CN111275296A - 一种基于轨迹数据的单向共享汽车系统选址优化方法 - Google Patents

一种基于轨迹数据的单向共享汽车系统选址优化方法 Download PDF

Info

Publication number
CN111275296A
CN111275296A CN202010036167.9A CN202010036167A CN111275296A CN 111275296 A CN111275296 A CN 111275296A CN 202010036167 A CN202010036167 A CN 202010036167A CN 111275296 A CN111275296 A CN 111275296A
Authority
CN
China
Prior art keywords
demand
time
vehicle
data
distance
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
Application number
CN202010036167.9A
Other languages
English (en)
Other versions
CN111275296B (zh
Inventor
谢东繁
田静静
赵小梅
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010036167.9A priority Critical patent/CN111275296B/zh
Publication of CN111275296A publication Critical patent/CN111275296A/zh
Application granted granted Critical
Publication of CN111275296B publication Critical patent/CN111275296B/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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or 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"
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于轨迹数据的单向共享汽车系统选址优化方法。可以对现有共享汽车系统进行重新选址规划，也可以对新建城市进行共享汽车投放规划，为运营商的初始规划提供理论指导与实践支撑。具体实施方案是：对车辆轨迹数据进行分割，提取潜在共享汽车需求；对研究区域进行网格划分，统计每个网格的潜在需求量，选择候选点；计算需求中心到候选点的距离衰减程度；统计历史经验数据，得到车队规模限制约束，构建共享汽车站点选址优化模型；最后求解模型，得到站点位置、站点容量以及初始车辆。本发明使用的数据较为普遍，易于获得，能够在合理时间内得到具有可行性的选址方案，具有实际的操作价值。

Description

一种基于轨迹数据的单向共享汽车系统选址优化方法
技术领域
本发明涉及智能交通系统技术领域，特别涉及一种基于轨迹数据的单向共享汽车系统选址优化方法。
背景技术
自第一辆汽车诞生以来，汽车行业快速发展，由此带动了经济的迅速发展，同时也带来了一系列的交通问题，主要表现为：交通堵塞、环境污染、停车困难、资源浪费等。各大城市都深受交通问题的困扰，交通压力的日益凸显，已经严重影响了城市活动的正常运行。共享汽车作为中国新兴的交通运输服务业，是满足人民群众个性化出行、商务活动需求和保障重大社会活动的重要交通方式，是综合运输体系的重要组成部分，对人们的出行及城市交通体系带来了有益影响。
在移动互联网与物联网技术的发展和支持下，共享汽车(也称短时租赁)出行快速发展，并逐渐成为能够满足用户多样性出行需求的新的交通方式。目前，共享汽车系统主要有三种类型：双向共享汽车系统，单向共享汽车系统和自由停放系统。双向系统要求车辆必须在用户取车的站点还车；单向系统允许用户在共享汽车系统中任意站点还车，这两种类型都是基于站点式的系统，而自由停放系统类似于共享单车，没有固定的网点供用户借还车，用户可在可停车的任何地方停车。由于车辆和共享单车属性的不同，以及运营调度的难度较大，自由停放系统的应用较少，相关研究更是寥寥无几。绝大部分研究都是基于站点式的，尤其是应用广泛的单向共享汽车系统。在基于站点式的共享汽车系统中，站点的布局选址是一个关键问题。由于共享汽车系统前期投入的成本较大，营业网点一旦建设就很难再迁址，因此对共享汽车系统进行科学合理的规划布局显得尤为重要。对当前汽车共享系统的选址研究总结发现，基于数据驱动的选址方法，主要是对汽车共享系统的初始站点布局选址，而基于数学规划的优化方法更侧重于考虑后期运营状况的选址。良好的初始选址应能够尽量满足后期运营的状态，从而尽量减少后期因为站点调整产生的额外成本。基于此，本文结合两类方法，提出了一种基于数据驱动的优化选址方法，该方法基于实际数据，挖掘需求的时空分布，考虑需求距站点的距离衰减程度，以及后期运营过程中站点之间的租车往来，建立了混合线性整数规划模型。经过数据验证，本发明可以得到合理有效的选址方案，并且普适性和可行性较强。
