CN111223288A - 基于车联网数据的线路避堵方法、存储介质 - Google Patents
基于车联网数据的线路避堵方法、存储介质 Download PDFInfo
- Publication number
- CN111223288A CN111223288A CN201811413857.0A CN201811413857A CN111223288A CN 111223288 A CN111223288 A CN 111223288A CN 201811413857 A CN201811413857 A CN 201811413857A CN 111223288 A CN111223288 A CN 111223288A
- Authority
- CN
- China
- Prior art keywords
- site
- replacement
- bus
- internet
- congestion
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的车联网数据的线路避堵方法、存储介质,方法包括:依据车联网数据,计算所有公交线路中相邻两个站点间的平均延误值;依据平均延误值,计算每条公交线路的拥堵特征系数;计算拥堵特征系数最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性;获取由所述紧密中心性小于预设阈值的站点构成的候选优化站点集合;对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路且与其可连通的替换站点。不仅能优化公交拥堵线路;而且不会对居民造成较大影响;进一步的,同时结合了车联网数据和图论理论,使本发明线路的优化更具可行性。
Description
技术领域
本发明涉及车联网交通领域,具体涉及基于车联网数据的线路避堵方法、存储介质。
背景技术
随着我国城市规模的不断扩大,汽车保有量呈几何倍数增长,道路资源日趋紧张,交通拥堵成为能源消耗的主要负面因素。在公交领域,公交线路的合理性表现为两点:一要尽量贯穿人口密度大的区域,成为运输人群的主要工具;二要避免与其它私家车辆或商用车辆一起在道路上产生拥堵,具有更好的时效性和节能性。
为了避免道路拥堵影响公交车时效性,最直接的方法是划定专用公交车道,但是受道路基础条件的影响,并不是所有城市所有线路都能划出专用车道。对公交线路中站点进行优化安排,是另一类常见方法,如专利《一种公交车线路优化管理方法及系统》201710608103.X等均是利用乘客刷卡信息,或人脸识别信息判断人流量,来优化线路,在人多的地方增加班次或新增线路。但是这类优化方法只针对客流优化线路,为了增加公交线路的运输能力,并不直接反应对车辆拥堵的缓解程度和能耗与时效性的提高。因此,当前缺少基于道路拥堵的情况而对公交线路中各站点的拥堵指标进行评价和对线路进行优化,从而缓解公交线路拥堵的方案。
发明内容
本发明所要解决的技术问题是:提供车联网数据的线路避堵方法、存储介质,能有效缓解公交线路拥堵,优化交通线路。
为了解决上述技术问题,本发明采用的技术方案为:
车联网数据的线路避堵方法,包括:
获取预设的第一时间段内对应预设的第二时间段的车联网数据;
依据所述车联网数据,计算所有公交线路中相邻两个站点间的平均延误值;
依据所述平均延误值,计算每条公交线路的拥堵特征系数;
计算拥堵特征系数最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性;
获取由所述紧密中心性小于预设阈值的站点构成的候选优化站点集合;
对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路且与其可连通的替换站点。
本发明提供的另一个技术方案为:
一种计算机可读存储介质,其上存储有计算机程序,所述程序在被处理器执行时,能实现上述车联网数据的线路避堵方法所包含的步骤。
本发明的有益效果在于:本发明利用车联网中公交线路的到站延时作为道路拥堵情况指标,获取拥堵线路;进而利用图论的紧密中心性原理,搜索拥堵线路中可进行优化的候选优化站点,获取候选优化站点对应的替换站点。由于本方案是基于客观拥堵数据做出的优化,因而使用替换站点对候选优化站点进行后,能实际缓解公交线路拥堵,有效疏导交通。
附图说明
图1为本发明车联网数据的线路避堵方法的流程示意图;
图2为本发明实施例一提供的一种车联网数据的线路避堵方法的流程示意图;
图3为本发明实施例二的具体运用场景中站点的分布及原公交线路示意图;
图4为本发明实施例二的具体运用场景中站点的分布及优化后线路示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于:利用车联网中公交线路的到站延时作为道路拥堵情况指标,获取拥堵线路;结合图论的紧密中心性原理,搜索拥堵线路中可进行优化的候选优化站点,获取候选优化站点对应的替换站点。
本发明涉及的技术术语解释:
请参照图1,本发明提供车联网数据的线路避堵方法,包括:
获取预设的第一时间段内对应预设的第二时间段的车联网数据;
依据所述车联网数据,计算所有公交线路中相邻两个站点间的平均延误值;
依据所述平均延误值,计算每条公交线路的拥堵特征系数;
计算拥堵特征系数最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性;
获取由所述紧密中心性小于预设阈值的站点构成的候选优化站点集合;
对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路且与其可连通的替换站点。
从上述描述可知,本发明的有益效果在于:利用车联网中公交线路的到站延时作为道路拥堵情况指标,获取拥堵线路;进而利用图论的紧密中心性原理,搜索拥堵线路中可进行优化的候选优化站点,获取候选优化站点对应的替换站点。由于本方案是基于客观拥堵数据做出的优化,因而使用替换站点对候选优化站点进行后,能实际缓解公交线路拥堵,有效疏导交通。
进一步的,还包括:
对应每个候选优化站点,由其对应的替换站点中选取一最优替换站点进行替换。
由上述描述可知,所获取的替换站点可能为多个,通过从中选取最优的替换站点进行替换,能确保在替换后获取最佳的交通状况。
进一步的,所述对应每个候选优化站点,由其对应的替换站点中选取一最优替换站点进行替换,具体为:
计算每个替换站点相对所有公交线路中与其相邻的每个站点的紧密中心性;
判断替换站点的紧密中心性是否大于对应的候选优化站点的紧密中心性,若是,则将其作为可替换站点,并存入可替换站点集合;
从所述可替换站点集合中选取紧密中心性最大的替换站点作为最优替换站点,使用所述最优替换站点替换对应的候选优化站点。
由上述描述可知,在一具体实施方式中,将基于图论的紧密中心性原理从多个的替换站点中准确且高效得获取最优的替换站点,从而提高本发明技术方案的实际运行效率。
进一步的,所述依据所述车联网数据,计算所有公交线路中相邻两个站点间的平均延误值,具体为:
选取同一公交线路中相邻的第一站点Pi-1和第二站点Pi构成一条有向边<Pi-1,Pi>;
依据所述车联网数据,获取每个班次途经所述有向边<Pi-1,Pi>的第一实际时间Ai以及到达所述第一站点Pi-1的第二实际时间Ai-1;
依据排班表,获取每个班次途经所述有向边<Pi-1,Pi>的第一计划时间Ti以及到达所述第一站点Pi-1的第二计划时间Ti-1;
依据公式Di-1,i=(Ai-Ai-1)-(Ti-Ti-1),计算得到所有班次途经所述有向边<Pi-1,Pi>的拥堵特征系数D;其中,所述i为大于2的整数;
计算得到所有公交线路中相邻两个站点间的平均延误值。
由上述描述可知,本发明根据车联网系统中的公交到站时间,来统计一条公交线路中各站点在不同时段的到站延误情况,能确保所获取的计算结果更贴合实际,准确性更高。
进一步的,所述依据所述平均延误值,计算每条公交线路的拥堵特征系数,具体为:
获取归一化拥堵特征系数B最大的公交线路,并将其标记为待优化线路。
进一步的,所述计算拥堵特征系数最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性,具体为:
计算所述待优化线路中一站点分别到所有公交线路中与其相邻的每个站点所构成的每个有向边对应的平均延误值之和的平均值的倒数,得到所述一站点的紧密中心性;
计算得到所述待优化线路中每个站点的紧密中心性。
由上述描述可知,本发明根据图论理论,将公交站点当作图论中节点,站点间连线当作图论中的边。以平均延误值作为节点之间的边的距离权值,以此来计算各站点的紧密中心性作为站点拥堵和不拥堵的指标。所计算的紧密中心性指标越大,表示该站点是相对拥堵站点,线路不从该站点经过,可能产生延时的概率更低。由此确保计算结果的准确性。
进一步的,所述对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路且与其可连通的替换站点,具体为:
从所述候选优化站点集合中选取一候选优化站点;
获取由所述一候选优化站点周边预设距离范围内与所述一候选优化站点非同一线路的其他站点构成的对应所述一候选优化站点的第一替换站点集合;
依次选取所述第一替换站点集合中的每个第一替换站点,判断所选取的第一替换站点与所述一候选优化站点的前一站点和后一站点是否在道路上可连通;
获取由判断结果为是的第一替换站点构成的对应所述一候选优化站点的替换站点集合;
获取所述候选优化站点集合中每个候选优化站点对应的替换站点集合。
由上述描述可知,为了在优化线路拥堵情况的同时,保证线路仍旧贯穿原来人口密度大的区域,从线路中选出拥堵站点,即候选优化站点;在拥堵站点周围预设距离范围内选择不拥堵点做为该站点的替换点,从而优化线路。
本发明提供的另一个技术方案为:
一种计算机可读存储介质,其上存储有计算机程序,所述程序在被处理器执行时,能实现上述车联网数据的线路避堵方法所包含的步骤。
