CN110942178B - 一种基于资源分配指标的链路预测方法的充电桩推荐方法 - Google Patents

一种基于资源分配指标的链路预测方法的充电桩推荐方法 Download PDF

Info

Publication number
CN110942178B
CN110942178B CN201911058539.1A CN201911058539A CN110942178B CN 110942178 B CN110942178 B CN 110942178B CN 201911058539 A CN201911058539 A CN 201911058539A CN 110942178 B CN110942178 B CN 110942178B
Authority
CN
China
Prior art keywords
node
charging pile
resource allocation
track
charging
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
CN201911058539.1A
Other languages
English (en)
Other versions
CN110942178A (zh
Inventor
刘林峰
谈梓豪
吴家皋
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201911058539.1A priority Critical patent/CN110942178B/zh
Publication of CN110942178A publication Critical patent/CN110942178A/zh
Application granted granted Critical
Publication of CN110942178B publication Critical patent/CN110942178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Abstract

本发明提出了一种基于资源分配指标的链路预测方法的充电桩推荐方法，属于复杂网络技术领域。本发明的方法基于对路径进行分块的方法构造网络，再利用链路预测的相似性指标，来分析电动车历史轨迹中的移动模式，然后采用资源分配指标(Resource Allocation,RA)输出前K条概率最大的未来轨迹序列作为K条候选路径，最后根据额外移动距离最短原则对K条候选路径确定K个充电桩，把得到的K个充电桩及其优先级推荐给电车用户。

