CN111709562A - 一种公交车辆的排班时刻表的生成方法及装置 - Google Patents
一种公交车辆的排班时刻表的生成方法及装置 Download PDFInfo
- Publication number
- CN111709562A CN111709562A CN202010491211.5A CN202010491211A CN111709562A CN 111709562 A CN111709562 A CN 111709562A CN 202010491211 A CN202010491211 A CN 202010491211A CN 111709562 A CN111709562 A CN 111709562A
- Authority
- CN
- China
- Prior art keywords
- time
- departure
- bus
- schedule
- uplink
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 2
- 239000002609 medium Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G06Q50/40—
Abstract
本申请实施例公开了一种公交车辆的排班时刻表的生成方法及装置。本申请实施例提供的技术方案，通过获取到的公交排班数据以及公交通行时间计算的到最大趟数，将最大趟数作为遍历终点并结合预设时段的发车时间对依照车次信息构建的临时排班矩阵进行数据更新以获得最终的排班时刻表，通过本申请的方法提高了排班时间安排的合理性和准确性，更加方便公交运营人员进行合理资源调度。
Description
技术领域
本申请实施例涉及公交排班技术领域，尤其涉及一种公交车辆的排班时刻表的生成方法及装置。
背景技术
目前，传统的公交排班包括有如下几种方式：一、车辆每隔一时间间隔自动获取排班时间，然后控制是否在公交线路上运行；二、车辆按照预先设定好的排班时刻表半自动获取时间，也即是在公交车辆上设置对应的排班时刻表，然后车辆获取排班时刻表中的发车时间等信息；三、驾驶员了解到自己驾驶线路上的发车时间点来控制发车。但是公交运营中还是常常出现“大间隔”、“小间隔”、乘客候车时间过长、车辆空载、车辆满载等现象，实则是公交运力资源配置不合理导致的运力不足或过剩，乘客满意度低等现象，而合理的资源配置则需要配置好公交排班。而公交排班表的设计均有赖于调度员的经验，难以保证排班结果在运营效率等方面的问题。因此，设计一种能够提高运营效率公交排班方法成为本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供一种公交车辆的排班时刻表的生成方法及装置，能够通过获取公交排班数据及通行时长来计算得到平均通行时长与最大趟次，并结合通行时长对公交排班时刻表进行更新，通过本申请的方法提高了排班时间安排的合理性和准确性，方便公交运营人员进行合理资源调度。
在第一方面，本申请实施例提供了一种公交车辆的排班时刻表的生成方法，包括：
获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔；
根据所述公交通行时长计算得到上下行的平均通行时长；
根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数；
根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表；
当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；
当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
进一步的，所述公交排班数据包括最小停站时长Stop(k)；在所述根据发车间隔动态调整临时排班矩阵中发车时间中，对应车次的第(k+1)趟的发车时间满足如下公式：
Starttime(k+1)-Endtime(k)>＝Stop(k)；其中，Starttime(k+1)表示第(k+1)趟时的发车时间，Endtime(k)表示第k趟时的下行结束时间。
进一步的，所述公交排班数据还包括左总站配车数和右总站配车数；
当趟次为零时，遍历上行时刻表，获取奇数行奇数列中上行车次的发车时间，并依次为对应的车次配置奇数序号，所有奇数序号车次的个数小于左总站配车数；
对应的，当趟次为1时，遍历下行时刻表，获取偶数行偶数列中下行车次的发车时间，并依次为对应的车次配置偶数序号，所有偶数序号车次的个数小于左总站配车数。
进一步的，所述发车间隔通过如下步骤获取得到：
获取在预设时段内预设线路上的客流数据P(i)以及对应的线路排班参数，所述线路排班参数包括最大满载率L、线路配车核载人数N(i)和上下行发车时间；其中i为对应的时段序号；
根据班次计算公式计算在所述预设时段内的发车班次数量，所述班次计算公式包括：Ttip(i)＝P(i)/(N(i)*L)，其中，Ttip(i)取整数；