从上述描述可知,本发明的有益效果在于:对应本领域普通技术人员可以理解实现上述技术方案中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来实现的,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时,可包括如上述各方法的流程。
其中,所述的存储介质可以是磁盘、光碟、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
实施例一
本实施例提供一种车联网数据的线路避堵方法,能够基于道路拥堵的情况对公交线路中各站点的拥堵指标进行评价以及对拥堵线路进行优化,从而有效缓解公交线路拥堵。
请参照图2,本发明包括:
一、获取相邻公交站点间的平均延误值。
具体而言,包括:
1.1、获取预设的第一时间段内对应预设的第二时间段的车联网数据。
由于交通拥堵规律有时段性,且容易发生于早晚高峰时段。因此,优选从车联网数据库中取出第一时间段对应的某一时期(如一季度)内对应预设的第二时间段(早晚高峰时段)内的车联网数据,用于进行站点平均延误计算。
1.2、依据所述车联网数据,计算所有公交线路中相邻两个站点间的平均延误值。
具体的,以某公交线路中某两个相邻的站点为例展开进行详细说明:
1.2.1、选取同一公交线路中相邻的第一站点Pi-1和第二站点Pi构成一条有向边<Pi-1,Pi>;
例如,某公交站点Pi与经过该站点Pi的某线路的前一个站点Pi-1构成一条有向边<Pi-1,Pi>。
1.2.2、依据所述车联网数据,获取每个班次途经所述有向边<Pi-1,Pi>的第一实际时间Ai以及到达所述第一站点Pi-1的第二实际时间Ai-1;
1.2.3、依据排班表,获取每个班次途经所述有向边<Pi-1,Pi>的第一计划时间Ti以及到达所述第一站点Pi-1的第二计划时间Ti-1;
例如,在步骤1.1所取出的时段的车联网数据中,取出某一班次的公交车从站点Pi-1到达站点Pi的实际时间数据Ai;根据公交线路排班表,从数据库中查找出本班次公交车从计划站点Pi-1到达站点Pi的计划时间数据Ti。
从数据库中查找该班次公交车到达站点Pi-1的实际时间数据Ai-1以及根据排班计划表从数据库中查找出的达到站点Pi-1的计划到达时间Ti-1。
1.2.4、依据公式Di-1,i=(Ai-Ai-1)-(Ti-Ti-1),计算得到所有班次途经所述有向边<Pi-1,Pi>的拥堵特征系数D;其中,所述i为大于2的整数;
例如,该班次公交车从站点Pi-1到达站点Pi的延误值D,即拥堵特征系数(单位为分钟)为:Di-1,i=(Ai-Ai-1)-(Ti-Ti-1)。
例如,返回上述步骤1.2.1中“例如”所执行的步骤,计算得到所有班次经过有向边<Pi-1,Pi>的延误值;取所有班次经过有向边<Pi-1,Pi>的延误值的均值即平均延误值,将其作为有向边<Pi-1,Pi>的权值。
1.2.6、计算得到所有公交线路中相邻两个站点间的平均延误值。
例如,继续根据上述1.2.1-1.2.5的步骤,计算其他公交站点与相邻站点间构成的有向边的平均延误值,直至得到所有公交线路的所有有向边的权值(平均延误值)。
二、提取待优化公交线路。
具体而言,包括:
2.1、依据所述平均延误值,计算每条公交线路的拥堵特征系数;
具体为:首先,依据每条公交线路对应的所有相邻两个站点间(即所经过的所有有向边)的平均延误值和公式计算得到每条公交线路的归一化拥堵特征系数B;其中,所述m为每条公交线路对应的有向边个数;所述公式对应将每条公交线路所经过的所有有向边的权值求和,并除以有向边的个数。
然后,获取归一化拥堵特征系数B最大的公交线路,并将其标记为待优化线路。可选的,通过对没条公交线路对应的归一化拥堵特征系数B进行排序,以获取B最大的公交线路,该线路即待优化线路。
三、计算线路所经过站点的紧密中心性
紧密中心性是图论中的一个指标,物理意义表示某个节点到达其他节点的难易程度。
在本实施例中,即计算上一步骤中计算得到的拥堵特征系数(即归一化拥堵特征系数B)最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性。具体的,计算待优化线路所经过的所有站点的紧密中心性Ci,即是对于待优化线路内某公交站点Pi,从所有公交线路与之相邻的站点(即包括待优化线路内的相邻站点和非待优化线路内的相邻站点,假设一共有V个站点)到站点Pi所经过的有向边的平均延误值之和的平均值的倒数,具体计算公式如下:
站点的紧密中心性数值越大,表明其它站点到达该站点的平均延迟越小。紧密中心性越趋近于0,表示到达该站点的延时代价越大。
四、提取候选优化站点。
可以通过获取由所述紧密中心性小于预设阈值的站点构成的候选优化站点集合,统一存储对应待优化线路的候选优化站点。
在一具体实施方式中,将待优化线路中所有紧密中心性小于阈值H(H一般取0.05,即平均延时代价超过20分钟)的站点都提取出来,作为该线路的候选优化站点集合。
五、获取可能替换站点
通过对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路的可能替换站点(即第一替换站点)。