Description

一种基于资源分配指标的链路预测方法的充电桩推荐方法
技术领域
本发明涉及一种基于资源分配指标的链路预测方法的充电桩推荐方法，属于复杂网络技术领域。
背景技术
网络中的链路预测是指根据网络中节点的特征或已经存在的边结构特征，预测两个节点间边的存在性。这种预测既包含了对未知链接的预测，也包含了对未来链接(futurelinks)的预测。其中，基于节点相似性的链路预测是链路预测研究的主流方法之一，该类方法的一个重要假设就是，两个节点之间相似性越大，它们之间存在链接的可能性就越大。相似性的定义有很多种，最简单的是基于节点属性的定义。如果两个节点拥有许多共同的特征，就认为这两个节点是相似的。
但是，由于很多情况下获取节点属性信息非常困难，因此在一些系统中基于属性的相似性算法很难实现，例如在线社交网络中用户的个人信息是保密的或者是虚假的。另外一类更加可靠的方法是基于网络结构的相似性，称为结构相似性。据了解，Liben-Nowell和Kleinberg提出了基于网络拓扑结构相似性的定义方法，并将这些指标分为基于节点和基于路径两类，在对大型科学家合作网络进行的实证研究中，发现仅考虑节点共同邻居的方法和Adamic-Adar Index(AA指数)是预测准确性最好的方法；周涛、吕琳媛和张翼成提出采用9种基于局部信息的相似性指标对6种现实网络进行准确性的对比，进一步验证了Liben-Nowell和Kleinberg的研究结果，并提出准确性更高的相似性指标：资源分配指数(resource allocation index)。
每辆出租车上都搭载了全球定位系统，使得推测出租车轨迹成为可能。XUE A Y等对出租车的轨迹使用的是低阶马尔可夫预测方法，但是该方法仅依赖于前面2到3个GPS点，当一条轨迹中相互依赖点的个数较多时，马尔可夫预测方法并不能很好地解决这种轨迹点之间的长期依赖关系。Hochreiter也针对需要解决的长期依赖问题，在RNN的基础上提出了一种LSTM(Long Short-Term Memory)模型，被广泛应用于时间序列数据来解决长期依赖关系。但是RNN预测方法再解决长期依赖过程中，随着数据量的增大，RNN隐藏层对较小的扰动边得十分敏感，较小的扰动会导致RNN中间状态中的错误成分在传播过程中被指数级放大，最终导致预测的准确率不够高。
为了避免上述两种方法分别在应用数据过多或者过少时产生的问题，需要采用一种全新的方法：基于资源分配指标的链路预测的方法进行轨迹预测。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足而提供一种基于资源分配指标的链路预测方法的充电桩推荐方法。
本发明提供一种基于资源分配指标的链路预测方法的充电桩推荐方法，包括以下步骤：
S1、当电动出租车电量低时启动基于资源分配指标的链路预测方法的充电桩推荐系统，该系统包括对历史轨迹的分析单元、对将来轨迹的预测单元，以及基于上述二者的推荐充电桩单元；转至步骤S2；
S2、对车辆历史轨迹进行网格化处理，得到车辆历史轨迹对应的点序列；转至步骤S3；
S3、基于资源分配指标对车辆轨迹进行链路预测，得到车辆未来轨迹序列；转至步骤S4；
S4、基于汽车未来轨迹，选择最合适的充电桩推荐给用户。
本发明主要针对电动出租车空载情况下，依据司机无意识的行驶在预测其行驶轨迹的基础上，推荐合适的充电桩给用户。本发明所提出的方法建立在基于共同邻居的相似性指标之上，利用路径的分块构建现有网络，采用资源分配指标计算前K条概率最大的未来轨迹序列作为K条候选路径，最后根据额外移动距离最短原则对K条候选路径确定K个充电桩，将得到的K个充电桩及其优先级推荐给电车用户。
作为本发明的进一步技术方案，步骤S1具体包括以下步骤：
S101、给每个电动出租车充满电量，并设置一个低电量阈值δ；转至步骤S102；
S102、当某个电动出租车的电量低于阈值δ时，该电动出租车发出电量不足的预警信号，开始为该电动出租车推荐道路充电桩。
进一步的，步骤S2具体包括以下步骤：
S201、将车辆历史轨迹点的经度和纬度序列作为输入，把车辆历史轨迹映射到划分好的网格中从而生成对应的轨迹网格序列，使网格之间的连线按照时间顺序依次连接，得到无向网络G(V,E)，其中节点集V为地图上的网格点集，连边集E为电动出租车行驶历史路径，一条连边表示存在一条轨迹，即汽车从连边的一端行驶至另一端，例如连边A-B表示电动出租车从A点移动到B点；转至步骤S202；
S202、对于在网格化过程中丢失的车辆与充电桩相遇的情况，若充电桩位于网格A中，且轨迹序列中包含节点A或预测的序列中包含节点A，则认为车辆在该充电桩处充电。
进一步的，步骤S3具体包括以下步骤：
S301、取节点集V中时间顺序的最后一个节点记为vx，再从节点集V中任意取一个不同于vx的节点记为vy，基于资源分配指标的链路预测方法为每对没有连边的节点对vx，vy赋予一个分数值，即相似度Sxy，将所有未连接的节点对按照相似度从大到小排序；转至步骤S302；
S302、定义kz为节点z的度，Γ(x)为x节点的邻居集合，Γ(y)为y节点的邻居集合，z∈Γ(x)∩Γ(y)，即节点z为节点x和节点y的共同邻居，则vx和vy的相似性Sxy就可以通过下式计算得出，