根据发车间隔计算公式计算在所述预设时段内各发车班次之间的发车间隔，所述发车间隔公式包括：Int(i)＝I(i)/Trip(i)，其中，Ttip(i)表示在预设时段内所需班次数量，Int(i)表示发车间隔，I(i)表示第i个预设时段。
进一步的，所述线路排班参数还包括最大班次间隔MaxI(i)；
在所述根据发车间隔计算公式计算在所述预设时段内各发车班次之间的发车间隔之后，还包括：
判断所述发车间隔是否大于所述最大班次间隔，如果是，则将最大班次间隔作为对应的发车间隔，如果否，则执行根据所述上下行发车时间以及所述发车间隔对公交排班时间表进行更新；
若对应的预设时段的剩余时间大于最大发车间隔，则对所述班次数量Trip(i)进行加一操作；
根据时段计算公式计算的得到预测时段，所述时段计算公式包括：I(i)’＝Int(i)*Trip(i)，其中，I(i)’为预测时段。
进一步的，所述客流数据包括预测客流数据，所述预测客流数据通过如下步骤获取得到：
获取预设时间在预设线路上各运营公交车次的历史客流数据，所述历史客流数据包括上车人数；
将历史客流数据输入至径向基神经网络算法计算得到的预测客流数据。
进一步的，在所述获取预设时间在预设线路上各运营公交车次的历史客流数据之后，还包括：
获取与历史客流数据对应的时间信息，所述时间信息包括工作日信息、节假日信息和周末日信息；
获取与时间信息对应的天气信息，所述天气信息包括温度信息和湿度信息，所述天气信息每隔4小时更新一次；
对应的，所述将历史客流数据输入至径向基神经网络算法计算得到的预测客流数据，包括：
将历史客流数据、与历史客流数据对应的时间信息和与时间信息对应的天气信息输入至径向基神经网络算法计算得到的预测客流数据。
在第二方面，本申请实施例提供了一种公交车辆的排班时刻表的生成装置，包括：
获取模块：用于获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔；
时长计算模块：用于根据所述公交通行时长计算得到上下行的平均通行时长；
趟次计算模块：用于根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数；
矩阵构建模块：用于根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表；
第一遍历模块：用于当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；
第二遍历模块：用于当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的公交车辆的排班时刻表的生成方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的公交车辆的排班时刻表的生成方法。
本申请实施例通过获取到的公交排班数据以及公交通行时间计算的到最大趟数，将最大趟数作为遍历终点并结合预设时段的发车时间对依照车次信息构建的临时排班矩阵进行数据更新以获得最终的排班时刻表，通过本申请的方法提高了排班时间安排的合理性和准确性，更加方便公交运营人员进行合理资源调度。
附图说明
图1是本申请实施例提供的一种公交车辆的排班时刻表的生成方法的流程图；
图2是本申请实施例提供的获取发车间隔的流程图；
图3是本申请实施例提供的发车间隔判断的流程示意图；
图4是本申请实施例提供的预测客流数据获取的流程图；
图5是本申请实施例提供的时间及天气的数据获取的流程图；
图6是本申请实施例提供的一排班时刻表的显示示意图；
图7是本申请实施例提供的另一排班时刻表的显示示意图；
图8是本申请实施例提供的一种公交车辆的排班时刻表的生成装置的结构示意图；
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
现有的公交运营中还是常常出现“大间隔”、“小间隔”、乘客候车时间过长、车辆空载、车辆满载等现象，实则是公交运力资源配置不合理导致的运力不足或过剩，乘客满意度低等现象。且公交排班表的设计均有赖于调度员的经验，难以保证排班结果在运营效率等方面的问题。基于此，本申请提供的通过获取到的公交排班数据以及公交通行时间计算的到最大趟数，将最大趟数作为遍历终点并结合预设时段的发车时间对依照车次信息构建的临时排班矩阵进行数据更新以获得最终的排班时刻表，通过本申请的方法提高了排班时间安排的合理性和准确性，更加方便公交运营人员进行合理资源调度。
图1给出了本申请实施例提供的一种公交车辆的排班时刻表的生成方法的流程图，本实施例中提供的公交车辆的排班时刻表的生成方法可以由公交车辆的排班时刻表的生成设备执行，该公交车辆的排班时刻表的生成设备可以通过软件和/或硬件的方式实现，该公交车辆的排班时刻表的生成设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该公交车辆的排班时刻表的生成设备可以是电脑，手机，平板或后台服务器等。
下述以后台服务器为执行公交车辆的排班时刻表的生成方法的设备为例，进行描述。参照图1，该公交车辆的排班时刻表的生成方法具体包括：
S101：获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔。
