CN112907935A - 一种基于遗传算法的公交车智能调度系统和方法 - Google Patents

一种基于遗传算法的公交车智能调度系统和方法 Download PDF

Info

Publication number
CN112907935A
CN112907935A CN202110132338.2A CN202110132338A CN112907935A CN 112907935 A CN112907935 A CN 112907935A CN 202110132338 A CN202110132338 A CN 202110132338A CN 112907935 A CN112907935 A CN 112907935A
Authority
CN
China
Prior art keywords
dispatching
module
genetic algorithm
objective function
bus
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.)
Pending
Application number
CN202110132338.2A
Other languages
English (en)
Inventor
李军
徐杉杉
江建
陶周林
徐丽
朱文
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.)
Anhui Dar Intelligent Control System Co Ltd
Original Assignee
Anhui Dar Intelligent Control System Co Ltd
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 Anhui Dar Intelligent Control System Co Ltd filed Critical Anhui Dar Intelligent Control System Co Ltd
Priority to CN202110132338.2A priority Critical patent/CN112907935A/zh
Publication of CN112907935A publication Critical patent/CN112907935A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法的公交车智能调度系统和方法，其中，所述系统包括：调度模型构建模块，用于建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；车辆调度指挥模块，用于根据计算出模型的目标函数的解发出车辆调度信号；车辆终端模块，用于接收和显示公交调度信号，并且将GPS定位系统获取的车辆位置信息实时反馈给所述车辆调度指挥模块。该系统克服现有技术中的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低的问题。

