CN111898793A - 一种组合出行方式下考虑用户感知差异性的路径选择方法 - Google Patents
一种组合出行方式下考虑用户感知差异性的路径选择方法 Download PDFInfo
- Publication number
- CN111898793A CN111898793A CN202010513555.1A CN202010513555A CN111898793A CN 111898793 A CN111898793 A CN 111898793A CN 202010513555 A CN202010513555 A CN 202010513555A CN 111898793 A CN111898793 A CN 111898793A
- Authority
- CN
- China
- Prior art keywords
- differences
- path
- mode
- selection
- travel
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
一种组合出行方式下考虑用户感知差异性的路径选择方法,依据MaaS平台为用户提供的一条或者多条全天规划路径集,对用户选择偏好进行离散选择建模分析,以后悔值作为评价标准改进了传统的logit模型,使得可以考虑到不同的人群对四种属性的感知差异性,具体体现在感知属性差别和选项差别,分别包括绝对效应、相对效应和对称性,最终加载到多模式路网中形成特定条件下的静态用户均衡,得到在特定条件下多模式路网分时段的平均交通流量,并且可以辨识出时段间出行方式的变化情况。通过该模型,分析相应的群体数据,MaaS平台可以根据用户的感知差异来管理人们的路径,继而间接影响路面上的交通状况,并能更好的进行交通资源的分配与管理,以提高资源的利用率。
Description
技术领域
本发明涉及路径选择建模领域,具体涉及一种组合出行方式下考虑用户感知差异性的路径选择方法。
背景技术
随着各大城市建设的快速推进,城市用地不断由市中心向外延伸,主城区的范围不断扩大,使得人们日常的出行距离也相应的变大。然而进入到新世纪以来,随着人们的购买力上升,家庭人均小汽车拥有量呈快速增长趋势,该增长趋势造成的道路上的压力比道路设施建设带来的通行能力的增加体现的更明显。因此,有学者指出,目前在大城市私家车出行占比在逐步降低。加上我们城市的交通供应者围绕着公交优先的发展战略,不断健全公共交通设施,使得绿色出行深入人心;另外包括共享单车在内的新兴的共享出行方式,可以解决我们交通工具不便、最后一公里等实际问题。综上来看,我们正进入一个后公交时代,也即Mobility as a Service(MaaS)时代,我们的出行方式在逐渐向组合出行的方式不断靠拢,即在一个OD对之间需要多种不同的交通方式才能完成出行。
这涉及到许多关键科学问题,包括路径和模式的推荐系统、路径选择建模、多模式网络的分配问题等等。我们之前的专利着重解决了MaaS平台下考虑全天出行的路径规划方法,即给定一天的需求,算法会生成多种相应的路径和组合模式(帕累托集合),以供人们选择。是一种正向的建模过程。而本发明着重考虑在这种情况下,在面对多种多样的路径和出行方式的组合选择的时候,人们是如何考虑的(因为不同的人群,对于换乘数、出行时间、出行费用的考虑是不一样的),以及加载到多模式路网当中是一种什么样的均衡状态。是一种数据驱动加模型驱动的过程。
然而传统的路径选择模型,以效用函数作为评价指标,不能直接体现人们在多种出行选择之间的对比过程;加之传统的多项logit模型,没有考虑到不同人群对于属性的感知差异。为此,本发明提出了以悔值函数作为评价指标,并采用改进的logit模型和latentclass模型来更好地捕捉人们的感知差异性,最终该选择模型可以加载到多模式路网中,可以为交通管理者(政府部门或者一些私营交通管理企业)在设施建设和维护以及实时对交通状态进行管控提供了良好的工具。
发明内容
针对以上问题,本发明提出一种组合出行方式下考虑用户感知差异性的路径选择方法,依据MaaS平台为用户提供的一条或者多条全天规划路径集,又叫帕累托集合(该集合考虑到出行时间、换乘数、出行方式状态、出行费用四个因素,所给出的方案均为非支配解),对用户选择偏好进行离散选择建模分析,对不同人群对上述四种属性的感知差异在传统logit模型上进行改进,分析人们的多模式路径集的选择偏好,最终加载到多模式路网中形成特定条件下的静态用户均衡。通过该模型,分析相应的群体数据,MaaS平台可以根据用户的感知差异来管理人们的路径,继而间接影响路面上的交通状况。
本发明提供一种组合出行方式下考虑用户感知差异性的路径选择方法,其特征在于,该方法包括如下步骤:
步骤一、根据MaaS平台的管理范围,生成POI关键点;对于轨道网M,POI点为各条线路的站点,记录为(ml1,ml2,...,mln),其中l为不同的线路,n为该线路的总站点数。对于公交网B,POI点为各条线路的站点加上起终点的停车场,记录为(o,bl1,bl2,...,bln,d),其中l为不同的线路,n为该线路的总站点数,o对应起点停车场,d对应终点停车场,对于共享电单车网络S,POI点为停取车地点,记录为(sl1,sl2,...,sln),其中l为不同公司运营的电单车品牌,n为该品牌的总停取车位数;
步骤二、对采集到的GPS出行数据进行预处理;首先将不同的记录条作辨识,形成以出行者为统计单位的出行路线记录,记录为[(tn1,on1,mn1,pn1,dn1,t′n1),(tn2,on2,mn2,pn2,dn2,t′n2),...,(tnk,onk,mnk,pnk,dnk,t′nk)],其中n表示同一出行者,k表示该出行者的不同记录条,o表示某一记录条的起点,d表示某一记录条的终点,m为该记录条的出行方式,p为该记录条的出行路径,t表示该记录条的出发时间或时间窗,t’表示该记录条的到达时间或时间窗;
其次将(mn1,mn2,...,mnk)记录为出行者n采用的出行方式集合,将(pn1,pn2,...,pnk)记录为出行者n的采用的路径集合,二者一起作为该出行者的观测值;
最后,将不同记录条的出发时间或时间窗和到达时间或时间窗作为下一步的输入;
步骤三、根据用户的出行需求生成集路径和出行方式一体的选择集,该选择集考虑出行时间、换乘数、出行方式状态、出行费用四个因素;
步骤四、建立以后悔值为评价标准的离散选择模型,并且可以考虑到不同人群的感知差异性,这种差异性体现在感知属性差别和选项差别,分别包括绝对效应、相对效应和对称性;
步骤五、基于该路径选择模型,进行多模式路网的用户均衡分配,最终可以得到路网路段的动态流量。
作为本发明进一步改进,所述步骤三中生成组合出行的选择集包含以下子步骤:
步骤A1、根据POI数据,定义多模式路网,确定公交出行下的路段与超路段,并假设所有人随机到达每个站点,且由于没有即时的线路信息,他们将默认乘坐第一辆到达的车,且所有公交线路的到达相互独立,到达站点服从指数分布;
步骤A2、确定路径的状态,我们定义四种主要出行模式,私家车、单车、公共交通、共享电单车,路径的状态即不同的出行方式按照先后顺序组成的序列,人为的定义若干可行的路径状态;
步骤A3、结合步骤一中输入的位置信息,和步骤二中出行者的时间需求,采用改进的标签修正算法生成可行的超路径集;
这里将用户的偏好设为默认值,包括换乘数上限,乘车费用上限,步行距离上限和自行车骑行距离上限。
作为本发明进一步改进,所述步骤四中建立以后悔值为评价标准的离散选择模型包含以下子步骤:
步骤B1、确定最小后悔值原则;
步骤B2、针对模型感知属性的差异性,对α进行非对称式的转化;针对模型感知选项的差异性,使用MNM模型并通过latentclass将选项绝对差异和相对差异加以结合。
作为本发明进一步改进,所述步骤五中进行多模式路网的用户均衡分配包含以下子步骤:
步骤C1、建立固定点方程;
步骤C2、采用MSA连续平均法求解。
作为本发明进一步改进,子步骤C2包括执行以下步骤;
step0:首先根据步骤一POI点生成多模式网络;
step1:设定初始道路流量f0为0,根据步骤二的输入需求,通过步骤三算法计算每个出行者的路径选择集;
step2:计算后悔值、选择概率,根据步骤四的公式以及估计好的参数,计算每一个出行者选择选择集内各条路径的概率,并通过随机抽样确定选择的路径;
step3:将出行者的选择集计化,得到路段的辅助流量yk;
本发明一种组合出行方式下考虑用户感知差异性的路径选择方法,是一种新的路径选择模型,服务于MaaS平台。提出了针对MaaS平台生成的一组合理的多模式路径规划方案,对用户选择偏好进行离散选择建模分析,对不同人群对四种属性的感知差异在传统logit模型上进行改进,分析人们的多模式路径集的选择偏好,最终加载到多模式路网中形成特定条件下的静态用户均衡。本发明的有益效果为:①拓展了传统的路径选择模型中的选择集,一般的选择集仅考虑单一模式,且为一组OD点对之间的路径,该方法产生的集合考虑了出行者全天出行需求,进一步生成的集路径和出行方式一体化的方案;②以后悔值作为评价标准改进了传统的logit模型,使得可以考虑到不同的人群对四种属性的感知差异性,具体体现在感知属性差别和选项差别,分别包括绝对效应、相对效应和对称性;③将上述路径选择模型应用于传统的交通分配中,得到在特定条件下多模式路网分时段的平均交通流量,并且可以辨识出时段间出行方式分布的变化情况,以供MaaS平台更好的进行交通资源的分配与管理,以提高资源的利用率。
附图说明
图1为本发明的流程图;
图2为示例图,系数α的构建过程考虑两个函数变化;
图3为示例图,系数α与自变量关系,可以表示非对称性;
图4为示例图,表示感知选项的相对差异模型的属性图;
图5为示例图,表示感知选项差异的对称和非对称性。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出一种组合出行方式下考虑用户感知差异性的路径选择方法,针对MaaS平台生成的一组合理的多模式路径规划方案,对用户选择偏好进行离散选择建模分析,对不同人群对四种属性的感知差异在传统logit模型上进行改进,分析人们的多模式路径集的选择偏好,最终加载到多模式路网中形成特定条件下的静态用户均衡。
