CN112288272B - 基于需求演化与流量传播的地铁客流调控计划编制方法 - Google Patents
基于需求演化与流量传播的地铁客流调控计划编制方法 Download PDFInfo
- Publication number
- CN112288272B CN112288272B CN202011179802.5A CN202011179802A CN112288272B CN 112288272 B CN112288272 B CN 112288272B CN 202011179802 A CN202011179802 A CN 202011179802A CN 112288272 B CN112288272 B CN 112288272B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- model
- trip
- passenger
- layer
- 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
- 230000033228 biological regulation Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 230000008447 perception Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000007418 data mining Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003860 storage Methods 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明提供了一种基于需求演化与流量传播的地铁客流调控计划编制方法,包括:融合多源自动售检票数据,提取现状通勤出行需求分布特征;根据通勤者对客流调控措施的效用感知原理,构建通勤者出发时刻调整与出行方式转移行为NL模型,将NL模型嵌入随机用户均衡分配模型,预测客流调控措施下的需求演化特征;构建覆盖全出行环节的流量传播模型,利用流量传播模型和需求演化特征,计算客流调控措施下的线网运能利用率与乘客延误均衡度;构建地铁线网客流调控计划双层规划模型,输出平衡运能利用与延误均衡的最优客流调控计划。本发明通过大数据揭示客流调控措施对通勤者个体行为的影响机理,实现了对受控群体规模与调控效果的精准把握。
Description
技术领域
本发明涉及地铁客流调控技术领域,尤其涉及一种基于需求演化与流量传播的地铁客流调控计划编制方法。
背景技术
随着地铁线网规模的不断扩大,客运量稳步攀升,高峰时段旺盛的客流需求与有限运输能力间的矛盾日益突出。在通勤高峰期,当局部线网在短时间内涌入大量客流时,易导致车站付费区拥堵瘫痪、列车满载率过高等现象,不利于通勤者的安全、高效出行,也造成了下游车站通勤者出行延误的增加,进而制约了线网的旅客运输效率。为应对该现象,客流调控已成为地铁高峰期客运管理的常态化措施,通过对进站客流进行科学调控,减缓通勤者进站速度、降低线网拥堵状态以及运行风险。但在实践层面,车站实施客流调控措施会增加通勤者的出行延误,由于高峰通勤者的时间价值较高,且综合交通系统的发展为客流提供了多元化的出行方式选择。因此,客流调控措施会引发通勤者出发时刻调整、出行方式转移等行为变化,造成客流需求的动态演化,显著影响客流调控计划的实施效果。因而,有必要将客流需求演化规律融入到客流调控计划的编制过程中。
目前,现有的客流调控计划编制方法普遍认为高峰期客流需求保持恒定,即假设客流调控计划的实施不会引发客流需求的变动;并且过多追求列车运能利用的最大化,忽略了乘客延误差异增大带来的服务公平性下降问题。现有技术中客流调控计划的编制往往忽略了受控客流在地铁线网中的传播过程以及换乘客流对站台客流滞留情况的影响,难以适应客流分布规律复杂的大规模地铁线网。
发明内容
本发明的实施例提供了一种基于需求演化与流量传播的地铁客流调控计划编制方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于需求演化与流量传播的地铁客流调控计划编制方法,包括:
步骤S1:融合多源自动售检票数据,通过数据挖掘识别通勤出行个体,从时间和空间维度对通勤个体进行集计,提取现状通勤出行需求分布特征;
步骤S2:根据通勤者对客流调控措施的效用感知原理,构建通勤者出发时刻调整与出行方式转移行为NL(Nested Logit,巢式Logit)模型,将所述NL模型嵌入随机用户均衡分配模型,利用所述随机用户均衡分配模型和现状通勤出行需求分布特征,预测客流调控措施下的需求演化特征;
步骤S3:构建覆盖截流放行、候车、乘车、滞留、换乘和出站全出行环节的流量传播模型,利用所述流量传播模型和需求演化特征,计算客流调控措施下的线网运能利用率与乘客延误均衡度;
步骤S4:构建体现所述通勤出行需求演化特征、线网运能利用率与乘客延误均衡度的地铁线网客流调控计划双层规划模型,动态调整所述双层规划模型的决策变量,输出平衡运能利用与延误均衡的最优客流调控计划。
优选地,所述的步骤S1包括:
S11:对全票种传统刷卡数据和新票种刷卡数据进行融合,通过数据挖掘识别早晚行程时间、OD(Origin Destination,起讫点)相对固定的通勤出行个体,所述全票种传统刷卡数据包括一卡通、月票和特种票,所述新票种刷卡数据包括金融IC卡和移动终端电子卡;
S12:从时间和空间两个维度对所述通勤出行个体进行集计,提取现状通勤出行需求分布特征,所述时间维度覆盖早晚高峰时段,所述空间维度覆盖全网车站,所述现状通勤出行需求分布特征包括各个控制时段内、各个起讫点OD的出行需求量。
优选地,所述的步骤S2包括:
S21:构建客流调控背景下通勤者出发时刻调整与出行方式转移行为NL模型。所述NL模型的上层为出发方式转移层m,下层为出发时刻调整层r,上、下层共同组合出6种备选方案,所述备选方案包括“维持地铁出行且提前出发”、“维持地铁出行且维持原出发时间”、“维持地铁出行且推迟出发”、“转移至公交出行且维持原出发时间”、“转移至私家车出行且维持原出发时间”、“转移至出租车/网约车出行且维持原出发时间”;
S22:根据所述NL模型中的备选方案,以不同交通方式的出行时间和出行费用、地铁客流调控措施造成出行延误的概率和时间、地铁分时票价折扣率、出租车/网约车候车时间、提前出发时间、推迟出发时间、通勤首端和末端接驳方式以及固有哑元作为备选方案的特性变量,建立NL模型上层选择和下层选择的效用函数分别为:
式中,Vr|m为通勤者选择上层方案m的前提下选择下层方案r的效用函数;K为该备选方案下特性变量的总个数,k∈K;为特性变量的参数值,采用极大似然估计进行标定;为备选方案的特性变量向量;为反映特性变量是否隶属于该备选方案的0-1变量,1表示属于,0表示不属于;Tr|m,Fr|m,Pr|m,Dr|m,Br|m,Cr|m,Wr|m,Er|m,Lr|m,Sr|m,Yr|m,Zr|m分别为备选方案的特性变量,表示不同交通方式的出行时间和出行费用、地铁客流调控措施造成出行延误的概率和时间、地铁低峰票价折扣率和高峰票价涨价率、出租车/网约车候车时间、提前出发时间、推迟出发时间、通勤首端和末端接驳方式以及固有哑元;Vm为通勤者选择上层方案m的效用函数;Rm为上层方案m对应的下层备选方案集合,r∈Rm;λ1为NL模型的下层尺度系数;
S23:根据所述NL模型上层选择和下层选择的效用函数,计算出通勤者选择备选方案rm的行为概率为:
Prm=Pr|mPm
式中,Prm为选择上层方案m时且选择下层方案r的概率;Pr|m为选择上层出行方案m的前提下选择下层方案r的条件概率;Pm为选择上层出行方案m的概率;λ2为NL模型的上层尺度系数;
S24:根据随机用户均衡条件构建随机用户均衡分配模型,所述随机用户均衡条件根据通勤者出发时刻调整与出行方式转移行为NL模型的上下层结构进行分层化设定,所述随机用户均衡条件考虑到不同出行方式及出发时刻下各通勤者行为选择间的相互影响,当且仅当被选择备选方案的瞬时效用等于该时刻、该OD间的最小瞬时效用时,出发时刻调整与出行方式转移的双层随机用户均衡条件成立;
S25:根据所述现状通勤出行需求分布特征,利用所述随机用户均衡分配模型预测出客流调控措施下通勤出行需求演化特征,所述预测过程为求解与所述随机用户均衡分配模型等价的变分不等式模型,即:
式中,为在时段t内,对于任一OD对w,选择上层方案m的效用函数;为在时段t内,对于任一OD对w,选择上层方案m的前提下选择下层方案r的效用函数;为在时段t内,对于任一OD对w,选择上层方案m的最小期望感知出行效用;为在时段t内,对于任一OD对w,选择上层方案m的前提下选择下层方案r的最小期望感知出行效用;Qw(t)为在时段t内,OD对w下的通勤出行需求数;为在时段t内,OD对w下选择上层方案m的通勤出行需求数;为在时段t内,OD对w下选择上层方案m时且选择下层方案r的通勤出行需求数;分别为 的待求解变量。
优选地,所述S3包括:
S31:考虑客流调控对通勤者出行全过程的影响,建立覆盖截流放行、候车、乘车、滞留、换乘和出站全出行环节的流量传播模型;
式中,为在时段t内,线路l内的方向d上,站台s的上车客流量;为在时段t内,线路l内的方向d上,站台s的下车率;为在时段t内,线路l内的方向d上,站台s的候车客流量;分别为在时段t内,线路l内的方向d上,站台s的历史断面客流量和到达客流量;
所述流量传播模型中,在时段t内,线路l内的方向d上,站台s的列车输送能力cd,l,s(t)的计算公式为:
cd,l,s(t)=λMlnd,l,s(t)
式中,为在时段t内,线路l内的方向d上,站台s的进站客流量;为在时段t内,线路l内的方向d上,站台s的换入客流量;δs为表示站台s是否隶属于换乘车站的0-1变量,0为不属于换乘车站,1为属于换乘车站;为在时段t内,线路l内的方向d上,站台s的出行需求量,即到达车站入口的客流量;χd,l,s(t)为在时段t内,线路l内的方向d上,站台s的客流控制率,即所述地铁线网客流调控计划双层规划模型的决策变量;
S32:根据客流需求演化特征以及所构建的流量传播模型,计算调控措施下线网运能利用率与乘客延误均衡度;
所述线网运能利用率由各控制时段内各站的上车人数与列车剩余运输能力之比的平均值反映,所述乘客延误均衡度由各控制时段内各站的上车人数与候车人数之比的平均方差反映,即:
式中,U为线网运能利用率;E为乘客延误均衡度;|S|为站台集合中元素个数;|D|为方向集合中元素个数;|T|为控制时段集合中元素个数。
优选地,所述S4包括:
S41:以流量传播模型作为上层模型,以随机用户均衡分配模型作为下层模型,以全网各车站于各控制时段内的客流控制率为决策变量,构建体现需求演化特征与流量传播原理的地铁线网客流调控计划双层规划模型;
所述地铁线网客流调控计划双层规划模型中,上层模型的决策变量反映出客流调控计划的分时、分站、分级实施细节,上层模型的决策变量作为下层模型的输入变量,用于计算客流调控计划下经需求演化后的通勤出行需求分布特征,并作为上层模型计算线网运能利用率与乘客延误均衡度的依据;
S42:利用“遗传算法-相继加权平均”混合算法求解所述地铁线网客流调控计划双层规划模型,动态调整所述双层规划模型的决策变量,输出平衡运能利用与延误均衡的最优客流调控计划。
由上述本发明的实施例提供的技术方案可以看出,本发明通过大数据揭示客流调控措施对通勤者个体行为的影响机理,实现了对受控群体规模的精准把握,克服了因需求估计偏差造成的调控效果欠佳。线网流量传播模型的提出从本质上解决了生产实践中控制车站与时段选取、控制强度协同设置的技术难题,兼顾客流调控下的运输效率与服务公平。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于需求演化与流量传播的地铁客流调控计划编制方法的流程图;
图2为本发明实施例提供的一种通勤者出发时刻调整与出行方式转移行为为NL模型的结构图;
图3为本发明实施例提供的一种用于求解客流调控计划双层规划模型的“遗传算法-相继加权平均”混合算法的流程图;
图4为本发明实施例提供的一种最优客流调控计划局部示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种基于需求演化与流量传播的地铁客流调控计划编制方法,在车站实施客流调控时考虑客流需求演变特征,实现地铁系统内部流量传播的模型化表达,输出最优的线网客流调控计划,以提升地铁高峰期运输服务水平,彰显无差异化的公共交通服务理念。通过把握客流调控背景下的需求演化及流量传播规律,制定更为科学、高效与公平的客流控制计划,从而保障高峰期地铁线网平稳运转。
图1为本发明实施例提供的一种基于需求演化与流量传播的地铁客流调控计划编制方法的流程图,包括如下的处理步骤:
S1:融合多源自动售检票数据,通过数据挖掘识别通勤出行个体,从时间和空间维度对通勤个体进行集计,提取现状通勤出行需求分布特征。所述S1可包括:
S11:对全票种传统刷卡数据和新票种刷卡数据进行融合,通过数据挖掘识别早晚行程时间、起讫点OD相对固定的通勤出行个体,所述全票种传统刷卡数据包括一卡通、月票和特种票,所述新票种刷卡数据包括金融IC卡和移动终端电子卡。
S12:从时间和空间两个维度对所述通勤出行个体进行集计,提取现状通勤出行需求分布特征,所述时间维度覆盖早晚高峰时段,所述空间维度覆盖全网车站,所述现状通勤出行需求分布特征包括各个控制时段内、各个起讫点OD的出行需求量。
S2:根据通勤者对客流调控措施的效用感知原理,构建通勤者出发时刻调整与出行方式转移行为NL模型,将所述NL模型嵌入随机用户均衡分配模型,利用所述随机用户均衡分配模型和现状通勤出行需求分布特征,预测客流调控措施下的需求演化特征。所述S2可包括:
S21:构建客流调控背景下通勤者出发时刻调整与出行方式转移行为的NL模型,该NL模型的结构图如图2所示,所述NL模型的上层为出发方式转移层m,下层为出发时刻调整层r,上、下层共同组合出6种备选方案,所述备选方案包含以下六种:
第一种备选方案:维持地铁出行方式且提前原出发时刻。此方案适用于有意向仍选择地铁出行的通勤者,成因包括服务满意度较高、受客流控制影响较小、地铁通勤效率远优于其他交通方式等。此外,选择此方案的通勤者的工作时间往往具有较强的约束性。
第二种备选方案:维持地铁出行方式且维持原出发时刻。此方案较适于对既有出行模式依赖性较高的通勤者,或因客观原因造成备选方案受限的通勤者。
第三种备选方案:维持地铁出行方式且推迟原出发时刻。此方案适用于有意向仍选择地铁出行的通勤者,相较于第一种方案,此类通勤者的工作时间往往具有更多弹性,或在出行时刻调整决策时具有更强的风险偏好。
第四种备选方案:转移至地面公交出行且维持原出发时刻。此方案适用于因地铁客流控制措施的实施放弃地铁通勤出行,而改乘效用更优的地面公共交通方式的通勤者。
第五种备选方案:转移至私家车出行且维持原出发时刻。地铁客流调控措施的实施会对部分地铁通勤者出行造成不便,进而导致私家车通勤出行比重升高,此方案仅适用于保有私家车的通勤者。
第六种备选方案:转移至出租车或网约车出行且维持原出发时刻。此方案适用于对通勤时间、舒适度较为敏感的高时间价值通勤者。
S22:根据所述NL模型中的备选方案,以不同交通方式的出行时间和出行费用、地铁客流调控措施造成出行延误的概率和时间、地铁分时票价折扣率、出租车/网约车候车时间、提前出发时间、推迟出发时间、通勤首端和末端接驳方式以及固有哑元作为备选方案的特性变量,建立NL模型上层选择和下层选择的效用函数分别为:
式中,Vr|m为通勤者选择上层方案m的前提下选择下层方案r的效用函数;K为该备选方案下特性变量的总个数,k∈K;为特性变量的参数值,采用极大似然估计进行标定;为备选方案的特性变量向量;为反映特性变量是否隶属于该备选方案的0-1变量,1表示属于,0表示不属于;Tr|m,Fr|m,Pr|m,Dr|m,Br|m,Cr|m,Wr|m,Er|m,Lr|m,Sr|m,Yr|m,Zr|m分别为备选方案的特性变量,表示不同交通方式的出行时间和出行费用、地铁客流调控措施造成出行延误的概率和时间、地铁低峰票价折扣率和高峰票价涨价率、出租车/网约车候车时间、提前出发时间、推迟出发时间、通勤首端和末端接驳方式以及固有哑元;Vm为通勤者选择上层方案m的效用函数;Rm为上层方案m对应的下层备选方案集合,r∈Rm;λ1为NL模型的下层尺度系数。
