CN112767688A - 一种基于交通量观测数据的区域路网货车流量分配方法 - Google Patents
一种基于交通量观测数据的区域路网货车流量分配方法 Download PDFInfo
- Publication number
- CN112767688A CN112767688A CN202011571574.6A CN202011571574A CN112767688A CN 112767688 A CN112767688 A CN 112767688A CN 202011571574 A CN202011571574 A CN 202011571574A CN 112767688 A CN112767688 A CN 112767688A
- Authority
- CN
- China
- Prior art keywords
- traffic
- path
- population
- selection probability
- road network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 7
- 238000010408 sweeping Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于交通量观测数据的区域路网货车流量分配方法,首先划分交通小区,获取交通小区的货车OD交通量分布,结合OD调查数据、货车轨迹数据,获取已经划分的交通小区的货车OD交通量分布。针对任意OD,构造OD间货车出行路径集合。采用遗传算法计算路径集合中每条路径的选择概率。本方法能够避免因存在重复路段、长短路等问题从而影响路径选择结果,通过遗传操作不断进化,最终收敛到最优个体上或达到预先设定的迭代次数为止,即求得问题最优解。以历史断面流量作为目标值,通过假定选择概率的初始值,通过交通流分配得到估计的断面流量,并与目标值作对比,利用遗传算法的优化逻辑,最终得到优化后的路径选择概率。
Description
技术领域
本发明属于公路运输领域,具体涉及一种区域路网货车流量分配方法。
背景技术
交通流分配是指对于给定的交通网络结构和OD出行需求,按照一定的规则,将交通量合理地分配到路网中的各条路径上,进而求出各路段的交通流量和所对应的费用矩阵,并在此基础上,对该交通网络的使用状况进行分析和评价。作为交通流分配过程中必不可少的环节,对于路径选择模型的研究,是出行行为研究的重要领域和研究热点。目前基于logit模型的路径概率计算方法和基于遗传算法的路径选择概率计算方法是较为常用的路径选择方法。
常用的路径选择方法有:1)基于logit模型的路径概率计算方法;2)基于遗传算法的路径选择概率计算方法。
传统的多项logit模型因存在重复路段问题、长短路问题等特性而影响路径选择的结果。
遗传算法是一种基于自然选择和群体遗传机理的搜索算法,它将问题可行解表示成一群“染色体”,根据适应度高的个体生存的原则,通过遗传操作(选择、交叉、变异)不断进化,最终收敛到最优个体上或达到预先设定的迭代次数为止,即求得问题最优解。
本发明将OD间各路径选择概率作为待标定参数,以历史断面流量作为目标值,通过假定选择概率的初始值,通过交通流分配得到估计的断面流量,并与目标值作对比,利用遗传算法的优化逻辑,最终得到优化后的路径选择概率。
发明内容
本发明的目的是提供了一种区域路网货车流量分配方法,为提高估计精度,使分配流量更接近真实值,该发明选择基于遗传算法的路径选择概率计算方法并组合交通流加载算法作为交通流量分配算法。
为达到上述目的,本发明的技术方案提供了一种基于交通流加载遗传算法的区域路网货车流量分配方法,其步骤为:
步骤1:划分交通小区;根据研究区域范围的大小和各城市的对外交通节点,以不同的区划边界划分交通小区,将区域划分为交通内部小区和外部小区;所述不同的区划是指地市或者区县行政区划,或者是自定义的空间范围。
步骤2:获取交通小区的货车OD交通量分布,结合OD调查数据、货车轨迹数据,获取已经划分的交通小区的货车OD交通量分布。
步骤3:针对任意OD,构造OD间货车出行路径集合。备选路径集是指针对任意OD,确定哪些路径是出行者考虑的备选路径。考虑到算法的计算效率、路径集合的数量及有效性,采用K-最短路算法中执行效率相对较高的双向扫除算法(含无回路处理)筛选得到每个OD对间的K条最短路径,通过乘客对出行时间的容忍程度限制删除不满足条件的路径,构造得到备选路径集合。
步骤4:采用遗传算法计算路径集合中每条路径的选择概率。其中,步骤4中所提到的路径选择概率模型通过以下方法建立:
步骤4.1:初始化种群。由于路径选择概率属于0~1之间的变量,将种群中每一个解向量X=(x1,x2,…,xm)作为遗传算法的一个染色体进行计算。根据解X的构成发现,其表示出任意一种路径选择概率组合方案,且每一组方案必须满足任一OD间路径集合的选择概率小于等于1。设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0)。
