CN111915057A - 一种基于深度学习和群智感知的单车需求预测与调度方法 - Google Patents

一种基于深度学习和群智感知的单车需求预测与调度方法 Download PDF

Info

Publication number
CN111915057A
CN111915057A CN202010599191.3A CN202010599191A CN111915057A CN 111915057 A CN111915057 A CN 111915057A CN 202010599191 A CN202010599191 A CN 202010599191A CN 111915057 A CN111915057 A CN 111915057A
Authority
CN
China
Prior art keywords
scheduling
bicycle
demand
station
predicting
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
CN202010599191.3A
Other languages
English (en)
Other versions
CN111915057B (zh
Inventor
陈龙彪
郭瑞英
蒋之晗
王志源
张龙晖
王程
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202010599191.3A priority Critical patent/CN111915057B/zh
Publication of CN111915057A publication Critical patent/CN111915057A/zh
Application granted granted Critical
Publication of CN111915057B publication Critical patent/CN111915057B/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
    • G06Q10/04—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
    • 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
    • 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)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习和群智感知的单车需求预测与调度方法，包括如下步骤：步骤S1：单车需求预测：建立单车需求图结构，基于历史时刻图结构节点属性值和边权重，预测未来时刻图结构节点的属性值；通过时空网络架构准确预测出未来时刻的单车需求变化趋势；步骤S2：生成单车调度任务：根据预测出的未来时刻的单车需求变化趋势，输入到单车调度任务模型生成单车调度任务，步骤S3：单车群智调度执行：根据生成的单车调度任务，输入到调度执行模型，进行调度任务分配，本发明提供的方法，可以准确地预测城际范围内的自行车骑行需求，并基于预测结果，利用群智感知技术有效地进行自行车调度，提升了自行车系统的有效利用率，节省了单车调度所需的人力物力。

