CN112115385B - 一种考虑充电时间的单向共享汽车系统选址优化方法 - Google Patents
一种考虑充电时间的单向共享汽车系统选址优化方法 Download PDFInfo
- Publication number
- CN112115385B CN112115385B CN202010862447.5A CN202010862447A CN112115385B CN 112115385 B CN112115385 B CN 112115385B CN 202010862447 A CN202010862447 A CN 202010862447A CN 112115385 B CN112115385 B CN 112115385B
- Authority
- CN
- China
- Prior art keywords
- time
- alternative
- demand
- site
- station
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑充电时间的单向共享汽车系统选址优化方法,可以给共享汽车运营商提供资源配置的建议,有效避免充电难、用车难等问题。具体实施方案是:采集电动共享汽车出行需求,根据需求预测确定备选站点;统计各备选站点之间不同时间步的共享汽车需求、每个时间步到达站点的需求量和离开站点的需求量;获取选址模型中的各项数据的变化规律,并将其作为约束;最后根据模型的特点设计一种改进的遗传算法,并用该算法对模型进行求解,得到共享汽车系统的站点选址方案。本发明使用数据的替代性较强,所构建的模型以及设计的算法具有通用性和灵活性,能够根据实际需要得到个性化的选址方案,具有实际的操作价值。
Description
技术领域
本发明涉及智能交通系统技术领域,特别涉及一种考虑充电时间的单向共享汽车系统选址优化方法。
背景技术
汽车行业的发展带来了一系列的交通问题,各大城市都深受交通问题的困扰,交通压力日益凸显。共享汽车作为中国新兴的交通运输服务业,既具有私家车的灵活、便捷的优势,又具有公共交通节能、环保的属性。相关研究表明,共享汽车可以减少车辆拥堵和尾气排放,在一定程度上缓解了城市的交通压力。
城市污染的一个主要来源是机动车的排放,与燃油车相比,新能源汽车污染小且更具经济性。由于国家政策的倾斜以及可持续发展的迫切需要,共享汽车所使用的车辆绝大多数都是新能源汽车(其中电动汽车所占比重较大),市场上约90%的共享汽车均为新能源汽车。电动共享汽车的广泛使用,能够减少车辆尾气排放,将在很大程度上降低城市空气和噪声的污染。
电动化逐渐成为共享汽车的一个重要特性,电动共享汽车涉及到最远里程问题,需要考虑的一个重要问题是充电,而为电动共享汽车提供充电蓄能的充电桩通常随站点的设置而设置,也是共享汽车系统资源配置的一方面。因此,在站点选址模型中考虑充电问题能够对共享汽车系统更好地进行规划。先前的选址研究中也会在模型中考虑后续运营的相关影响因素,但大多数考虑的是车辆的调度问题,而调度问题涉及很多方面,通常会在已建站点的基础上进行相应的研究,但选址问题的侧重点在于对未开展共享汽车应用的城市进行站点的选址规划,或者对已开展共享汽车应用的城市重新选址规划。电动汽车的充电问题是一个相对复杂的问题,本文的重点在于对共享汽车站点进行选址,并考虑充电时间对选址的影响,而非动态充电环节。基于此,本文提出了一种考虑充电时间的站点选址优化方法,该方法基于获得的需求数据,考虑充电时间的影响,建立了一个基于时间步的混合整数规划模型。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
站点选址问题是单向共享汽车系统资源配置的重要一环,合理的站点设置既能够为用户提供便利,又能够提高运营商的综合效益。本发明提供了一种考虑电动汽车充电时间的单向共享汽车系统选址优化方法,可以根据不同类型充电桩和车辆的组合提供不同的选址方案,为运营商的初始规划提供一定的理论指导。
为达到以上目的,本发明采取的技术方案是:
一种考虑充电时间的单向共享汽车系统选址优化方法,包括以下步骤:
步骤1:将选址研究区域根据一定规则划分为若干小区域,根据需求预测结果统计所有小区域的需求量,当某个小区域的需求量大于设定的阈值时,将该小区域的中心作为共享汽车备选站点。
步骤2:计算各备选站点之间的车辆耗电时间,以及每个时间步到达各个站点的需求量和离开各个站点的需求量;
步骤3:根据现有订单数据挖掘实际需求和实际用车辆的变化规律,对其变化趋势进行拟合,并将其作为选址模型中的一项经验约束;
步骤4:确定车辆到达各个备选站点充满电所需的充电时间;
步骤5:以最小化运营商的总成本为目标函数,建立站点选址模型;
步骤6:改进遗传算法。
步骤7:设置参数,代入已知数据,固定站点选址模型中的整数变量,采用改进后的遗传算法,进行模型求解,得到不同情形下的选址结果。
步骤2具体为:
Step1:车辆耗电时间用最短行程时间Tik表示,用备选站点之间的最短距离和道路交通的自由流速度计算;
其中,Dik表示备选站点i,k之间的最短距离,Vf表示道路交通的自由流速度;
Step2:统计在不同时间步到达各个站点的需求量和离开各个站点的需求量,在统计数据时皆以最近站点为指标;在时间段t离开备选站点i,前往备选站点k的需求计入从备选站点k离开,在时间段t到达备选站点i的需求计入/>其中备选站点i,k均为距离该需求起点或终点最近的站点。