其中,出行时间和出行费用分别指通勤者从出行起点选择不同交通方式到达出行终点所消耗的时间与费用,单位为h和元;地铁客流调控措施造成出行延误的概率和时间分别指受客流调控措施的影响,通勤者在地铁站外因排队发生进站延误的概率和时间,单位为%和h;地铁低峰票价折扣率和高峰票价涨价率分别指实施客流调控措施时可能配套实施的分时票价费率,单位为%;出租车/网约车候车时间指通勤者选择出租车/网约车时,在出行起点处等待车辆到达所需的候车时间,单位为h;提前出发时间和推迟出发时间分别指由于受到客流调控措施的影响,为避免高峰期通勤服务水平下降而选择提前或推迟出发的时间,单位为h;通勤首端和末端接驳方式指通勤者从居住地到地铁或公交站所选择的交通方式,备选方式包括步行、自行车、电动自行车、地面公交和P&R等;固有哑元指反映除上述特性变量外的未观测变量,表示对既有因素外的其他因素对通勤者出发时刻调整与出行方式转移行为偏好的影响,体现通勤者在行为决策中对不确定因素的效用感知。
S23:根据所述NL模型上层选择和下层选择的效用函数,计算出通勤者选择备选方案rm的行为概率为:
Prm=Pr|mPm
式中,Prm为选择上层方案m时且选择下层方案r的概率;Pr|m为选择上层出行方案m的前提下选择下层方案r的条件概率;Pm为选择上层出行方案m的概率;λ2为NL模型的上层尺度系数。
通过极大似然估计进行参数标定,计算通勤者在地铁车站实施客流调控措施时NL模型中各备选方案的选择效用函数,用于计算通勤者选择各备选方案的行为概率。
在本实施例中,各备选方案效用函数的系数标定情况如下:
V1=-0.604T-0.0157F-2.035E-3.767P·D+1.129B
V2=-0.604T-0.0157F-3.573P·D-1.744C-1.552Z
V3=-0.604T-0.0157F-4.152L-3.547P·D+1.471B
V4=-0.604T-0.0157F+0.824S+1.012Y-1.905Z
V5=-0.604T-0.0157F-2.106Z
V6=-0.604T-0.0157F-4.209W
式中,V1,V2,V3,V4,V5,V6分别为备选方案一至六的效用函数。
根据模型标定结果,可知各特性变量与通勤者行为决策的关系。在本实施例中,不同交通方式出行时间T和出行费用F的标定参数均为负值,表明通勤者对于出行时间越久、出行费用越高的出行方案的选择概率较低;提前出发时间E和推迟出发时间L的参数值也均为负值,说明通勤者倾向于尽可能少地调整原出发时刻;地铁客流调控延误概率P和延误时间D乘数项的升高将对通勤者维持地铁出行具有负效用;同理,出租车/网约车候车时间W的增加也会降低通勤者对转移至出租车/网约车出行的主观意愿;地铁低峰票价折扣率B对通勤者具有吸引力,会增大维持地铁通勤的概率,高峰票价涨价率C反之;若通勤者的首端接驳方式S或末端接驳方式Y为地面公交,将具有更大概率从地铁转移至地面公交通勤;备选方案二的固有哑元Z为负值,可认为相较于维持地铁出行备选方案下的其他备选方案一和三,通勤者选择该方案二的概率较低;同理,备选方案四和五的固有哑元Z为负值,说明相较于维持地铁出行或转移至私家车出行,通勤者更偏好于备选方案六。
S24:根据随机用户均衡条件构建随机用户均衡分配模型,所述随机用户均衡条件根据通勤者出发时刻调整与出行方式转移行为NL模型的上下层结构进行分层化设定,所述随机用户均衡条件考虑到不同出行方式及出发时刻下各通勤者行为选择间的相互影响,当且仅当被选择备选方案的瞬时效用等于该时刻、该OD间的最小瞬时效用时,出发时刻调整与出行方式转移的双层随机用户均衡条件成立;
根据随机用户均衡条件下各备选方案的效用函数,可计算选择各备选方案的通勤者数量。在本实施例中,对于某一个出行OD对,选择各备选方案的通勤者数量可表示为:
式中,Q(t)为在时段t内,该出行OD下的通勤者总数量;Q1(t),Q2(t),Q3(t),Q4(t),Q5(t),Q6(t)分别为目标客流调控计划下选择备选方案一、二、三、四、五、六的通勤者数量。
所述地铁客流调控计划改变时,通勤者的客流调控延误概率与时间会直接受到影响,造成备选方案效用函数和行为概率的相继变化,进而带来宏观层面通勤客流需求的演化。
S25:根据所述现状通勤出行需求分布特征,利用所述随机用户均衡分配模型预测出客流调控措施下通勤出行需求演化特征,所述预测过程为求解与所述随机用户均衡分配模型等价的变分不等式模型,即:
式中,为在时段t内,对于任一OD对w,选择上层方案m的效用函数;为在时段t内,对于任一OD对w,选择上层方案m的前提下选择下层方案r的效用函数;为在时段t内,对于任一OD对w,选择上层方案m的最小期望感知出行效用;为在时段t内,对于任一OD对w,选择上层方案m的前提下选择下层方案r的最小期望感知出行效用;Qw(t)为在时段t内,OD对w下的通勤出行需求数;为在时段t内,OD对w下选择上层方案m的通勤出行需求数;为在时段t内,OD对w下选择上层方案m时且选择下层方案r的通勤出行需求数;分别为 的待求解变量。
