CN112347596A - 一种城市公交线网优化方法 - Google Patents
一种城市公交线网优化方法 Download PDFInfo
- Publication number
- CN112347596A CN112347596A CN202011222684.1A CN202011222684A CN112347596A CN 112347596 A CN112347596 A CN 112347596A CN 202011222684 A CN202011222684 A CN 202011222684A CN 112347596 A CN112347596 A CN 112347596A
- Authority
- CN
- China
- Prior art keywords
- bus
- information
- station
- line
- combining
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000005452 bending Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- G06Q50/40—
Abstract
本发明公开了一种城市公交线网优化方法,所述的解决方案从公交站点分布,公交线路规划,发车密度调整三个阶段全方位,端到端,系统性提出公交优化解决方案,结构清晰明了,逻辑明确,全面提升公交系统运行效率,优化乘客乘车体验,同时方案之间耦合性较弱,各个城市可以根据自身需要调整模块输入,选择模块最终生成自己特色方案,上述优化方法能解决现有的公交系统存在站点分布不均匀,站点重复建设,系统覆盖率较低,线路重复率高,线路设置不合理,发车时间不能动态变化等问题。
Description
技术领域
本发明属于交通运输技术领域,尤其涉及一种城市公交线网优化方法,上述优化方法能解决现有的公交系统存在站点分布不均匀,站点重复建设,系统覆盖率较低,线路重复率高,线路设置不合理,发车时间不能动态变化等问题。
背景技术
城市公共交通是城市基础设施的重要组成部分,直接关系到城市整体功能的发挥,与人们的生产生活息息相关,城市公交线网是城市公交依托城市街道布设的固定线路和停车站点组成的客运交通网络,城市公交线网和班次合理安排是决定公交系统综合性能的重要因素,其布局、结构是否合理对吸引居民出行采用公交方式具有重要影响。
而目前我国绝大部分公交系统存在站点分布不均匀,站点重复建设,系统覆盖率较低,线路重复率高,线路设置不合理,发车时间不能动态变化等多种问题。不合理的公交系统严重制约城市底层发展,影响居民幸福指数,降低城市运转效率,增加市民生活成本,同时造成交通拥堵,增加交通污染、浪费土地资源和能源等诸多方面影响。而在政务数字化,系统化,智能化的今天,运用打数据平台,数据处理,数据挖掘等工具优化设计公交系统逐渐成为数据科学应用的焦点。
发明内容
本发明所要解决的技术问题在于针对上述公交优化方案并不成熟,有些以点带面并不能全面的解决公交系统整体缺陷,同时存在结构复杂,逻辑不清晰,同时无法真对不同城市生成针对性方案等多种问题,而构思的从公交站点分布,公交线路规划, 发车密度调整三个阶段全方位,端到端,系统性提出公交优化解决方案,结构清晰明了,逻辑明确,全面提升公交系统运行效率,优化乘客乘车体验,同时方案之间耦合性较弱,各个城市可以根据自身需要调整模块输入,选择模块最终生成自己特色方案。
为实现上述发明目的,本发明采用如下的技术方案:
一种城市公交线网优化方法,包含以下步骤:
1)确定待优化区域,并获得待优化区域内涉及公交网络优化的各项数据;
2)公交车站点优化:分析步骤1)中收集的各项数据,并基于最大覆盖集模型演变算法,同时结合多种输入组合实现优化现有站点或重新生成站点方案,以实现对需求点实现一定距离内覆盖:
3)公交车线路优化:针对已有站点分布或步骤2)中生成的站点分布,结合一定的外部因素生成始发站信息,运用K-Dijkstra算法结合线路直弯比信息和线路长度信息生成线路集,线路结合遗传算法,经过多次迭代生成线路方案;
4)公交车发车密度优化:针对步骤3)中所得的公交车线路分布,结合线路分布所包含站点类别,利用随机森林,svm,decision tree等多种分类算法生成为集成学习算法,最终结合实际数据生成每条线路发车密度方案。
其中,所述的公交网络优化的各项数据包括待优化区域的路网信息、待优化区域的需求点信息、当前途经所述待优化区域内的各公交车站点信息;
其中,所述的需求点信息包括医院、旅游景点、住宅区等公交使用频率较高的位置信息;
其中,步骤2)中的最大覆盖集模型是求解一定数量覆盖点,覆盖一定数量被覆盖点所能达到最大覆盖率,实现在固定被覆盖点数目以及确定覆盖半径的情况下实现100%覆盖情况下站点数量及位置;
其中,步骤3)中的所述外部因素包括位置坐标信息和公交停车场信息;
其中,步骤4)中的所述站点类别包括通勤类站点,地铁接驳类站点,购物类站点,旅游类站点。
本发明与现有技术相比具有以下优点:本发明解决了现有技术中的公交系统存在站点分布不均匀,站点重复建设,系统覆盖率较低,线路重复率高,线路设置不合理,发车时间不能动态变化等多种问题,不合理的公交系统严重制约城市底层发展,影响居民幸福指数,降低城市运转效率,增加市民生活成本,同时造成交通拥堵,增加交通污染、浪费土地资源和能源等诸多方面影响,通过三块模型(站点优化,线路优化,密度优化)实现,站点覆盖率提升,,站点重复建设率下降,站点与目标点距离降低,站点数量减少,线路长度及直弯比长度适中,降低出行平均换乘次数,使线路分布更加合理,依照时间线路目的等因素调整线路发车密度,最终提升整体效率。
附图说明
