CN112906221B - 基于预约数据的多车型区域定制公交调度方法 - Google Patents

基于预约数据的多车型区域定制公交调度方法 Download PDF

Info

Publication number
CN112906221B
CN112906221B CN202110190769.4A CN202110190769A CN112906221B CN 112906221 B CN112906221 B CN 112906221B CN 202110190769 A CN202110190769 A CN 202110190769A CN 112906221 B CN112906221 B CN 112906221B
Authority
CN
China
Prior art keywords
station
vehicle
passenger
vehicle type
time
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
Application number
CN202110190769.4A
Other languages
English (en)
Other versions
CN112906221A (zh
Inventor
周雪梅
席姣姣
关震
林晓丹
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110190769.4A priority Critical patent/CN112906221B/zh
Publication of CN112906221A publication Critical patent/CN112906221A/zh
Application granted granted Critical
Publication of CN112906221B publication Critical patent/CN112906221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q50/10—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
    • G06F2111/04—Constraint-based CAD
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于预约数据的多车型区域定制公交调度方法；本发明面向城市中心城区客流高峰地带，建立多线路多车型定制公交的动态调度模型。具体的，结合了出租车预约模式以及地铁大客流站台候车特点，面向城市中心城区客流高峰地带，建立多线路多车型定制公交的动态调度模型；同时对预约响应时间进行量化分析，从而制度合理的调度运行方案，提高公交吸引力，改善公交企业的服务质量。

