层规划模型的构建如下:
上层模型
s.t.
tr≤Tmax (7)
公式(1)以单次出行的碳排放量最小为目标,通过将碳排放因子与单次平均出行距离相乘来计算碳排放量。约束(2)保证流入节点的流量等于流出节点的流量,约束(3)提供了每条线路上总出行时间的计算公式,在约束(4)提供了路径r是否到终点站s的判断,若是则为1,否则为0。约束(5)保证了车队规模处于一个合理范围内,约束(6)保证了单条公交线路上停靠站的最大数目,约束(7)设置了单条线路的最大旅行时间。约束(8)计算了路段上的载客量,并保证了该载客量不小于该路段上的需求量;
下层模型
s.t.
va≥0 for a∈A (12)
tw≥0 for n∈N (13)
基于上层模型的线路选择结果,下层模型以总出行时间最小为目标,描述了公交客流的分配方法。约束(10)是节点的流量守恒条件;约束(11)保证了公交服务的供应不小于需求,可以通过其供应得到满足;约束(12)和(13)是非负条件。
其中,i,j均为节点的标号;a表示节点i与j之间的路段,A=∑a(i,j)表示所有路段的集合;R=r(o,d),r表示以o和d为首站和末站的路径;R′=∑r(o,d)表示所有路径的集合。AE是单次出行的平均碳排放量,E0是碳排放因子(单位:kg/CO2),lij是节点i和j之间的距离,va是路段a上的流量;Xijr是定义好的0-1变量,若路径r经过节点i后马上经过节点j则Xijr=1,否则Xijr=0;Wmin是最小配车数,Wmax是最大配车数,fr是路径r的发车频率,tr是路径r的总出行时间,tij是车内的行驶时间,tw是乘车的等待时间;Smax是单条公交线路上停靠站的最大数目;Tmax是单条线路的最大旅行时间;ds是公交的需求量,是从节点i出发并以s为终点站的出行需求,Qcap是公交的额定载客量,是定义好的0-1变量,若路径r以节点s为终点站则否则
本发明的进一步改进,步骤3中节点重要度的具体计算方法如下:
(1)潜力因子θ(i):
θ(i)=αX(i)+βY(i)
式中,X(i)为节点i对应交通小区的人口密度,Y(i)为节点i对应交通小区的就业岗位密度,α和β分别为相应的加权因子,α,β∈(0,1),且α+β=1。
(2)单个节点的重要度I(i):
式中,Di表示节点i到其他所有节点的距离,θ(i)为节点i对应交通小区的潜力因子;
(3)节点对间重要度I(i,j):
I(i,j)=δ(i,j)I(i)I(j),i,j=1,…,n
式中,I(i)为节点i的重要度,I(j)为节点j的重要度,δ(i,j)为节点i和节点j之间的直达流量。
本发明的进一步改进,步骤4中备选线路集的筛选机制如下:
(1)每对首末站间的第K条路径的累计客流量VK:
VK=∑μ(i,j)δ(i,j)
式中,δ(i,j)为节点i和节点j之间的直达流量;当节点i和节点j均属于该路径时,μ(i,j)=1,否则μ(i,j)=0。
(2)每对首末站间的第K条路径的服务效率Ek:
式中,VK为第K条路径上的累计客流量,LK为该路径的长度。
与现有技术相比,本发明的有益效果在于:本发明作为一种低碳导向下的城市公共交通干线网络设计方法,与传统公共交通线路设计方法不同,本发明主要聚焦公共交通干线,以碳排放量最小为目标建立双层规划模型,并结合客流分布规律和地理空间信息,建立了相应的求解方法。本发明依据客流分布、节点的地理信息特征和潜力因子,计算节点对重要度,构建公交首末站的选择方法,基于服务效率建立备选线路集合的筛选机制,基于遗传算法迭代求解满足干线客流要求且碳排放量最小的公共交通干线布设方案。该方法以低碳为导向,提出了城市公共交通干线的设计方法,在承担公交干线客流的基础上,有效地减少了城市公共交通干线的碳排放。
附图说明
图1为本发明低碳导向下城市公共交通干线网络设计方法流程图。