图1为本发明中的整体流程图;
图2为本发明中的最大覆盖集模型示意图;
图3为本发明中的K-Dijkstra算法的模型示意图;
图4为本发明中的遗传算法的模型示意图;
具体实施方式
下面结合图1-4与具体实施方式对本发明做进一步的说明。
一种城市公交线网优化方法,包含以下步骤:
1)确定待优化区域,并获得待优化区域内涉及公交网络优化的各项数据;
2)公交车站点优化:分析步骤1)中收集的各项数据,并基于最大覆盖集模型演变算法,同时结合多种输入组合实现优化现有站点或重新生成站点方案,以实现对需求点实现一定距离内覆盖:
其中,参考附图2中所述的最大覆盖集模型示意图,最大覆盖集模型是用来实现在一定半径,一定设施(本例中为车站)数量下,求导出对被覆盖点(本例中收集的各项数据如医院等)最大覆盖比例,本申请对此模型进行了进一步优化,所收集信息包括需优化城市或区域的路面信息(道路gps坐标)作为候选站点集(该站点集中所有站点均可视为公交站点地址候选),依照各个城市区域具体需求(如旅游城市增加更多景点位置信息,政治中心增加更多政府办公场所信息等等)收集需要被覆盖站点信息(gps 坐标),以及相应半径规则(如固定半径500m,分段半径(0-200,200-500)每一段都有相应的分数值,或距离与评分函数关系)用于筛选站点;
具体过程如下:首先,准备好数据(路面坐标集,被覆盖地点坐标集);其次,相应半径规则,选路面坐标集中的每个候选坐标与被覆盖地点坐标集中每个坐标的关系,筛选出最满足半径规则的候选点(如500米内覆盖最多被覆盖坐标,分段半径规则中的分最多等等),将该候选点加入方案集,同时将该候选点所包含的被覆盖点移除出所需覆盖点集,直至,所需覆盖点集为空,则此时方案集中所有点为最优化站点位置。
3)公交车线路优化:针对已有站点分布或步骤2)中生成的站点分布,结合一定的外部因素生成始发站信息,运用K-Dijkstra算法结合线路直弯比信息和线路长度信息生成线路集,线路结合遗传算法,经过多次迭代生成线路方案;
其中,参考附图3中所述的K-Dijkstra算法的模型示意图;K-Dijkstra算法的具体过程为:首先,获得第一步中生成的站点集或现行站点集,结合现实中公交停车场位置,以及处于站点集边缘的坐标共同组成终点/始发站,同时假设站点集大小为n则需构建n*n大小的od矩阵;存储两两点之间的驾车时间及实际距离,后续计算时使用;
其次:Djikstra算法是一种贪心的策略,通过逐次地找到各点距起点的最短路径并由该路径更新该顶点出度的路径,进而使图中所有点距离起点路径最短的算法;K 最短路径算法原理:算法可分为两部分,算出第1条最短路径P(1),然后在此基础上依次依次算出其他的K-1条最短路径;在求P(i+1)时,将P(i)上除了终止节点外的所有节点都视为偏离节点,并计算每个偏离节点到终止节点的最短路径,再与之前的P(i) 上起始节点到偏离节点的路径拼接,构成候选路径,进而求得最短偏离路径,两者算法结合为K-Djikstra(K最短算法中的最短路径用Djikstra算法计算);
直弯比为衡量线路舒适度的指标,总长度除以首末站直线长度,越小则线路拐弯越少,越舒适,公交系统直弯比一般不大于1.5;线路长度也是筛选线路的基本要素,一般而言公交线路长度范围为5km至15km,方案实施可依照实际情况调节。
如何生成线路集:利用得到的首末站点两两配置,结合之前生成的站点od矩阵,运用K-Dijkstra算法计算出满足直弯比和线路长度等指标的线路放入线路集中保存;
最终:遗传算法,参考附图4中所述的遗传算法的模型示意图;将线路集作为基因库,规定一定数量的线路集组成为个体(如300条线路组成一个个体),首先随机生成2个个体,然后两者依照各自提供自身随机一半基因的方式组成新的个体,同时引入基因突变机制随机变换个体中某条线路,结合总体直弯比,线路长度,站点覆盖率,线路重复度等多种因素对个体打分,当孩子评分高于父母的时候孩子替换父母,直到设定的迭代次数或评分达到要求,此时父母和孩子作为最终方案。
4)公交车发车密度优化:针对步骤3)中所得的公交车线路分布,结合线路分布所包含站点类别,利用随机森林,svm,decision tree等多种分类算法生成为集成学习算法,最终结合实际数据生成每条线路发车密度方案;
车辆发车密度意义在于一条线路动态的发车频率,如高峰时多发车,平时减少发车频率,以提升线路效率,对一条线路经过站点进行统计(站点可分为医院,学校,地铁站等);依照统计结果,如地铁站对应地铁接泊,写字楼对应通勤;量化线路特性为4个方面(地铁接泊,通勤,购物,观光旅游)寻找现行公交常用线路,依照此法同样得到4组属性,同时统计刷卡信息获得客流量数据,将待分类线路归类到(多种分类算法做集成,类似与少数服从多数),现行公交线路中,依照统计客流量设计相应发车密度。
其中,所述的公交网络优化的各项数据包括待优化区域的路网信息、待优化区域的需求点信息、当前途经所述待优化区域内的各公交车站点信息;
其中,所述的需求点信息包括医院、旅游景点、住宅区等公交使用频率较高的位置信息;
其中,步骤2)中的最大覆盖集模型是求解一定数量覆盖点,覆盖一定数量被覆盖点所能达到最大覆盖率,实现在固定被覆盖点数目以及确定覆盖半径的情况下实现100%覆盖情况下站点数量及位置;
其中,步骤3)中的所述外部因素包括位置坐标信息和公交停车场信息;
其中,步骤4)中的所述站点类别包括通勤类站点,地铁接驳类站点,购物类站点,旅游类站点。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明型的保护范围之内。
综上所述仅体现了本发明的优选技术方案,本领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,都应为本发明的技术范畴。