Description

基于预约数据的多车型区域定制公交调度方法
技术领域
本发明涉及一种基于预约数据的定制公交调度方案设计，属于定制公交调度方案设计技术领域。
背景技术
定制公交在我国一些城市实施以来，依然存在一些弊端，主要有三方面：
1)受众范围较小，多线路多车型的研究多针对城市外围非高峰时段以及公交接驳地铁的最后一公里的小范围区域；
2)研究客流比较小众化，对城市市区客流密度较大的适用性尚未证实；
3)缺乏对调度响应时间的量化考证。
发明内容
填补这一空缺，本发明面向城市中心城区客流高峰地带，建立多线路多车型定制公交的动态调度模型。具体的，结合了出租车预约模式以及地铁大客流站台候车特点，面向城市中心城区客流高峰地带，建立多线路多车型定制公交的动态调度模型；同时对预约响应时间进行量化分析，从而制度合理的调度运行方案，提高公交吸引力，改善公交企业的服务质量。
为实现上述目的，本发明的技术方案是：
一种基于预约数据的多车型区域定制公交调度方法，包括两个步骤。
步骤一，构建多线路多车型定制公交动态调度模型如下：
1)公交企业最低运营成本：
min f1(x)＝∑i∑j∑kmkxijk+∑i∑j∑knkxijks； （1）
2)各站乘客最低候车成本：
min f2(x)＝∑ipt′oir； (2)
3)总成本最低：
min f(x)＝min f1(x)+min f2(x)； (3)
目标函数中：公式(3)表示该模型以公交企业最低运营成本及各站乘客最低候车成本总和为目标。
s.t.
Figure BDA0002944938110000021
∑xijk∑xjh(i)k； (5)
∑xijkk≥r； (6)
r≤Aik≤Lk； (7)
0≤Ah(i)k≤Lk-r′； (8)
t′oi＝To-toi； (9)
r≤rl≤1408； (10)
r≤rh≤3520； (11)
Figure BDA0002944938110000022
T′+T″＝T′0(T′≤T′0)； (13)
∑i∑j∑kq≤300； (14)
约束条件中：公式(4)表示进站的车辆必须离开；公式(5)表示上车的乘客必须送到目的地；公式(6)表示所有乘客全部有车载；公式(7)表示每种车型上客量限制；(8)表示乘客在目的地下车；(9)表示各乘客在各站点候车时间；(10)地面站站点高峰每小时最大乘客量；(11)表示高架站站点高峰每小时最大乘客量；(12)每条线路乘客的最大候车时间由乘客预约时间、计算机迭代时间及实际派车时间三部分组成；(13)调度响应总时间包含计算机迭代时间及实际派车时间；(14)表示总车辆数限额，q表示各个车站每种车型的车辆数。
参数注解：
k——车型；
m——开行车辆的固定成本(元/辆)；
n——开行车辆的单位距离成本(元/辆)；
s——行驶距离(m)；
i——上车站点；
h(i)——对应下车站点；
xijk——若车辆k从i点行驶到j点，则xijk取1，否则取0；
Z——所有站点集合；
L——车型(载客量)集合；
A——车辆在某站点载客或卸客后的乘客数量(个)；
r——在某站点乘客上车的数量(个)；
r′——在某站点乘客下车的数量(个)；
rl——地面站站点高峰每小时最大乘客量(个)；
rh——高架站站点高峰每小时最大乘客量(个)；
toi——乘客到达各站点时间(min)；
t′oi——乘客在各站点候车时间(min)；
T0——APP设定乘客预约时间间隔(min)；
T′——计算机迭代时间(min)；
T″——实际派车时间(min)；
T′0——调度响应总时间(min)；
p——乘客候车时间成本(元/min)；
q——各站点派发各车型数量(辆)。
步骤二，设计最优算法输出最优方案：
采用遗传算法自然数双层编码策略求解车辆调度模型，对多线路多车型定制公交动态调度模型运用遗传算法求解流程如附图1所示：
1.双层编码
第一层编码：长度g＝所有OD对数，其意义为该OD对所属的线路编号；
第二层编码：长度h＝所有OD对数K*，其意义为该OD对所对应的车型编号，如果该基因为0表示不选择该车型，否则选择该车型。
2.变异及交叉
(1)采用单点变异
(2)采用两点交叉
3.计算目标函数
根据设定的目标函数计算目标函数和约束，适应度函数表示为：
Figure BDA0002944938110000031
yi＝min f(x) (16)
其中Fi是染色体i的适应度值，yi是染色体i的目标函数，Pi是染色体i的惩罚值。
4.轮盘赌选择
通过遗传算法计算，求解得到区域内多线路多车型定制公交动态调度方案。
附图说明
图1遗传算法求解流程；
图2定制公交动态调度系统流程及线路情况；
图3最优值迭代曲线；
图4混合车型与单一车型迭代曲线比较。
具体实施方式
下面结合附图和具体实施例子对本发明进行详细说明。
实施例子