在本实施例中,选择备选方案一的通勤者将被计入该站上一个控制时段的客流量;选择备选方案三的通勤者将被计入该站下一个控制时段的客流量;选择备选方案四、五、六的通勤者将被计入其他相应的交通方式客流量,因而不计地铁客流量。基于上述规则更新各个控制时段内各个OD对下的出行需求量,即可得到目标客流调控计划下的需求演化特征。
S3:构建覆盖截流放行、候车、乘车、滞留、换乘和出站全出行环节的流量传播模型,利用所述流量传播模型和需求演化特征,计算客流调控措施下的线网运能利用率与乘客延误均衡度。所述S3可包括:
S31:考虑客流调控对通勤者出行全过程的影响,建立覆盖截流放行、候车、乘车、滞留、换乘和出站全出行环节的流量传播模型;
式中,为在时段t内,线路l内的方向d上,站台s的上车客流量;为在时段t内,线路l内的方向d上,站台s的下车率;为在时段t内,线路l内的方向d上,站台s的候车客流量;分别为在时段t内,线路l内的方向d上,站台s的历史断面客流量和到达客流量。
在时段t内,线路l内的方向d上,站台s的列车输送能力cd,l,s(t)的计算公式为:
cd,l,s(t)=λMlnd,l,s(t)
式中,为在时段t内,线路l内的方向d上,站台s的进站客流量;为在时段t内,线路l内的方向d上,站台s的换入客流量;δs为表示站台s是否隶属于换乘车站的0-1变量,0为不属于换乘车站,1为属于换乘车站;为在时段t内,线路l内的方向d上,站台s的出行需求量,即到达车站入口的客流量;χd,l,s(t)为在时段t内,线路l内的方向d上,站台s的客流控制率,即所述地铁线网客流调控计划双层规划模型的决策变量。
S32:根据客流需求演化特征以及所构建的流量传播模型,计算调控措施下线网运能利用率与乘客延误均衡度;
所述线网运能利用率由各控制时段内各站的上车人数与列车剩余运输能力之比的平均值反映,所述乘客延误均衡度由各控制时段内各站的上车人数与候车人数之比的平均方差反映,即:
式中,U为线网运能利用率;E为乘客延误均衡度;|S|为站台集合中元素个数;|D|为方向集合中元素个数;|T|为控制时段集合中元素个数。
S4:构建体现所述通勤出行需求演化特征、线网运能利用率与乘客延误均衡度的地铁线网客流调控计划双层规划模型,动态调整所述双层规划模型的决策变量,输出平衡运能利用与延误均衡的最优客流调控计划。所述S4可包括:
S41:以流量传播模型作为上层模型,以随机用户均衡分配模型作为下层模型,以全网各车站于各控制时段内的客流控制率为决策变量,构建体现需求演化特征与流量传播原理的地铁线网客流调控计划双层规划模型。
双层规划模型适用于解决分层的决策问题,具有双层递阶的优化结构,上、下层问题都设有目标函数及约束条件,上层问题的目标函数和约束条件不仅与上层的决策变量有关,同时还依赖于下层问题的最优解,而下层问题的最优解又受上层决策变量对其的影响。
所述地铁线网客流调控计划双层规划模型中,每个控制时段内全网各车站的客流控制率构成一个基因位,全线网所有车站在各控制时段内的客流控制率按序排列构成一条染色体,即待编制的客流调控计划。
S42:图3为本发明实施例提供的一种“遗传算法-相继加权平均”混合算法的流程图,利用“遗传算法-相继加权平均”混合算法求解所述地铁线网客流调控计划双层规划模型,动态调整所述双层规划模型的决策变量,输出平衡运能利用与延误均衡的最优客流调控计划。
所述“遗传算法-相继加权平均”混合算法参数包括:遗传算法中的种群规模、选择概率、交叉概率、变异概率等,以及相继加权算法中的控制误差限、最大迭代次数等。
所述地铁线网客流调控计划双层规划模型中,上层模型生成的决策变量可反映出客流调控计划的分时、分站、分级实施细节,上层模型的决策变量作为下层模型的输入变量,用于计算客流调控计划下经需求演化后的通勤出行需求分布特征,并作为上层模型计算线网运能利用率与乘客延误均衡度的依据,经上下层共同迭代,获得平衡运能利用与延误均衡的决策变量,即最优的客流控制计划。
图4为本发明实施例提供的一种最优客流调控计划局部示意图。在图4中,取7:00-9:00为通勤高峰期,每个控制时段取15min,即高峰期含8个控制时段。决策变量客流控制率的取值可为0.4、0.3、0.2、0.1、0。在某一控制时段内,若客流调控计划中某车站的客流控制率为0,表示在该控制时段内该站不采取客流调控措施;若客流控制率为0.2,则表示在该控制时段内该站采取客流调控措施,限制20%的到达客流进站。由此,所编制的最优客流调控计划可在适应地铁线网客流需求演化与流量传播原理的前提下,从调控车站与时段选取、调控强度设置三方面指导现实层面客流调控工作的高效开展,提升地铁高峰期运输效率与服务公平性,增强地铁通勤者的出行满意感。
综上所述,本发明实施例的基于需求演化与流量传播的地铁线网客流调控方法通过深入剖析调控策略对通勤者通勤行为变化的影响,考虑客流调控背景下的需求演化规律,从而可以更准确地针对地铁客流进行调控。本发明方法通过建立覆盖截流放行、候车、乘车、滞留、换乘和出站等全出行环节的流量传播模型,以真实反映地铁线网的运行状态。本发明方法以线网运能利用率最大与乘客延误均衡度最小为优化目标,编制效率与公平导向下的地铁线网客流调控计划,可为成网条件下高峰期客流调控工作的开展提供科学的方法指导。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于需求演化与流量传播的地铁客流调控计划编制方法,其特征在于,包括:
步骤S1:融合多源自动售检票数据,通过数据挖掘识别通勤出行个体,从时间和空间维度对通勤个体进行集计,提取现状通勤出行需求分布特征,所述现状通勤出行需求分布特征包括各个控制时段内、各个起讫点OD的出行需求量;
步骤S2:根据通勤者对客流调控措施的效用感知原理,构建通勤者出发时刻调整与出行方式转移行为NL模型,将所述NL模型嵌入随机用户均衡分配模型,利用所述随机用户均衡分配模型和现状通勤出行需求分布特征,预测客流调控措施下的需求演化特征;
步骤S3:构建覆盖截流放行、候车、乘车、滞留、换乘和出站全出行环节的流量传播模型,利用所述流量传播模型和需求演化特征,计算客流调控措施下的线网运能利用率与乘客延误均衡度;
步骤S4:构建体现所述通勤出行需求演化特征、线网运能利用率与乘客延误均衡度的地铁线网客流调控计划双层规划模型,动态调整所述双层规划模型的决策变量,输出平衡运能利用与延误均衡的最优客流调控计划;
所述的步骤S2包括:
S21:构建客流调控背景下通勤者出发时刻调整与出行方式转移行为NL模型,所述NL模型的上层为出发方式转移层m,下层为出发时刻调整层r,上、下层共同组合出6种备选方案,所述备选方案包括“维持地铁出行且提前出发”、“维持地铁出行且维持原出发时间”、“维持地铁出行且推迟出发”、“转移至公交出行且维持原出发时间”、“转移至私家车出行且维持原出发时间”、“转移至出租车/网约车出行且维持原出发时间”;
S22:根据所述NL模型中的备选方案,以不同交通方式的出行时间和出行费用、地铁客流调控措施造成出行延误的概率和时间、地铁分时票价折扣率、出租车/网约车候车时间、提前出发时间、推迟出发时间、通勤首端和末端接驳方式以及固有哑元作为备选方案的特性变量,建立NL模型上层选择和下层选择的效用函数分别为:
式中,Vr|m为通勤者选择上层方案m的前提下选择下层方案r的效用函数;K为该备选方案下特性变量的总个数,k∈K;为特性变量的参数值,采用极大似然估计进行标定;为备选方案的特性变量向量;为反映特性变量是否隶属于该备选方案的0-1变量,1表示属于,0表示不属于;Tr|m,Fr|m,Pr|m,Dr|m,Br|m,Cr|m,Wr|m,Er|m,Lr|m,Sr|m,Yr|m,Zr|m分别为备选方案的特性变量,表示不同交通方式的出行时间和出行费用、地铁客流调控措施造成出行延误的概率和时间、地铁低峰票价折扣率和高峰票价涨价率、出租车/网约车候车时间、提前出发时间、推迟出发时间、通勤首端和末端接驳方式以及固有哑元;Vm为通勤者选择上层方案m的效用函数;Rm为上层方案m对应的下层备选方案集合,r∈Rm;λ1为NL模型的下层尺度系数;
S23:根据所述NL模型上层选择和下层选择的效用函数,计算出通勤者选择备选方案rm的行为概率为:
Prm=Pr|mPm
式中,Prm为选择上层方案m时且选择下层方案r的概率;Pr|m为选择上层出行方案m的前提下选择下层方案r的条件概率;Pm为选择上层出行方案m的概率;λ2为NL模型的上层尺度系数;
S24:根据随机用户均衡条件构建随机用户均衡分配模型,所述随机用户均衡条件根据通勤者出发时刻调整与出行方式转移行为NL模型的上下层结构进行分层化设定,所述随机用户均衡条件考虑到不同出行方式及出发时刻下各通勤者行为选择间的相互影响,当且仅当被选择备选方案的瞬时效用等于该时刻、该备选方案所在OD间的最小瞬时效用时,出发时刻调整与出行方式转移的双层随机用户均衡条件成立;
S25:根据所述现状通勤出行需求分布特征,利用所述随机用户均衡分配模型预测出客流调控措施下通勤出行需求演化特征,所述预测过程为求解与所述随机用户均衡分配模型等价的变分不等式模型,即:
式中,为在时段t内,对于任一OD对w,选择上层方案m的效用函数;为在时段t内,对于任一OD对w,选择上层方案m的前提下选择下层方案r的效用函数;为在时段t内,对于任一OD对w,选择上层方案m的最小期望感知出行效用;为在时段t内,对于任一OD对w,选择上层方案m的前提下选择下层方案r的最小期望感知出行效用;Qw(t)为在时段t内,OD对w下的通勤出行需求数;为在时段t内,OD对w下选择上层方案m的通勤出行需求数;为在时段t内,OD对w下选择上层方案m时且选择下层方案r的通勤出行需求数;分别为 的待求解变量;
所述的步骤S3包括:
S31:考虑客流调控对通勤者出行全过程的影响,建立覆盖截流放行、候车、乘车、滞留、换乘和出站全出行环节的流量传播模型;
式中,为在时段t内,线路l内的方向d上,站台s的上车客流量;为在时段t内,线路l内的方向d上,站台s的下车率;为在时段t内,线路l内的方向d上,站台s的候车客流量;分别为在时段t内,线路l内的方向d上,站台s的历史断面客流量和到达客流量;
所述流量传播模型中,在时段t内,线路l内的方向d上,站台s的列车输送能力cd,l,s(t)的计算公式为:
cd,l,s(t)=λMlnd,l,s(t)
式中,为在时段t内,线路l内的方向d上,站台s的进站客流量;为在时段t内,线路l内的方向d上,站台s的换入客流量;δs为表示站台s是否隶属于换乘车站的0-1变量,0为不属于换乘车站,1为属于换乘车站;为在时段t内,线路l内的方向d上,站台s的出行需求量,即到达车站入口的客流量;χd,l,s(t)为在时段t内,线路l内的方向d上,站台s的客流控制率,即所述地铁线网客流调控计划双层规划模型的决策变量;