图2为本发明公交首末站选择流程图。
图3为本发明备选线路集筛选流程图。
图4为本发明长兴县现状公交线网示意图和设计后的公交线网示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:本发明提供一种低碳导向下的城市公共交通干线网络设计方法,选择公交首末站,筛选备选线路集,通过遗传算法迭代求解公共交通干线的布设方案,以减少碳排放量为目标,优化公共交通干线的布设方案。
实施例
低碳导向下的城市公共交通干线网络设计方法流程如图1所示,包括以下步骤:
1)交通数据采集与处理;
采集居民出行数据,包括每次出行的出发点、目的地、出行方式和出行时间,在长兴县发放居民出行调查问卷,共收集有效问卷2812份,通过数据分析处理与样本校核,得到20个交通小区间机动出行的OD矩阵,根据公交的分担率计算得到公交出行的OD矩阵;以长兴县每个交通小区内的典型公共服务设施点作为表征该小区的节点,通过谷歌地图采集20个节点的经纬度数据,计算节点间的距离矩阵;通过实际测算确定公共交通的碳排放因子为0.037kg CO2/km。
2)构建双层规划模型;
结合长兴县的实际情况,为相应参数赋值,明确双层模型的计算范围。
3)构建节点对重要度的计算方法,确定公交干线的首末站选择方法;
假设人口密度和就业岗位密度吸引居民出行的潜在能力相同,即α=β=0.5,计算潜力因子;公交干线首末站选择的流程如图2所示,基于步骤1中的OD矩阵和距离矩阵,计算单个节点的重要度和节点对重要度,将重要度矩阵进行归一化处理,并按照大小进行排序,n=6,选择重要度最大的6个节点对作为首末站;(2,8),(7,5),(6,15),(6,12),(2,17)和(6,11)。
4)构建备选线路集筛选机制,建立备选线路集;
备选线路集构建的流程如图3所示,对步骤3中得到的6对首末站,按照Dijkstra算法求解每对首末站的5条最短路,计算每条线路的服务效率,并对计算每对首末站候选线路的服务效率并排序,将每对首末站间的服务效率最高的2条线路选入最终的备选线路集合;以(7,5)为例,应选取K=4(或k=1)和K=2(或k=2)这两条的线路进入备选线路集,这对首末站间5条最短路具体信息如表2所示:
表2最短路线路信息表
5)应用遗传算法求解碳排量最小的公交干线布设方案;
对初始种群进行编码,染色体编码的长度等于6,每个编码可以有2种可能编码,编码为1时,选择该首末站间效率最高的线路,即k=1的线路,编码为2时,选择该首末站间效率次高的线路,即k=2的线路。适应度函数为单次出行碳排放量的倒数,选择策略随机采取轮盘赌策略和锦标赛选择策略;按照顺序依次对两个父代染色体进行交叉操作;变异概率取0.16;经过100次种群迭代后,得到6对首末站下碳排量最小的公交干线布设方案为{1,2,1,2,1,2}。
6)检验当前公交干线布设方案的客流是否满足干线要求;
根据对长兴县县域内主干线路的客流量调查结果,认为公交线路的日运营量在8000~15000人次时可以被认为是公交干线;根据步骤5中得到的公交干线布设方案,计算得到线路上的日均客流量为4752人次,小于8000人次,当前方案不满足长兴县县域内公交干线的客流要求,转移至步骤7;
7)迭代更新首末站,更新公交干线布设方案;
n=6时,公交干线布设方案不满足公交干线的客流要求,按照重要度的顺序增设公交首末站,重复步骤3~6,依次筛选备选线路,求解最优布设方案;当n=12时,线路上的日均客流量为8832人次,满足长兴县县域内公交干线的客流要求,此时的方案为最终的设计方案。此时,碳排量最小的公交干线布设方案为{1,2,1,2,1,2,1,1,1,1,1,2},对应的12对公交首末站为:(1,16),(2,8),(2,17),(3,8),(6,11),(6,12),(6,14),(6,15),(7,5),(12,16),(14,16),(16,20)。