Claims (6)
1.一种城市公交线网优化方法,其特征在于,包含以下步骤:
1)确定待优化区域,并获得待优化区域内涉及公交网络优化的各项数据;
2)公交车站点优化:分析步骤1)中收集的各项数据,并基于最大覆盖集模型演变算法,同时结合多种输入组合实现优化现有站点或重新生成站点方案,以实现对需求点实现一定距离内覆盖:
3)公交车线路优化:针对已有站点分布或步骤2)中生成的站点分布,结合一定的外部因素生成始发站信息,运用K-Dijkstra算法结合线路直弯比信息和线路长度信息生成线路集,线路结合遗传算法,经过多次迭代生成线路方案;
4)公交车发车密度优化:针对步骤3)中所得的公交车线路分布,结合线路分布所包含站点类别,利用随机森林,svm,decision tree等多种分类算法生成为集成学习算法,最终结合实际数据生成每条线路发车密度方案。
2.根据权利要求1中所述的城市公交系统智能优化解决方案,其特征在于,所述的公交网络优化的各项数据包括待优化区域的路网信息、待优化区域的需求点信息、当前途经所述待优化区域内的各公交车站点信息。
3.根据权利要求2中所述的城市公交系统智能优化解决方案,其特征在于,所述的需求点信息包括医院、旅游景点、住宅区等公交使用频率较高的位置信息。
4.根据权利要求3所述的城市公交系统智能优化解决方案,其特征在于,步骤2)中的最大覆盖集模型是求解一定数量覆盖点,覆盖一定数量被覆盖点所能达到最大覆盖率,实现在固定被覆盖点数目以及确定覆盖半径的情况下实现100%覆盖情况下站点数量及位置。
5.根据权利要求4所述的城市公交系统智能优化解决方案,其特征在于,步骤3)中的所述外部因素包括位置坐标信息和公交停车场信息。
6.根据权利要求5所述的城市公交系统智能优化解决方案,其特征在于,步骤4)中的所述站点类别包括通勤类站点,地铁接驳类站点,购物类站点,旅游类站点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222684.1A CN112347596B (zh) | 2020-11-05 | 2020-11-05 | 一种城市公交线网优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222684.1A CN112347596B (zh) | 2020-11-05 | 2020-11-05 | 一种城市公交线网优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347596A true CN112347596A (zh) | 2021-02-09 |
CN112347596B CN112347596B (zh) | 2021-08-13 |
Family
ID=74428314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011222684.1A Active CN112347596B (zh) | 2020-11-05 | 2020-11-05 | 一种城市公交线网优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347596B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469451A (zh) * | 2021-07-19 | 2021-10-01 | 杭州数知梦科技有限公司 | 基于启发式算法的定制公交线路生成方法 |
CN113987729A (zh) * | 2021-12-28 | 2022-01-28 | 广州市交通规划研究院 | 一种基于土地利用的大规模城市轨道网络自动生成方法 |
CN115662174A (zh) * | 2022-12-29 | 2023-01-31 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 轨道车站周边公交站点位置优化方法、装置和设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
CN103745277A (zh) * | 2014-01-22 | 2014-04-23 | 宁波大学 | 一种轨道交通接驳公交线网优化系统 |
CN103854475A (zh) * | 2014-03-19 | 2014-06-11 | 交通运输部公路科学研究所 | 一种新型的城市公交系统改进方法 |
CN104217086A (zh) * | 2014-10-09 | 2014-12-17 | 大连海事大学 | 一种城市公交线网优化方法 |
CN104239484A (zh) * | 2014-09-05 | 2014-12-24 | 浙江工业大学 | 一种基于多模式公交组合调度的时刻表编制方法 |
WO2015167169A1 (ko) * | 2014-05-02 | 2015-11-05 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
CN105206040A (zh) * | 2015-08-07 | 2015-12-30 | 北京航空航天大学 | 一种基于ic卡数据的公交串车预测方法 |
CN108615391A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种公交智能调度方法、系统及介质 |
CN109753694A (zh) * | 2018-12-13 | 2019-05-14 | 东南大学 | 基于全过程出行感知时间的中小城市公交线网设计方法 |