发明内容
本发明所要解决的技术问题：
站点选址问题是单向共享汽车系统规划的一个重要方向，不合理的选址规划不仅给用户的出行带来不便，从而引起可不流失，还会给运营商带来巨大的经济损失。静态的选址问题是更符合实际需求的，但目前关于共享汽车选址的研究更多地是采用需求覆盖模型，没有考虑到共享汽车的特征。本发明提供了一种基于轨迹数据的单向共享汽车系统选址优化方法，可以对现有共享汽车系统进行重新选址规划，也可以对新建城市进行共享汽车投放规划，为运营商的初始规划提供一定的理论与实践支撑。
为了实现上述目的，本发明提供了基于轨迹数据的单向共享汽车系统选址优化方法，包括以下步骤：
步骤1：对车辆轨迹数据分割，提取共享汽车潜在出行需求；
车辆轨迹数据是车辆行驶过程中的GPS轨迹点数据，是由一系列带时间戳的数据点组成的序列，每个数据点都包含车辆编号，时间，经度，纬度，速度等信息。
步骤2：将研究区域按1km*1km的方格进行网格划分；根据潜在出行需求中的终点信息，统计每个区域的潜在出行到达量，根据潜在出行达到量的分布选择候选点；
步骤3：统计候选点之间的出行需求、最短期望时间及站点之间租车量比例；
步骤4：采用距离衰减函数，计算各个需求中心到各个候选点的距离衰减程度，所述需求中心为网格中心；
步骤5：统计现有共享汽车系统的实际用车辆和实际满足的需求，对两者进行拟合。
步骤6：基于共享汽车的短时租赁特征构建站点选址优化模型，模型以运营商的最小总成本为目标，约束条件则考虑基于距离衰减的需求覆盖、站点之间的租车往来、需求满足程度以及车队规模约束；
步骤7：设置参数，代入已知数据，固定模型中的整数变量，采用改进Benders分解算法，进行模型求解。
在上述方案的基础上，步骤1具体包括如下步骤：
步骤1.1：将每一辆车的轨迹数据表示为：
Trii＝
{(vii,t1,lon1,lat1,speed1),(vii,t2,lon2,lat2,speed2),…(vii,tn,lonn,latn,speedn)} (1)
其中，T表示该车辆的数据点数目，vii表示车辆ii的车辆编号，tn,n＝1,2,…,T,表示第n个数据点对应的时间戳，lonn,n＝1,2,…,T,表示时间tn时车辆所在位置对应的经度，latn,n＝1,2,…,T,表示时间tn时车辆所在位置对应的纬度，speedn,n＝1,2,…,T,表示时间tn时车辆的瞬时速度；
判断某个数据点与其连续的下一个数据点的平均速度是否小于事先设定的速度阈值，如果是，标记为-1，表示其是静止点，否则，标记为1，表示其为运动点，其运动状态表示为：
STri＝{s1,s2,…sn} (2)
其中，sn,n＝1,2,…,T,表示第n个数据点对应的运动状态；
步骤1.2：将步骤1.1得到的轨迹对应的运动状态划分为若干个静止段和运动段，静止段和运动段分别用-1和1标记，表示为：
DTri＝{d1,d2,…,df,…dF} (3)
步骤1.3：计算每个静止段的时间和每个运动段的距离，如果某个静止段的时间小于事先设定的时间阈值tthresh，即
Figure BDA0002366091360000041
其中，dk表示车辆的状态，f＝1,2,…,F，F表示状态段数；-1表示静止段，1表示运动段，
Figure BDA0002366091360000042
为静止段f结束时间，
Figure BDA0002366091360000043
为静止段f开始时间，tthresh为设定的时间阈值。
则将该静止段视为运动途中的短暂停留，并将其状态由静止改为运动。
如果某个运动段的距离小于事先设定的距离阈值Dthresh，即
Figure BDA0002366091360000044
其中，
Figure BDA0002366091360000045
为运动段f结束时间，
Figure BDA0002366091360000046
为运动段f开始时间，Dthresh为设定的距离阈值。
则将该运动段视为静止过程中的轻微挪动，并将其状态由运动改为静止；
步骤1.4：将步骤1.3更改后运动状态相同且相邻的状态段进行合并，并提取每一个运动段的起、终点信息及时间和距离，组成需求信息。
步骤1.5：根据参考信息对得到的需求信息进行对比分析，剔除不合理潜在需求，得到潜在出行需求。
在上述方案的基础上，步骤1.1所述速度阈值为0.51m/s；
步骤1.3所述时间阈值tthresh为120s,所述距离阈值Dthresh为200m；
步骤1.5所述其他参考信息包括研究区域范围，最大、小出行时间，最长、短出行距离。
在上述方案的基础上，步骤3具体包括如下步骤：
步骤3.1：所述最短期望时间由候选点之间的距离、自由流速度计算；
Figure BDA0002366091360000051
其中，dik表示候选点i,k之间的最短距离，Vf表示道路交通的自由流速度；
步骤3.2：统计候选点之间的出行需求。
步骤3.3：站点之间租车量比例按候选点之间的出行需求比例计算得到,公式如下：
Figure BDA0002366091360000052
其中，qik为步骤3.2中计算的候选点i,k之间的潜在出行需求；