技术方案:本发明所述的组合出行方式下考虑用户感知差异性的路径选择方法其流程图如图1所示,其解决方案步骤如下:
步骤一、首先根据OpenStreetMap的开源地图数据,生成POI关键点。对于轨道网M,POI点为各条线路的站点,记录为(ml1,ml2,...,mln),其中l为不同的线路,n为该线路的总站点数。对于公交网B,POI点为各条线路的站点加上起终点的停车场,记录为(o,bl1,bl2,...,bln,d),其中l为不同的线路,n为该线路的总站点数,o对应起点停车场,d对应终点停车场,注意,对于往返线路相同的情况下,只统计一条线路的POI点,若往返线路的站点不同,需分别统计两条线路的POI点。对于共享电单车网络S,POI点为停取车地点,记录为(sl1,sl2,...,sln),其中l为不同公司运营的电单车品牌,n为该品牌的总停取车位数。
步骤二、对采集到的GPS数据进行预处理。
首先将不同的记录条作辨识,形成以出行者为统计单位的出行路线记录,记录为[(tn1,on1,mn1,pn1,dn1,t′n1),(tn2,on2,mn2,pn2,dn2,t′n2),...,(tnk,onk,mnk,pnk,dnk,t′nk)],其中n表示同一出行者,k表示该出行者的不同记录条,o表示某一记录条的起点,d表示某一记录条的终点,m为该记录条的出行方式,p为该记录条的出行路径,t表示该记录条的出发时间(或时间窗),t’表示该记录条的到达时间(或时间窗)。
其次将(mn1,mn2,...,mnk)记录为出行者n采用的出行方式集合,将(pn1,pn2,...,pnk)记录为出行者n的采用的路径集合,二者一起作为该出行者的观测值。
最后,将不同记录条的出发时间(时间窗)和到达时间(时间窗)作为下一步的输入。
步骤三、生成组合出行的选择集(包括路径和出行方式)
一个多模式的交通网络图可以定义为G=(N,L),其中N为结点集合,L为路段或超路段的集合,其中路段定义为超路段定义为a=(t(a),h(a))∈L,其中t(a)表示超路段a的尾结点,h(a)表示路段a的头结点。这里的超路段是为了模拟行人乘坐公交的过程。我们假设所有人随机到达每个站点,且由于没有即时的线路信息,他们将默认乘坐第一辆到达的车,且所有公交线路的到达相互独立,到达站点服从指数分布。我们用αj表示线路j的到达频率(以小时为计),则
x(ai)=1/Γ(ai) (1)
Γ(ai)=∑j∈h(a)αj (2)
p(ai,j)=αj/Γ(ei) (3)
其中Γ(ai)表示该站点可行公交的联合到达频率,x(ai)为平均等待时间,p(ai,j)表示线路j作为第一个到达的概率,Vi表示该节点的累积出行时间。c(i,j)为路段的通行时间,可以通过先进的出行者信息系统获得。
然后我们定义路径的状态。首先我们先定四种主要出行模式,私家车、单车、公共交通(公交和地铁)、共享电单车。路径的状态即不同的出行方式按照先后顺序组成的序列。这里我们人为的定义若干可行的路径状态。(这里仅列举组合出行,但是可行方案中仍可能会包括单一出行)
(a)私家车—公交—共享电单车(步行);
(b)单车—公交—共享电单车(步行);
(c)步行—公交—共享电单车(步行);
(d)共享电单车—公交—共享电单车(步行);
这里需要注意,私家车和单车需要寻找位置停放,对应着道路网中相应的停车位置POI。这里结合步骤一中输入的位置信息,和步骤二中出行者的时间需求,采用改进的标签修正算法生成可行的超路径集。(这里用户的偏好设为默认值,包括换乘数上限,乘车费用上限,步行距离上限,自行车骑行距离上限)
step0:用户的需求输入,包括时间窗、起终点的经纬度、是否使用私家车、有无停车场取车需求;
step1:设定关键POI位置点;初始化路网信息、设定所有结点的换乘数为0,出行时间为无穷,花费为无穷。初始化结点状态对路段和超路段列表,为空。
step2:将起点状态对加入到路段列表,进行循环到step3。终止条件为路径集的换乘数超过上限或者路段列表为空。
step3:每次循环扫描列表中的一个结点状态对元素,更新结点的期望出行时间;然后遍历所有该结点所连接的下游路段,并判断该路段的类型;若该路段为普通路段,进行step4;若该路段为超路段,进行step5;
step4:判断出行方式的连接是否满足之前的假设,若不满足,继续下一个路段;若满足,则分别判断步行距离、自行车距离、花费和换乘数是否超过上限。若满足,则更新下游结点的状态,包括步行距离、自行车距离、花费和换乘数,当换乘数不变时,将下游结点状态对添加到路段列表中;当换乘数增加时,将下游结点状态对添加到超路段列表中。
step5:首先判断出行方式的连接是否满足先前的假设,若不满足,继续下一个路段;若满足,则按照更新状态标签的期望出行时间,并且每扫描一次,折减最后,更新步行距离、自行车距离、花费和换乘数,并且将下游结点状态对添加到超路段列表中。