Description

一种基于遗传算法的公交车智能调度系统和方法
技术领域
本发明涉及公交调度技术领域，具体地，涉及一种基于遗传算法的公交车智能调度系统和方法。
背景技术
近年来随着国民经济的迅速发展，居民生活水平不断提高，汽车的数量也随之快速增加，这使城市交通拥堵的问题日益严重。城市公交系统与地铁相比，因其运营费用相对较低，所以还是解决交通拥堵问题的有效方式之一。
但是目前的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低。
因此，提供一种利用展智能交通系统(ITS)技术，可以以上技术问题，以实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的基于遗传算法的基于遗传算法的公交车智能调度系统和方法是本发明亟需解决的问题。
发明内容
针对上述技术问题，本发明的目的是克服现有技术中的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低的问题，从而提供一种利用展智能交通系统(ITS)技术，可以以上技术问题，以实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的基于遗传算法的公交车智能调度系统和方法。
为了实现上述目的，本发明提供了一种基于遗传算法的公交车智能调度系统，所述系统包括：
调度模型构建模块，用于建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；
车辆调度指挥模块，用于根据计算出模型的目标函数的解发出车辆调度信号；
车辆终端模块，用于接收和显示公交调度信号，并且将GPS定位系统获取的车辆位置信息实时反馈给所述车辆调度指挥模块。
优选地，所述调度模型构建模块包括：
目标函数构建模块，用于构建发车次数最少的第一目标函数：
Figure BDA0002925817800000021
其中，
一天分为i个时段，Di代表第i时段的时段长度，Δdi代表第i时段的发车间隔，Di/Δdi得到第i时段的发车次数；对i个时段的发车次数求和可得到一天的总发车次数，求出其最小值即为一天中最少发车次数；
以及乘客的平均候车时间最短的第二目标函数：
Figure BDA0002925817800000022
其中，
I代表时段总数，J代表车站数，ρij代表第i时段第j站的乘客到站率，Δti代表第i时段的发车间隔，ci代表第i时段发的c次车，Sij代表第i时段第j站的上车乘客数，乘客的候车时间除以乘客数可得到平均候车时间；
从而获得整合后的第三目标函数：
Figure BDA0002925817800000023
遗传算法计算模块，用于利用遗传算法计算出所述第三目标函数F的解。
优选地，所述系统还包括：
路况信息获取模块，用于给所述车辆调度模块提供服务区域内路网数据和路况信息；
站点终端模块，用于接收并显示所述车辆调度模块发送的车辆调度信号，以及将站点的图像信息反馈至车辆调度指挥模块。
优选地，所述系统还包括：通信模块，用于车辆调度指挥模块与车辆终端模块、路况信息获取模块以及站点终端模块进行之间的信号传输。
优选地，所述通信模块包括：无线通信子模块与有线通信子模块。
本发明还提供了一种基于遗传算法的公交车智能调度方法，所述方法包括：
建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；
根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆；
获取的调度公交车辆的实时位置信息。
优选地，所述建立公交车智能调度模型，并且计算出模型的目标函数的解包括以下步骤：
用于构建发车次数最少的第一目标函数：
Figure BDA0002925817800000031
其中，
一天分为i个时段，Di代表第i时段的时段长度，Δdi代表第i时段的发车间隔，Di/Δdi得到第i时段的发车次数；对i个时段的发车次数求和可得到一天的总发车次数，求出其最小值即为一天中最少发车次数；
构建乘客的平均候车时间最短的第二目标函数：
Figure BDA0002925817800000041
其中，
I代表时段总数，J代表车站数，ρij代表第i时段第j站的乘客到站率，Δti代表第i时段的发车间隔，ci代表第i时段发的c次车，Sij代表第i时段第j站的上车乘客数，乘客的候车时间除以乘客数可得到平均候车时间；
整合所述第一目标函数与所述第二目标函数以获得第三目标函数：
Figure BDA0002925817800000042
根据遗传算法计算出所述第三目标函数F的解。
优选地，所述根据遗传算法计算出所述第三目标函数F的解包括以下步骤：
步骤1，程序初始化，初始化模型的各参数；
步骤2，按照编码规则，随机产生M个染色体组成初始种群；
步骤3，将种群中的个体映射为发车间隔，计算出适应度值并按升序排序；