Description

一种基于深度学习和群智感知的单车需求预测与调度方法
技术领域
本发明涉及一种共享交通领域，特别是涉及一种基于深度学习和群智感知的单车需求预测与调度方法。
背景技术
公共自行车系统作为一种绿色的交通方式在国内外许多城市中被广泛地使用，解决最后一公里问题方便人们出行的同时，也减缓了公共交通的压力。运行高质量的公共自行车系统的主要挑战之一是如何避免自行车站点的过载问题。为此，运营人员需要做自行车的调度来调整各个自行车站点的负载情况来减缓压力。传统的公共自行车调度方法一般基于当前时刻各个自行车站点的负载情况，制定出调度的路线和自行车数量，通过卡车运送的方式进行调度。但是，该方法主要的缺陷在于调度的策略不灵活，基于卡车的调度方法只能根据以往的经验调度，不能有效的根据未来的骑行需求做出动态的策略调整，故只能解决当下时刻的自行车站点负载过高问题，而不能解决未来时刻的自行车站点过载问题。其次，基于卡车的调度方式成本过高，由于卡车具有固定的容量，每次所能运送的自行车数量有限，同时雇佣卡车司机和搬运人员也使成本提高。
发明内容
本发明针对现有技术存在的技术问题，提供了一种基于深度学习和群智感知技术的公共自行车需求预测与调度方法，可以准确地预测城际范围内的自行车骑行需求，并基于预测结果，利用群智感知技术有效地进行自行车调度，提升了自行车系统的有效利用率，节省了单车调度所需的人力物力。
本发明解决其技术问题所采用的技术方案是：
一种基于深度学习和群智感知的单车需求预测与调度方法，包括如下步骤：
步骤S1：单车需求预测：
步骤S11：根据单车站点的空间分布相关性和自行车站点需求变化的时间依赖性，建立单车需求图结构，将站点作为所述图结构的节点，站点之间的地理距离作为图结构的边，提取多个时刻图结构节点的属性值X和边权重W，所述节点属性值X为变化斜率和持续时间，所述边权重W为站点之间的地理距离；
步骤S12：基于历史时刻的图结构节点属性值X和边权重W，通过学习建立预测模型，并预测未来时刻图结构节点的属性值；
步骤S13：通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势；
步骤S2：生成单车调度任务：
根据预测出的未来时刻的单车需求变化趋势，输入到单车调度任务模型生成单车调度任务，所述单车调度模型以调度的自行车数量最大为优化目标；
步骤S3：单车群智调度执行：
根据生成的单车调度任务，输入到调度执行模型，进行调度任务分配，所述调度执行模型以最大化调度站点对的数目为优化目标。
优选的，提取多个时刻图结构节点的属性值X具体包括：
获取站点多个时刻的单车数量；
建立单车数量随时间变化关系曲线；
根据变化关系曲线得出变化斜率和持续时间。
优选的，所述端对端的时空网络架构包括图卷积神经网络和门控循环单元。
优选的，所述通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势，具体包括：
输入到图卷积神经网络建模空间相关性，提取高维空间特征；
将高维空间特征输入到门控循环单元建模时间依赖性；
通过编码模块编码学习，通过解码解码预测未来时刻的单车需求变化趋势。
优选的，所述单车调度任务模型以调度的自行车数量最大为优化目标，约束是调度后的站点单车数量保持平衡和骑行距离最小：
Figure RE-GDA0002655474190000031
subject to
Figure RE-GDA0002655474190000032
Figure RE-GDA0002655474190000033
xij(i＝1，...，n，j＝1，...，m)≥0
其中，Cij表示从站点i至j的距离，xij表示调度的车辆数目，min和max表示站点平衡时车辆数目的最小范围和最大范围，T表示i时刻站点j的总容量，dj表示站点j过载时的车辆数，si表示站点i过空时的车辆数。
优选的，调度执行模型以最大化调度站点对的数目为优化目标，约束是所需的调度车辆数须小于通勤人数，并且总的调度成本要小于给定的预算；
maximize||x||0
subject to
x＝real_volume
x∈[0，demand_volume]∈Z
x∈[0，supply_volume]∈Z
Figure RE-GDA0002655474190000034
其中，x表示调度站点对，demand_volume表示调度车辆数，supply_volume表示通勤人数，cost_overall为总的调度成本，BUDGET为给定的预算。
相较于现有技术，本发明具有以下有益效果：
1、提供了一种基于深度学习和群智感知技术的公共自行车需求预测与调度方法，可以准确地预测城际范围内的自行车骑行需求，并基于预测结果，利用群智感知技术有效地进行自行车调度，提升了自行车系统的有效利用率，节省了单车调度所需的人力物力。
以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于NLP的药品名片自动提取方法不局限于实施例。
附图说明