下面,以获取一候选优化站点对应的可能替换站点为例展开进行详细说明:
5.1、从所述候选优化站点集合中选取一候选优化站点;
5.2、获取由所述一候选优化站点周边预设距离范围内与所述一候选优化站点非同一线路的其他站点构成的对应所述一候选优化站点的第一替换站点集合;
在一具体实施方式中,可以在所述一候选优化站点周边一公里范围内(一公里步行可轻松到达,不对居民造成大的影响),查找是否存在其它公交站点,如果存在,则这些公交站点均可能成为所述一候选优化站点的替换站点,因此统一存储为可能替换站点集合,即第一替换站点集合。假设可能替换站点为W1、W2、…,Wn共有n个。
六、判断可能替换站点(第一替换站点)是否可替换。
具体的,同样以上一步骤具体的所述一候选优化站点为例继续进行说明:
6.1、依次选取所述第一替换站点集合中的每个第一替换站点,判断所选取的第一替换站点与所述一候选优化站点的前一站点和后一站点是否在道路上可连通。
例如,取出站点Wj,其中的j为小于n的整数。然后判断站点Wj与所述一候选优化站点(假设为Pi)的前后两个站点(假设为Pi-1和Pi+1)是否是道路上可连通的。可选的,可用A*、CRP等路径搜索算法判断道路连通性。
6.2、获取由判断结果为是的第一替换站点构成的对应所述一候选优化站点的替换站点集合;
6.3、获取所述候选优化站点集合中每个候选优化站点对应的替换站点集合。
在一具体实施方式中,还包括:
6.4、对应每个候选优化站点,由其对应的替换站点中选取一最优替换站点进行替换。
具体的,该步骤包括:
6.4.1、计算每个替换站点相对所有公交线路中与其相邻的每个站点的紧密中心性。例如,计算上述的站点Wj的紧密中心性Cj。
6.4.2、判断替换站点的紧密中心性是否大于对应的候选优化站点的紧密中心性,若是,则将其作为可替换站点,并存入可替换站点集合。
例如,判断上述的站点Wj的紧密中心性Cj是否大于原站点Pi,即对应的候选优化站点的紧密中心性Ci;如果Cj>Ci,则表示站点Wj可替换,将其纳入可替换站点集合Z;反之不做处理。继续判断其它可能替换站点是否可纳入可替换站点集合Z,直到所有可能替换站点都处理完。
6.4.3、从所述可替换站点集合中选取紧密中心性最大的替换站点作为最优替换站点,使用所述最优替换站点替换对应的候选优化站点。
例如,可通过首选判断集合Z是否为空,如果不为空,则对集合Z中的各可替换站点按各自紧密中心性从大到小排列,选择紧密中心性最大的站点Wmax作为最终替换点,替代原候选优化公交站点Pi,即对应的候选优化站点。
6.4.4、返回上述第五大步骤,直至待优化线路的所有候选优化站点都处理完毕。
实施例二
本实施例对应实施例一,提供一具体运用场景:
如图3所示,假设有四个公交站点,其中没有线路同时经过P2和P4站点,且P2和P4站点距离在一公里以内,原定的公交线路为P1-P2-P3,则
根据实施例一的步骤一,从车联网的公交到站时该数据中,计算<P1,P2>有向边所有延误均值为21.5,计算<P2,P3>有向边所有延误均值为19.3,<P1,P4>有向边所有延误均值为13.8,<P4,P3>有向边所有延误均值为15.9。
根据步骤二,假设有一条线路P1,P2,P3的B值最大,因此将线路P1,P2,P3作为待优化线路。
根据步骤三,计算待优化线路中各点P1,P2,P3的紧密中心性。假设P1=2/(21.5+13.8)=0.0567;P2=2/(21.5+19.3)=0.049;P3=2/(19.3+15.9)=0.0568。
根据步骤四,P2点的紧密中心性小于阈值,取出P2点,作为待优化站点。
根据步骤五,在P2点范围内,有P4站点作为可能替换站点。
根据步骤六,P4站点与P1,P3站点是可连通的,且P4站点紧密中心性大于P2站点,因此该公交线路P1-P2-P3(如图3的虚线所示)可优化为P1-P4-P3(如图4的虚线所示)更为不拥堵。
实施例三
本是实施例对应实施例一和实施例二,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序在被处理器执行时,能实现上述实施例一或实施例二所述的车联网数据的线路避堵方法所包含的步骤。
具体的步骤流程在此不进行复述,详情请参阅上述实施例一和实施例二的记载。
对应本领域普通技术人员可以理解实现上述实施例一或实施例二中所述的技术方案中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来实现的,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时,可包括如上述各方法的流程。
其中,所述的存储介质可以是磁盘、光碟、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