S32:根据客流需求演化特征以及所构建的流量传播模型,计算调控措施下线网运能利用率与乘客延误均衡度;
所述线网运能利用率由各控制时段内各站的上车人数与列车剩余运输能力之比的平均值反映,所述乘客延误均衡度由各控制时段内各站的上车人数与候车人数之比的平均方差反映,即:
式中,U为线网运能利用率;E为乘客延误均衡度;|S|为站台集合中元素个数;|D|为方向集合中元素个数;|T|为控制时段集合中元素个数;所述步骤S4包括:
S41:以流量传播模型作为上层模型,以随机用户均衡分配模型作为下层模型,以全网各车站于各控制时段内的客流控制率为决策变量,构建体现需求演化特征与流量传播原理的地铁线网客流调控计划双层规划模型;
所述地铁线网客流调控计划双层规划模型中,上层模型的决策变量反映出客流调控计划的分时、分站、分级实施细节,上层模型的决策变量作为下层模型的输入变量,用于计算客流调控计划下经需求演化后的通勤出行需求分布特征,并作为上层模型计算线网运能利用率与乘客延误均衡度的依据;
S42:利用“遗传算法-相继加权平均”混合算法求解所述地铁线网客流调控计划双层规划模型,动态调整所述双层规划模型的决策变量,输出平衡运能利用与延误均衡的最优客流调控计划。
2.根据权利要求1所述的方法,其特征在于,所述的步骤S1包括:
S11:对全票种传统刷卡数据和新票种刷卡数据进行融合,通过数据挖掘识别早晚行程时间、起讫点OD相对固定的通勤出行个体,所述全票种传统刷卡数据包括一卡通、月票和特种票,所述新票种刷卡数据包括金融IC卡和移动终端电子卡;
S12:从时间和空间两个维度对所述通勤出行个体进行集计,提取现状通勤出行需求分布特征,所述时间维度覆盖早晚高峰时段,所述空间维度覆盖全网车站,所述现状通勤出行需求分布特征包括各个控制时段内、各个起讫点OD的出行需求量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179802.5A CN112288272B (zh) | 2020-10-29 | 2020-10-29 | 基于需求演化与流量传播的地铁客流调控计划编制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179802.5A CN112288272B (zh) | 2020-10-29 | 2020-10-29 | 基于需求演化与流量传播的地铁客流调控计划编制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288272A CN112288272A (zh) | 2021-01-29 |
CN112288272B true CN112288272B (zh) | 2021-05-07 |
Family
ID=74373345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179802.5A Active CN112288272B (zh) | 2020-10-29 | 2020-10-29 | 基于需求演化与流量传播的地铁客流调控计划编制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288272B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160560B (zh) * | 2021-03-29 | 2022-06-17 | 东南大学 | 一种基于巢式-交叉巢式的多模式换乘矩阵测算方法 |
CN114662901B (zh) * | 2022-03-21 | 2024-06-28 | 北京交通大学 | 考虑客流组分及行为偏好的枢纽接驳运力调度方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9047767B2 (en) * | 2013-09-09 | 2015-06-02 | International Business Machines Corporation | Traffic impact prediction for multiple event planning |
CN105447603A (zh) * | 2016-01-06 | 2016-03-30 | 北京交通大学 | 一种轨道交通不确定客流需求下的车站限流方法 |
CN106951999A (zh) * | 2017-03-29 | 2017-07-14 | 北京航空航天大学 | 一种交通出行方式与出发时刻联合选择的建模与分析方法 |
CN111144281B (zh) * | 2019-12-25 | 2022-11-18 | 东南大学 | 基于机器学习的城市轨道交通od客流估计方法 |
-
2020
- 2020-10-29 CN CN202011179802.5A patent/CN112288272B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112288272A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iliopoulou et al. | Integrated transit route network design and infrastructure planning for on-line electric vehicles | |