通过设计算例来对建立的基于预约数据的定制公交调度模型及其求解算法进行模型验证和算法有效性分析，流程如下(附图2)：
乘客使用手机或电脑在APP终端动态预约出行需求(预约起点、预约人数、目的站点)，调度中心响应后选派合理的车型(三种定额的车型若干辆)进行乘客服务。图2中虚线框内一个区域内有12个车站，A～L分别代表其车站编号，每两个站点的距离已知，乘客可在任意一个站点预约上/下车。最后，以企业运营成本及乘客候车成本最低为最优化目标，从而实现乘客与公交企业最大化综合效益。
1.算例解析：
在数据变量基础上，表1给出一些常变量的输入参数。
表1算例中的常变量
Figure BDA0002944938110000041
表2给出了算例站间距离矩阵；表3给出了算例站间的运行时间矩阵。
表2算例站间距离矩阵 (m)
Figure BDA0002944938110000051
表3算例站间的运行时间矩阵 (min)
Figure BDA0002944938110000052
根据地面站台、高架站台高峰小时最大客流量，假定APP设置乘客预约时间间隔T′为10分钟。例如：选取9:01～9:10时间段数据，表4为该时间段各站点的预约上客量动态统计表(9:01～9:10之间乘客可随时取消预约，9:10APP对所有数据进行处理分析)。表5为各站点的最后预约时间结点上/下客量(各站上客量等值于到其他各站下客量，如：站点A上车总人数等同于下车总人数，为587人)。
表4各站点的预约上客量动态统计表
Figure BDA0002944938110000053
表5算例站间的下客人数矩阵
Figure BDA0002944938110000061
根据表4、5可得到APP预约时间节点各站乘客上/下车客流量，经进站闸机刷卡数据可获取乘客预约时间段内到达站点人数、时间节点等信息(注：不同时间到达人数不累加)。设定计算机调度响应总时间(接收数据到派车完毕)为5分钟，经计算机对预约数据计算后，得到各站点最后预约时间节点9:10闸机检票入站乘客候车信息表6，所有预约乘客均驶离车站。
表6各站点最后时间节点乘客候车信息统计表
Figure BDA0002944938110000071
2.开行方案
在算例的数据分析基础上，运用遗传算法计算。该算例中共有有12个站点，66个OD对，3种车型。使用matlab语言编程，设置遗传算法种群规模200，最大迭代次数500，变异概率系数为0.1，交叉概率系数为0.7。当最优个体的适用度与群体适用度不再变化时算法即终止。经遗传算法计算后的迭代曲线图如附图3所示(迭代时间1:25″)。
由于APP设置预约时间段为10分钟，计算机迭代时间T为1:25″，由公式(13)可验证调度响应总时间的合理性。经遗传算法计算，输出结果如下表7所列。
表7输出结果信息表
Figure BDA0002944938110000081
结果说明：从起点A到终点L可随机形成52条线路，每条线路由三种车型组合而成。其中，车型1、2、3分别表示5座、11座、22座(系统设置优先使用大车)；行车路径中1表示经停，0表示不停车(除起讫点外，中间至多经停一站)；相同线路编号表示车型组合。例如：线路编号1由22座车(3辆)、11座车(1辆)、5座车(1辆)组合行驶，行车轨迹为A-K-L，行驶里程为15km，企业运营成本为3635元。在站点A的候车成本为1259.94元，在站点A上车的总成本为17579.84元(注：输出数据随输入数据的动态变化而随之改变)
3.方案比较
在使用三种车型灵活动态调度方案基础上，设置同样参数，与单一车型方案进行比较，其迭代曲线如附图4所示。四条曲线(5、11、22、混合)迭代时间由上而下分别为1:01″、1:00″、58″、1:25″，可见，22座车型所用时间最少，混合车型所用时间相对较大。
对比四种方案的配车数量、总成本、最优适用度值，如下表8所列。由表信息可得到混合车型最优适用度最大，其总成本最低，配车数量符合约束条件公式(14)；而车型5座、11座均不符合，车型22座虽符合条件，却容易造成满载率较低现象；混合车型迭代时间相对较大，却在可以接受的范围内。综合考虑，混合车型方案最经济、合理。
表8混合车型与单一车型方案比较
Figure BDA0002944938110000091
本研究针对定制公交，建立了基于乘客预约数据的多线路多车型动态调度模型。在该模型中考虑了多种路线、多种车型、调度响应时间、大密度客流等因素，使用遗传算法求解得到区域内多线路多车型定制公交动态调度方案。从配车数量、总成本、迭代时间及最优适用度值角度，与单一车型方案进行综合对比，验证了混合车型方案最优。算例中设置了动态预约时间段，对调度响应时间进行了量化分析，可为APP的设置及调度中心依据客流密度制定合理的调度方案奠定理论基础。