step6:进行终止检验判断。更新路段列表和超路段列表,令换乘数加一,检验每组路径的时间是否超出了输入的时间窗要求,并且更新POI位置信息。若路段列表为空或者换乘数超过上限,则算法终止,得到的路径均为可行路径。若不满足终止条件,则返回step2。
最终,该步骤的算法生成了集路径和出行方式一体的选择集(帕累托集合),该选择集考虑出行时间、换乘数、出行方式状态、出行费用四个因素。若最终的集合不包括观察样本,则将观察值添加到选择集中。
步骤四、建立以后悔值为评价标准的离散选择模型,并且可以考虑到不同人群的感知差异性。这种差异性体现在感知属性差别和选项差别,分别包括绝对效应、相对效应和对称性。首先明确,以后悔值作为评价标准与效用函数不同,我们采用最小后悔值原则,即:
Rnj=fR(rnj,εnj) (6)
其中rnj表示出行者n的第j项选择(路径)的后悔值,εnj表示出行者n的第j项选择(路径)的随机误差。首先,我们考虑属性的感知差别:
其中m表示参考的属性,βm表示相应属性的参数。另外,α∈[0,1],当其等于0时表明了此时出行者感知属性的绝对差异;当其等于1时表示出行者感知属性的相对差异。必要时,分母需要进行下式的转化,以防止分式没有意义。
xnim=ln(1+exp(xnim)) (8)
另外,α应该随着属性值的变化而变化,以表示出行者面对不同属性大小时,感知性能在绝对差异和相对差异之间变动。
如图2表明了两个函数y=x与y=ex-1的图像,简单来说在重合点左右随着自变量的变化,因变量的差值是非对称的。这里有两个参数,γm表示尺度参数,δm表示位置参数。图3描述了α与自变量大小之间的关系,这里假设位置参数固定为5,因此变化曲线最高点对应的自变量可以计算得到,为另外,从图中可以看出,当尺度参数为正时,自变量位于大于中间点的位置时具有较高的敏感度,反之,当尺度参数为负数时,自变量位于小于中间点的位置时具有较高的敏感度,由此体现了上述的非对称性。最终,后悔值函数可以表示为:
其次,我们考虑选项之间的感知差异性,众所周知,传统的logit模型感知的是属性之间的绝对差异,即:
而为了捕捉出行者感知选项的相对差异,为此我们采用MNM模型,即如下公式:
图4描述了MNM模型的选择概率与后悔值的相对差异与尺度参数λ的关系。当相对差异超过1时,即选项i的性能超过选项j,选择i的概率随着尺度参数的增加而增加;当相对差异小于1时,即选项i的性能次于选项j,选择i的概率随着尺度参数的增加而减少。另外,选择i的概率随着相对差异的增加而增加,然而在不同的尺度参数下,增加率不同。图5描述了一个简单的二元选择的例子,表明了MNM模型的非对称性。另外,为了将两种选项的感知差异结合起来,这里采用latentclass模型,即:
其中w表示相应概率部分的权重,由某个属性表示。模型建立好之后,根据步骤三生成的选择集,来利用最大似然估计方法,得到相应参数的估计值。考虑到latentclass的目标函数是非凸的,因此采用EM-BFGS方法,因为EM算法在与最优值距离较远时产生的迭代序列具有很好的全局收敛特性,而BFGS算法在与最优值较近时的收敛速度更快,因此我们先用EM算法得到近似值,然后其作为初始值在通过BFGS算法得到最后的全局最优解。
步骤五、基于该路径选择模型,进行多模式路网的用户均衡分配,最终可以得到路网路段的动态流量。这里采用基于路径的用户随机均衡模型,该均衡状态可以用固定点方程表示:
其中,f表示出行者的路段流量向量,f*表示均衡点处的流量向量,q表示需求向量,P表示根据式(13)计算得到的路径选择概率,fr,w表示OD对w之间的第r条路径上的流量,qw表示OD对w之间的交通需求。为了解决多模式交通网络下的流量分配问题,由于后悔值函数的属性保证了固定点法的唯一性,因此这里采用MSA(连续平均法)来求解上述用户均衡模型,具体分为以下几个步骤:
step0:首先根据步骤一POI点生成多模式网络;
step1:设定初始道路流量f0为0,根据步骤二的输入需求,通过步骤三算法计算每个出行者的路径选择集;
step2:计算后悔值、选择概率,根据步骤四的公式以及估计好的参数,计算每一个出行者选择选择集内各条路径的概率,并通过随机抽样确定选择的路径;
step3:将出行者的选择集计化,得到路段的辅助流量yk;
本发明的路径选择模型应用于传统的交通分配中,得到在特定条件下多模式路网分时段的平均交通流量,并且可以辨识出时段间出行方式分布的变化情况,以供MaaS平台更好的进行交通资源的分配与管理,以提高资源的利用率。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.一种组合出行方式下考虑用户感知差异性的路径选择方法,其特征在于,该方法包括如下步骤:
步骤一、根据MaaS平台的管理范围,生成POI关键点;对于轨道网M,POI点为各条线路的站点,记录为(ml1,ml2,...,mln),其中l为不同的线路,n为该线路的总站点数。对于公交网B,POI点为各条线路的站点加上起终点的停车场,记录为(o,bl1,bl2,...,bln,d),其中l为不同的线路,n为该线路的总站点数,o对应起点停车场,d对应终点停车场,对于共享电单车网络S,POI点为停取车地点,记录为(sl1,sl2,...,sln),其中l为不同公司运营的电单车品牌,n为该品牌的总停取车位数;
步骤二、对采集到的GPS出行数据进行预处理;首先将不同的记录条作辨识,形成以出行者为统计单位的出行路线记录,记录为[(tn1,on1,mn1,pn1,dn1,t′n1),(tn2,on2,mn2,pn2,dn2,t′n2),...,(tnk,onk,mnk,pnk,dnk,t′nk)],其中n表示同一出行者,k表示该出行者的不同记录条,o表示某一记录条的起点,d表示某一记录条的终点,m为该记录条的出行方式,p为该记录条的出行路径,t表示该记录条的出发时间或时间窗,t’表示该记录条的到达时间或时间窗;
其次将(mn1,mn2,...,mnk)记录为出行者n采用的出行方式集合,将(pn1,pn2,...,pnk)记录为出行者n的采用的路径集合,二者一起作为该出行者的观测值;
最后,将不同记录条的出发时间或时间窗和到达时间或时间窗作为下一步的输入;
步骤三、根据用户的出行需求生成集路径和出行方式一体的选择集,该选择集考虑出行时间、换乘数、出行方式状态、出行费用四个因素;
步骤四、建立以后悔值为评价标准的离散选择模型,并且可以考虑到不同人群的感知差异性,这种差异性体现在感知属性差别和选项差别,分别包括绝对效应、相对效应和对称性;
步骤五、基于该路径选择模型,进行多模式路网的用户均衡分配,最终可以得到路网路段的动态流量。
2.根据权利要求1中所述一种组合出行方式下考虑用户感知差异性的路径选择方法,其特征在于;所述步骤三中生成组合出行的选择集包含以下子步骤:
步骤A1、根据POI数据,定义多模式路网,确定公交出行下的路段与超路段,并假设所有人随机到达每个站点,且由于没有即时的线路信息,他们将默认乘坐第一辆到达的车,且所有公交线路的到达相互独立,到达站点服从指数分布;
步骤A2、确定路径的状态,我们定义四种主要出行模式,私家车、单车、公共交通、共享电单车,路径的状态即不同的出行方式按照先后顺序组成的序列,人为的定义若干可行的路径状态;
步骤A3、结合步骤一中输入的位置信息,和步骤二中出行者的时间需求,采用改进的标签修正算法生成可行的超路径集;
这里将用户的偏好设为默认值,包括换乘数上限,乘车费用上限,步行距离上限和自行车骑行距离上限。
3.根据权利要求1中所述一种组合出行方式下考虑用户感知差异性的路径选择方法,其特征在于;所述步骤四中建立以后悔值为评价标准的离散选择模型包含以下子步骤:
步骤B1、确定最小后悔值原则;
步骤B2、针对模型感知属性的差异性,对α进行非对称式的转化;针对模型感知选项的差异性,使用MNM模型并通过latent class将选项绝对差异和相对差异加以结合。
4.根据权利要求1中所述一种组合出行方式下考虑用户感知差异性的路径选择方法,其特征在于;所述步骤五中进行多模式路网的用户均衡分配包含以下子步骤:
步骤C1、建立固定点方程;
步骤C2、采用MSA连续平均法求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513555.1A CN111898793B (zh) | 2020-06-08 | 2020-06-08 | 一种组合出行方式下考虑用户感知差异性的路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513555.1A CN111898793B (zh) | 2020-06-08 | 2020-06-08 | 一种组合出行方式下考虑用户感知差异性的路径选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898793A true CN111898793A (zh) | 2020-11-06 |
CN111898793B CN111898793B (zh) | 2021-03-09 |
Family
ID=73207654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010513555.1A Active CN111898793B (zh) | 2020-06-08 | 2020-06-08 | 一种组合出行方式下考虑用户感知差异性的路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898793B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508425A (zh) * | 2020-12-14 | 2021-03-16 | 东南大学 | 一种用于弹性公交系统的城市出行用户画像体系构建方法 |