该方案下单次出行的碳排放量为0.30kg/CO2,而现状公交干线下单次出行碳排放量为0.50kg/CO2,相比现状,设计后的公交干线网络碳排放量下降了40.2%,下降程度显著。
现状和设计后的公交干线示意图如图4所示。
以上所述,仅是本发明的较佳实例而已,并非是对本发明做任何形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.一种低碳导向下的城市公共交通干线网络设计方法,其特征在于,具体步骤如下:
步骤1、交通数据采集与处理;
采集居民出行数据和公共服务设施地理空间数据,其中出行数据通过发放居民出行调查问卷,采集调查样本的原始出行数据得来,包括每次出行的出发点、目的地、出行方式和出行时间;公共服务设施地理空间数据通过在线电子地图采集,包括公交枢纽站在内的大型公共服务设施点;人口密度和就业岗位密度数据通过空间数据库获取;
针对研究区域内的交通小区,编号并以交通小区内最重要的公共服务设施点为出行吸引和发生的中心位置,即节点,根据节点的经纬度计算各节点间的距离矩阵;通过对居民出行数据的统计与处理,得到交通小区间的机动车出行OD矩阵;测量并收集与公共交通相关的碳排放特征量,计算得到公共交通运行时每千米的碳排放量,即公共交通的碳排放因子;
步骤2、构建双层规划模型;
构建双层规划模型来确定公交干线的网络化配置,上层模型是基于遗传算法的路线选择模型,以公交干线网络碳排放量最小为目标,约束条件包括:流量守恒条件、最大出行时间约束、最大停靠站点数约束、最大配车数约束和供应与需求关系约束;下层模型是客流分配模型,以出行时间最小为目标,将流量分配到路网上;
步骤3、构建节点对重要度的计算方法,确定公交干线的首末站选择方法;
构建以人口密度和就业岗位密度为主要影响因素的潜力因子,结合对区位的考虑,计算单个节点的重要度;结合对客流量的考虑,计算节点对间重要度,得出节点对的重要度矩阵;将重要度矩阵进行归一化处理,并按照大小进行排序,选择重要度最大的n对节点对作为首末站;
步骤4、构建备选线路集筛选机制,建立备选线路集;
根据步骤3中首末站选择结果,按照Dijkstra算法求解每对首末站的K条最短路,从而形成初始的候选线路集合;在初始候选线路集合考虑线路长度影响的基础上,引入“服务效率”的概念,分析客流分布对线路选择的影响;定义每条线路累计服务的OD量与线路长度的商为服务效率,计算每对首末站候选线路的服务效率并排序,将每对首末站间的服务效率最高的k条线路选入最终的备选线路集合;
步骤5、应用遗传算法求解碳排量最小的公交干线布设方案;
对初始种群进行编码,染色体编码的长度等于n,每个编码可以有k种可能编码;遗传算法的选择策略随机采取轮盘赌策略和锦标赛选择策略;按照顺序依次对两个父代染色体进行交叉操作;根据变异概率进行变异操作;双层模型以单次出行碳排放量最小为目标,适应度函数为单次出行碳排放量的倒数;经过N次种群迭代后,得到n对首末站时碳排量最小的公交干线布设方案;
步骤6、检验当前公交干线布设方案的客流是否满足干线要求;
根据步骤5中得到的公交干线布设方案,计算得到每条线路的单向客运能力,检验该方案下线路客运能力是否满足公交的干线服务要求;若满足,结束步骤;若不满足,转移至步骤7;
步骤7、迭代更新首末站,更新公交干线布设方案;
在原方案的基础上,按照重要度的排序,每次增设一对公交首末站,重复步骤3~6,依次筛选备选线路,求解最优布设方案,直至方案满足公交的干线服务要求,分析最后的公交干线布设方案的碳排放情况。
2.根据权利要求1所述的一种低碳导向下的城市公共交通干线网络设计方法,其特征在于:所述步骤2中的双层规划模型如下:
上层模型
s.t.