进一步的，所述公交排班数据包括最小停站时长Stop(k)；在所述根据发车间隔动态调整临时排班矩阵中发车时间中，对应车次的第(k+1)趟的发车时间满足如下公式：
Starttime(k+1)-Endtime(k)>＝Stop(k)；其中，Starttime(k+1)表示第(k+1)趟时的发车时间，Endtime(k)表示第k趟时的下行结束时间。
进一步，图2是本申请实施例提供的获取发车间隔的流程图，如图2所示，所述发车间隔通过如下步骤获取得到：
S1011：获取在预设时段内预设线路上的客流数据P(i)以及对应的线路排班参数，所述线路排班参数包括最大满载率L、线路配车核载人数N(i)和上下行发车时间；其中i为对应的时段序号。
进一步的，图4是本申请实施例提供的预测客流数据获取的流程图，如图4所示，所述客流数据包括预测客流数据，所述预测客流数据通过如下步骤获取得到：
S1011a：获取预设时间在预设线路上各运营公交车次的历史客流数据，所述历史客流数据包括上车人数；
S1011b：将历史客流数据输入至径向基神经网络算法计算得到的预测客流数据。
进一步的，图5是本申请实施例提供的时间及天气的数据获取的流程图，如图5所示，在步骤S1011b之后还包括：
S1011c：获取与历史客流数据对应的时间信息，所述时间信息包括工作日信息、节假日信息和周末日信息；
S1011d：获取与时间信息对应的天气信息，所述天气信息包括温度信息和湿度信息，所述天气信息每隔4小时更新一次。
上述步骤均是为了获取影响客流的因素条件，在实际操作中，客流的大小会受天气以及日期等因素的影响。不同因素会对客流量产生不同的影响在具体实施时，当下雨天时，相对于晴天出行的人数减少，则对应的客流人数也会减少。在工作日时，在上下班高峰期相对于周末以及节假日出行人数会大大增加，所以通过设计更细致化的客流影响因素来实现对未来客流的准确预测。除了上述因素之外，还可以设置其他影响客流的因素，并将所有的因素提供给车站运营人员以便于其进行车次线路规划以及车辆的派出。
更为优选的，天气信息每隔4小时更新一次。以天为单位的天气测量存在一定的不准确性，当某天整天的情况显示为晴，但是这天的某个时段下雨时，这样的天气状态通常显示为晴。如果结果中没有体现中间下雨这个状况，有时客流数据会让运营人员产生疑问，因为在某个时段客流量会突然的减少。因此，在本实施例中，设置每隔4小时进行一次天气信息更新来保证信息的准确性。
更为优选的，所述运营公交车次上设置有双目深度传感器客流仪，所述双目深度传感器客流仪用于对对应运营公交车次的客流数据进行统计。通过采用双目客流仪，减少数据完整性受其设备准确率的约束性，提高数据监测的准确性，进而辅助得到更为精确的预测结果。
对上述提取到的特征进行清洗、补全、转换以形成特征集，建立RBF算法模型来实现对未来几天的客流数据的预测。本实施例中的径向基神经网络算法也即是RBF算法，RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。通过将获取到的历史客流数据、与历史客流数据对应的时间信息和与时间信息对应的天气信息送入到构建的径向基神经网络中进行学习，进而可以实现对未来某天客流数据的预测。
S1012：根据班次计算公式计算在所述预设时段内的发车班次数量，所述班次计算公式包括：Ttip(i)＝P(i)/(N(i)*L)，其中，Ttip(i)取整数；
S1013：根据发车间隔计算公式计算在所述预设时段内各发车班次之间的发车间隔，所述发车间隔公式包括：Int(i)＝I(i)/Trip(i)，其中，Ttip(i)表示在预设时段内所需班次数量，Int(i)表示发车间隔，I(i)表示第i个预设时段。
通过步骤S1012和步骤S1013计算得到在预设时段内的发车班次数量和各发车班次时间的时间间隔，通过结合实际的线路排班参数来对发车班次以及发车时间间隔来进行计算进而实现对排班时间表的动态调整。
进一步的，所述线路排班参数还包括最大班次间隔MaxI(i)；
图3是本申请实施例提供的发车间隔判断的流程示意图，如图3所示，在步骤S1013之后，还包括：
S1014：判断所述发车间隔是否大于所述最大班次间隔，如果是，则将最大班次间隔作为对应的发车间隔，如果否，则执行根据所述上下行发车时间以及所述发车间隔对公交排班时间表进行更新；
S1015：若对应的预设时段的剩余时间大于最大发车间隔，则对所述班次数量Trip(i)进行加一操作；
S1016：根据时段计算公式计算的得到预测时段，所述时段计算公式包括：I(i)’＝Int(i)*Trip(i)，其中，I(i)’为预测时段。
本实施例中，最大班次间隔是政府为了保证城市运行设置的一个最大的时间间隔数据，如果公交运营公司设置的发车时间间隔超过这个最大班次间隔，则是不合理的；比如广州市政府设置的公交车发车最大时间间隔为12分钟，但是根据计算得到的数据知晓，在对应线路上特定时段合理的发车时间间隔是20分钟，可以知晓发车时间间隔超过最大时间间隔，那么则不能够按照计算得到的发车时间间隔来进行计算，因为公司的运营应当依据地方政府的规范进行。故而在本实施例通过设置最大时间间隔来判断该时间策略是否合理。在排班间隔策略增加政府策略信息来增加策略的合理性。