步骤3中,拟合函数为:
V=0.657·U+11.891 (2)
其中,U表示实际需求量,V表示满足这些需求的实际用车量。
步骤4具体为:
假设到达备选站点的充电电量和耗电电量是随相应的时间线性增长的,单位时间的充电速率和耗电速率是一定的,充电电量和耗电电量可分别表示为:
Qc=kctc (3)
Qm=kmtm (4)
其中,Qc表示充电电量,Qm表示耗电电量,kc表示充电速率,km表示耗电速率,tc表示充电时间,tm表示耗电时间。
在模型假设中,假设车辆到站即充电,直至充满电才会再次被使用,所以充电电量等于耗电电量,耗电时间即为车辆在备选站点之间的行驶时间,用最短行程时间表示,充电时间表示为:
其中,T表示备选站点之间的耗电时间。
步骤5具体为:
运营商的总成本包括站点成本、停车位成本、车辆成本以及耗电成本,考虑站点的基本约束、可用车辆数的更新、充电时间的变化、需求满足程度,其中在车辆数的更新的过程中考虑充电时间的影响,站点选址模型表示如下:
f(V,U)≥0 (15)
其中,Z表示运营商的总成本;I为备选站点集合,Cs,Cp,Cv,Ce分别表示站点、停车位、车辆和耗电的单位成本,Xi表示备选站点i是否建立站点;Pi表示站点的容量,即停车位数;Vi表示车辆数,yik表示两个备选站点i、k是否同时建站;表示不同时间步的可用车辆数;uik表示从备选站点i到的k的租车量;qik表示备选站点i、k之间的潜在需求量;/>表示在时间段t离开备选站点i,前往备选站点k的租车量;/>表示从备选站点k离开,在时间段t到达备选站点i的租车量;T1表示时间段的集合;τik表示从备选站点i到的k的车辆在站k的充电时间;M表示一个足够大的正整数;Pmax表示最大停车位数;β表示需求满足率;/>表示备选站点i在一个时间周期的初始时间段的可用车辆数;
公式(7)-(11)表示站点的基本设施约束,公式(12)、(13)表示不同时间步的可用车辆数限制及可用车辆数的更新,公式(14)表示需求满足率约束,公式(15)-(17)表示车队规模与满足的需求之间的函数关系,是步骤3中的拟合函数的变形,公式(15)替换为:
0.657∑i∑kuik+11.891≤∑iVi (19)。
步骤6具体为:根据所构建模型的特点,从编码、初始种群选择、适应度计算以及交叉策略几个方面对遗传算法进行改进,使得子代向最优解方向梯度进化。
本发明的有益效果:本发明基于共享汽车需求数据设定备选站点。考虑到充电时间会影响车辆的利用率,进而成为影响共享汽车站点选址的重要影响因素,将其作为模型约束的重要部分,并以运营商总成本最小为目标构建选址模型。由于模型中考虑的充电时间与耗电时间紧密相关,本发明可以根据不同类型的车辆和充电桩的选择得到不同的选址方案。本发明所需数据的获取较为容易,需求数据可由车辆轨迹数据、调查数据或者相关统计数据获得,需求和车辆的经验关系可由类似共享汽车系统的实际订单数据的拟合获得,所用的遗传算法对类似的混合整数选址模型具有通用性,计算得到的选址结果较为合理。
附图说明
本发明有如下附图:
图1为遗传算法的流程图;
图2为不同需求满足率对应的选址结果示意图;
图3为不同耗电速率/充电速率比值对应的选址结果示意图;
图4比值取5、需求满足率取0.5时选址结果空间分布示意图;
图5需求满足率取0.4、比值取6时选址结果空间分布示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明所述的考虑充电时间的单向共享汽车系统选址优化方法,包括如下步骤:
步骤1:确定共享汽车备选站点;
将选址研究区域根据一定规则划分为若干小区域,根据需求预测结果统计所有小区域的需求量,当某个小区域的需求量大于设定的阈值时(阈值一般取日均需求量0.4),将该小区域的中心作为备选站点。
步骤2:计算各备选站点之间的车辆耗电时间,以及每个时间步到达各个站点的需求量和离开各个站点的需求量;
Step1:车辆耗电时间用最短行程时间Tik表示,用备选站点之间的最短距离和道路交通的自由流速度计算;
其中,Dik表示备选站点i,k之间的最短距离,Vf表示道路交通的自由流速度;
Step2:统计在不同时间步到达各个站点的需求量和离开各个站点的需求量,由于用户总是期望从离自己位置最近的站点取车,因此在统计数据时皆以最近站点为指标。在时间段t离开备选站点i,前往备选站点k的需求计入从备选站点k离开,在时间段t到达备选站点i的需求计入/>其中备选站点i,k均为距离该需求起点或终点最近的站点。
步骤3:根据现有订单数据挖掘实际需求和实际用车辆的变化规律,对其变化趋势进行拟合,拟合函数为:
V=0.657·U+11.891 (2)
将其作为选址模型中的一项经验约束,其中,U表示实际需求量,V表示满足这些需求的实际用车量。
步骤4:确定车辆到达各个备选站点充满电所需的充电时间;
假设到达备选站点的充电电量和耗电电量是随相应的时间线性增长的,即单位时间的充电速率和耗电速率是一定的,充电电量和耗电电量可分别表示为
Qc=kctc (3)
Qm=kmtm (4)
其中,Qc表示充电电量,Qm表示耗电电量,kc表示充电速率,km表示耗电速率,tc表示充电时间,tm表示耗电时间。