CN112990573A (zh) * | 2021-03-12 | 2021-06-18 | 东南大学 | 基于非对称离散选择模型的路径选择方法 |
CN113656746A (zh) * | 2021-07-21 | 2021-11-16 | 东南大学 | 一种动态结构下考虑群体异质性的出行方式链选择方法 |
CN114999145A (zh) * | 2022-04-15 | 2022-09-02 | 浙江数智谷信息科技有限公司 | 一种基于MaaS平台的交通出行识别系统及方法 |
CN115798217A (zh) * | 2023-02-06 | 2023-03-14 | 中国市政工程西南设计研究总院有限公司 | 多模式交通网络超路径流量分配方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308555A (zh) * | 2008-06-27 | 2008-11-19 | 北京工业大学 | 多模式公交出行路径寻优方法 |
WO2012069824A1 (en) * | 2010-11-26 | 2012-05-31 | Towers Watson Limited | A method and apparatus for analysing data representing attributes of physical entities |
US20150235136A1 (en) * | 2012-07-09 | 2015-08-20 | Wine Ring, Inc. | Personal taste assessment method and system |
CN106096756A (zh) * | 2016-05-31 | 2016-11-09 | 武汉大学 | 一种城市交通路网动态实时多路口路径选择方法 |
CN106370198A (zh) * | 2016-09-20 | 2017-02-01 | 北京航空航天大学 | 一种考虑出行异质性的路径选择方法 |
US10248913B1 (en) * | 2016-01-13 | 2019-04-02 | Transit Labs Inc. | Systems, devices, and methods for searching and booking ride-shared trips |
CN109612488A (zh) * | 2018-12-26 | 2019-04-12 | 东北大学 | 基于大数据微服务的混合出行方式路径规划系统及方法 |
CN110530383A (zh) * | 2018-05-25 | 2019-12-03 | 重庆好德译信息技术有限公司 | 一种基于gps导航的跑步路线推荐方法和系统 |
US20190369637A1 (en) * | 2017-03-20 | 2019-12-05 | Mobileye Vision Technologies Ltd. | Trajectory selection for an autonomous vehicle |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110856166A (zh) * | 2019-10-26 | 2020-02-28 | 中国人民解放军陆军工程大学 | 一种基于干扰选择的蜂窝网络中空闲用户协作干扰策略 |
CN110887501A (zh) * | 2019-11-15 | 2020-03-17 | 桂林电子科技大学 | 一种面向可变目的地的交通导航方法及装置 |
-
2020
- 2020-06-08 CN CN202010513555.1A patent/CN111898793B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308555A (zh) * | 2008-06-27 | 2008-11-19 | 北京工业大学 | 多模式公交出行路径寻优方法 |
WO2012069824A1 (en) * | 2010-11-26 | 2012-05-31 | Towers Watson Limited | A method and apparatus for analysing data representing attributes of physical entities |
US20150235136A1 (en) * | 2012-07-09 | 2015-08-20 | Wine Ring, Inc. | Personal taste assessment method and system |
US10248913B1 (en) * | 2016-01-13 | 2019-04-02 | Transit Labs Inc. | Systems, devices, and methods for searching and booking ride-shared trips |