图1是本发明实施例建模自行车需求趋势为变化斜率和持续时间示意图；
图2是本发明实施例时空图神经网络架构图；
图3是本发明的实施例自行车站点调度前后对比图。
具体实施方式
实施例，本发明提出了一种基于深度学习和群智感知技术的公共自行车需求预测与调度方法，包括下列步骤：
步骤S1：单车需求预测：
步骤S11：根据单车站点的空间分布相关性和自行车站点需求变化的时间依赖性，建立单车需求图结构，将站点作为所述图结构的节点，站点之间的地理距离作为图结构的边，提取多个时刻图结构节点的属性值X和边权重W，所述节点属性值X为变化斜率和持续时间，所述边权重W为站点之间的地理距离；其中，提取多个时刻图结构节点的属性值X具体包括：获取站点多个时刻的单车数量；建立单车数量随时间变化关系曲线；根据变化关系曲线得出变化斜率和持续时间，如图1是实施例建模中某站点单车需求趋势为变化斜率和持续时间示意图；
步骤S12：基于历史时刻图结构节点属性值X和边权重W，通过学习建立预测模型，并预测未来时刻图结构节点的属性值；
所述具体公式为：
Figure RE-GDA0002655474190000041
即是基于t-NP+1时刻到t时刻的图结构节点属性值X和边权重W，预测t+1到t+Nf，其中f是通过学习建立的非线性函数对应关系。
步骤S13：通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势；
如图2为时空图神经网络架构图，所述端对端的时空网络架构包括图卷积神经网络和门控循环单元。
在时间依赖性建模上，我们采用了比传统循环神经网络效果更好、参数更少的门控循环单元(GRU)来建模时间之间的依赖关系；最后通过堆叠GCN和GRU，构建了一个端到端的时空图神经网络架构。
所述通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势，具体包括：
输入到图卷积神经网络建模空间相关性，提取高维空间特征；
将高维空间特征输入到门控循环单元建模时间依赖性；
通过编码模块编码学习，通过解码解码预测未来时刻的单车需求变化趋势。
步骤S2：生成单车调度任务：
根据预测出的未来时刻的单车需求变化趋势，输入到单车调度任务模型生成单车调度任务，所述单车调度模型以调度的自行车数量最大为优化目标；
基于上一模块的趋势预测结果，知道了未来时刻各个站点的负载变化情况。通过将自行车数量急剧增多的站点调度车辆到自行车数量急剧减少的站点的方式，以减轻各个站点的负载压力，提升自行车系统的可利用率。因此，在调度前需要生成调度的任务。
所述单车调度任务模型以调度的自行车数量最大为优化目标，约束是调度后的站点单车数量保持平衡和骑行距离最小：
Figure RE-GDA0002655474190000051
subject to
Figure RE-GDA0002655474190000052
Figure RE-GDA0002655474190000053
xij(i＝1，...，n，j＝1，...，m)≥0
其中，Cij表示从站点i至j的距离，xij表示调度的车辆数目，min和max表示站点平衡时车辆数目的最小范围和最大范围，T表示i时刻站点j的总容量，dj表示站点j过载时的车辆数，si表示站点i过空时的车辆数。
步骤S3：单车群智调度执行：
给定调度任务后，传统的调度方法一般采用卡车进行运送调整各个站点的自行车数量。为解决卡车调度方法的策略不灵活、成本过高等问题，我们提出使用人群进行群智调度的方法，即给定红包激励用户骑行自行车以调整各站点的负载情况，其次，我们设计了红包激励机制，考虑到骑行的距离和天气等外部因素，动态调整红包奖励的金额，通过红包激励的方式让调度参与者完成调度任务，以调整各个站点的负载压力，提升自行车系统的可利用率。
根据生成的单车调度任务，输入到调度执行模型，进行调度任务分配，所述调度执行模型以最大化调度站点对的数目为优化目标。
调度执行模型以最大化调度站点对的数目为优化目标，约束是所需的调度车辆数须小于通勤人数，并且总的调度成本要小于给定的预算；
maximize||x||0
subject to
x＝real_volume
x∈[0，demand_volume]∈Z
x∈[0，supply_volume]∈Z
Figure RE-GDA0002655474190000061
其中，x表示调度站点对，demand_volume表示调度车辆数，supply_volume表示通勤人数，cost_overall为总的调度成本，BUDGET为给定的预算。
如图3是实施例自行车站点调度前后对比图，本发明提供了一种基于深度学习和群智感知技术的公共自行车需求预测与调度方法，可以准确地预测城际范围内的自行车骑行需求，并基于预测结果，利用群智感知技术有效地进行自行车调度，提升了自行车系统的有效利用率，节省了单车调度所需的人力物力。
上述实施例仅用来进一步说明本发明，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (6)