步骤4.2:个体评价。计算群体P(t)中每个个体的适应度f(t)。适应度函数是用来判断群体中的个体优劣程度的指标,根据所求问题的目标函数来进行评估。其中,适应度函数是由重型货车交通流量断面观测数据与根据每一组解计算得到的路段流量之间绝对误差的和来表示。
步骤4.3:选择运算。选择算子作用于群体,运算目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。每个个体被选择的概率是建立在群体中个体的适应度基础上的。
步骤4.4:交叉运算;将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。交叉算子因其全局搜索能力而作为主要算子。
步骤4.5:变异运算:将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。变异算子因其局部搜索能力而作为辅助算子。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
步骤4.6:终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
步骤5:交通流分配,采用非平衡分配方法中的增量分配法进行交通流加载。
步骤5.1:针对任意OD,将OD间需求量等分,进行多次加载。
步骤5.2:初始时,认为各路段的交通量为0,根据自由流时间和步骤4中计算得到的每条路径的选择概率,结合出行量得到各路径第一次加载的货车流量。
步骤5.3:更新路段时间,重复上述步骤,直至将所有的交通需求都分配到各路径上。路段时间的更新采用BPR(Bureau ofPublic Roads)函数,具体形式如下:
步骤5.4:判断是否将所有分割部分均已分配至路网上。
本发明的有益效果是:本发明所述基于交通流加载遗传算法的区域路网交通流量分配方法,能够避免因存在重复路段、长短路等问题从而影响路径选择结果,通过遗传操作不断进化,最终收敛到最优个体上或达到预先设定的迭代次数为止,即求得问题最优解。以历史断面流量作为目标值,通过假定选择概率的初始值,通过交通流分配得到估计的断面流量,并与目标值作对比,利用遗传算法的优化逻辑,最终得到优化后的路径选择概率。
附图说明
图1是本发明公开方法的流程图。
图2是双向扫除算法处理逻辑图。
图3是遗传算法流程图。
图4是路径选择概率分配得到的路段流量与观测流量对比图。
图5为K-最短路搜索结果示例,(a)为北京至廊坊K-最短路搜索结果图;(b)为北京至保定的K-最短路搜索结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
根据本发明实施例,提供了一种基于交通流加载遗传算法的区域路网货车流量分配方法,步骤为:
步骤1:划分交通小区,研究区域是“2+26”城市,“2+26”城市是指京津冀大气污染传输通道城市,包括北京市,天津市,河北省石家庄、唐山、廊坊、保定、沧州、衡水、邢台、邯郸市,山西省太原、阳泉、长治、晋城市,山东省济南、淄博、济宁、德州、聊城、滨州、菏泽市,河南省郑州、开封、安阳、鹤壁、新乡、焦作、濮阳市(含河北雄安新区、辛集市、定州市,河南巩义市、兰考县、滑县、长垣县、郑州航空港区)。
步骤2:获取交通小区的货车OD分布。基于历史数据,该区域OD分布为
起点城市(O) | 讫点城市(D) | OD分布(辆) | 起点城市(O) | 讫点城市(D) | OD分布(辆) |
北京市 | 保定市 | 1008 | 石家庄市 | 外部小区4 | 862 |
北京市 | 廊坊市 | 1160 | 石家庄市 | 外部小区5 | 809 |
北京市 | 唐山市 | 1424 | 石家庄市 | 外部小区6 | 1340 |
北京市 | 天津市 | 1766 | 石家庄市 | 外部小区7 | 1687 |
北京市 | 沧州市 | 490 | 阳泉市 | 北京市 | 108 |
北京市 | 石家庄市 | 359 | 阳泉市 | 保定市 | 423 |
北京市 | 阳泉市 | 100 | 阳泉市 | 廊坊市 | 138 |
北京市 | 太原市 | 85 | 阳泉市 | 唐山市 | 365 |
北京市 | 衡水市 | 143 | 阳泉市 | 天津市 | 350 |
…… | …… | …… | …… | …… | …… |
步骤3:OD间出行路径集合生成。采用K-最短路算法中执行效率相对较高的双向扫除算法(含无回路处理)筛选得到每个OD对间的K条最短路径,通过乘客对出行时间的容忍程度限制删除不满足条件的路径,构造得到备选路径集合。
步骤3-1:双向扫除算法的基本思想:从原始点到顶点j的第K条最短路是由原始点到顶点i(i是j的相邻顶点,最短路从i指向j)的第K条最短路加上i到j的一段弧。即把与i关联的弧作为K最短路的最后一段扫视一遍,无论是前向运算或是后向运算,都需要从L或U中取出dij元素参加运算,dij元素在运算中作为K最短路的最后一段弧被挑选,并且以前一次运算的向量为基础,取相应的中间点。算法流程图如图1所示.