步骤4，使用适应度比例方法选择M个个体组成新的临时种群；
步骤5，根据交叉率对选择操作产生的临时种群中的染色体进行单点交叉操作；
步骤6，根据变异率对交叉操作产生的临时种群中的染色体进行变异操作；
步骤7，计算变异操作产生的种群中各个染色体的适应度值并按升序排列；
步骤8，按照一定比例从上一代种群中选出适应度值较高的个体替换新一代中适应度值较低的个体，并将新种群中的个体按适应度值升序排列；
步骤9，如果达到设定的迭代次数则结束算法，否则跳到步骤4。
优选地，所述根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆之前，所述方法还包括：
获取服务区域内路网数据和路况信息。
优选地，所述方法还包括：
在站点处显示所述车辆调度模块发送的车辆调度信号；
将站点的图像信息反馈至车辆调度指挥模块。
根据上述技术方案，本发明提供的基于遗传算法的公交车智能调度系统和方法工作时的有益效果为：利用遗传算法计算出调度模型关于发车次数以及乘客的平均候车时间两者之间的最优解，以确定好调度方案，车辆调度指挥模块利用计算获得的调度方案发出车辆调度信号以调度公交车辆，实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的目的。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是本发明的一种优选的实施方式中提供的基于遗传算法的公交车智能调度系统的结构框图；
图2是本发明的一种优选的实施方式中提供的调度模型构建模块的结构框图；
图3是本发明的一种优选的实施方式中提供的基于遗传算法的公交车智能调度方法的流程图；
图4是本发明的一种优选的实施方式中提供的根据遗传算法计算出所述第三目标函数F的解的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在本发明中，在未作相反说明的情况下，“上、下、内、外”等包含在术语中的方位词仅代表该术语在常规使用状态下的方位，或为本领域技术人员理解的俗称，而不应视为对该术语的限制。
如图1和图2所示，本发明提供了一种基于遗传算法的公交车智能调度系统，所述系统包括：
调度模型构建模块，用于建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；
车辆调度指挥模块，用于根据计算出模型的目标函数的解发出车辆调度信号；
车辆终端模块，用于接收和显示公交调度信号，并且将GPS定位系统获取的车辆位置信息实时反馈给所述车辆调度指挥模块。
在上述方案中，利用遗传算法计算出调度模型关于发车次数以及乘客的平均候车时间两者之间的最优解，以确定好调度方案，车辆调度指挥模块利用计算获得的调度方案发出车辆调度信号以调度公交车辆，实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的目的。
在本发明的一种优选的实施方式中，所述调度模型构建模块包括：
目标函数构建模块，用于构建发车次数最少的第一目标函数：
Figure BDA0002925817800000071
其中，
一天分为i个时段，Di代表第i时段的时段长度，Δdi代表第i时段的发车间隔，Di/Δdi得到第i时段的发车次数；对i个时段的发车次数求和可得到一天的总发车次数，求出其最小值即为一天中最少发车次数；
以及乘客的平均候车时间最短的第二目标函数：
Figure BDA0002925817800000072
其中，
I代表时段总数，J代表车站数，ρij代表第i时段第j站的乘客到站率，Δti代表第i时段的发车间隔，ci代表第i时段发的c次车，Sij代表第i时段第j站的上车乘客数，乘客的候车时间除以乘客数可得到平均候车时间；
从而获得整合后的第三目标函数：
Figure BDA0002925817800000073
遗传算法计算模块，用于利用遗传算法计算出所述第三目标函数F的解。
在上述方案中，所述发车次数最少的第一目标函数就是使公交公司运营费用最小的情况，第二目标函数就是使社会效益最大的情况，这样为了使两个目标函数值都达到最小，通过加权系数α和β将两个目标函数整合成一个目标函数，这个函数的解就是降低公交公司的运营成本，提高乘客的满意度的调度方法，然后遗传算法计算模块用于利用遗传算法计算出所述第三目标函数F的解，在次过程中，需要对遗传算法进行设计：首先需要进行采用基于[0，1]的二进制编码形式，通过划分的时段数I、最小发车间隔、最大发车间隔，设定染色体的长度，把一天划分为I个时段，则染色体的编码长度为4I；然后进行采用完全随机的方法产生初始种群，即先随机生成一定数目的个体，然后从中挑选出最好的个体加入到初始群体中，不断迭代此过程，直到初始群体中个体数达到了预先设定的规模；再常将目标函数映射成求最大值形式的适应度函数，引入一个适当的输入值Cmax用于表示当前群体中的适应度函数的最大值：