Figure GDA0003683236600000041
转至步骤S303；
S303、重复步骤S302，直至计算出所有其它节点与vx节点之间的相似度。基于资源分配指标计算出来的当前节点vx与其它节点之间的相似度Sxy，输出前K个相似度最高的节点，将从当前节点分别到该K个节点的路径作为K条概率最大的候选路径。
进一步的，步骤S4具体包括以下步骤：
S401、选择充电桩——由步骤S303获得的每个候选路径，选择出一个同时满足以下条件的充电桩：
(a)电动出租车的剩余电能足以维持从当前位置移动到该充电桩；
(b)该充电桩在所有符合条件(a)的充电桩中额外移动距离最小，即偏离该候选路径的行驶路径最短；选出的充电桩作为此候选路径对应的充电桩，选择该充电桩的概率等于该条候选路径的概率；转至步骤S402；
S402、重复步骤S401，直到K条候选路径都选择出对应的充电桩和概率；转至步骤S403；
S403、将K个充电桩和对应的概率推荐给用户。
本发明基于对路径进行分块的方法构造网络，再利用链路预测的相似性指标，来分析电动车历史轨迹中的移动模式，然后采用资源分配指标(Resource Allocation,RA)输出前K条概率最大的未来轨迹序列作为K条候选路径，最后根据额外移动距离最短原则对K条候选路径确定K个充电桩，把得到的K个充电桩及其优先级推荐给电车用户。
本方法的优点在于：由于采用的是基于资源分配指标，预测准确度高于其他指标，如共同邻居指标或者Admic-adar指标(AA指标)；本方法采用的链路预测方法可以综合考虑历史轨迹对未来轨迹的影响，能够更加针对用户的个人偏好，预测可靠；同时计算量小，一切都可以在本地进行，而不需要上传到服务器中进行运算，减小了用户等待时间的同时也减小了计算时延，并且可以在无网络信号的情况下使用。
附图说明
图1为本发明中充电桩推荐方法的流程图。
图2为本发明中电动出租车选择充电桩的道路实况图。
图3为本发明中电动出租车轨迹网格化示意图。其中，图3中的(3a)为电动出租车实际行驶轨迹示意图，图3中的(3b)为轨迹分块网格化示意图。
图4为本发明中通过链路预测进行轨迹预测的示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护权限不限于下述的实施例。
本实施例提出了一种基于资源分配指标的链路预测方法的充电桩推荐方法，如图1所示，包括以下步骤：
S1、当电动出租车电量低时启动基于资源分配指标的链路预测方法的充电桩推荐系统，该系统包括对历史轨迹的分析单元、对将来轨迹的预测单元，以及基于上述二者的推荐充电桩单元。
步骤S1具体包括以下步骤：
S101、给每个电动出租车充满电量，并设置一个低电量阈值δ；转至步骤S102；
S102、当某个电动出租车的电量低于阈值δ时，该电动出租车发出电量不足的预警信号，开始为该电动出租车推荐道路充电桩。
S2、对车辆历史轨迹进行网格化处理，得到车辆历史轨迹的点序列。图3中的(3a)表示电动出租车实际行驶轨迹，图3中的(3b)表示轨迹分块网格化。
步骤S2具体包括以下步骤：
S201、将车辆历史轨迹点的经度和纬度序列作为输入，把车辆历史轨迹映射到划分好的网格中从而生成对应的轨迹网格序列，使网格之间的连线按照时间顺序依次连接，得到无向网络G(V,E)，其中节点集V为地图上的网格点集，连边集E为电动出租车行驶历史路径，一条连边表示存在一条轨迹，即汽车从连边的一端行驶至另一端，连边表示电动出租车在网格中的点之间进行的移动，例如连边A-B表示电动出租车从A点移动到B点；转至步骤S202；
S202、对于在网格化过程中丢失的车辆与充电桩相遇的情况，若充电桩位于网格A中，且网格A在无向图中对应的节点为节点A(按照上述步骤S201的方法对地图划分网格，一个网格就对应无向图中的一个节点；节点A就是网格A在无向图中对应的节点，网格A就是节点A在地图上对应的所属于的网格区域)，当轨迹序列中包含节点A或预测的序列中包含节点A，则认为车辆在该充电桩处充电。
S3、基于资源分配指标对车辆轨迹进行链路预测，得到车辆未来轨迹序列，如图4所示。
如图2所示，步骤S3具体包括以下步骤：
S301、取节点集V中时间顺序的最后一个节点记为vx，再从节点集V中任意取一个不同于vx的节点记为vy，基于资源分配指标的链路预测方法为每对没有连边的节点对vx，vy赋予一个分数值，该分数值即相似度Sxy，将所有未连接的节点对按照相似度从大到小排序；转至步骤S302；
S302、定义kz为节点z的度，Γ(x)为x节点的邻居集合，Γ(y)为y节点的邻居集合，z∈Γ(x)∩Γ(y)，即节点z为节点x和节点y的共同邻居，则vx和vy的相似性Sxy就可以通过下式计算得出，
Figure GDA0003683236600000071
转至步骤S303；
S303、重复步骤S302，直至计算出所有其它节点与vx节点之间的相似度。基于资源分配指标计算出来的当前节点vx与其它节点之间的相似度Sxy，输出前K个相似度最高的节点，将从当前节点vx分别到该K个节点的路径作为K条概率最大的候选路径。
S4、基于汽车未来轨迹，选择最合适的充电桩推荐给用户。
步骤S4具体包括以下步骤：