1.一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，包括如下步骤：
步骤S1：单车需求预测：
步骤S11：根据单车站点的空间分布相关性和自行车站点需求变化的时间依赖性，建立单车需求图结构，将站点作为所述图结构的节点，站点之间的地理距离作为图结构的边，提取多个时刻图结构节点的属性值X和边权重W，所述节点属性值X为变化斜率和持续时间，所述边权重W为站点之间的地理距离；
步骤S12：基于历史时刻图结构节点属性值X和边权重W，通过学习建立预测模型，并预测未来时刻图结构节点的属性值；
步骤S13：通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势；
步骤S2：生成单车调度任务：
根据预测出的未来时刻的单车需求变化趋势，输入到单车调度任务模型生成单车调度任务，所述单车调度模型以调度的自行车数量最大为优化目标；
步骤S3：单车群智调度执行：
根据生成的单车调度任务，输入到调度执行模型，进行调度任务分配，所述调度执行模型以最大化调度站点对的数目为优化目标。
2.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，提取多个时刻图结构节点的属性值X具体包括：
获取站点多个时刻的单车数量；
建立单车数量随时间变化关系曲线；
根据变化关系曲线得出变化斜率和持续时间。
3.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，所述端对端的时空网络架构包括图卷积神经网络和门控循环单元。
4.根据权利要求3所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，所述通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势，具体包括：
输入到图卷积神经网络建模空间相关性，提取高维空间特征；
将高维空间特征输入到门控循环单元建模时间依赖性；
通过编码模块编码学习，通过解码解码预测未来时刻的单车需求变化趋势。
5.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于：所述单车调度任务模型以调度的自行车数量最大为优化目标，约束是调度后的站点单车数量保持平衡和骑行距离最小：
Figure FDA0002557972070000021
subject to
Figure FDA0002557972070000022
Figure FDA0002557972070000023
其中，Cij表示从站点i至j的距离，xij表示调度的车辆数目，min和max表示站点平衡时车辆数目的最小范围和最大范围，T表示i时刻站点j的总容量，dj表示站点j过载时的车辆数，si表示站点i过空时的车辆数。
6.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，调度执行模型以最大化调度站点对的数目为优化目标，约束是所需的调度车辆数须小于通勤人数，并且总的调度成本要小于给定的预算；
maximize||x||0
subject to
x＝real_υolume
x∈[0，demand_υolume]∈Z
x∈[0，supply_υolame]∈Z
Figure FDA0002557972070000024
其中，x表示调度站点对，demand_volume表示调度车辆数，supply_volume表示通勤人数，cost_overall为总的调度成本，BUDGET为给定的预算。
CN202010599191.3A 2020-06-28 2020-06-28 一种基于深度学习和群智感知的单车需求预测与调度方法 Active CN111915057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010599191.3A CN111915057B (zh) 2020-06-28 2020-06-28 一种基于深度学习和群智感知的单车需求预测与调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010599191.3A CN111915057B (zh) 2020-06-28 2020-06-28 一种基于深度学习和群智感知的单车需求预测与调度方法