在本实施例中，根据上下行首末班时间S(up)、E(up)、S(down)、E(down)，对时段的数据进行清洗，超出首班时间的时段剔除。
S102：根据所述公交通行时长计算得到上下行的平均通行时长。
S103：根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数。
上述步骤主要是为了计算得到最大趟数，然后将最大趟数作为下述判断以及遍历的终点条件。
S104：根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表。
上述构建得到的临时排班矩阵为初级排班矩阵，其并没有依据已有的数据来进行优化；构建上述排班矩阵主要是为了提供数据基础，然后依据上述数据来得到更为精准的数据，临时矩阵是一天所有班次的时间信息。
S105：当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间。
S106：当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
奇偶遍历是为了更方便计算。最大趟次数是由上行和下行趟次中计算得来的，奇数对应上行还是下行可以依据实际情况进行设置。在本实施例中，采用奇数对应上行，偶数对应下行来进行解释。
进一步的，所述公交排班数据还包括左总站配车数和右总站配车数；
当趟次为零时，遍历上行时刻表，获取奇数行奇数列中上行车次的发车时间，并依次为对应的车次配置奇数序号，所有奇数序号车次的个数小于左总站配车数；
对应的，当趟次为1时，遍历下行时刻表，获取偶数行偶数列中下行车次的发车时间，并依次为对应的车次配置偶数序号，所有偶数序号车次的个数小于左总站配车数。
具体的，Max_trip＝0，表示从0开始遍历；班次分为上行和下行，这是两个类别，一天可以发很多趟的上行；当Max_trip＝0，遍历上行时刻表中的所有数据，然后，判断Starttime(k,up)-Endtime(0,up)>＝Stop(k)，在临时矩阵M的奇数行奇数列出小于该班次的上行班次数据，依次排列车序如1、3、5、…car1，此时需满足car1的个数小于等于left_car(k)，最后可以得到所有奇数号车次。对应当Max_trip＝1时，遍历下行时刻表中所有数据以得到所有偶数号车次的信息，在临时矩阵M的偶数行偶数列出小于该班次的下行班次数据，依次排列车序如2、4、6、…car2，此时需满足car2的个数小于等于right_car(k)。
在本实施例中，Endtime(0,up)这仅仅是适用于Max_trip＝0和1的情况，当大于1以后，Endtime(0,up)就要换成Endtime(k,up)。通过上述步骤来实现对排班时刻表的更新。
通过上述步骤可以得到未来某一天的最终排班时刻表，如图6和图7所示，图6是本申请实施例提供的一排班时刻表的显示示意图，图7是本申请实施例提供的另一排班时刻表的显示示意图。通过上述时刻表可以知晓每个班次的发车时间以及对应的到站时间，能够精准的进行公交排班安排，合理完成排班布局。
本申请实施例通过获取到的公交排班数据以及公交通行时间计算的到最大趟数，将最大趟数作为遍历终点并结合预设时段的发车时间对依照车次信息构建的临时排班矩阵进行数据更新以获得最终的排班时刻表，通过本申请的方法提高了排班时间安排的合理性和准确性，更加方便公交运营人员进行合理资源调度。
在上述实施例的基础上，图8为本申请实施例提供的一种公交车辆的排班时刻表的生成装置的结构示意图。参考图8，本实施例提供的公交车辆的排班时刻表的生成装置具体包括：
获取模块21：用于获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔；
时长计算模块22：用于根据所述公交通行时长计算得到上下行的平均通行时长；
趟次计算模块23：用于根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数；
矩阵构建模块24：用于根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表；
第一遍历模块25：用于当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；
第二遍历模块26：用于当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
本申请实施例通过获取到的公交排班数据以及公交通行时间计算的到最大趟数，将最大趟数作为遍历终点并结合预设时段的发车时间对依照车次信息构建的临时排班矩阵进行数据更新以获得最终的排班时刻表，通过本申请的方法提高了排班时间安排的合理性和准确性，更加方便公交运营人员进行合理资源调度。
本申请实施例提供的公交车辆的排班时刻表的生成装置可以用于执行上述实施例提供的公交车辆的排班时刻表的生成方法，具备相应的功能和有益效果。