综上所述,本发明提供的车联网数据的线路避堵方法、存储介质,不仅能优化公交拥堵线路;而且不会对居民造成较大影响;进一步的,同时结合了车联网数据和图论理论,使本发明线路的优化更具可行性。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.车联网数据的线路避堵方法,其特征在于,包括:
获取预设的第一时间段内对应预设的第二时间段的车联网数据;
依据所述车联网数据,计算所有公交线路中相邻两个站点间的平均延误值;
依据所述平均延误值,计算每条公交线路的拥堵特征系数;
计算拥堵特征系数最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性;
获取由所述紧密中心性小于预设阈值的站点构成的候选优化站点集合;
对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路且与其可连通的替换站点。
2.如权利要求1所述的车联网数据的线路避堵方法,其特征在于,还包括:
对应每个候选优化站点,由其对应的替换站点中选取一最优替换站点进行替换。
3.如权利要求2所述的车联网数据的线路避堵方法,其特征在于,所述对应每个候选优化站点,由其对应的替换站点中选取一最优替换站点进行替换,具体为:
计算每个替换站点相对所有公交线路中与其相邻的每个站点的紧密中心性;
判断替换站点的紧密中心性是否大于对应的候选优化站点的紧密中心性,若是,则将其作为可替换站点,并存入可替换站点集合;
从所述可替换站点集合中选取紧密中心性最大的替换站点作为最优替换站点,使用所述最优替换站点替换对应的候选优化站点。
4.如权利要求1所述的车联网数据的线路避堵方法,其特征在于,所述依据所述车联网数据,计算所有公交线路中相邻两个站点间的平均延误值,具体为:
选取同一公交线路中相邻的第一站点Pi-1和第二站点Pi构成一条有向边<Pi-1,Pi>;
依据所述车联网数据,获取每个班次途经所述有向边<Pi-1,Pi>的第一实际时间Ai以及到达所述第一站点Pi-1的第二实际时间Ai-1;
依据排班表,获取每个班次途经所述有向边<Pi-1,Pi>的第一计划时间Ti以及到达所述第一站点Pi-1的第二计划时间Ti-1;
依据公式Di-1,i=(Ai-Ai-1)-(Ti-Ti-1),计算得到所有班次途经所述有向边<Pi-1,Pi>的拥堵特征系数D;其中,所述i为大于2的整数;
计算得到所有公交线路中相邻两个站点间的平均延误值。
6.如权利要求5所述的车联网数据的线路避堵方法,其特征在于,所述计算拥堵特征系数最高的公交线路中的每个站点相对所有公交线路中与其相邻的每个站点的紧密中心性,具体为:
计算所述待优化线路中一站点分别到所有公交线路中与其相邻的每个站点所构成的每个有向边对应的平均延误值之和的平均值的倒数,得到所述一站点的紧密中心性;
计算得到所述待优化线路中每个站点的紧密中心性。
7.如权利要求5所述的车联网数据的线路避堵方法,其特征在于,所述对应所述候选优化站点集合中的每个候选优化站点,分别获取其周边预设距离范围内非同一线路且与其可连通的替换站点,具体为:
从所述候选优化站点集合中选取一候选优化站点;
获取由所述一候选优化站点周边预设距离范围内与所述一候选优化站点非同一线路的其他站点构成的对应所述一候选优化站点的第一替换站点集合;
依次选取所述第一替换站点集合中的每个第一替换站点,判断所选取的第一替换站点与所述一候选优化站点的前一站点和后一站点是否在道路上可连通;
获取由判断结果为是的第一替换站点构成的对应所述一候选优化站点的替换站点集合;
获取所述候选优化站点集合中每个候选优化站点对应的替换站点集合。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序在被处理器执行时,能实现上述权利要求1-7任意一项所述的车联网数据的线路避堵方法所包含的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413857.0A CN111223288B (zh) | 2018-11-26 | 2018-11-26 | 基于车联网数据的线路避堵方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413857.0A CN111223288B (zh) | 2018-11-26 | 2018-11-26 | 基于车联网数据的线路避堵方法、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223288A true CN111223288A (zh) | 2020-06-02 |
CN111223288B CN111223288B (zh) | 2023-02-03 |
Family