图5为北京至廊坊、北京至保定的K-最短路搜索结果,其中K取值为5。
步骤3-2:考虑出行者对于出行时间最为敏感,若某条路径的时间超过其最大忍耐值,出行者将不会再考虑该出行路径。因此,按照乘客可以忍受的路径时间与最短路径时间的差值(绝对值以及相对值)设定可接受的临界阈值。例如,绝对差值和相对差值的临界阈值可分别取60min和1.5倍,且只删去两种阈值均不满足的路径。
步骤4:采用遗传算法计算路径选择概率。
步骤4.1:初始化。设定种群规模n及最大进化代数。
步骤4.2:产生初始种群。随机生成染色体作为初始种群。
步骤4.3:计算适应度函数值。将各染色体对应的路径选择概率输入交通流加载模型,通过加载得到相关参数值,并将其代入适应度函数中进行求解,得到各染色体对应的适应度函数值。
步骤4.4:选择操作。采用轮盘赌的方式从父代染色体种群中选出n个染色体,组成子染色体种群。
步骤4.5:交叉操作。采用单点交叉的方式对选择出来的两个父代染色体进行交叉操作,以产生新的染色体。
步骤4.6:变异操作。对选择出的染色体进行变异,以产生新的染色体。随机产生实数b∈[0,1],若b≤0.5,则采用基因片段内部充足规则对父代染色体进行变异,否则,采用单点变异规则对父代染色体进行变异。
步骤4.7:终止条件判断。若遗传算法达到最大进化代数,则算法结束,输出最优染色体;否则进化代数加1,并转步骤3。
步骤5:采用非平衡分配方法中的增量分配法进行交通流加载。
步骤5.1:针对任意OD,将OD间需求量等分为24分,进行24次加载。
步骤5.2:初始时,认为各路段的交通量为0,根据自由流时间和路径选择模型计算各路径的选择概率,结合出行量得到各方式各路径第一次加载的货车流量。
步骤5.3:更新路段时间,重复上述步骤,直至将所有的交通需求都分配到各路径上。路段时间的更新采用BPR(Bureau ofPublic Roads)函数,具体形式如下:
式中:Ca为路段通行能力,α和β为待定系数,分别取0.15和4。
步骤5.4:基于上述分配方法得到的路段流量,与交调站点的观测路段流量值(共计3781条路段)进行对比,货车流量分配算法结果平均相对误差25.2%,分配结果在整体规律把握上尚可接受,精度在合理范围内。
真实值 | 估计值 | 相对误差百分比 | |
平均路段流量(当量) | 6694.82 | 7208.16 | 7.67% |
平均绝对误差 | 1802.42 | ||
平均相对误差 | 25.2% |
最后应说明的是:以上示例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的示例对本发明已进行了详细的说明,但是,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于交通量观测数据的区域路网货车流量分配方法,其特征在于:该方法包括如下步骤,步骤1:划分交通小区;根据研究区域范围的大小和各城市的对外交通节点,以不同的区划边界划分交通小区,将区域划分为交通内部小区和外部小区;
步骤2:获取交通小区的货车OD交通量分布,结合OD调查数据、货车轨迹数据,获取已经划分的交通小区的货车OD交通量分布;
步骤3:针对任意OD,构造OD间货车出行路径集合;备选路径集是指针对任意OD,确定哪些路径是出行者考虑的备选路径;考虑到算法的计算效率、路径集合的数量及有效性,采用K-最短路算法中执行效率相对较高的双向扫除算法筛选得到每个OD对间的K条最短路径,通过乘客对出行时间的容忍程度限制删除不满足条件的路径,构造得到备选路径集合;
步骤4:采用遗传算法计算路径集合中每条路径的选择概率;
步骤5:交通流分配,采用非平衡分配方法中的增量分配法进行交通流加载。
2.根据权利要求1所述的一种基于交通量观测数据的区域路网货车流量分配方法,其特征在于:所述不同的区划是指地市或者区县行政区划,或者是自定义的空间范围。
3.根据权利要求1所述的一种基于交通量观测数据的区域路网货车流量分配方法,其特征在于:步骤4中所提到的路径选择概率模型通过以下方法建立,
步骤4.1:初始化种群;由于路径选择概率属于0~1之间的变量,将种群中每一个解向量X=(x1,x2,…,xm)作为遗传算法的一个染色体进行计算;根据解X的构成发现,其表示出任意一种路径选择概率组合方案,且每一组方案必须满足任一OD间路径集合的选择概率小于等于1;设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0);
步骤4.2:个体评价;计算群体P(t)中每个个体的适应度f(t);适应度函数是用来判断群体中的个体优劣程度的指标,根据所求问题的目标函数来进行评估;适应度函数是由重型货车交通流量断面观测数据与根据每一组解计算得到的路段流量之间绝对误差的和来表示;
步骤4.3:选择运算;选择算子作用于群体,运算目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代;每个个体被选择的概率是建立在群体中个体的适应度基础上的;
步骤4.4:交叉运算;将交叉算子作用于群体;
步骤4.5:变异运算:将变异算子作用于群体;群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1);
步骤4.6:终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011571574.6A CN112767688B (zh) | 2020-12-27 | 2020-12-27 | 一种基于交通量观测数据的区域路网货车流量分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011571574.6A CN112767688B (zh) | 2020-12-27 | 2020-12-27 | 一种基于交通量观测数据的区域路网货车流量分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767688A true CN112767688A (zh) | 2021-05-07 |