图9是本申请实施例提供的一种电子设备的结构示意图，参照图9，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器31的数量可以是一个或者多个，该电子设备中的存储器32的数量可以是一个或者多个。该电子设备的处理器31、存储器32、通信模块33、输入装置34及输出装置35可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的公交车辆的排班时刻表的生成方法对应的程序指令/模块(例如，公交车辆的排班时刻表的生成装置中的获取模块21、时长计算模块22、趟次计算模块23、矩阵构建模块24、第一遍历模块25和第二遍历模块26)。存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的公交车辆的排班时刻表的生成方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例提供的公交车辆的排班时刻表的生成方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器31执行时用于执行一种公交车辆的排班时刻表的生成方法，该公交车辆的排班时刻表的生成方法包括：
获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔；
根据所述公交通行时长计算得到上下行的平均通行时长；
根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数；
根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表；
当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；
当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器31执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的公交车辆的排班时刻表的生成方法，还可以执行本申请任意实施例所提供的公交车辆的排班时刻表的生成方法中的相关操作。
上述实施例中提供的公交车辆的排班时刻表的生成装置、存储介质及电子设备可执行本申请任意实施例所提供的公交车辆的排班时刻表的生成方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的公交车辆的排班时刻表的生成方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种公交车辆的排班时刻表的生成方法，其特征在于，包括：
获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔；
根据所述公交通行时长计算得到上下行的平均通行时长；
根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：
Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数；
根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表；
当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；
当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
2.根据权利要求1所述的公交车辆的排班时刻表的生成方法，其特征在于，所述公交排班数据包括最小停站时长Stop(k)；在所述根据发车间隔动态调整临时排班矩阵中发车时间中，对应车次的第(k+1)趟的发车时间满足如下公式：
Starttime(k+1)-Endtime(k)>＝Stop(k)；其中，Starttime(k+1)表示第(k+1)趟时的发车时间，Endtime(k)表示第k趟时的下行结束时间。
3.根据权利要求1所述的公交车辆的排班时刻表的生成方法，其特征在于，所述公交排班数据还包括左总站配车数和右总站配车数；
当趟次为零时，遍历上行时刻表，获取奇数行奇数列中上行车次的发车时间，并依次为对应的车次配置奇数序号，所有奇数序号车次的个数小于左总站配车数；
对应的，当趟次为1时，遍历下行时刻表，获取偶数行偶数列中下行车次的发车时间，并依次为对应的车次配置偶数序号，所有偶数序号车次的个数小于左总站配车数。
4.根据权利要求1所述的公交车辆的排班时刻表的生成方法，其特征在于，所述发车间隔通过如下步骤获取得到：
获取在预设时段内预设线路上的客流数据P(i)以及对应的线路排班参数，所述线路排班参数包括最大满载率L、线路配车核载人数N(i)和上下行发车时间；其中i为对应的时段序号；
根据班次计算公式计算在所述预设时段内的发车班次数量，所述班次计算公式包括：Ttip(i)＝P(i)/(N(i)*L)，其中，Ttip(i)取整数；
根据发车间隔计算公式计算在所述预设时段内各发车班次之间的发车间隔，所述发车间隔公式包括：Int(i)＝I(i)/Trip(i)，其中，Ttip(i)表示在预设时段内所需班次数量，Int(i)表示发车间隔，I(i)表示第i个预设时段。