CN106096756A (zh) * | 2016-05-31 | 2016-11-09 | 武汉大学 | 一种城市交通路网动态实时多路口路径选择方法 |
CN106370198A (zh) * | 2016-09-20 | 2017-02-01 | 北京航空航天大学 | 一种考虑出行异质性的路径选择方法 |
US20190369637A1 (en) * | 2017-03-20 | 2019-12-05 | Mobileye Vision Technologies Ltd. | Trajectory selection for an autonomous vehicle |
CN110530383A (zh) * | 2018-05-25 | 2019-12-03 | 重庆好德译信息技术有限公司 | 一种基于gps导航的跑步路线推荐方法和系统 |
CN109612488A (zh) * | 2018-12-26 | 2019-04-12 | 东北大学 | 基于大数据微服务的混合出行方式路径规划系统及方法 |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110856166A (zh) * | 2019-10-26 | 2020-02-28 | 中国人民解放军陆军工程大学 | 一种基于干扰选择的蜂窝网络中空闲用户协作干扰策略 |
CN110887501A (zh) * | 2019-11-15 | 2020-03-17 | 桂林电子科技大学 | 一种面向可变目的地的交通导航方法及装置 |
Non-Patent Citations (3)
Title |
---|
LI DAWEI等: "incorporating observed and unobserved heterogeneity in route choice analysis with sampled choice sets", 《ELSEVIER》 * |
LI DAWEI等: "route choice considering hybrid regret and utility modeling under big data context", 《IEEE》 * |
刘向龙等: "中国出行即服务(MaaS)体系框架与发展路径研究", 《交通运输研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508425A (zh) * | 2020-12-14 | 2021-03-16 | 东南大学 | 一种用于弹性公交系统的城市出行用户画像体系构建方法 |
CN112508425B (zh) * | 2020-12-14 | 2024-03-15 | 东南大学 | 一种用于弹性公交系统的城市出行用户画像体系构建方法 |
CN112990573A (zh) * | 2021-03-12 | 2021-06-18 | 东南大学 | 基于非对称离散选择模型的路径选择方法 |
CN112990573B (zh) * | 2021-03-12 | 2021-11-09 | 东南大学 | 基于非对称离散选择模型的路径选择方法 |
CN113656746A (zh) * | 2021-07-21 | 2021-11-16 | 东南大学 | 一种动态结构下考虑群体异质性的出行方式链选择方法 |
CN113656746B (zh) * | 2021-07-21 | 2022-06-17 | 东南大学 | 一种动态结构下考虑群体异质性的出行方式链选择方法 |
CN114999145A (zh) * | 2022-04-15 | 2022-09-02 | 浙江数智谷信息科技有限公司 | 一种基于MaaS平台的交通出行识别系统及方法 |
CN115798217A (zh) * | 2023-02-06 | 2023-03-14 | 中国市政工程西南设计研究总院有限公司 | 多模式交通网络超路径流量分配方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111898793B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898793B (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
Bertsimas et al. | Travel time estimation in the age of big data | |
Gao et al. | A continuous equilibrium network design model and algorithm for transit systems | |
Sohn | Multi-objective optimization of a road diet network design | |
CN111879329B (zh) | 基于a*算法的定制公交可通行最短路径计算方法 | |