Claims (1)

1.一种基于预约数据的多车型区域定制公交调度方法，包括两个步骤；
步骤一，利用乘客APP终端动态预约出行需求数据和调度中心响应选派车型进行乘客服务的数据，来设计多线路多车型定制公交动态调度模型；
其中，乘客APP终端动态预约出行需求数据包括预约起点、预约人数、目的站点，经由进站闸机刷卡可获取乘客预约时间段内到达站点人数、时间节点信息；
选派车型包括三种定额的车型；
区域内通过A～L分别代表其车站编号，每两个站点的距离已知；
乘客可在任意一个站点预约上/下车；
其中，以企业运营成本及乘客候车成本最低为最优化目标，设计多线路多车型定制公交动态调度模型如下：
1)公交企业最低运营成本：
min f1(x)＝∑i∑j∑kmkxijk+∑i∑j∑knkxijks； (1)
2)各站乘客最低候车成本：
min f2(x)＝∑ipt′oir； (2)
3)总成本最低：
min f(x)＝min f1(x)+min f2(x)； (3)
目标函数中：公式(3)表示该模型以公交企业最低运营成本及各站乘客最低候车成本总和为目标；
s.t.
Figure FDA0003578372980000011
∑xijk＝∑xjh(i)k； (5)
∑xijkk≥r； (6)
r≤Aik≤Lk； (7)
0≤Ah(i)k≤Lk-r′； (8)
t′oi＝To-toi； (9)
r≤rl≤1408； (10)
r≤rh≤3520； (11)
Figure FDA0003578372980000021
T′+T″＝T′0(T′≤T′0)； (13)
∑i∑j∑kq≤300； (14)
约束条件中：公式(4)表示进站的车辆必须离开；公式(5)表示上车的乘客必须送到目的地；公式(6)表示所有乘客全部有车载；公式(7)表示每种车型上客量限制；(8)表示乘客在目的地下车；(9)表示各乘客在各站点候车时间；(10)地面站站点高峰每小时最大乘客量；(11)表示高架站站点高峰每小时最大乘客量；
(12)每条线路乘客的最大候车时间由乘客预约时间、计算机迭代时间及实际派车时间三部分组成；
(13)调度响应总时间包含计算机迭代时间及实际派车时间；
(14)表示总车辆数限额，q表示各个车站每种车型的车辆数；
参数注解：
k——车型；
m——开行车辆的固定成本(元/辆)；
n——开行车辆的单位距离成本(元/辆)；
s——行驶距离(m)；
i——上车站点；
h(i)——对应下车站点；
xijk——若车辆k从i点行驶到j点，则xijk取1，否则取0；
Z——所有站点集合；
L——车型(载客量)集合；
A——车辆在某站点载客或卸客后的乘客数量(个)；
r——在某站点乘客上车的数量(个)；
r′——在某站点乘客下车的数量(个)；
rl——地面站站点高峰每小时最大乘客量(个)；
rh——高架站站点高峰每小时最大乘客量(个)；
toi——乘客到达各站点时间(min)；
t′oi——乘客在各站点候车时间(min)；
T0——APP设定乘客预约时间间隔(min)；
T′——计算机迭代时间(min)；
T″——实际派车时间(min)；
T′0——调度响应总时间(min)；
p——乘客候车时间成本(元/min)；
q——各站点派发各车型数量(辆)；
步骤二，设计最优算法输出最优方案：
采用遗传算法自然数双层编码策略求解车辆调度模型，对多线路多车型定制公交动态调度模型运用遗传算法求解：
1).双层编码
第一层编码：长度g＝所有OD对数,其意义为该OD对所属的线路编号；线路编号中1表示经停，0表示不停车，除起讫点外，中间至多经停一站；
第二层编码：长度h＝所有OD对数K*，其意义为该OD对所对应的车型编号,如果基因为0表示不选择该车型,否则选择该车型；
2).变异及交叉
(1)采用单点变异
(2)采用两点交叉
3).计算目标函数
根据设定的目标函数计算目标函数和约束，适应度函数表示为：
Figure FDA0003578372980000031
yi＝min f(x) (16)
其中Fi是染色体i的适应度值,yi是染色体i的目标函数,Pi是染色体i的惩罚值；
4).轮盘赌选择
通过遗传算法计算，求解输出区域内多线路多车型的公交动态调度方案；且通过预约时间段的合理设置，不断接收预约数据并通过编码设计不断输出迭代更新的动态调度方案。
CN202110190769.4A 2021-02-19 2021-02-19 基于预约数据的多车型区域定制公交调度方法 Active CN112906221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110190769.4A CN112906221B (zh) 2021-02-19 2021-02-19 基于预约数据的多车型区域定制公交调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110190769.4A CN112906221B (zh) 2021-02-19 2021-02-19 基于预约数据的多车型区域定制公交调度方法