5.根据权利要求4所述的公交车辆的排班时刻表的生成方法，其特征在于，所述线路排班参数还包括最大班次间隔MaxI(i)；
在所述根据发车间隔计算公式计算在所述预设时段内各发车班次之间的发车间隔之后，还包括：
判断所述发车间隔是否大于所述最大班次间隔，如果是，则将最大班次间隔作为对应的发车间隔，如果否，则执行根据所述上下行发车时间以及所述发车间隔对公交排班时间表进行更新；
若对应的预设时段的剩余时间大于最大发车间隔，则对所述班次数量Trip(i)进行加一操作；
根据时段计算公式计算的得到预测时段，所述时段计算公式包括：I(i)’＝Int(i)*Trip(i)，其中，I(i)’为预测时段。
6.根据权利要求4所述的公交车辆的排班时刻表的生成方法，其特征在于，所述客流数据包括预测客流数据，所述预测客流数据通过如下步骤获取得到：
获取预设时间在预设线路上各运营公交车次的历史客流数据，所述历史客流数据包括上车人数；
将历史客流数据输入至径向基神经网络算法计算得到的预测客流数据。
7.根据权利要求6所述的公交车辆的排班时刻表的生成方法，其特征在于，在所述获取预设时间在预设线路上各运营公交车次的历史客流数据之后，还包括：
获取与历史客流数据对应的时间信息，所述时间信息包括工作日信息、节假日信息和周末日信息；
获取与时间信息对应的天气信息，所述天气信息包括温度信息和湿度信息，所述天气信息每隔4小时更新一次；
对应的，所述将历史客流数据输入至径向基神经网络算法计算得到的预测客流数据，包括：
将历史客流数据、与历史客流数据对应的时间信息和与时间信息对应的天气信息输入至径向基神经网络算法计算得到的预测客流数据。
8.一种公交车辆的排班时刻表的生成装置，其特征在于，包括：
获取模块：用于获取预设路线上各预设时段的公交排班数据以及各个车次的公交通行时长，所述公交排班数据包括上下行末班时间、发车时间和发车间隔；
时长计算模块：用于根据所述公交通行时长计算得到上下行的平均通行时长；
趟次计算模块：用于根据最大趟次公式计算得到上下行最大趟数，所述最大趟次公式包括：Max_trip＝(Endtime(N)-Starttime(j))/avg_pass_time；其中，Endtime(N)表示上下行末班时间，Starttime(j)表示对应车次的发车时间，avg_pass_time表示平均通行时长，Max_trip表示最大趟数；
矩阵构建模块：用于根据所述车次信息、与车次信息对应的发车时间和所述公交通行时长构建临时排班矩阵，所述临时排班矩阵包括上行时刻表和下行时刻表；
第一遍历模块：用于当趟次为奇数时，遍历上行时刻表或下行时刻表，当所述上行时刻表或下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的预测发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；
第二遍历模块：用于当趟次为零或偶数时，遍历下行时刻表或上行时刻表，当所述上行时刻表和下行时刻表中不存在预设时段的发车时间时，则新增车次在相应的发车时间发车，并根据所述发车间隔动态调整临时排班矩阵中发车时间；所述趟次小于等于最大趟次。
9.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的公交车辆的排班时刻表的生成方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的公交车辆的排班时刻表的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010491211.5A CN111709562B (zh) | 2020-06-02 | 2020-06-02 | 一种公交车辆的排班时刻表的生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010491211.5A CN111709562B (zh) | 2020-06-02 | 2020-06-02 | 一种公交车辆的排班时刻表的生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709562A true CN111709562A (zh) | 2020-09-25 |
| CN111709562B CN111709562B (zh) | 2022-12-23 |
Family
ID=72538431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010491211.5A Active CN111709562B (zh) | 2020-06-02 | 2020-06-02 | 一种公交车辆的排班时刻表的生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709562B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686435A (zh) * | 2020-12-23 | 2021-04-20 | 四川锐明智通科技有限公司 | 排班方法、排班装置及终端设备 |