CN110648022A (zh) * | 2019-09-18 | 2020-01-03 | 北京工业大学 | 一种考虑站点全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 |
WO2020018026A1 (en) * | 2018-07-17 | 2020-01-23 | Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ | Line need determination method |
CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
-
2020
- 2020-11-05 CN CN202011222684.1A patent/CN112347596B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
CN103745277A (zh) * | 2014-01-22 | 2014-04-23 | 宁波大学 | 一种轨道交通接驳公交线网优化系统 |
CN103854475A (zh) * | 2014-03-19 | 2014-06-11 | 交通运输部公路科学研究所 | 一种新型的城市公交系统改进方法 |
WO2015167169A1 (ko) * | 2014-05-02 | 2015-11-05 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
CN104239484A (zh) * | 2014-09-05 | 2014-12-24 | 浙江工业大学 | 一种基于多模式公交组合调度的时刻表编制方法 |
CN104217086A (zh) * | 2014-10-09 | 2014-12-17 | 大连海事大学 | 一种城市公交线网优化方法 |
CN105206040A (zh) * | 2015-08-07 | 2015-12-30 | 北京航空航天大学 | 一种基于ic卡数据的公交串车预测方法 |
CN108615391A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种公交智能调度方法、系统及介质 |
WO2020018026A1 (en) * | 2018-07-17 | 2020-01-23 | Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ | Line need determination method |
CN109753694A (zh) * | 2018-12-13 | 2019-05-14 | 东南大学 | 基于全过程出行感知时间的中小城市公交线网设计方法 |
CN110648022A (zh) * | 2019-09-18 | 2020-01-03 | 北京工业大学 | 一种考虑站点全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 |
CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
Non-Patent Citations (2)
Title |
---|
SIMON J .BERREBI: "A real-time bus dispatching policy to minimize passenger wait on a high frequency route", 《TRANSPORTATION RESEARCH PART B: METHODOLOGICAL》 * |
孙峣: "考虑分时设置的公交专用道线网布局优化问题研究", 《考虑分时设置的公交专用道线网布局优化问题研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469451A (zh) * | 2021-07-19 | 2021-10-01 | 杭州数知梦科技有限公司 | 基于启发式算法的定制公交线路生成方法 |
CN113469451B (zh) * | 2021-07-19 | 2024-01-05 | 杭州数知梦科技有限公司 | 基于启发式算法的定制公交线路生成方法 |
CN113987729A (zh) * | 2021-12-28 | 2022-01-28 | 广州市交通规划研究院 | 一种基于土地利用的大规模城市轨道网络自动生成方法 |
CN113987729B (zh) * | 2021-12-28 | 2022-03-01 | 广州市交通规划研究院 | 一种基于土地利用的大规模城市轨道网络自动生成方法 |
CN115662174A (zh) * | 2022-12-29 | 2023-01-31 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 轨道车站周边公交站点位置优化方法、装置和设备 |
CN115662174B (zh) * | 2022-12-29 | 2023-03-10 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 轨道车站周边公交站点位置优化方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112347596B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347596B (zh) | 一种城市公交线网优化方法 | |