在上述方案的基础上，步骤4所述的距离衰减函数如下：
Figure BDA0002366091360000053
其中，w1为待定参数，表示站点的最大服务半径，wtji为需求中心j到达候选点i的步行时间，sji为需求中心j到达候选点i的距离衰减程度；
在上述方案的基础上，步骤5所述的拟合采用如下函数进行：
V≥βU+β0 (9)
其中，V,U分别表示车队总规模大小及满足的需求量，β和β0为待定参数，可以根据实际需求进行标定；
在上述方案的基础上，步骤6所述的站点选址优化模型如下：
Figure BDA0002366091360000061
Figure BDA0002366091360000062
Figure BDA0002366091360000063
Figure BDA0002366091360000064
Figure BDA0002366091360000065
Figure BDA0002366091360000066
Figure BDA0002366091360000067
Figure BDA0002366091360000068
Figure BDA0002366091360000069
∑j∑iDjzjisji≥β∑jDj (19)
Figure BDA00023660913600000610
Figure BDA00023660913600000611
f(V,U)≥0 (22)
Figure BDA00023660913600000612
Figure BDA00023660913600000613
其中，I为候选点集合、J为需求中心集合、Cs,Cp,Cv,Ce分别为单位站点、停车位、和车辆的固定成本，以及单位时间内耗电成本；α,β,M,Pmax均为常数，分别为弹性系数、需求满足率，一个足够大的正整数和站点最大容量；Xi,Pi,Vi分别表示候选点i是否建站、停车位数，车辆数；zji表示需求区域j的需求被候选点i满足的比例；uik表示从候选点i到候选点k的租车量；Tik表示从候选点i到候选点k的最短期望时间；Dj为需求区域j的潜在需求量；
公式(11)-(14)表示站点的基本设施约束，公式(15)-(19)表示基于距离衰减的需求满足约束，公式(20)-(21)表示租车量约束，公式(22)中的f(V,U)表示车队规模与满足的需求之间的函数关系，即步骤5中的拟合函数，公式(23)、(24)表示模型中的变量约束，为此，公式(22)可替换为：
β∑i∑kuik+β0≤∑iVi (25)
在上述方案的基础上，步骤7所述参数包括单位站点、停车位、和车辆的固定成本；所述已知数据包括需求区域j的潜在需求量Dj。
本发明的有益效果：
本发明基于车辆轨迹数据分割，挖掘潜在共享汽车出行需求。对现有共享汽车系统需求时空特征进行分析后，得到共享汽车车队规模与满足需求的函数关系。综合考虑基于距离衰减的需求空间覆盖、站点之间租车往来以及现有系统的经验，建立以运营商总成本最小为目标的选址模型。本发明可以给新建城市(无共享汽车)或现有共享汽车系统的重新规划选址提供一定的理论指导，且具有普适性。本发明主要基于车辆轨迹数据，易于获取，可以是共享汽车轨迹数据，也可以是其他车辆数据，经验数据可由其他共享系统获得，通过改进Benders算法能够快速得到合理的选址规划方案，获得选址地点、站点容量和初始车辆分配数量，且延伸性较好，实际操作性强。
附图说明
本发明有如下附图：
图1为本发明的基于轨迹数据的单向共享汽车系统选址优化方法的总体流程图。
图2为本发明挖掘的潜在共享汽车出行需求。
图3为本发明的研究区域及候选点分布。
图4为本发明的衰减函数变化曲线。
图5为需求满足率为0.7时的求解结果
具体实施方式
以下结合附图1～5对本发明作进一步详细说明。
本发明是一种基于轨迹数据的单向共享汽车系统选址优化，包括以下步骤，如图1所示：
步骤1：对车辆轨迹数据分割，提取共享汽车潜在需求。车辆轨迹数据隐含了用户的潜在出行需求，将车辆轨迹数据按照一定的方法进行合理的分割可以得到有效的潜在需求集。车辆轨迹数据是车辆行驶过程中的GPS轨迹点数据，是由一系列带时间戳的数据点组成的序列，每个数据点都包含车辆编号，时间，经度，纬度，速度等信息。如图2所示；
步骤1.1：将每一辆车的轨迹数据表示为：
Trii＝
{(vii,t1,lon1,lat1,speed1),(vii,t2,lon2,lat2,speed2),…(vii,tn,lonn,latn,speedn)} (1)
其中，T表示该车辆的数据点数目，vii表示车辆ii的车辆编号，tn,n＝1,2,…,T,表示第n个数据点对应的时间戳，lonn,n＝1,2,…,T,表示时间tn时车辆所在位置对应的经度，latn,n＝1,2,…,T,表示时间tn时车辆所在位置对应的纬度，speedn,n＝1,2,…,T,表示时间tn时车辆的瞬时速度；
判断某个数据点与其连续的下一个数据点的平均速度是否小于事先设定的速度阈值,所述速度阈值为0.51m/s，如果是，标记为-1，表示其是静止点，否则，标记为1，表示其为运动点，其运动状态表示为：
STri＝{s1,s2,…sn} (2)
其中，sn,n＝1,2,…,T,表示第n个数据点对应的运动状态；
步骤1.2：将步骤1.1得到的轨迹对应的运动状态划分为若干个静止段和运动段，静止段和运动段分别用-1和1标记，表示为：