在模型假设中,本文假设车辆到站即充电,直至充满电才会再次被使用,所以充电电量等于耗电电量,耗电时间即为车辆在备选站点之间的行驶时间,文中用最短行程时间表示,充电时间表示为
其中,T表示备选站点之间的耗电时间(一般取最短行程时间),若确定具体选用的车型和充电桩的型号,则可将充电速率和耗电速率替换为具体的数值。
步骤5:构建站点选址模型,站点选址模型的目标函数为运营商的总成本(包括站点成本、停车位成本、车辆成本以及耗电成本),考虑站点的基本约束、可用车辆数的更新、充电时间的变化、需求满足程度等,其中在车辆数的更新的过程中考虑充电时间的影响,站点选址模型表示如下:
f(V,U)≥0 (15)
其中,Z表示运营商的总成本;I为备选站点集合,Cs,Cp,Cv,Ce分别表示站点、停车位、车辆和耗电的单位成本,Xi表示备选站点i是否建立站点;Pi表示站点的容量,即停车位数;Vi表示车辆数,yik表示两个备选站点i、k是否同时建站;表示不同时间步的可用车辆数;uik表示从备选站点i到的k的租车量;qik表示备选站点i、k之间的潜在需求量;/>表示在时间段t离开备选站点i,前往备选站点k的租车量;/>表示从备选站点k离开,在时间段t到达备选站点i的租车量;T1表示时间段的集合;τik表示从备选站点i到的k的车辆在站k的充电时间;M表示一个足够大的正整数;Pmax表示最大停车位数;β表示需求满足率;/>表示备选站点i在一个时间周期的初始时间段的可用车辆数。
公式(7)-(11)表示站点的基本设施约束,公式(12)、(13)表示不同时间步的可用车辆数限制及可用车辆数的更新,公式(14)表示需求满足率约束,公式(15)-(17)表示车队规模与满足的需求之间的函数关系,即步骤3中的拟合函数的变形,公式(15)可替换为:
0.657∑i∑kuik+11.891≤∑iVi (19)
步骤6:改进遗传算法。根据所构建模型的特点,从编码、初始种群选择、适应度计算以及交叉策略几个方面对遗传算法进行改进,使得子代向最优解方向梯度进化,改进后遗传算法的流程图如图1所示。
步骤7:设置参数,代入已知数据,固定站点选址模型中的整数变量,采用改进后的遗传算法进行模型求解,得到不同情形下(不同参数对应不同的情形,例如影响充电时间的参数是耗电速率与充电速率的比值,不同车辆和充电桩的耗电速率或充电速率不同,因此不同参数对应的是不同车辆类型和充电桩类型的组合)的选址结果。
设置不同的参数组合,求解每种情况下的选址模型,不同情形下选址结果差异较大,通过与现有系统的对比证实该模型能够得到合理有效的选址结果。
参数主要指耗电速率与充电速率的比值,已知数据指的是模型中用到的一些统计量。
图2、图3分别表示不同需求满足率对应的选址结果和不同耗电速率/充电速率比值对应的选址结果。图4、图5分别表示不同比值和需求满足率时选址结果空间分布示意图,图4、5中不同大小的圆圈表示站点规模的大小。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的实质和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范围。
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 (4)
1.一种考虑充电时间的单向共享汽车系统选址优化方法,其特征在于,包括如下步骤:
步骤1:将选址研究区域根据一定规则划分为若干小区域,根据需求预测结果统计所有小区域的需求量,当某个小区域的需求量大于设定的阈值时,将该小区域的中心作为共享汽车备选站点;
步骤2:计算各备选站点之间的车辆耗电时间,以及每个时间步到达各个站点的需求量和离开各个站点的需求量;
步骤3:根据现有订单数据挖掘实际需求和实际用车辆的变化规律,对其变化趋势进行拟合,并将其作为选址模型中的一项经验约束;
步骤4:确定车辆到达各个备选站点充满电所需的充电时间;
步骤5:以最小化运营商的总成本为目标函数,建立站点选址模型;
步骤6:改进遗传算法;
步骤7:设置参数,代入已知数据,固定站点选址模型中的整数变量,采用改进后的遗传算法,进行模型求解,得到不同情形下的选址结果;
步骤3中,拟合函数为:
V0.657·U+11.891(2)
其中,U表示实际需求量,V表示满足这些需求的实际用车量;
步骤4具体为:
假设到达备选站点的充电电量和耗电电量是随相应的时间线性增长的,单位时间的充电速率和耗电速率是一定的,充电电量和耗电电量分别表示为:
Qc=kctc (3)
Qm=kmtm (4)
其中,Qc表示充电电量,Qm表示耗电电量,kc表示充电速率,km表示耗电速率,tc表示充电时间,tm表示耗电时间;
在模型假设中,假设车辆到站即充电,直至充满电才会再次被使用,所以充电电量等于耗电电量,耗电时间为车辆在备选站点之间的行驶时间,用最短行程时间表示,充电时间表示为:
其中,T表示备选站点之间的耗电时间;
步骤5具体为:
运营商的总成本包括站点成本、停车位成本、车辆成本以及耗电成本,考虑站点的基本约束、可用车辆数的更新、充电时间的变化、需求满足程度,其中在车辆数的更新的过程中考虑充电时间的影响,站点选址模型表示如下:
f(V,U)≥0 (15)