Publications (2)

Publication Number Publication Date
CN111915057A true CN111915057A (zh) 2020-11-10
CN111915057B CN111915057B (zh) 2022-05-17

Family

ID=73226725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010599191.3A Active CN111915057B (zh) 2020-06-28 2020-06-28 一种基于深度学习和群智感知的单车需求预测与调度方法

Country Status (1)

Country Link
CN (1) CN111915057B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396224A (zh) * 2020-11-13 2021-02-23 智邮开源通信研究院(北京)有限公司 基于轨迹的车辆招募方法、系统、设备及可读存储介质
CN112801360A (zh) * 2020-12-30 2021-05-14 广东工业大学 一种出租车需求预测方法、系统和设备
CN113313313A (zh) * 2021-06-10 2021-08-27 北京邮电大学 一种面向城市感知的移动节点任务规划方法
CN115618986A (zh) * 2022-09-29 2023-01-17 北京骑胜科技有限公司 协调资源的方法和装置
CN118312768A (zh) * 2024-06-11 2024-07-09 长城汽车股份有限公司 车辆管理的方法、装置、车辆和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582993A (zh) * 2018-06-20 2019-04-05 长安大学 城市交通场景图像理解与多视角群智优化方法
CN109978352A (zh) * 2019-03-14 2019-07-05 南京邮电大学 一种面向时空大数据群智感知任务的激励方法
CN110278249A (zh) * 2019-05-30 2019-09-24 天津神兔未来科技有限公司 一种分布式群体智能系统
US20190354771A1 (en) * 2018-05-21 2019-11-21 Cfkk, Llc Networks Of Sensors Collaboratively Chronicling Events Of Interest
CN111160511A (zh) * 2019-11-14 2020-05-15 北京邮电大学 一种共识主动学习的群体智能方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354771A1 (en) * 2018-05-21 2019-11-21 Cfkk, Llc Networks Of Sensors Collaboratively Chronicling Events Of Interest
CN109582993A (zh) * 2018-06-20 2019-04-05 长安大学 城市交通场景图像理解与多视角群智优化方法
CN109978352A (zh) * 2019-03-14 2019-07-05 南京邮电大学 一种面向时空大数据群智感知任务的激励方法
CN110278249A (zh) * 2019-05-30 2019-09-24 天津神兔未来科技有限公司 一种分布式群体智能系统
CN111160511A (zh) * 2019-11-14 2020-05-15 北京邮电大学 一种共识主动学习的群体智能方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HANG ZHU 等: "RedPacketBike: A Graph-Based Demand Modeling and Crowd-Driven Station Rebalancing Framework for Bike Sharing Systems", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 *
龚炜: "移动群智感知中的任务调度算法设计与优化", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396224A (zh) * 2020-11-13 2021-02-23 智邮开源通信研究院(北京)有限公司 基于轨迹的车辆招募方法、系统、设备及可读存储介质
CN112801360A (zh) * 2020-12-30 2021-05-14 广东工业大学 一种出租车需求预测方法、系统和设备
CN113313313A (zh) * 2021-06-10 2021-08-27 北京邮电大学 一种面向城市感知的移动节点任务规划方法
CN115618986A (zh) * 2022-09-29 2023-01-17 北京骑胜科技有限公司 协调资源的方法和装置
CN118312768A (zh) * 2024-06-11 2024-07-09 长城汽车股份有限公司 车辆管理的方法、装置、车辆和存储介质

Also Published As

Publication number Publication date
CN111915057B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111915057B (zh) 一种基于深度学习和群智感知的单车需求预测与调度方法
CN107239883B (zh) 一种汽车共享系统车辆的调度方法
He et al. Optimal scheduling for charging and discharging of electric vehicles
CN111641207A (zh) 一种区域能源综合体虚拟聚合系统及方法
CN102044149B (zh) 一种基于时变客流的城市公交运营协调方法与装置
US20190036341A1 (en) Method for Operation of Energy Storage Systems to Reduce Demand Charges and Increase Photovoltaic (PV) Utilization
CN109501630A (zh) 一种电动汽车充电方案实时推荐方法及系统
CN111564053B (zh) 车辆调度方法、装置、车辆调度设备和存储介质
CN107918849A (zh) 一种电动物流货车的智能调度装置及方法
CN106207290A (zh) 一种基于多源数据的电动汽车充电辅助决策优化方法
CN110928658A (zh) 一种车边云协同架构的协同任务迁移系统及算法
CN105913653A (zh) 一种云平台环境下公共交通智能行车计划排班系统及方法
CN109816128A (zh) 网约车订单的处理方法、装置、设备及可读存储介质
Tao et al. Data-driven on-demand energy supplement planning for electric vehicles considering multi-charging/swapping services
CN111967710A (zh) 一种基于区块链与边缘计算技术的共享单车调度系统
CN113326993A (zh) 一种基于深度强化学习的共享自行车调度方法
Zhang et al. A dynamic shared bikes rebalancing method based on demand prediction
CN114914923B (zh) 基于网格法的变时长两阶段电动汽车调度方法及系统
CN112085271A (zh) 一种基于众包模式的传统产业集群集货路径优化方法
CN115860594A (zh) 一种应用于智能公交排班调度的仿真系统及方法
CN110544040A (zh) 一种车辆调度优化决策系统
CN113393109B (zh) 电动汽车充电负荷计算方法
CN116470549A (zh) 考虑电动汽车随机转移特性的充储电站群调度方法
Mamalis et al. Business-to-peer carsharing systems with electric vehicles
CN114936452B (zh) 一种基于多层agv停车库停取车系统的建模与求解方法

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