Figure BDA0002925817800000081
再操作算子；最后利用设计好的遗传算法对目标函数进行求解以获得其最小解。
在本发明的一种优选的实施方式中，所述系统还包括：
路况信息获取模块，用于给所述车辆调度模块提供服务区域内路网数据和路况信息；
站点终端模块，用于接收并显示所述车辆调度模块发送的车辆调度信号，以及将站点的图像信息反馈至车辆调度指挥模块。
在上述方案中，车辆调度指挥模块还需要根据路况信息获取模块获得服务区域内路网数据和路况信息以及站点终端模块反馈的站点的图像信息进行调度，这样可以提高调度的合理性。
在本发明的一种优选的实施方式中，所述系统还包括：通信模块，用于车辆调度指挥模块与车辆终端模块、路况信息获取模块以及站点终端模块进行之间的信号传输。
在本发明的一种优选的实施方式中，所述通信模块包括：无线通信子模块与有线通信子模块。
如图3和图4所示，本发明还提供了一种基于遗传算法的公交车智能调度方法，所述方法包括：
建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；
根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆；
获取的调度公交车辆的实时位置信息。
在本发明的一种优选的实施方式中，所述建立公交车智能调度模型，并且计算出模型的目标函数的解包括以下步骤：
用于构建发车次数最少的第一目标函数：
Figure BDA0002925817800000091
其中，
一天分为i个时段，Di代表第i时段的时段长度，Δdi代表第i时段的发车间隔，Di/Δdi得到第i时段的发车次数；对i个时段的发车次数求和可得到一天的总发车次数，求出其最小值即为一天中最少发车次数；
构建乘客的平均候车时间最短的第二目标函数：
Figure BDA0002925817800000092
其中，
I代表时段总数，J代表车站数，ρij代表第i时段第j站的乘客到站率，Δti代表第i时段的发车间隔，ci代表第i时段发的c次车，Sij代表第i时段第j站的上车乘客数，乘客的候车时间除以乘客数可得到平均候车时间；
整合所述第一目标函数与所述第二目标函数以获得第三目标函数：
Figure BDA0002925817800000093
根据遗传算法计算出所述第三目标函数F的解。
在本发明的一种优选的实施方式中，所述根据遗传算法计算出所述第三目标函数F的解包括以下步骤：
步骤1，程序初始化，初始化模型的各参数；
步骤2，按照编码规则，随机产生M个染色体组成初始种群；
步骤3，将种群中的个体映射为发车间隔，计算出适应度值并按升序排序；
步骤4，使用适应度比例方法选择M个个体组成新的临时种群；
步骤5，根据交叉率对选择操作产生的临时种群中的染色体进行单点交叉操作；
步骤6，根据变异率对交叉操作产生的临时种群中的染色体进行变异操作；
步骤7，计算变异操作产生的种群中各个染色体的适应度值并按升序排列；
步骤8，按照一定比例从上一代种群中选出适应度值较高的个体替换新一代中适应度值较低的个体，并将新种群中的个体按适应度值升序排列；
步骤9，如果达到设定的迭代次数则结束算法，否则跳到步骤4。
在本发明的一种优选的实施方式中，所述根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆之前，所述方法还包括：
获取服务区域内路网数据和路况信息。
在本发明的一种优选的实施方式中，所述方法还包括：
在站点处显示所述车辆调度模块发送的车辆调度信号；
将站点的图像信息反馈至车辆调度指挥模块。
综上所述，本发明提供的基于遗传算法的公交车智能调度系统和方法克服现有技术中的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低的问题。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种基于遗传算法的公交车智能调度系统，其特征在于，所述系统包括：
调度模型构建模块，用于建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；
车辆调度指挥模块，用于根据计算出模型的目标函数的解发出车辆调度信号；
车辆终端模块，用于接收和显示公交调度信号，并且将GPS定位系统获取的车辆位置信息实时反馈给所述车辆调度指挥模块。
2.根据权利要求1所述的基于遗传算法的公交车智能调度系统，其特征在于，所述调度模型构建模块包括：
目标函数构建模块，用于构建发车次数最少的第一目标函数：
Figure FDA0002925817790000011
其中，
一天分为i个时段，Di代表第i时段的时段长度，Δdi代表第i时段的发车间隔，Di/Δdi得到第i时段的发车次数；对i个时段的发车次数求和可得到一天的总发车次数，求出其最小值即为一天中最少发车次数；