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
Li et al. | Intelligent vehicle-to-vehicle charging navigation for mobile electric vehicles via VANET-based communication | |
US10926742B2 (en) | Systems and methods for dynamically allocating energy among exchangeable energy storage device stations | |
EP3511199B1 (en) | Systems and methods for predicting demands for exchangeable energy storage devices | |
He et al. | Optimal scheduling for charging and discharging of electric vehicles | |
CN112288272B (zh) | 基于需求演化与流量传播的地铁客流调控计划编制方法 | |
EP3611675A1 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
Chen et al. | Customized bus route design with pickup and delivery and time windows: Model, case study and comparative analysis | |
CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
CN109948954A (zh) | 一种面向电力系统分布式资源的配电网双向阻塞调度方法 | |
Tao et al. | Data-driven on-demand energy supplement planning for electric vehicles considering multi-charging/swapping services | |
Ding et al. | Quality-of-service aware battery swapping navigation and pricing for autonomous mobility-on-demand system | |
CN112330013A (zh) | 一种基于动态路-电耦合网络的电动汽车充电引导和定价方法 | |
CN115545337A (zh) | 一种考虑线-网互动的电动汽车充电决策优化方法 | |
Fescioglu-Unver et al. | Electric vehicle charging service operations: A review of machine learning applications for infrastructure planning, control, pricing and routing | |
Huang et al. | An improved charging navigation strategy of electric vehicles via optimal time-of-use pricing | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
Shi et al. | Efficient energy management of wireless charging roads with energy storage for coupled transportation–power systems | |
Wang et al. | Collaborative optimization of logistics and electricity for the mobile charging service system | |
Pei et al. | Operational design for a real-time flexible transit system considering passenger demand and willingness to pay | |
Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
Lin et al. | Aggregator pricing and electric vehicles charging strategy based on a two-layer deep learning model | |
CN117091616A (zh) | 一种电动汽车充电导航与调度方法 |
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 |