DTri＝{d1,d2,…,df,…dF} (3)
步骤1.3：计算每个静止段的时间和每个运动段的距离，如果某个静止段的时间小于事先设定的时间阈值tthresh，所述时间阈值tthresh为120s,即
Figure BDA0002366091360000091
其中，df表示车辆的状态，f＝1,2,…,F，F表示状态段数；-1表示静止段，1表示运动段，
Figure BDA0002366091360000092
为静止段f结束时间，为静止段f开始时间，tthresh为设定的时间阈值。
则将该静止段视为运动途中的短暂停留，并将其状态由静止改为运动。
如果某个运动段的距离小于事先设定的距离阈值Dthresh，所述距离阈值Dthresh为200m,即
Figure BDA0002366091360000101
其中，
Figure BDA0002366091360000102
为运动段f结束时间，
Figure BDA0002366091360000103
为运动段f开始时间，Dthresh为设定的距离阈值。
则将该运动段视为静止过程中的轻微挪动，并将其状态由运动改为静止；
步骤1.4：将步骤1.3更改后运动状态相同且相邻的状态段进行合并，并提取每一个运动段的起、终点信息及时间和距离，组成需求信息。
步骤1.5：根据参考信息对得到的需求信息进行对比分析，所述其他参考信息包括研究区域范围，最大、小出行时间，最长、短出行距离，剔除不合理潜在需求，得到潜在出行需求。
步骤2：将研究区域按1km*1km的方格进行网格划分，根据潜在出行需求中的终点信息，统计每个网格的潜在出行到达量，根据潜在出行达到量的分布选择候选点(候选点的空间分布如图3中的灰色圆点所示)；
步骤3：统计候选点之间的潜在出行需求、最短期望时间及站点之间租车量比例；
步骤3.1：所述最短期望时间由候选点之间的距离、自由流速度计算；
Figure BDA0002366091360000104
其中，dik表示候选点i,k之间的最短距离，Vf表示道路交通的自由流速度；
步骤3.2：统计候选点之间的出行需求，即OD需求量。考虑用户的就近选择行为，例如潜在需求d的起点为O，终点为D，离起点O最近的候选点为lnear，离终点D最近的候选点为mnear，则将需求d计入候选点lnear,mnear之间的OD需求；
步骤3.3：站点之间租车量比例按候选点之间的OD需求比例计算，所述OD需求比例是依据步骤3.2统计的候选点之间的出行需求计算得到,公式如下：
Figure BDA0002366091360000111
其中，qik为步骤3.2中计算的候选点i,k之间的潜在出行需求；
步骤4：采用如下距离衰减函数，计算各个需求中心到各个候选点的距离衰减程度，所述需求中心为网格中心，也可根据实际设为网格内需求点分布的重心，衰减函数变化曲线如图4所示；
Figure BDA0002366091360000112
其中，w1为待定参数，表示站点的最大服务半径，wtji为需求中心j到达候选点i的步行时间，sji为需求中心j到达候选点i的距离衰减程度；
步骤5：统计现有共享汽车系统的实际用车辆和实际满足的需求，对两者进行拟合，拟合函数作为选址模型中的车队规模限制约束，新建城市可参考类似城市的共享汽车系统；拟合函数采用如下所示：
V≥βU+β0 (9)
其中，V,U分别表示车队总规模大小及满足的需求量，β和β0为待定参数，可以根据实际需求进行标定；
步骤6：基于共享汽车的短时租赁特征，以运营商的最小总成本为目标，目标函数考虑站点建站成本、停车位成本，车辆固定成本以及能耗成本，约束考虑基于距离衰减的需求覆盖、站点之间的租车往来、需求满足程度以及车队规模约束，构建站点选址优化模型如下：
Figure BDA0002366091360000121
Figure BDA0002366091360000122
Figure BDA0002366091360000123
Figure BDA0002366091360000124
Figure BDA0002366091360000125
Figure BDA0002366091360000126
Figure BDA0002366091360000127
Figure BDA0002366091360000128
Figure BDA0002366091360000129
∑j∑iDjzjisji≥β∑jDj (19)
Figure BDA00023660913600001210
Figure BDA00023660913600001211
f(V,U)≥0 (22)
Figure BDA00023660913600001212
Figure BDA00023660913600001213
其中，I为候选点集合、J为需求中心集合、Cs,Cp,Cv,Ce分别为单位站点、停车位、和车辆的固定成本，以及单位时间内耗电成本；α,β,M,Pmax均为常数，分别为弹性系数、需求满足率，一个足够大的正整数和站点最大容量；Xi,Pi,Vi分别表示候选点i是否建站、停车位数，车辆数；zji表示需求区域j的需求被候选点i满足的比例；uik表示从候选点i到候选点k的租车量；Tik表示从候选点i到候选点k的最短期望时间；Dj为需求区域j的潜在需求量；
公式(11)-(14)表示站点的基本设施约束，公式(15)-(19)表示基于距离衰减的需求满足约束，公式(20)-(21)表示租车量约束，公式(22)中的f(V,U)表示车队规模与满足的需求之间的函数关系，即步骤5中的拟合函数，公式(23)、(24)表示模型中的变量约束，为此，公式(22)可替换为：
β∑i∑kuik+β0≤∑iVi (25)
步骤7：设置单位站点、停车位、和车辆等成本参数，代入需求区域j的潜在需求量Dj等数据，采用改进的Benders分解算法，进行模型求解。求解结果示例如图4所示。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，包括以下步骤：
步骤1：对车辆轨迹数据分割，提取共享汽车潜在出行需求；
车辆轨迹数据是车辆行驶过程中的GPS轨迹点数据，是由一系列带时间戳的数据点组成的序列，每个数据点都包含车辆编号，时间，经度，纬度，速度；
步骤2：将研究区域按1km*1km的方格进行网格划分；根据潜在出行需求中的终点信息，统计每个区域的潜在出行到达量，根据潜在出行达到量的分布选择候选点；
步骤3：统计候选点之间的出行需求、最短期望时间及站点之间租车量比例；
步骤4：采用距离衰减函数，计算各个需求中心到各个候选点的距离衰减程度，所述需求中心为网格中心；
步骤5：统计现有共享汽车系统的实际用车辆和实际满足的需求，对两者进行拟合；
步骤6：建立共享汽车的短时租赁特征构建站点选址优化模型，模型以运营商的最小总成本为目标，约束条件则考虑基于距离衰减的需求覆盖、站点之间的租车往来、需求满足程度以及车队规模约束；
步骤7：设置参数，代入已知数据，固定模型中的整数变量，采用改进Benders分解算法，进行模型求解。
2.如权利要求1所述的基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，步骤1具体包括如下步骤：
步骤1.1：将每一辆车的轨迹数据表示为：
Trii＝{(vii,t1,lon1,lat1,speed1),(vii,t2,lon2,lat2,speed2),…(vii,tn,lonn,latn,speedn)} (1)
其中，T表示该车辆的数据点数目，vii表示车辆ii的车辆编号，tn,n＝1,2,…,T,表示第n个数据点对应的时间戳，lonn,n＝1,2,…,T,表示时间tn时车辆所在位置对应的经度，latn,n＝1,2,…,T,表示时间tn时车辆所在位置对应的纬度，speedn,n＝1，2，…，T,表示时间tn时车辆的瞬时速度；
判断某个数据点与其连续的下一个数据点的平均速度是否小于事先设定的速度阈值，如果是，标记为-1，表示其是静止点，否则，标记为1，表示其为运动点，其运动状态表示为：
STri＝{s1,s2,…sn} (2)
其中，sn,n＝1,2,…,T,表示第n个数据点对应的运动状态；
步骤1.2：将步骤1.1得到的轨迹对应的运动状态划分为若干个静止段和运动段，静止段和运动段分别用-1和1标记，表示为：
DTri＝{d1,d2,…,df,…dF} (3)
步骤1.3：计算每个静止段的时间和每个运动段的距离，如果某个静止段的时间小于事先设定的时间阈值tthresh，
Figure FDA0002366091350000021
其中，df表示车辆的状态，f＝1,2,…,F，F表示状态段数；-1表示静止段，1表示运动段，
Figure FDA0002366091350000022
为静止段f结束时间，
Figure FDA0002366091350000023
为静止段f开始时间，tthresh为设定的时间阈值；
则将该静止段视为运动途中的短暂停留，并将其状态由静止改为运动；
如果某个运动段的距离小于事先设定的距离阈值Dthresh，
Figure FDA0002366091350000031
其中，
Figure FDA0002366091350000032
为运动段f结束时间，
Figure FDA0002366091350000033
为运动段f开始时间，Dthresh为设定的距离阈值；
则将该运动段视为静止过程中的轻微挪动，并将其状态由运动改为静止；
步骤1.4：将步骤1.3更改后运动状态相同且相邻的状态段进行合并，并提取每一个运动段的起、终点信息及时间和距离，组成需求信息；
步骤1.5：根据参考信息对得到的需求信息进行对比分析，剔除不合理潜在需求，得到潜在出行需求。
3.如权利要求2所述的基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，步骤1.1所述速度阈值为0.51m/s；
步骤1.3所述时间阈值tthresh为120s,所述距离阈值Dthresh为200m；
步骤1.5所述其他参考信息包括研究区域范围，最大、小出行时间，最长、短出行距离。
4.如权利要求3所述的基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，步骤3具体包括如下步骤：
步骤3.1：所述最短期望时间由候选点之间的距离、自由流速度计算；
Figure FDA0002366091350000034
其中，dik表示候选点i,k之间的最短距离，Vf表示道路交通的自由流速度；
步骤3.2：统计候选点之间的出行需求；
步骤3.3：站点之间租车量比例按候选点之间的出行需求比例计算得到,公式如下：
Figure FDA0002366091350000041
其中，qik为步骤3.2中计算的候选点i,k之间的潜在出行需求。
5.如权利要求4所述的基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，步骤4所述的距离衰减函数如下：
Figure FDA0002366091350000042
其中，w1为待定参数，表示站点的最大服务半径，wtji为需求中心j到达候选点i的步行时间，sji为需求中心j到达候选点i的距离衰减程度；
在上述方案的基础上，步骤5所述的拟合采用如下函数进行：
V≥βU+β0 (9)
其中，V,U分别表示车队总规模大小及满足的需求量，β和β0为待定参数，根据实际需求进行标定。
6.如权利要求5所述的基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，步骤6所述的站点选址优化模型如下：
Figure FDA0002366091350000043
Figure FDA0002366091350000044
Figure FDA0002366091350000045
Figure FDA0002366091350000046
Figure FDA0002366091350000047
Figure FDA0002366091350000048
Figure FDA0002366091350000049
Figure FDA00023660913500000410
Figure FDA0002366091350000051
∑j∑iDjzjisji≥β∑jDj (19)
Figure FDA0002366091350000052
Figure FDA0002366091350000053
f(V,U)≥0 (22)
Figure FDA0002366091350000054
Figure FDA0002366091350000055
其中，I为候选点集合、J为需求中心集合、Cs,Cp,Cv,Ce分别为单位站点、停车位、和车辆的固定成本，以及单位时间内耗电成本；α,β,M,Pmax均为常数，分别为弹性系数、需求满足率，一个足够大的正整数和站点最大容量；Xi,Pi,Vi分别表示候选点i是否建站、停车位数，车辆数；zji表示需求区域j的需求被候选点i满足的比例；uik表示从候选点i到候选点k的租车量；Tik表示从候选点i到候选点k的最短期望时间；Dj为需求区域j的潜在需求量；
公式(11)-(14)表示站点的基本设施约束，公式(15)-(19)表示基于距离衰减的需求满足约束，公式(20)-(21)表示租车量约束，公式(22)中的f(V,U)表示车队规模与满足的需求之间的函数关系，为步骤5中的拟合函数，公式(23)、(24)表示模型中的变量约束，为此，公式(22)可替换为：
β∑i∑kuik+β0≤∑iVi (25)。
7.如权利要求6所述的基于轨迹数据的单向共享汽车系统选址优化方法，其特征在于，步骤7所述参数包括单位站点、停车位、和车辆的固定成本；所述已知数据包括需求区域j的潜在需求量Dj。
CN202010036167.9A 2020-01-14 2020-01-14 一种基于轨迹数据的单向共享汽车系统选址优化方法 Active CN111275296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010036167.9A CN111275296B (zh) 2020-01-14 2020-01-14 一种基于轨迹数据的单向共享汽车系统选址优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010036167.9A CN111275296B (zh) 2020-01-14 2020-01-14 一种基于轨迹数据的单向共享汽车系统选址优化方法

Publications (2)

Publication Number Publication Date
CN111275296A true CN111275296A (zh) 2020-06-12
CN111275296B CN111275296B (zh) 2022-06-24

Family

ID=70998950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010036167.9A Active CN111275296B (zh) 2020-01-14 2020-01-14 一种基于轨迹数据的单向共享汽车系统选址优化方法

Country Status (1)

Country Link
CN (1) CN111275296B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695942A (zh) * 2020-06-17 2020-09-22 云南省设计院集团有限公司 一种基于时间可靠性的电动汽车充电站选址方法