以及乘客的平均候车时间最短的第二目标函数：
Figure FDA0002925817790000012
其中，I代表时段总数，J代表车站数，ρij代表第i时段第j站的乘客到站率，Δti代表第i时段的发车间隔，ci代表第i时段发的c次车，Sij代表第i时段第j站的上车乘客数，乘客的候车时间除以乘客数可得到平均候车时间；
从而获得整合后的第三目标函数：
Figure FDA0002925817790000021
遗传算法计算模块，用于利用遗传算法计算出所述第三目标函数F的解。
3.根据权利要求1所述的基于遗传算法的公交车智能调度系统，其特征在于，所述系统还包括：
路况信息获取模块，用于给所述车辆调度模块提供服务区域内路网数据和路况信息；
站点终端模块，用于接收并显示所述车辆调度模块发送的车辆调度信号，以及将站点的图像信息反馈至车辆调度指挥模块。
4.根据权利要求1或3所述的基于遗传算法的公交车智能调度系统，其特征在于，所述系统还包括：通信模块，用于车辆调度指挥模块与车辆终端模块、路况信息获取模块以及站点终端模块进行之间的信号传输。
5.根据权利要求4所述的基于遗传算法的公交车智能调度系统，其特征在于，所述通信模块包括：无线通信子模块与有线通信子模块。
6.一种基于遗传算法的公交车智能调度方法，其特征在于，所述方法包括：
建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；
根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆；
获取的调度公交车辆的实时位置信息。
7.根据权利要求6所述的基于遗传算法的公交车智能调度方法，其特征在于，所述建立公交车智能调度模型，并且计算出模型的目标函数的解包括以下步骤：
用于构建发车次数最少的第一目标函数：
Figure FDA0002925817790000031
其中，
一天分为i个时段，Di代表第i时段的时段长度，Δdi代表第i时段的发车间隔，Di/Δdi得到第i时段的发车次数；对i个时段的发车次数求和可得到一天的总发车次数，求出其最小值即为一天中最少发车次数；
构建乘客的平均候车时间最短的第二目标函数：
Figure FDA0002925817790000032
其中，I代表时段总数，J代表车站数，ρij代表第i时段第j站的乘客到站率，Δti代表第i时段的发车间隔，ci代表第i时段发的c次车，Sij代表第i时段第j站的上车乘客数，乘客的候车时间除以乘客数可得到平均候车时间；
整合所述第一目标函数与所述第二目标函数以获得第三目标函数：
Figure FDA0002925817790000033
根据遗传算法计算出所述第三目标函数F的解。
8.根据权利要求7所述的基于遗传算法的公交车智能调度方法，其特征在于，所述根据遗传算法计算出所述第三目标函数F的解包括以下步骤：
步骤1，程序初始化，初始化模型的各参数；
步骤2，按照编码规则，随机产生M个染色体组成初始种群；
步骤3，将种群中的个体映射为发车间隔，计算出适应度值并按升序排序；
步骤4，使用适应度比例方法选择M个个体组成新的临时种群；
步骤5，根据交叉率对选择操作产生的临时种群中的染色体进行单点交叉操作；
步骤6，根据变异率对交叉操作产生的临时种群中的染色体进行变异操作；
步骤7，计算变异操作产生的种群中各个染色体的适应度值并按升序排列；
步骤8，按照一定比例从上一代种群中选出适应度值较高的个体替换新一代中适应度值较低的个体，并将新种群中的个体按适应度值升序排列；
步骤9，如果达到设定的迭代次数则结束算法，否则跳到步骤4。
9.根据权利要求6所述的基于遗传算法的公交车智能调度方法，其特征在于，所述根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆之前，所述方法还包括：
获取服务区域内路网数据和路况信息。
10.根据权利要求6所述的基于遗传算法的公交车智能调度方法，其特征在于，所述方法还包括：
在站点处显示所述车辆调度模块发送的车辆调度信号；
将站点的图像信息反馈至车辆调度指挥模块。
CN202110132338.2A 2021-01-31 2021-01-31 一种基于遗传算法的公交车智能调度系统和方法 Pending CN112907935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110132338.2A CN112907935A (zh) 2021-01-31 2021-01-31 一种基于遗传算法的公交车智能调度系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110132338.2A CN112907935A (zh) 2021-01-31 2021-01-31 一种基于遗传算法的公交车智能调度系统和方法