| CN112863166A (zh) * | 2021-01-25 | 2021-05-28 | 湖南智慧畅行交通科技有限公司 | 基于坐标搜索的新增车次算法 |
| CN112967519A (zh) * | 2021-02-01 | 2021-06-15 | 青岛海信网络科技股份有限公司 | 一种公共交通工具调度方法和装置及设备 |
| CN113743685A (zh) * | 2021-11-08 | 2021-12-03 | 青岛海信网络科技股份有限公司 | 确定公交车时刻表的方法及电子设备 |
| EP4122798A1 (en) * | 2021-07-19 | 2023-01-25 | Traffic Control Technology Co., Ltd. | Method for adjusting train diagram |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
| CN104157132A (zh) * | 2014-08-18 | 2014-11-19 | 东南大学 | 一种自适应式公交发车时刻表的动态优化方法 |
| CN104424614A (zh) * | 2013-09-07 | 2015-03-18 | 镇江金软计算机科技有限责任公司 | 一种基于时间满意度算法的车辆智能调度方法 |
| CN107564270A (zh) * | 2017-09-07 | 2018-01-09 | 深圳市蓝泰源信息技术股份有限公司 | 一种智能公交调度运营方法 |
| CN108734353A (zh) * | 2018-05-22 | 2018-11-02 | 青岛海信网络科技股份有限公司 | 一种公交线路行车计划生成方法及装置 |
| CN109166303A (zh) * | 2018-08-30 | 2019-01-08 | 北京航天控制仪器研究所 | 一种公交排班调度的方法及系统 |
| CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
| CN109460936A (zh) * | 2018-11-21 | 2019-03-12 | 深圳市都市数据技术有限公司 | 一种公交车辆智能排班方法、智能终端及存储介质 |
| CN109544901A (zh) * | 2018-11-26 | 2019-03-29 | 南京行者易智能交通科技有限公司 | 一种基于历史客流大数据的公交智能排班方法及装置 |
| CN109886491A (zh) * | 2019-02-26 | 2019-06-14 | 北京工业大学 | 一种海量运行数据驱动的地面公交两阶段优化调度方法 |
| EP3503069A1 (en) * | 2016-08-19 | 2019-06-26 | Dalian University Of Technology | Big data based bus line schedule collaborative optimization method |
-
2020
- 2020-06-02 CN CN202010491211.5A patent/CN111709562B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
| CN104424614A (zh) * | 2013-09-07 | 2015-03-18 | 镇江金软计算机科技有限责任公司 | 一种基于时间满意度算法的车辆智能调度方法 |
| CN104157132A (zh) * | 2014-08-18 | 2014-11-19 | 东南大学 | 一种自适应式公交发车时刻表的动态优化方法 |
| EP3503069A1 (en) * | 2016-08-19 | 2019-06-26 | Dalian University Of Technology | Big data based bus line schedule collaborative optimization method |
| CN107564270A (zh) * | 2017-09-07 | 2018-01-09 | 深圳市蓝泰源信息技术股份有限公司 | 一种智能公交调度运营方法 |
| CN108734353A (zh) * | 2018-05-22 | 2018-11-02 | 青岛海信网络科技股份有限公司 | 一种公交线路行车计划生成方法及装置 |
| CN109166303A (zh) * | 2018-08-30 | 2019-01-08 | 北京航天控制仪器研究所 | 一种公交排班调度的方法及系统 |
| CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
| CN109460936A (zh) * | 2018-11-21 | 2019-03-12 | 深圳市都市数据技术有限公司 | 一种公交车辆智能排班方法、智能终端及存储介质 |