ID=70827618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811413857.0A Active CN111223288B (zh) | 2018-11-26 | 2018-11-26 | 基于车联网数据的线路避堵方法、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223288B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117542181A (zh) * | 2024-01-10 | 2024-02-09 | 四川三思德科技有限公司 | 一种多模态深度学习的实时异常预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807222A (zh) * | 2010-02-09 | 2010-08-18 | 武汉大学 | 基于站点的城市公交线网优化配置方法 |
CN105023426A (zh) * | 2015-05-18 | 2015-11-04 | 南京邮电大学 | 一种城市公交路线选择方法 |
WO2016004361A1 (en) * | 2014-07-02 | 2016-01-07 | North Carolina A&T State University | System and method for assessing smart power grid networks |
CN105574541A (zh) * | 2015-12-14 | 2016-05-11 | 天云融创数据科技(北京)有限公司 | 一种基于紧密度排序的网络社区发现方法 |
KR101740471B1 (ko) * | 2015-12-30 | 2017-05-31 | 한국교통연구원 | 버스운행관리시스템의 정보를 이용하여 교통정보를 생성하는 방법 |
CN107657330A (zh) * | 2017-08-16 | 2018-02-02 | 深圳先进技术研究院 | 一种候选公交线路计算方法、系统及电子设备 |
CN107742169A (zh) * | 2017-10-24 | 2018-02-27 | 山东大学 | 一种基于复杂网络的城市公交网络系统构建方法及性能评估方法 |
CN107944797A (zh) * | 2017-12-11 | 2018-04-20 | 日立楼宇技术(广州)有限公司 | 运输任务的监控方法、装置及系统 |
EP3383087A1 (en) * | 2017-03-30 | 2018-10-03 | Mitsubishi Electric R & D Centre Europe B.V. | Method and a system for configuring an ultra-high density heterogeneous network |
-
2018
- 2018-11-26 CN CN201811413857.0A patent/CN111223288B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807222A (zh) * | 2010-02-09 | 2010-08-18 | 武汉大学 | 基于站点的城市公交线网优化配置方法 |
WO2016004361A1 (en) * | 2014-07-02 | 2016-01-07 | North Carolina A&T State University | System and method for assessing smart power grid networks |
CN105023426A (zh) * | 2015-05-18 | 2015-11-04 | 南京邮电大学 | 一种城市公交路线选择方法 |
CN105574541A (zh) * | 2015-12-14 | 2016-05-11 | 天云融创数据科技(北京)有限公司 | 一种基于紧密度排序的网络社区发现方法 |
KR101740471B1 (ko) * | 2015-12-30 | 2017-05-31 | 한국교통연구원 | 버스운행관리시스템의 정보를 이용하여 교통정보를 생성하는 방법 |
EP3383087A1 (en) * | 2017-03-30 | 2018-10-03 | Mitsubishi Electric R & D Centre Europe B.V. | Method and a system for configuring an ultra-high density heterogeneous network |
CN107657330A (zh) * | 2017-08-16 | 2018-02-02 | 深圳先进技术研究院 | 一种候选公交线路计算方法、系统及电子设备 |
CN107742169A (zh) * | 2017-10-24 | 2018-02-27 | 山东大学 | 一种基于复杂网络的城市公交网络系统构建方法及性能评估方法 |