Nair et al. | Equilibrium design of bicycle sharing systems: the case of Washington DC | |
Osaba et al. | Multi-objective optimization of bike routes for last-mile package delivery with drop-offs | |
Schmaranzer et al. | Multi-objective simulation optimization for complex urban mass rapid transit systems | |
Song et al. | The whole day path planning problem incorporating mode chains modeling in the era of mobility as a service | |
Yang et al. | Parking guidance models and algorithms considering the earliest arrival time and the latest departure time | |
Ding et al. | An efficient algorithm for optimal route node sensing in smart tourism Urban traffic based on priority constraints | |
Kumar et al. | Adaptive park-and-ride choice on time-dependent stochastic multimodal transportation network | |
Luo et al. | Multimodal mobility systems: joint optimization of transit network design and pricing | |
Nasibov et al. | A multi-criteria route planning model based on fuzzy preference degrees of stops | |
Tomaras et al. | Crowd-based ecofriendly trip planning | |
CN112418514A (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
He et al. | Exploring public transport transfer opportunities for pareto search of multicriteria journeys | |
Castagna et al. | Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility | |
CN116194935B (zh) | 用于确定地理区域中的车辆的导航简档的方法和设备 | |
Si et al. | Travel demand-based assignment model for multimodal and multiuser transportation system | |
Habibi et al. | Improvement of Multi-agent Routing Guidance with an Intelligent Traffic Light Scheduling and the Ability to Select Intermediate Destinations | |
Haqqani et al. | Multi-objective journey planning under uncertainty: a genetic approach | |
Kim et al. | Finding realistic shortest path in road networks with lane changing and turn restriction | |
Tian et al. | Mate: A memory-augmented time-expansion approach for optimal trip-vehicle matching and routing in ride-sharing | |
Beed et al. | Bayesian hierarchical multi-objective optimization for vehicle parking route discovery |
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 |