其中,Z表示运营商的总成本;I为备选站点集合,Cs,Cp,Cv,Ce分别表示站点、停车位、车辆和耗电的单位成本,Xi表示备选站点i是否建立站点;Pi表示站点的容量;Vi表示车辆数,yik表示两个备选站点i、k是否同时建站;表示不同时间步的可用车辆数;uik表示从备选站点i到k的租车量;qik表示备选站点i、k之间的潜在需求量;/>表示在时间段t离开备选站点i,前往备选站点k的租车量;/>表示从备选站点k离开,在时间段t到达备选站点i的租车量;T1表示时间段的集合;τik表示从备选站点i到k的车辆在站k的充电时间;Pmax表示最大停车位数;β表示需求满足率;/>表示备选站点i在一个时间周期的初始时间段的可用车辆数;
公式(7)-(11)表示站点的基本设施约束,公式(12)、(13)表示不同时间步的可用车辆数限制及可用车辆数的更新,公式(14)表示需求满足率约束,公式(15)-(17)表示车队规模与满足的需求之间的函数关系,是步骤3中的拟合函数的变形,公式(15)替换为:
0.657∑i∑kuik+11.891≤∑iVi (19)。
2.如权利要求1所述的考虑充电时间的单向共享汽车系统选址优化方法,其特征在于,步骤2具体为:
Step1:车辆耗电时间用最短行程时间Tik表示,用备选站点之间的最短距离和道路交通的自由流速度计算;
其中,Dik表示备选站点i,k之间的最短距离,Vf表示道路交通的自由流速度;
Step2:统计在不同时间步到达各个站点的需求量和离开各个站点的需求量,在统计数据时皆以最近站点为指标;在时间段t离开备选站点i,前往备选站点k的需求计入从备选站点k离开,在时间段t到达备选站点i的需求计入/>其中备选站点i,k均为距离该需求起点或终点最近的站点。
3.如权利要求1所述的考虑充电时间的单向共享汽车系统选址优化方法,其特征在于,步骤6具体为:根据所构建模型的特点,从编码、初始种群选择、适应度计算以及交叉策略几个方面对遗传算法进行改进,使得子代向最优解方向梯度进化。
4.如权利要求1所述的考虑充电时间的单向共享汽车系统选址优化方法,其特征在于:步骤1中,日均需求量的阈值为0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862447.5A CN112115385B (zh) | 2020-08-25 | 2020-08-25 | 一种考虑充电时间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 |
---|---|---|---|
CN202010862447.5A CN112115385B (zh) | 2020-08-25 | 2020-08-25 | 一种考虑充电时间的单向共享汽车系统选址优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115385A CN112115385A (zh) | 2020-12-22 |
CN112115385B true CN112115385B (zh) | 2024-04-12 |
Family
ID=73804364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010862447.5A Active CN112115385B (zh) | 2020-08-25 | 2020-08-25 | 一种考虑充电时间的单向共享汽车系统选址优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115385B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114677048B (zh) * | 2022-04-22 | 2024-01-16 | 北京阿帕科蓝科技有限公司 | 一种需求区域挖掘方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636137A (zh) * | 2018-11-23 | 2019-04-16 | 浙江华云电力工程设计咨询有限公司 | 基于层次分析的电动汽车充电站规划布局方法和系统 |
CN109919346A (zh) * | 2017-12-12 | 2019-06-21 | 湖南斯迈尔特智能科技发展有限公司 | 一种自行车租赁点的选址方法 |
CN110288212A (zh) * | 2019-06-14 | 2019-09-27 | 石家庄铁道大学 | 基于改进的mopso的电动出租车新建充电站选址方法 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325507A1 (en) * | 2014-12-08 | 2019-10-24 | International Cruise & Excursion Gallery, Inc. | Systems and Methods for Customer Engagement in Travel Related Programs |
-
2020
- 2020-08-25 CN CN202010862447.5A patent/CN112115385B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919346A (zh) * | 2017-12-12 | 2019-06-21 | 湖南斯迈尔特智能科技发展有限公司 | 一种自行车租赁点的选址方法 |