Publications (1)

Publication Number Publication Date
CN112907935A true CN112907935A (zh) 2021-06-04

Family

ID=76122001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110132338.2A Pending CN112907935A (zh) 2021-01-31 2021-01-31 一种基于遗传算法的公交车智能调度系统和方法

Country Status (1)

Country Link
CN (1) CN112907935A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201698585U (zh) * 2010-03-30 2011-01-05 成都市猎户座科技有限责任公司 一种城市公交智能化管理、控制系统
CN102737356A (zh) * 2012-06-13 2012-10-17 西安理工大学 智能公交调度排班计算方法
CN104504229A (zh) * 2014-09-19 2015-04-08 杭州电子科技大学 一种基于混合启发式算法的智能公交调度方法
CN105719476A (zh) * 2016-03-28 2016-06-29 深圳市佳信捷技术股份有限公司 公交系统调度信息的更新方法及装置
CN107330547A (zh) * 2017-06-15 2017-11-07 重庆交通大学 一种城市公交动态调度优化方法及系统
US20180032964A1 (en) * 2016-08-01 2018-02-01 Nec Europe Ltd. Transportation system and method for allocating frequencies of transit services therein
CN110245779A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 一种基于遗传算法的公交动态发车调度优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201698585U (zh) * 2010-03-30 2011-01-05 成都市猎户座科技有限责任公司 一种城市公交智能化管理、控制系统
CN102737356A (zh) * 2012-06-13 2012-10-17 西安理工大学 智能公交调度排班计算方法
CN104504229A (zh) * 2014-09-19 2015-04-08 杭州电子科技大学 一种基于混合启发式算法的智能公交调度方法
CN105719476A (zh) * 2016-03-28 2016-06-29 深圳市佳信捷技术股份有限公司 公交系统调度信息的更新方法及装置
US20180032964A1 (en) * 2016-08-01 2018-02-01 Nec Europe Ltd. Transportation system and method for allocating frequencies of transit services therein
CN107330547A (zh) * 2017-06-15 2017-11-07 重庆交通大学 一种城市公交动态调度优化方法及系统
CN110245779A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 一种基于遗传算法的公交动态发车调度优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
武灵艳 等: "基于APC和GPS数据的青奥会期间南京公共交通的调度与优化", 《数学理论与应用》 *
石立恒: "基于MapX的公交站点布设与线路仿真评价研究", 《中国优秀博硕士学位论文全文数据库(硕士)·工程科技Ⅱ辑》 *
陈晓旭 等: "基于遗传算法的公交线路发车间隔优化", 《交通与运输》 *

Similar Documents

Publication Publication Date Title
Zhu et al. Public vehicles for future urban transportation
CN107564269B (zh) 一种基于支付意愿的半灵活公交调度方法
CN107284480B (zh) 一种基于车底复用的列车运行图自动编制方法
CN105279955B (zh) 一种拼车方法及设备
CN112085249B (zh) 一种基于强化学习的定制公交线路规划方法
CN111815189A (zh) 模块化公交调度系统
CN110458456B (zh) 基于人工智能的需求响应式公交系统的调度方法及系统
CN112262418B (zh) 车辆管理系统和车辆管理方法
CN108510730A (zh) 共享汽车网点间车辆调度方法及系统
CN106326471A (zh) 一种路线推荐方法以及装置
CN106415620A (zh) 为电梯系统提供业务预测的设备和方法
CN111898909A (zh) 一种基于实时需求的无人驾驶公交派车方法
CN111598646A (zh) 一种带预定功能的电动出租车充电导航方法
CN113077162A (zh) 面向实时需求的多车型定制公交区域调度方法
CN113592335A (zh) 一种无人驾驶接驳车辆乘客需求匹配与车辆调度方法
CN112233452A (zh) 一种公交车的自适应柔性调度方法
Kashani et al. Comparing demand responsive and conventional public transport in a low demand context
CN112949987A (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
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
CN107563632A (zh) 一种基于支付意愿的灵活公交站点等级划分与转化方法
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
CN112907935A (zh) 一种基于遗传算法的公交车智能调度系统和方法
CN115730781A (zh) 一种基于大数据分析的公交线路优化系统
CN113947245B (zh) 一种基于订单累积量的多乘客多司机共乘匹配方法及系统
CN113269339B (zh) 一种网约车任务自动创建和分发的方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604