Publications (2)

Publication Number Publication Date
CN112906221A CN112906221A (zh) 2021-06-04
CN112906221B true CN112906221B (zh) 2022-06-07

Family

ID=76123880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110190769.4A Active CN112906221B (zh) 2021-02-19 2021-02-19 基于预约数据的多车型区域定制公交调度方法

Country Status (1)

Country Link
CN (1) CN112906221B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330559A (zh) * 2017-07-03 2017-11-07 华南理工大学 一种多起终点多车型混载的定制公交线路规划方法
CN108053062A (zh) * 2017-12-11 2018-05-18 北京航空航天大学 一种基于多源数据的定制公交线路生成方法
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN109934401A (zh) * 2019-03-09 2019-06-25 吉林大学 一种基于移动互联的定制公交方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950479B (zh) * 2010-08-26 2012-02-08 张宇康 以乘客出行为导向的智能城市公共交通系统及其实施方法
CN104239484B (zh) * 2014-09-05 2017-09-05 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
CN106504516B (zh) * 2016-10-24 2019-03-12 东南大学 一种基于公交站点信息化的多形式公交动态调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330559A (zh) * 2017-07-03 2017-11-07 华南理工大学 一种多起终点多车型混载的定制公交线路规划方法
CN108053062A (zh) * 2017-12-11 2018-05-18 北京航空航天大学 一种基于多源数据的定制公交线路生成方法
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN109934401A (zh) * 2019-03-09 2019-06-25 吉林大学 一种基于移动互联的定制公交方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Vehicle dispatching in modular transit networks: A mixed-integer nonlinear programming model;Mingyang Pei等;《Transportation Research Part E》;20210205;第3.1.1.1节 *

Also Published As

Publication number Publication date
CN112906221A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
Daganzo et al. Public transportation systems: Principles of system design, operations planning and real-time control
CN108765948B (zh) 一种弹性的公车调度方法和系统
Richmond A whole-system approach to evaluating urban transit investments
CN110084397B (zh) 一种地铁直达线路规划方法
CN112819316B (zh) 一种综合客运枢纽轨道交通系统的枢纽运能识别方法
CN109308574A (zh) 一种实时响应的互联网半灵活公交调度方法
CN113077162A (zh) 面向实时需求的多车型定制公交区域调度方法
CN109523064B (zh) 一种基于多网融合的智能微枢纽
Atoyebi et al. Analysis of intra-city public transport system of ojuelegba park, lagos state, Nigeria
CN113096429B (zh) 基于公交调度站点集散的弹性公交区域灵活性线路生成方法
CN113379159A (zh) 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN112906221B (zh) 基于预约数据的多车型区域定制公交调度方法
CN113408859A (zh) 一种考虑客流管控措施的城市轨道交通线路客流与列车匹配方法
CN113592215A (zh) 一种常规公交与可变线路公交组合调度的方法
CN112233450A (zh) 一种基于无计划模式的公交调度方式
CN116542404A (zh) 一种客运枢纽场站抵站旅客接续换乘时间的预测方法
CN115879658A (zh) 定制公交路径优化方法、系统、存储介质及设备
CN115936330A (zh) 一种基于拉格朗日原理的需求响应式brt车辆调度算法
CN110246356B (zh) 一种确定可变线路公交配置车辆数和类型的方法
CN114331060A (zh) 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法
CN113298390A (zh) 一种突发异构客流的多式协同疏散方案集构建方法及装置
CN112562380A (zh) 一种灵活票价柔性公交调度方法
CN113096430A (zh) 基于欧氏距离收费的弹性公交即时需求动态响应方法
CN111507546A (zh) 地铁换乘路线生成方法、装置、存储介质及计算机设备
Van Son et al. Prediction-based optimization for online People and Parcels share a ride taxis

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