CN112767688B CN112767688B (zh) | 2022-05-06 |
Family
ID=75695962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011571574.6A Active CN112767688B (zh) | 2020-12-27 | 2020-12-27 | 一种基于交通量观测数据的区域路网货车流量分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767688B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487871A (zh) * | 2021-08-13 | 2021-10-08 | 同济大学 | 基于网络集计策略的快速交通分配方法、装置及存储介质 |
CN113990075A (zh) * | 2021-12-30 | 2022-01-28 | 广州市交通规划研究院 | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
CN114613151A (zh) * | 2022-05-10 | 2022-06-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车od确定方法、系统、设备及存储介质 |
CN116151505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964085A (zh) * | 2010-09-27 | 2011-02-02 | 北京航空航天大学 | 一种基于Logit模型和贝叶斯决策的客流分配方法 |
JP5971828B1 (ja) * | 2015-06-19 | 2016-08-17 | 株式会社福山コンサルタント | Od交通量の実数推定方法、od交通量の実数推定装置、od交通量の実数推定プログラム、並びに情報記録媒体 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN111178582A (zh) * | 2019-11-29 | 2020-05-19 | 浙江工业大学 | 一种基于改进遗传算法的物流配送优化方法 |
CN112085641A (zh) * | 2020-08-24 | 2020-12-15 | 南京铁道职业技术学院 | 一种基于列车开行方案的高速铁路客流分配方法 |
-
2020
- 2020-12-27 CN CN202011571574.6A patent/CN112767688B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964085A (zh) * | 2010-09-27 | 2011-02-02 | 北京航空航天大学 | 一种基于Logit模型和贝叶斯决策的客流分配方法 |
JP5971828B1 (ja) * | 2015-06-19 | 2016-08-17 | 株式会社福山コンサルタント | Od交通量の実数推定方法、od交通量の実数推定装置、od交通量の実数推定プログラム、並びに情報記録媒体 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN111178582A (zh) * | 2019-11-29 | 2020-05-19 | 浙江工业大学 | 一种基于改进遗传算法的物流配送优化方法 |
CN112085641A (zh) * | 2020-08-24 | 2020-12-15 | 南京铁道职业技术学院 | 一种基于列车开行方案的高速铁路客流分配方法 |
Non-Patent Citations (2)
Title |
---|
吴成林: "基于L-OD预测的电子产品物流网络研究", 《中国优秀博硕士学位论文全文数据库(博士)经济与管理科学辑》 * |
李雪飞: "基于扩展Logit的交通分配模型与算法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487871A (zh) * | 2021-08-13 | 2021-10-08 | 同济大学 | 基于网络集计策略的快速交通分配方法、装置及存储介质 |
CN113990075A (zh) * | 2021-12-30 | 2022-01-28 | 广州市交通规划研究院 | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
CN113990075B (zh) * | 2021-12-30 | 2022-03-18 | 广州市交通规划研究院 | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
CN114613151A (zh) * | 2022-05-10 | 2022-06-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车od确定方法、系统、设备及存储介质 |