| CN109544901A (zh) * | 2018-11-26 | 2019-03-29 | 南京行者易智能交通科技有限公司 | 一种基于历史客流大数据的公交智能排班方法及装置 |
| CN109886491A (zh) * | 2019-02-26 | 2019-06-14 | 北京工业大学 | 一种海量运行数据驱动的地面公交两阶段优化调度方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686435A (zh) * | 2020-12-23 | 2021-04-20 | 四川锐明智通科技有限公司 | 排班方法、排班装置及终端设备 |
| CN112863166A (zh) * | 2021-01-25 | 2021-05-28 | 湖南智慧畅行交通科技有限公司 | 基于坐标搜索的新增车次算法 |
| CN112967519A (zh) * | 2021-02-01 | 2021-06-15 | 青岛海信网络科技股份有限公司 | 一种公共交通工具调度方法和装置及设备 |
| CN112967519B (zh) * | 2021-02-01 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种公共交通工具调度方法和装置及设备 |
| EP4122798A1 (en) * | 2021-07-19 | 2023-01-25 | Traffic Control Technology Co., Ltd. | Method for adjusting train diagram |
| CN113743685A (zh) * | 2021-11-08 | 2021-12-03 | 青岛海信网络科技股份有限公司 | 确定公交车时刻表的方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709562B (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709562B (zh) | 一种公交车辆的排班时刻表的生成方法及装置 | |
| CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
| CN111695726A (zh) | 一种公交车辆的排班时间表更新方法及装置 | |
| JP6183539B2 (ja) | 作業員管理装置、作業員管理システム及び作業員管理方法 | |
| CN107103383B (zh) | 一种基于打车热点的动态拼车调度方法 | |
| Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
| CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
| CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
| CN111915176A (zh) | 一种混合运营模式下纯电动公交车辆的排班方法及其系统 | |
| JP2007015424A (ja) | 運転整理案作成装置及びダイヤ評価装置 | |
| CN113435968B (zh) | 网约车派单方法、装置、电子设备及存储介质 | |
| CN110444008B (zh) | 一种车辆调度方法及装置 | |
| CN110570656B (zh) | 定制公共交通线路方法及装置 | |
| JP6428190B2 (ja) | 共用車両管理装置及び共用車両管理方法 | |
| CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
| CN113935181A (zh) | 一种基于匹配客流的列车模拟运行优化系统构建方法 | |
| CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
| CN116324838A (zh) | 用于通过叫车平台调度共享乘车的系统和方法 | |
| CN116703077A (zh) | 基于贪心算法的公交行车编制方法 | |
| JP5191284B2 (ja) | 車両運行システム | |
| CN115641722B (zh) | 一种基于动态等待时间的班车出行服务系统及方法 | |
| CN115762131A (zh) | 一种应用于公共交通的智能行车计划编制方法及系统 | |
| CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 | |
| CN114925911A (zh) | 一种基于无人驾驶公交车精准客流预测的自适应动态排班方法及系统 | |
| JP7243564B2 (ja) | 情報処理装置および情報処理方法 |
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 |