CN109636137A (zh) * | 2018-11-23 | 2019-04-16 | 浙江华云电力工程设计咨询有限公司 | 基于层次分析的电动汽车充电站规划布局方法和系统 |
CN110288212A (zh) * | 2019-06-14 | 2019-09-27 | 石家庄铁道大学 | 基于改进的mopso的电动出租车新建充电站选址方法 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
Non-Patent Citations (2)
Title |
---|
Implementation of charging station based electric vehicle routing problem using nearest neighbour search algorithm;A. R. Daanish and B. K. Naick;2017 2nd IEEE International Conference on Intelligent Transportation Engineering (ICITE);52-56 * |
城市共享汽车网点选址研究与系统开发;马群;硕士电子期刊工程科技Ⅱ辑(第1期);C034-1043 * |
Also Published As
Publication number | Publication date |
---|---|
CN112115385A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | Seasonal effects on electric vehicle energy consumption and driving range: A case study on personal, taxi, and ridesharing vehicles | |
CN110222907B (zh) | 电动汽车充电站规划方法及终端设备 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
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 | |
CN109693576B (zh) | 一种基于模拟退火算法的电动汽车充电调度优化方法 | |
Liu et al. | A planning strategy considering multiple factors for electric vehicle charging stations along German motorways | |
CN112115385B (zh) | 一种考虑充电时间的单向共享汽车系统选址优化方法 | |
Fotouhi et al. | A review on the applications of driving data and traffic information for vehicles׳ energy conservation | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
CN109636067B (zh) | 一种基于粒子群算法的电动汽车充电调度优化方法 | |
CN106295898A (zh) | 一种设置充电桩的方法 | |
CN107274665A (zh) | 巴士运力资源规划方法及系统 | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN108944500B (zh) | 一种分布式站点联合控制的电动汽车充电调度方法 | |
CN113386770B (zh) | 基于充电站数据共享的电动汽车充电路径动态规划方法 | |
Wei et al. | Optimal integrated model for feeder transit route design and frequency-setting problem with stop selection | |
CN108133329B (zh) | 考虑充电反馈效应的电动汽车出行与充电需求分析方法 | |
CN110543976A (zh) | 一种基于遗传算法的充电站布局优化方法 | |
CN111126712B (zh) | 一种面向通勤廊道的停车充电换乘系统规划方法 | |
CN115456180A (zh) | 一种基于三链马尔科夫模型的电动汽车数量预测方法 | |
JP2022500307A (ja) | ハイブリッド自動車による燃料および電流の消費に対する管理設定値を計算する方法 | |
CN112507506B (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
CN111915150A (zh) | 一种电动公交系统规划方法 | |
CN115545303A (zh) | 计及多源信息和决策修正的电动汽车充电站负荷预测方法 | |
CN115049272A (zh) | 一种基于电池交换进行中间站充电的电动公交调度方法 |
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 |