tr ≤Tmax (7)
公式(1)以单次出行的碳排放量最小为目标,通过将碳排放因子与单次平均出行距离相乘来计算碳排放量;约束(2)保证流入节点的流量等于流出节点的流量,约束(3)提供了每条线路上总出行时间的计算公式,在约束(4)提供了路径r是否到终点站s的判断,若是则为1,否则为0;约束(5)保证了车队规模处于一个合理范围内,约束(6)保证了单条公交线路上停靠站的最大数目,约束(7)设置了单条线路的最大旅行时间;约束(8)计算了路段上的载客量,并保证了该载客量不小于该路段上的需求量;
下层模型
s.t.
va≥0 for a∈A (12)
tw≥0 for n∈N (13)
基于上层模型的线路选择结果,下层模型以总出行时间最小为目标,描述了公交客流的分配方法;约束(10)是节点的流量守恒条件;约束(11)保证了公交服务的供应不小于需求,可以通过其供应得到满足;约束(12)和(13)是非负条件;
其中,i,j均为节点的标号;a表示节点i与j之间的路段,A=∑a(i,j)表示所有路段的集合;R=r(o,d),r表示以o和d为首站和末站的路径;R′=∑r(o,d)表示所有路径的集合;AE是单次出行的平均碳排放量,E0是碳排放因子,单位:kg/CO2,lij是节点i和j之间的距离,va是路段a上的流量;Xijr是定义好的0-1变量,若路径r经过节点i后马上经过节点j则Xijr=1,否则Xijr=0;Wmin是最小配车数,Wmax是最大配车数,fr是路径r的发车频率,tr是路径r的总出行时间,tij是车内的行驶时间,tw是乘车的等待时间;Smax是单条公交线路上停靠站的最大数目;Tmax是单条线路的最大旅行时间;ds是公交的需求量,是从节点i出发并以s为终点站的出行需求,Qcap是公交的额定载客量,是定义好的0-1变量,若路径r以节点s为终点站则否则
3.根据权利要求1所述的一种低碳导向下的城市公共交通干线网络设计方法,其特征在于:所述步骤3中节点的重要度具体计算方法如下:
(1)潜力因子θ(i):
θ(i)=αX(i)+βY(i)
式中,X(i)为节点i对应交通小区的人口密度,Y(i)为节点i对应交通小区的就业岗位密度,α和β分别为相应的加权因子,α,β∈(0,1),且α+β=1;
(2)单个节点的重要度I(i):
式中,Di表示节点i到其他所有节点的距离,θ(i)为节点i对应交通小区的潜力因子;
(3)节点对间重要度I(i,j):
I(i,j)=δ(i,j)I(i)I(j),i,j=1,…,n
式中,I(i)为节点i的重要度,I(j)为节点j的重要度,δ(i,j)为节点i和节点j之间的直达流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910962500.6A CN110909434B (zh) | 2019-10-11 | 2019-10-11 | 一种低碳导向下的城市公共交通干线网络设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910962500.6A CN110909434B (zh) | 2019-10-11 | 2019-10-11 | 一种低碳导向下的城市公共交通干线网络设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909434A CN110909434A (zh) | 2020-03-24 |
CN110909434B true CN110909434B (zh) | 2023-03-14 |
Family
ID=69815565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910962500.6A Active CN110909434B (zh) | 2019-10-11 | 2019-10-11 | 一种低碳导向下的城市公共交通干线网络设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909434B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113554270B (zh) * | 2021-06-11 | 2023-09-01 | 华设设计集团股份有限公司 | 一种配建公交首末站建设规模的确定方法 |
CN114330106A (zh) * | 2021-12-13 | 2022-04-12 | 深圳先进技术研究院 | 城市公共交通规划方法 |
CN114417614B (zh) * | 2022-01-20 | 2023-10-27 | 悉地(苏州)勘察设计顾问有限公司 | 一种中心城区机动车空间管控措施下碳排放减排测算方法 |
CN115048754B (zh) * | 2022-08-17 | 2023-04-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于交通仿真的公交线网优化方法、电子设备及存储介质 |
CN116777120B (zh) * | 2023-08-16 | 2023-10-27 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于路网od对的城市道路移动源碳排放计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103148862A (zh) * | 2013-02-18 | 2013-06-12 | 东南大学 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