CN107944797A (zh) * | 2017-12-11 | 2018-04-20 | 日立楼宇技术(广州)有限公司 | 运输任务的监控方法、装置及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117542181A (zh) * | 2024-01-10 | 2024-02-09 | 四川三思德科技有限公司 | 一种多模态深度学习的实时异常预警方法及系统 |
CN117542181B (zh) * | 2024-01-10 | 2024-04-30 | 四川三思德科技有限公司 | 一种多模态深度学习的实时异常预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111223288B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
US10360519B2 (en) | Planning method of electric vehicle fast charging stations on the expressway | |
Cerna et al. | Optimal delivery scheduling and charging of EVs in the navigation of a city map | |
Yi et al. | Spatiotemporal energy demand models for electric vehicles | |
CN105513400A (zh) | 动态规划出行路径的方法 | |
EP2825849B1 (en) | Method and system for determining routes of vehicles | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN109840685A (zh) | 一种垃圾清运的方法及设备 | |
Faraj et al. | A real geographical application for the school bus routing problem | |
CN108074017A (zh) | 电动汽车充电负荷预测方法及装置 | |
Shafahi et al. | SpeedRoute: Fast, efficient solutions for school bus routing problems | |
CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
CN114298419A (zh) | 一种多式联运运输规划方法和装置、电子设备、存储介质 | |
CN111536987A (zh) | 一种用于大面积垃圾清扫的车辆路径规划方法 | |
Silva et al. | A mixed load solution for the rural school bus routing problem | |
CN111223288B (zh) | 基于车联网数据的线路避堵方法、存储介质 | |
Du et al. | GAQ-EBkSP: a DRL-based urban traffic dynamic rerouting framework using fog-cloud architecture | |
Masoud et al. | Optimal Assignment of e-scooter to Chargers | |
Straka et al. | Preprocessing of GIS data for electric vehicle charging stations analysis and evaluation of the predictors significance | |
Bakas et al. | A flexible transportation service for the optimization of a fixed-route public transport network | |
CN113990062B (zh) | 垃圾运输车辆调度方法、装置、可读存储介质及服务器 | |
CN114253975B (zh) | 一种负载感知的路网最短路径距离计算方法及装置 | |
Ambrosino et al. | An algorithmic framework for computing shortest routes in urban multimodal networks with different criteria | |
Garcia et al. | Hybrid approach for the public transportation time dependent orienteering problem with time windows | |
CN112926800A (zh) | 一种考虑复杂路网的物流配送区域划分方法 |
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 |