S401、选择充电桩——对步骤S303获得的每个候选路径，选择出一个同时满足以下条件的充电桩：
(a)电动出租车的剩余电能足以维持从当前位置移动到该充电桩；
(b)该充电桩在所有符合条件(a)的充电桩中额外移动距离最小，即偏离该候选路径的行驶路径最短；选出的充电桩作为此候选路径对应的充电桩，选择该充电桩的概率等于该条候选路径的概率；转至步骤S402；
S402、重复步骤S401，直到K条候选路径都选择出对应的充电桩和概率；转至步骤S403；
S403、将K个充电桩和对应的概率推荐给用户。
本发明所提出的方法建立在基于共同邻居的相似性指标之上，利用路径的分块构建现有网络，采用资源分配指标计算前K条概率最大的未来轨迹序列作为K条候选路径，最后根据额外移动距离最短原则对K条候选路径确定K个充电桩，将得到的K个充电桩及其优先级推荐给电车用户。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种基于资源分配指标的链路预测方法的充电桩推荐方法，其特征在于，包括以下步骤：
S1、当电动出租车电量低时启动基于资源分配指标的链路预测方法的充电桩推荐系统，该系统包括对历史轨迹的分析单元、对将来轨迹的预测单元，以及基于分析单元和预测单元的推荐充电桩单元；转至步骤S2；
S2、对车辆历史轨迹进行网格化处理，得到车辆历史轨迹对应的点序列；转至步骤S3；
S3、基于资源分配指标对车辆轨迹进行链路预测，得到车辆未来轨迹序列；转至步骤S4；
S4、基于汽车未来轨迹，选择最合适的充电桩推荐给用户。
2.根据权利要求1所述一种基于资源分配指标的链路预测方法的充电桩推荐方法，其特征在于，步骤S1具体包括以下步骤：
S101、给每个电动出租车充满电量，并设置一个低电量阈值δ；转至步骤S102；
S102、当某个电动出租车的电量低于阈值δ时，该电动出租车发出电量不足的预警信号，开始为该电动出租车推荐道路充电桩。
3.根据权利要求2所述一种基于资源分配指标的链路预测方法的充电桩推荐方法，其特征在于，步骤S2具体包括以下步骤：
S201、将车辆历史轨迹点的经度和纬度序列作为输入，把车辆历史轨迹映射到划分好的网格中从而生成对应的轨迹网格序列，使网格之间的连线按照时间顺序依次连接，得到无向网络G(V,E)，其中节点集V为地图上的网格点集，连边集E为电动出租车行驶历史路径，一条连边表示存在一条轨迹，即汽车从连边的一端行驶至另一端；转至步骤S202；
S202、对于在网格化过程中丢失的车辆与充电桩相遇的情况，若充电桩位于网格A中，且轨迹序列中包含节点A或预测的序列中包含节点A，则认为车辆在该充电桩处充电。
4.根据权利要求3所述一种基于资源分配指标的链路预测方法的充电桩推荐方法，其特征在于，步骤S3具体包括以下步骤：
S301、取节点集V中时间顺序的最后一个节点记为vx，再从节点集V中任意取一个不同于vx的节点记为vy，基于资源分配指标的链路预测方法为每对没有连边的节点对vx，vy赋予一个分数值，该分数值在数值上等于相似度Sxy，将所有未连接的节点对按照相似度从大到小排序；转至步骤S302；
S302、定义kz为节点z的度，Γ(x)为x节点的邻居集合，Γ(y)为y节点的邻居集合，z∈Γ(x)∩Γ(y)，即节点z为节点x和节点y的共同邻居，则vx和vy的相似性Sxy就可以通过下式计算得出，
Figure FDA0003683236590000021
转至步骤S303；
S303、重复步骤S302，直至计算出所有其它节点与vx节点之间的相似度；基于资源分配指标计算出来的当前节点vx与其它节点之间的相似度Sxy，输出前K个相似度最高的节点，将从当前节点分别到K个节点的路径作为K条概率最大的候选路径。
5.根据权利要求4所述一种基于资源分配指标的链路预测方法的充电桩推荐方法，其特征在于，步骤S4具体包括以下步骤：
S401、选择充电桩——由步骤S303获得的每个候选路径，选择出一个同时满足以下条件的充电桩：
(a)电动出租车的剩余电能足以维持从当前位置移动到该充电桩；
(b)该充电桩在所有符合条件(a)的充电桩中额外移动距离最小，即偏离该候选路径的行驶路径最短；选出的充电桩作为此候选路径对应的充电桩，选择该充电桩的概率等于该候选路径的概率；转至步骤S402；
S402、重复步骤S401，直到K条候选路径都选择出对应的充电桩和概率；转至步骤S403；
S403、将K个充电桩和对应的概率推荐给用户。
CN201911058539.1A 2019-11-01 2019-11-01 一种基于资源分配指标的链路预测方法的充电桩推荐方法 Active CN110942178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911058539.1A CN110942178B (zh) 2019-11-01 2019-11-01 一种基于资源分配指标的链路预测方法的充电桩推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911058539.1A CN110942178B (zh) 2019-11-01 2019-11-01 一种基于资源分配指标的链路预测方法的充电桩推荐方法