CN108053062B (zh) | 一种基于多源数据的定制公交线路生成方法 | |
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN105844362B (zh) | 一种城市交通综合出行决策装置 | |
CN106779163B (zh) | 一种基于智能搜索的定制公交线网优化方法 | |
Wang et al. | Multi-objective optimization of real-time customized bus routes based on two-stage method | |
Samanta et al. | Modeling a rail transit alignment considering different objectives | |
CN105608896B (zh) | 城市交通网络中的交通瓶颈识别方法 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN105070044A (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
Shen et al. | Optimized public parking location modelling for green intelligent transportation system using genetic algorithms | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
Wei et al. | Optimal integrated model for feeder transit route design and frequency-setting problem with stop selection | |
CN114511143A (zh) | 基于组团划分的城市轨道交通线网生成方法 | |
CN116882842A (zh) | 一种公共综合交通体系通达度评估方法 | |
Chen et al. | Using mobile phone big data to identify inequity of aging groups in transit-oriented development station usage: A case of Tokyo | |
CN113160600B (zh) | 一种用于城市微循环公交系统的车辆调度方法 | |
Li et al. | Method for determining the location of highway passenger transportation hubs using poi data and the dijkstra algorithm in large city | |
Yu et al. | A dynamic line generation and vehicle scheduling method for airport bus line based on multi-source big travel data | |
Zhang et al. | The research on planning of taxi sharing route and sharing expenses | |
Wu et al. | Customized bus scheme design of large transport terminals with jointly optimization of departure time, vehicle allocation and routing | |
Li et al. | An efficient matching method for dispatching autonomous vehicles | |
Wang et al. | In-depth learning layout and path optimization of energy service urban distribution sites under e-commerce environment | |
Pang et al. | Transit route planning for megacities based on demand density of complex networks | |
CN108764538B (zh) | 一种适用于不明显需求变化下的公交线网优化设计方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 311800 room 335, new financial building, No. 136, Gen TA Xi Road, Taozhu street, Zhuji City, Shaoxing City, Zhejiang Province Applicant after: Zhejiang non line Digital Technology Co.,Ltd. Address before: 311800 20 / F, Furun building, 16 Xiangyun Road, Taozhu street, Zhuji City, Shaoxing City, Zhejiang Province Applicant before: ZHEJIANG FAST LINE TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |