CN111341138A - 优化公交运行效率的方法 - Google Patents

优化公交运行效率的方法 Download PDF

Info

Publication number
CN111341138A
CN111341138A CN202010211200.7A CN202010211200A CN111341138A CN 111341138 A CN111341138 A CN 111341138A CN 202010211200 A CN202010211200 A CN 202010211200A CN 111341138 A CN111341138 A CN 111341138A
Authority
CN
China
Prior art keywords
bus
station
getting
time
passenger flow
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
CN202010211200.7A
Other languages
English (en)
Other versions
CN111341138B (zh
Inventor
王泽庭
张永昌
杨海涛
朱桂清
尚春琳
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.)
North China University of Technology
Original Assignee
North China University of Technology
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 North China University of Technology filed Critical North China University of Technology
Priority to CN202010211200.7A priority Critical patent/CN111341138B/zh
Publication of CN111341138A publication Critical patent/CN111341138A/zh
Application granted granted Critical
Publication of CN111341138B publication Critical patent/CN111341138B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种优化公交运行效率的方法。方法包括：获取车站客流到达分布；获取候车客流数；获取公交乘客剩余容纳量；预测下一个车站的上车人数，若
Figure DDA0002422893620000011
说明候车客流可以全部登车，即此种情况下登车人数为
Figure DDA0002422893620000012
此时站台滞留人数Qi‑zhi＝0；若
Figure DDA0002422893620000015
此时说明候车客流不能全部登车，即此种情况下登车人数为
Figure DDA0002422893620000014
此时站台滞留人数为
Figure DDA0002422893620000013
预测下一个车站的下车人数；确定上下车客流最大值；驻站时长预测。本发明通过预测公交驻站时长以及优化公交运行时刻表，可以减少公交运行过程中的停车次数，提高专用道公交到站的准点率，提高公交运行效率。

Description

优化公交运行效率的方法
技术领域
本发明涉及公共交通领域，更具体地，涉及优化公交运行效率的方法。
背景技术
随着城市公交专用道的大力建设及推广，专用道公交优先区域化控制需求逐渐增大，而车联网技术的兴起，使得公交优先的动态控制有了新的技术支撑。基于车联网技术对专用道公交车辆实行速度诱导，一来可以减少公交运行过程中的停车次数，二来可以提高专用道公交到站的准点率。专用道公交驻站时间的预测对公交车辆的准时到站控制有着至关重要的作用。
发明内容
本发明基于公交准时到站的控制需求，结合车联网车速诱导技术，提出一种专用道公交驻站时间预测及运行时刻表优化方法。
本发明提供了一种优化公交运行效率的方法，包括：
获取车站客流到达分布：以1min为统计间隔，统计每分钟到达公交站台的人数，构建目标时段的客流到达情况，连续统计30天，采用相位型分布算法，通过对时间及该时间段的客流到达量进行拟合分析，确定客流到站分布为Q＝H(t)；
获取候车客流数：若公交发车频率为f辆/时，因此同一公交站的公交到站时刻表间隔为tp＝60/fmin；第n,(1≤n≤f)辆车经过第i个车站时的站台候车人数为
Figure BDA0002422893600000011
其中
Figure BDA0002422893600000012
表示第n-1辆车在第i个车站经过后的站台滞留人数；
获取公交乘客剩余容纳量：依照下车刷卡数据获取第i个车站的下车人数为
Figure BDA0002422893600000021
上车人数为
Figure BDA0002422893600000022
车内客流承载为
Figure BDA0002422893600000023
预测下一个车站的上车人数：令公交车最大承载为Qmax，公交车在第i个车站时车内富裕承载为
Figure BDA0002422893600000024
若
Figure BDA0002422893600000025
说明候车客流可以全部登车，即此种情况下登车人数为
Figure BDA0002422893600000026
此时站台滞留人数Qi-zhi＝0；
若
Figure BDA0002422893600000027
此时说明候车客流不能全部登车，即此种情况下登车人数为
Figure BDA0002422893600000028
此时站台滞留人数为
Figure BDA0002422893600000029
预测下一个车站的下车人数：利用神经网络算法对历史同期数据
Figure BDA00024228936000000210
和历史同期公交车内承载
Figure BDA00024228936000000211
关联性分析，并确定其关联关系为
Figure BDA00024228936000000212
其中ξ(i)为第i个车站的下车人数同车内承载之间的关联系数，综合分析历史同期下车人数、ξ(i)以及残差补偿修正，确定下车客流人数预测模型为：
Figure BDA00024228936000000213
其中
Figure BDA00024228936000000214
为第i个车站的预测下车人数，α,β为模型参数；
确定上下车客流最大值：上下车客流最大值为
Figure BDA00024228936000000215
驻站时长预测：基于历史数据中的各车站的上下车客流最大值同公交车辆在各站的驻站时长ti dwell，经过相关性检验是否存在线性相关关系，并确定各车站的关联性关系为
Figure BDA00024228936000000216
其中λ1,λ2分别为常态分量系数和细节分量系数。
在上述方法中，还包括：
确定站间行程时间：获取公交车辆路段平均速度vi，并结合交叉口配时信号状态，获取公交车辆在交叉口的等待耗时tred，获得站间公交车辆的行程时间为
Figure BDA0002422893600000031
其中
Figure BDA0002422893600000032
为站间行程时间，si为站间距离；
构建客运效率函数：令
Figure BDA0002422893600000033
其中A,B为权重系数，该客运效率函数的物理含义为获取载客量最高和行程时间最短的最优组合；
计算最佳函数效率：采用遗传算法对上述客运效率函数求最优，获取载客量和行程时间的最佳组合。
本发明通过预测公交驻站时长以及优化公交运行时刻表，可以减少公交运行过程中的停车次数，提高专用道公交到站的准点率，提高公交运行效率。
附图说明
图1示出了本发明的获得驻站时长的预测值的示意流程图。
图2示出了公交运行过程花费时间的示意图。
图3示出了优化当前发车间隔及时刻表的示意流程图。
具体实施方式
下面的实施例可以使本领域技术人员更全面地理解本发明，但不以任何方式限制本发明。
基于车联网技术对专用道公交车辆实行速度诱导，一来可以减少公交运行过程中的停车次数，二来可以提高专用道公交到站的准点率。
下面分别描述公交驻站时间预测以及公交运行时刻表优化。
公交驻站时间预测
步骤1：获取车站客流到达分布
以1min为统计间隔，统计每分钟到达公交站台的人数，构建目标时段的客流到达情况，连续统计30天；
采用相位型分布(Phase-type，PH)算法，通过对时间及该时间段的客流到达量进行拟合分析，确定客流到站分布为Q＝H(t)。
步骤2：获取候车客流数
若公交发车频率为f辆/时，因此同一公交站的公交到站时刻表间隔为tp＝60/fmin。
因此第n,(1≤n≤f)辆车经过第i个车站时的站台候车人数为
Figure BDA0002422893600000041
其中
Figure BDA0002422893600000042
表示第n-1辆车在第i个车站经过后的站台滞留人数。
步骤3：获取公交乘客剩余容纳量
依照下车刷卡数据可以获取第i个车站的下车人数为
Figure BDA0002422893600000043
上车人数为
Figure BDA0002422893600000044
(通过实际刷卡数据获取)
因此车内客流承载为
Figure BDA0002422893600000045
步骤4：预测下一个车站的上车人数
令公交车最大承载为Qmax，故公交车在第i个车站时车内富裕承载为
Figure BDA0002422893600000046
(1)若
Figure BDA0002422893600000047
此时说明候车客流可以全部登车，即此种情况下登车人数为
Figure BDA0002422893600000048
此时站台滞留人数Qi-zhi＝0；
(2)若
Figure BDA0002422893600000049
此时说明候车客流不能全部登车，即此种情况下登车人数为
Figure BDA00024228936000000410
此时站台滞留人数为
Figure BDA00024228936000000411
步骤5：预测下一个车站的下车人数
利用神经网络算法对历史同期数据
Figure BDA0002422893600000051
和历史同期公交车内承载
Figure BDA0002422893600000052
关联性分析，并确定其关联关系为
Figure BDA0002422893600000053
其中ξ(i)为第i个车站的下车人数同车内承载之间的关联系数。
综合分析历史同期下车人数、ξ(i)以及残差补偿修正，确定下车客流人数预测模型为：
Figure BDA0002422893600000054
其中
Figure BDA0002422893600000055
为第i个车站的预测下车人数，α,β为模型参数，α,β∈R，具体赋值根据历史同期数据拟合分析得出。
步骤6：确定上下车客流最大值
上下车客流最大值为
Figure BDA0002422893600000056
步骤7：驻站时长预测
基于历史数据中的各车站的上下车客流最大值同公交车辆在各站的驻站时长ti dwell，经过相关性检验是否存在线性相关关系，并确定各车站的关联性关系为
Figure BDA0002422893600000057
其中λ1,λ2分别为常态分量系数和细节分量系数，λ1,λ2∈R，具体赋值根据历史同期数据分析得出。一个反应的是总体趋势，一个反应的是不均匀分布。图1示出了本发明的获得驻站时长的预测值的示意流程图。
公交运行时刻表优化
步骤1：确定站间行程时间
在车联网车速诱导的状态下，可以实时获知公交车辆路段平均速度vi，并结合交叉口配时信号状态，能够获取公交车辆在交叉口的等待耗时tred，据此可以获知站间公交车辆的行程时间为
Figure BDA0002422893600000058
其中
Figure BDA0002422893600000059
为站间行程时间，si为站间距离。图2示出了公交运行过程花费时间的示意图。
步骤2：构建客运效率函数
令
Figure BDA0002422893600000061
其中A,B为权重系数，
Figure BDA0002422893600000062
A+B＝1，该效率函数的物理含义为获取载客量最高和行程时间最短的最优组合。
步骤3：计算最佳函数效率
采用遗传算法对上述客运效率函数求最优，就可以获取载客量和行程时间的最佳组合，而载客量又跟发车时间间隔相关联，因此可以通过最优解来优化当前发车间隔及时刻表。图3示出了优化当前发车间隔及时刻表的示意流程图。
遗传算法具体步骤如下：
步骤1：依照公交驻站时间预测步骤和公交运行时刻表优化步骤建立优化模型；
步骤2：优化变量和约束条件，变量为行程时间和载客量，约束条件前文已经介绍；
步骤3：确定编码方式，使用实数编码方式；
步骤4：确定个体评价方法，适应度函数即为目标函数，即
Figure BDA0002422893600000063
步骤5：设计遗传算子，选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子；
步骤6：确定遗传算法运行参数，种群大小M，迭代次数G，交叉概率Pe，变异概率Pm。
本领域技术人员应理解，以上实施例仅是示例性实施例，在不背离本申请的精神和范围的情况下，可以进行多种变化、替换以及改变。

Claims (2)

1.一种优化公交运行效率的方法，包括：
获取车站客流到达分布：以1min为统计间隔，统计每分钟到达公交站台的人数，构建目标时段的客流到达情况，连续统计30天，采用相位型分布算法，通过对时间及该时间段的客流到达量进行拟合分析，确定客流到站分布为Q＝H(t)；
获取候车客流数：若公交发车频率为f辆/时，因此同一公交站的公交到站时刻表间隔为tp＝60/f min；第n辆车经过第i个车站时的站台候车人数为
Figure FDA0002422893590000011
其中
Figure FDA0002422893590000012
表示第n-1辆车在第i个车站经过后的站台滞留人数，1≤n≤f；
获取公交乘客剩余容纳量：依照下车刷卡数据获取第i个车站的下车人数为
Figure FDA0002422893590000013
上车人数为
Figure FDA0002422893590000014
车内客流承载为
Figure FDA0002422893590000015
预测下一个车站的上车人数：令公交车最大承载为Qmax，公交车在第i个车站时车内富裕承载为
Figure FDA0002422893590000016
若
Figure FDA0002422893590000017
说明候车客流可以全部登车，即此种情况下登车人数为
Figure FDA0002422893590000018
此时站台滞留人数Qi-zhi＝0；
若
Figure FDA0002422893590000019
此时说明候车客流不能全部登车，即此种情况下登车人数为
Figure FDA00024228935900000110
此时站台滞留人数为
Figure FDA00024228935900000111
预测下一个车站的下车人数：利用神经网络算法对历史同期数据
Figure FDA00024228935900000112
和历史同期公交车内承载
Figure FDA00024228935900000113
关联性分析，并确定其关联关系为
Figure FDA00024228935900000114
其中ξ(i)为第i个车站的下车人数同车内承载之间的关联系数，综合分析历史同期下车人数、ξ(i)以及残差补偿修正
Figure FDA00024228935900000115
确定下车客流人数预测模型为：
Figure FDA0002422893590000021
其中
Figure FDA0002422893590000022
为第i个车站的预测下车人数，α,β为模型参数,α,β∈R，具体求解可以根据多组
Figure FDA0002422893590000023
带入求得不同车内承载情况下的αξ(i)+β值，可以确定方程组
Figure FDA0002422893590000024
求解可以获取α,β的值。
确定上下车客流最大值：上下车客流最大值为
Figure FDA0002422893590000025
驻站时长预测：基于历史数据中的各车站的上下车客流最大值同公交车辆在各站的驻站时长ti dwell，经过相关性检验是否存在线性相关关系，并确定各车站的关联性关系为
Figure FDA0002422893590000026
其中λ1,λ2分别为常态分量系数和细节分量系数，λ1,λ2∈R，根据
Figure FDA0002422893590000027
和
Figure FDA0002422893590000028
值确定二元一次方程组求解。
2.根据权利要求1所述的方法，还包括：
确定站间行程时间：获取公交车辆路段平均速度vi，并结合交叉口配时信号状态，获取公交车辆在交叉口的等待耗时tred，获得站间公交车辆的行程时间为
Figure FDA0002422893590000029
其中
Figure FDA00024228935900000210
为站间行程时间，si为站间距离；
构建客运效率函数：令
Figure FDA00024228935900000211
其中A,B为权重系数，
Figure FDA00024228935900000212
A+B＝1，该客运效率函数的物理含义为获取载客量最高和行程时间最短的最优组合；
计算最佳函数效率：采用遗传算法对上述客运效率函数求最优，获取载客量和行程时间的最佳组合；
其中，遗传算法具体步骤如下：
步骤1：依照公交驻站时间预测步骤和公交运行时刻表优化步骤建立优化模型；
步骤2：优化变量和约束条件，变量为行程时间和载客量；
步骤3：确定编码方式，使用实数编码方式；
步骤4：确定个体评价方法，适应度函数即为目标函数，即
Figure FDA0002422893590000031
步骤5：设计遗传算子，选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子；
步骤6：确定遗传算法运行参数，种群大小M，迭代次数G，交叉概率Pe，变异概率Pm。
CN202010211200.7A 2020-03-24 2020-03-24 优化公交运行效率的方法 Expired - Fee Related CN111341138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211200.7A CN111341138B (zh) 2020-03-24 2020-03-24 优化公交运行效率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211200.7A CN111341138B (zh) 2020-03-24 2020-03-24 优化公交运行效率的方法

Publications (2)

Publication Number Publication Date
CN111341138A true CN111341138A (zh) 2020-06-26
CN111341138B CN111341138B (zh) 2021-05-28

Family

ID=71184535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211200.7A Expired - Fee Related CN111341138B (zh) 2020-03-24 2020-03-24 优化公交运行效率的方法

Country Status (1)

Country Link
CN (1) CN111341138B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034890A (zh) * 2021-03-15 2021-06-25 重庆交通开投科技发展有限公司 一种跨线运行情况下的公交圈次时间计算及预测方法
CN113628455A (zh) * 2021-06-29 2021-11-09 东南大学 车联网环境下考虑车内人数的交叉口信号优化控制方法
CN115050199A (zh) * 2022-06-08 2022-09-13 长沙理工大学 一种多线路公交区段优先设计方法
CN115691196A (zh) * 2022-10-19 2023-02-03 扬州大学 智能网联环境下公交运行多策略融合控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016123661A1 (en) * 2015-02-06 2016-08-11 University Of Technology Sydney Devices, frameworks and methodologies configured to enable automated monitoring and analysis of dwell time
CN106652434A (zh) * 2016-12-02 2017-05-10 东南大学 一种基于轨道交通协调的公交调度方法
CN107194491A (zh) * 2017-04-06 2017-09-22 广东工业大学 一种基于公交客流和站间行程时间预测的动态调度方法
US20180286223A1 (en) * 2017-03-31 2018-10-04 Traffic Technology Services, Inc. System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle
CN108877263A (zh) * 2018-07-11 2018-11-23 中国联合网络通信集团有限公司 无人驾驶公交车的控制方法、装置和调度系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016123661A1 (en) * 2015-02-06 2016-08-11 University Of Technology Sydney Devices, frameworks and methodologies configured to enable automated monitoring and analysis of dwell time
CN106652434A (zh) * 2016-12-02 2017-05-10 东南大学 一种基于轨道交通协调的公交调度方法
US20180286223A1 (en) * 2017-03-31 2018-10-04 Traffic Technology Services, Inc. System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle
CN107194491A (zh) * 2017-04-06 2017-09-22 广东工业大学 一种基于公交客流和站间行程时间预测的动态调度方法
CN108877263A (zh) * 2018-07-11 2018-11-23 中国联合网络通信集团有限公司 无人驾驶公交车的控制方法、装置和调度系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XINKAI JIANG ET AL.: "Regression-Based Models for Bus Dwell Time", 《17TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 *
丁勇等: "遗传算法在公交调度中的应用", 《计算机科学》 *
王旭等: "公交站点停靠时间预测模型研究", 《交通信息与安全》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034890A (zh) * 2021-03-15 2021-06-25 重庆交通开投科技发展有限公司 一种跨线运行情况下的公交圈次时间计算及预测方法
CN113628455A (zh) * 2021-06-29 2021-11-09 东南大学 车联网环境下考虑车内人数的交叉口信号优化控制方法
CN113628455B (zh) * 2021-06-29 2022-08-05 东南大学 车联网环境下考虑车内人数的交叉口信号优化控制方法
CN115050199A (zh) * 2022-06-08 2022-09-13 长沙理工大学 一种多线路公交区段优先设计方法
CN115050199B (zh) * 2022-06-08 2023-07-21 长沙理工大学 一种多线路公交区段优先设计方法
CN115691196A (zh) * 2022-10-19 2023-02-03 扬州大学 智能网联环境下公交运行多策略融合控制方法
CN115691196B (zh) * 2022-10-19 2023-10-03 扬州大学 智能网联环境下公交运行多策略融合控制方法

Also Published As

Publication number Publication date
CN111341138B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN111341138B (zh) 优化公交运行效率的方法
Bie et al. Dynamic headway control for high‐frequency bus line based on speed guidance and intersection signal adjustment
CN107330547B (zh) 一种城市公交动态调度优化方法及系统
CN102044149B (zh) 一种基于时变客流的城市公交运营协调方法与装置
Li et al. Modeling and implementation of adaptive transit signal priority on actuated control systems
CN111340289B (zh) 一种基于遗传算法的公交发车与车速调整优化方法及系统
CN108151756A (zh) 一种城市公共交通系统的行程时间计算方法和装置
CN110084397B (zh) 一种地铁直达线路规划方法
CA2530909A1 (en) System and method of optimizing a fixed route transit network
CN115409388B (zh) 多车型定制公交运营优化方法
CN110675032A (zh) 一种车辆调度方法及其装置
WO2019176196A1 (ja) エレベーターシステム
CN114241751B (zh) 一种面向大型停车场的多出入口动静态交通协调优化方法
CN114202917B (zh) 基于动态交通流短时预测的施工区域交通控制与诱导方法
CN115809729B (zh) 考虑新增线路的城市轨道交通枢纽换乘设施优化配置方法
CN112562377A (zh) 一种基于随机机会约束的客运车辆实时调度方法
Seman et al. Integrated headway and bus priority control in transit corridors with bidirectional lane segments
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
Li et al. Metro timetabling for time-varying passenger demand and congestion at stations
CN112926768A (zh) 基于时空注意力机制的地面道路车道级交通流预测方法
CN113442778B (zh) 基于车联网的电动汽车充电调配方法、装置和系统
CN114742340A (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
CN113344336A (zh) 一种车辆调度方法、装置及存储介质
CN107564322A (zh) 单向双公交专用道条件下分离式站台停靠车辆分配方法
CN109741597B (zh) 一种基于改进深度森林的公交车路段运行时间预测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210528

CF01 Termination of patent right due to non-payment of annual fee