Publications (2)

Publication Number Publication Date
CN110942178A CN110942178A (zh) 2020-03-31
CN110942178B true CN110942178B (zh) 2022-08-23

Family

ID=69906390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911058539.1A Active CN110942178B (zh) 2019-11-01 2019-11-01 一种基于资源分配指标的链路预测方法的充电桩推荐方法

Country Status (1)

Country Link
CN (1) CN110942178B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104579790A (zh) * 2015-01-26 2015-04-29 中国人民解放军国防科学技术大学 一种确定链路预测还原边数量的方法
CN108847993A (zh) * 2018-07-20 2018-11-20 中电科新型智慧城市研究院有限公司 基于多阶路径中间节点资源分配的链路预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104579790A (zh) * 2015-01-26 2015-04-29 中国人民解放军国防科学技术大学 一种确定链路预测还原边数量的方法
CN108847993A (zh) * 2018-07-20 2018-11-20 中电科新型智慧城市研究院有限公司 基于多阶路径中间节点资源分配的链路预测方法

Also Published As

Publication number Publication date
CN110942178A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
Chen et al. Reliable shortest path finding in stochastic networks with spatial correlated link travel times
Chen et al. Reliable shortest path problems in stochastic time-dependent networks
Hu et al. Crowdsourcing-based real-time urban traffic speed estimation: From trends to speeds
Chen et al. Most reliable path-finding algorithm for maximizing on-time arrival probability
Li et al. T-DesP: Destination prediction based on big trajectory data
EP3186662B1 (en) Measuring traffic speed in a road network
TW201901116A (zh) 用於數位路線規劃的系統以及方法
Huang et al. A bimodal Gaussian inhomogeneous Poisson algorithm for bike number prediction in a bike-sharing system
Khezerlou et al. Forecasting gathering events through trajectory destination prediction: A dynamic hybrid model
Song et al. Online traffic flow prediction for edge computing-enhanced autonomous and connected vehicles
CN113643532B (zh) 一种区域交通的预测方法以及设备
Chen et al. Efficient solution algorithm for finding spatially dependent reliable shortest path in road networks
Zhang et al. Traffic signal optimization for partially observable traffic system and low penetration rate of connected vehicles
Yedavalli et al. Microsimulation analysis for network traffic assignment (MANTA) at metropolitan-scale for agile transportation planning
Vasant et al. Optimal power allocation scheme for plug-in hybrid electric vehicles using swarm intelligence techniques
Halim et al. On finding optimum commuting path in a road network: a computational approach for smart city traveling
WO2016037346A1 (en) Measuring and diagnosing noise in urban environment
Pitombeira-Neto et al. Trajectory modeling via random utility inverse reinforcement learning
Blazquez et al. An instance-specific parameter tuning approach using fuzzy logic for a post-processing topological map-matching algorithm
CN110942178B (zh) 一种基于资源分配指标的链路预测方法的充电桩推荐方法
WO2021150166A1 (en) Determining a route between an origin and a destination
Zhang et al. Toward Large-Scale Graph-Based Traffic Forecasting: A Data-Driven Network Partitioning Approach
Xu et al. Empowering a* algorithm with neuralized variational heuristics for fastest route recommendation
Ma et al. Potential routes extraction for urban customized bus based on vehicle trajectory clustering
CN114440918B (zh) 一种充电桩导航方法、装置、电子设备及自动驾驶车辆

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