CN114613151B (zh) * | 2022-05-10 | 2022-09-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车od确定方法、系统、设备及存储介质 |
CN116151505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
CN116151505B (zh) * | 2023-04-20 | 2023-08-04 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112767688B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767688B (zh) | 一种基于交通量观测数据的区域路网货车流量分配方法 | |
Dong et al. | Planning of fast EV charging stations on a round freeway | |
CN112434849B (zh) | 基于改进多目标算法的危险品运输路径动态规划方法 | |
Afandizadeh et al. | Bus fleet optimization using genetic algorithm a case study of Mashhad | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
Feng et al. | Vehicle routing problems with fuel consumption and stochastic travel speeds | |
Wang et al. | Research on optimal hub location of agricultural product transportation network based on hierarchical hub-and-spoke network model | |
CN110490381B (zh) | 基于混合整数规划的公交主干线规划方法 | |
CN110276488A (zh) | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 | |
Shermukhamedov et al. | Solution of the problem of optimal distribution of cargo flows in the region and the development of its transport network | |
CN115936240B (zh) | 共享单车需求预测与投放调度方法 | |
Chai et al. | An improved NSGA-II algorithm for transit network design and frequency setting problem | |
Xiong et al. | Route network design of community shuttle for metro stations through genetic algorithm optimization | |
CN115048576A (zh) | 一种空港旅客群体出行方式柔性推荐方法 | |
CN108416482B (zh) | 一种基于区域性多策略的物流配送路径规划方法 | |
Zhang et al. | Multidepot Two-Echelon Vehicle Routing Problem for Earthwork Allocation Optimization. | |
CN106067078A (zh) | 一种双站台的公交泊位分配优化方法 | |
Bao et al. | Optimization of airport shuttle bus routes based on travel time reliability | |
CN112767690B (zh) | 一种基于断面调查数据的区域路网重型货车流量估算方法 | |
Chen et al. | Optimization of high-speed railway network based on accessibility of stations | |
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 | |
Yu et al. | Research on vehicles route problem of rail transit equipment based on improved ant colony optimization | |
Li et al. | Research on site selection of logistics nodes in expressway service area considering truck and trailer vehicle routing problem | |
CN117113605A (zh) | 一种基于多目标优化模型的城市公交走廊设计方法 | |
Pekel et al. | Solving capacitated location routing problem by variable neighborhood descent and GA-artificial neural network hybrid method |
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 |