CN111932123A (zh) * 2020-08-11 2020-11-13 上海钧正网络科技有限公司 一种基于流向的共享车辆站点选取的方法、装置及系统
CN112115385A (zh) * 2020-08-25 2020-12-22 北京交通大学 一种考虑充电时间的单向共享汽车系统选址优化方法
CN112700029A (zh) * 2020-12-03 2021-04-23 北京交通大学 一种基于仿真优化框架的定制公交规划方法
CN112801727A (zh) * 2020-11-30 2021-05-14 北京交通大学 一种考虑租赁点车位数量和车辆调度的联合优化方法
CN113222325A (zh) * 2021-03-23 2021-08-06 南斗六星系统集成有限公司 一种基于大数据的新能源车辆充电站选址规划方法和系统
CN113283754A (zh) * 2021-05-27 2021-08-20 哈尔滨工业大学（深圳） 一种车站选址方法、装置、计算设备和存储介质
CN113393030A (zh) * 2021-06-11 2021-09-14 上海钧正网络科技有限公司 车辆运营区域潜力站点选址方法、系统、终端及介质
CN113435702A (zh) * 2021-05-31 2021-09-24 中国地质大学（武汉） 基于空间分析的共享单车管理人员服务区分配方法及系统
CN115953010A (zh) * 2023-03-08 2023-04-11 北京阿帕科蓝科技有限公司 车站选址方法、装置、计算机设备
CN116824833A (zh) * 2023-03-02 2023-09-29 四川国蓝中天环境科技集团有限公司 一种基于栅格划分的共享单车电子围栏位置优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868860A (zh) * 2016-04-07 2016-08-17 浙江万马新能源有限公司 基于聚类的区域出行意愿强度分析方法、装置及选址方法
CN107316208A (zh) * 2017-06-20 2017-11-03 国网重庆市电力公司电力科学研究院 一种共享汽车共享网点布局与选址模型
CN107316098A (zh) * 2017-05-19 2017-11-03 芜湖恒天易开软件科技股份有限公司 一种基于用户行为分析的汽车租赁点选址方法
KR20190051235A (ko) * 2017-11-06 2019-05-15 제주대학교 산학협력단 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법
CN110458589A (zh) * 2019-02-01 2019-11-15 吉林大学 基于轨迹大数据的路侧式出租车停靠站选址优选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868860A (zh) * 2016-04-07 2016-08-17 浙江万马新能源有限公司 基于聚类的区域出行意愿强度分析方法、装置及选址方法
CN107316098A (zh) * 2017-05-19 2017-11-03 芜湖恒天易开软件科技股份有限公司 一种基于用户行为分析的汽车租赁点选址方法
CN107316208A (zh) * 2017-06-20 2017-11-03 国网重庆市电力公司电力科学研究院 一种共享汽车共享网点布局与选址模型
KR20190051235A (ko) * 2017-11-06 2019-05-15 제주대학교 산학협력단 유전 알고리즘에 기초한 전기 자동차 충전기 위치 선정 기법
CN110458589A (zh) * 2019-02-01 2019-11-15 吉林大学 基于轨迹大数据的路侧式出租车停靠站选址优选方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695942A (zh) * 2020-06-17 2020-09-22 云南省设计院集团有限公司 一种基于时间可靠性的电动汽车充电站选址方法
CN111932123B (zh) * 2020-08-11 2022-11-18 上海钧正网络科技有限公司 一种基于流向的共享车辆站点选取的方法、装置及系统
CN111932123A (zh) * 2020-08-11 2020-11-13 上海钧正网络科技有限公司 一种基于流向的共享车辆站点选取的方法、装置及系统
CN112115385A (zh) * 2020-08-25 2020-12-22 北京交通大学 一种考虑充电时间的单向共享汽车系统选址优化方法
CN112115385B (zh) * 2020-08-25 2024-04-12 北京交通大学 一种考虑充电时间的单向共享汽车系统选址优化方法
CN112801727A (zh) * 2020-11-30 2021-05-14 北京交通大学 一种考虑租赁点车位数量和车辆调度的联合优化方法
CN112700029A (zh) * 2020-12-03 2021-04-23 北京交通大学 一种基于仿真优化框架的定制公交规划方法
CN112700029B (zh) * 2020-12-03 2024-06-11 北京交通大学 一种基于仿真优化框架的定制公交规划方法
CN113222325A (zh) * 2021-03-23 2021-08-06 南斗六星系统集成有限公司 一种基于大数据的新能源车辆充电站选址规划方法和系统
CN113283754A (zh) * 2021-05-27 2021-08-20 哈尔滨工业大学（深圳） 一种车站选址方法、装置、计算设备和存储介质
CN113435702A (zh) * 2021-05-31 2021-09-24 中国地质大学（武汉） 基于空间分析的共享单车管理人员服务区分配方法及系统
CN113393030A (zh) * 2021-06-11 2021-09-14 上海钧正网络科技有限公司 车辆运营区域潜力站点选址方法、系统、终端及介质
CN116824833A (zh) * 2023-03-02 2023-09-29 四川国蓝中天环境科技集团有限公司 一种基于栅格划分的共享单车电子围栏位置优化方法
CN115953010A (zh) * 2023-03-08 2023-04-11 北京阿帕科蓝科技有限公司 车站选址方法、装置、计算机设备

Also Published As

Publication number Publication date
CN111275296B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN111275296B (zh) 一种基于轨迹数据的单向共享汽车系统选址优化方法
CN103903475B (zh) 一种面向城市级的智能泊车服务系统及泊车调度方法
Liu et al. Tracking a system of shared autonomous vehicles across the Austin, Texas network using agent-based simulation
CN108162771B (zh) 一种电动汽车智能充电导航方法
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN103295414A (zh) 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN102081859A (zh) 一种公交车到站时间预测模型控制方法
CN107274665A (zh) 巴士运力资源规划方法及系统
CN112767683B (zh) 一种基于反馈机制的路径诱导方法
CN105679009A (zh) 一种基于出租车gps数据挖掘的打车/接单poi推荐系统及方法
DE102019110759A1 (de) System und verfahren zum steuern eines autonomen fahrzeugs
CN104318759B (zh) 基于自学习算法的公交车停靠站时间实时估计方法及系统
CN117546218A (zh) 用于交通预测的分布式多任务机器学习
CN112949987B (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
Shviatsova et al. The Smart Urban Transport System
CN112036757A (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
Han et al. Optimal signal control algorithm for signalized intersections under a V2I communication environment
CN111341093B (zh) 车队的控制方法、装置、设备及存储介质
Miao et al. Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas
EP1916643B1 (de) Dynamische Steuerung einer Signalanlage an einem Verkehrsknotenpunkt
CN108711286B (zh) 一种基于多源车联网和手机信令的交通量分配方法及系统
Tafidis et al. Exploring crowdsourcing information to predict traffic-related impacts
DE102012222810A1 (de) Parkraumregistrierungs- und -bewirtschaftungssystem sowie Verfahren
Li et al. Reassessing the financial and social costs of public transport
CN108564793A (zh) 一种基于rfid电子车牌数据的行程时间预测方法

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
GR01 Patent grant
GR01 Patent grant