CN105354786A (zh) * | 2015-10-20 | 2016-02-24 | 同济大学 | 一种基于碳减排的城市轨道交通环境效益量化方法 |
WO2017045294A1 (zh) * | 2015-09-17 | 2017-03-23 | 华南理工大学 | 一种城市常规公交线网设计方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN109753694A (zh) * | 2018-12-13 | 2019-05-14 | 东南大学 | 基于全过程出行感知时间的中小城市公交线网设计方法 |
-
2019
- 2019-10-11 CN CN201910962500.6A patent/CN110909434B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103148862A (zh) * | 2013-02-18 | 2013-06-12 | 东南大学 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
WO2017045294A1 (zh) * | 2015-09-17 | 2017-03-23 | 华南理工大学 | 一种城市常规公交线网设计方法 |
CN105354786A (zh) * | 2015-10-20 | 2016-02-24 | 同济大学 | 一种基于碳减排的城市轨道交通环境效益量化方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN109753694A (zh) * | 2018-12-13 | 2019-05-14 | 东南大学 | 基于全过程出行感知时间的中小城市公交线网设计方法 |
Non-Patent Citations (2)
Title |
---|
低碳排放约束下城市停车换乘设施规划研究;邓红星等;《重庆理工大学学报(自然科学)》;20180515(第05期);全文 * |
基于多目标遗传算法的低碳公交网络优化;谭倩等;《长沙大学学报》;20180915(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909434A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909434B (zh) | 一种低碳导向下的城市公共交通干线网络设计方法 | |
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN112133090A (zh) | 一种基于手机信令数据的多方式交通分布模型构建方法 | |
CN107944611B (zh) | 面向个性化出行需求的跨模式组合出行规划方法 | |
CN110704993B (zh) | 一种疏解地铁客流压力的定制公交线路设计方法 | |
CN110929925B (zh) | 基于环境温度与用户行为的电动汽车充电站规划方法 | |
CN108133302B (zh) | 一种基于大数据的公共自行车潜在需求预测方法 | |
CN115409388B (zh) | 多车型定制公交运营优化方法 | |
CN111191816B (zh) | 城市轨道交通乘客出行时间链辨识系统 | |
CN112085249B (zh) | 一种基于强化学习的定制公交线路规划方法 | |
CN108256969A (zh) | 一种公共自行车租赁点调度区域划分方法 | |
CN109325614B (zh) | 一种基于gis的汽车站选址方法 | |
CN114511143A (zh) | 基于组团划分的城市轨道交通线网生成方法 | |
CN111291321A (zh) | 基于大数据的城市交通模型构建方法 | |
CN112309119A (zh) | 一种城市交通系统容量分析优化方法 | |
CN115171382A (zh) | 城市路网自动驾驶专用车道部署方法 | |
Huang et al. | A GIS-based framework for bus network optimization using genetic algorithm | |
Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
CN116797126A (zh) | 一种基于双层规划的农村末端物流选址-路径规划方法 | |
CN116823039A (zh) | 一种基于多源数据的微观地块尺度设施可达性测度方法 | |
CN113592246B (zh) | 一种基于pca-topsis模型的道路施工期公交线网评价方法 | |
CN114897213A (zh) | 一种历史街区公交可达性测算方法与优化方法 | |
CN115392569A (zh) | 一种电动汽车充电站选址定容方法及系统 | |
CN112509357B (zh) | 一种基于遗传算法的公交发车时间间隔优化方法 | |
CN112418535A (zh) | 基于二叉树的校车调度规划方法 |
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 |