CN113077641A - 一种面向公交在途控制的决策映射方法、装置及存储介质 - Google Patents

一种面向公交在途控制的决策映射方法、装置及存储介质 Download PDF

Info

Publication number
CN113077641A
CN113077641A CN202110312743.2A CN202110312743A CN113077641A CN 113077641 A CN113077641 A CN 113077641A CN 202110312743 A CN202110312743 A CN 202110312743A CN 113077641 A CN113077641 A CN 113077641A
Authority
CN
China
Prior art keywords
bus
control
time
station
state information
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
Application number
CN202110312743.2A
Other languages
English (en)
Other versions
CN113077641B (zh
Inventor
郑亮
刘鹏杰
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202110312743.2A priority Critical patent/CN113077641B/zh
Publication of CN113077641A publication Critical patent/CN113077641A/zh
Application granted granted Critical
Publication of CN113077641B publication Critical patent/CN113077641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08G1/07—Controlling traffic signals
    • G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向公交在途控制的决策映射方法、装置及存储介质，其中方法包括：获取公交系统的实时状态信息；基于实时状态信息进行特征提取，得到关键状态信息；将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则基于历史关键状态信息集与历史控制信息集进行离线映射得到。采用预先映射好的公交在途控制非线性决策规则替代公交在途控制优化模型，简化了输入结构，输入的关键状态信息在现实公交系统中更容易获取，从而保证求解速度更快，而且采用非线性决策规则固有的模型结构使其在面对大规模的公交系统时求解更稳定，具有很高的应用价值。

Description

一种面向公交在途控制的决策映射方法、装置及存储介质
技术领域
本发明涉及公共交通和优化控制领域，尤其涉及一种面向公交在途控制的非线性决策映射方法、装置及存储介质。
背景技术
公交出行作为城市居民最重要的经济环保出行方式之一，维系着城市系统的快速运转，推动着社会环境的可持续发展。然而，由于城市交通系统复杂的各种不确定因素(如，交通拥堵情况、信号灯状态、乘客需求、乘客登车行为等)影响着公交的站间旅行时间和站内停留时间，公交往往无法按照原有的计划对乘客进行服务。在公交运营期间，如果其中一辆车发生了延迟，则下游将会累计更多的乘客，需要更多的停留时间，进而加深延迟。相反，如果公交行驶的比预期快，则它将促使行程进一步的加快。因此，同一线路的公交之间很容易发生相互追赶引发串车。这将导致公交系统极其不稳定，乘客的等待/旅行时间急剧增长。
公交在途控制作为调控公交系统运行状态的关键技术，可以根据公交车头时距、乘客需求、交通拥堵情况等实时信息动态调控公交的实时运行状态，有助于避免公交串车，实现公交在线路上的均匀分布，减少乘客等待/旅行时间，提高公交系统的服务水平。公交在途控制策略主要有，驻车、跳站、信号灯控制和速度控制。其中，驻车(在指定车站延长停靠时间)适用于延缓进度，跳站(跳过本该服务的车站)适用于追赶进度，而信号灯控制(通过调节相序和配时控制公交的通行)和速度控制(控制公交站间的巡航速度)适用于延缓进度和追赶进度。
公交在途控制可分为基于时刻表和基于车头时距的控制。以往的研究通常根据公交系统的实时状态，以最小化乘客平均等待/旅行时间、最小化时刻表/车头时距偏差等为目标，构建线性规划、非线性规划或整数规划等优化模型。随后，使用求解器或智能算法在短时间内求解出控制信息。然而，以上的模型存在一定的局限性，比如：需要输入的实时状态多且复杂，有些在现实公交运营中难以获得；求解器和智能算法在面对大规模模型求解时速度较慢，不符合在途控制实时的要求；基于时刻表和基于车头时距的约束过于严格，影响了公交系统的进程。基于此，本发明致力于开发一种输入简易、求解速度快且高效的公交在途控制方法。
发明内容
本发明提供了一种面向公交在途控制的决策映射方法、装置及存储介质，以解决现有技术中公交在途控制方法难以满足在途控制实时的要求。
第一方面，提供了一种面向公交在途控制的决策映射方法，包括：
获取公交系统的实时状态信息；
基于实时状态信息进行特征提取，得到关键状态信息；
将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则通过如下方法得到：
获取公交系统的历史状态信息集；
对历史状态信息集中的每个历史状态信息进行特征提取，得到历史关键状态信息集；
将历史状态信息集中的每个历史状态信息输入预先构建的公交在途控制优化模型中，得到历史控制信息集；
基于历史关键状态信息集与历史控制信息集进行离线映射，得到以关键状态信息为输入、以控制信息为输出的公交在途控制非线性决策规则。
进一步地，所述公交在途控制优化模型为线性规划模型、非线性规划模型、整数规划模型中的一种，其优化目标为最小化乘客平均等待/旅行时间、最小化时刻表/车头时距偏差、最小化公交总旅行时间、最小化公交总运营成本中的一种。
进一步地，所述实时状态信息和历史状态信息均包括公交位置、车头时距、乘客需求、到站时间、交通拥堵情况中的一种或多种；提取得到关键状态信息的时候优选在显示公交系统中容易获取且代表优化模型求解规律的关键状态，所述关键状态信息包括公交位置、车头时距、车站上一次服务结束的时刻中的一种或多种；所述控制信息包括公交驻车位置及时间、公交行驶速度、跳站车站、信号灯调节方案中的一种或多种。
进一步地，所述公交在途控制非线性决策规则为决策树、支持向量机、人工神经网络、克里金(Kriging)中的一种。
进一步地，所述获取公交系统的实时状态信息之前还包括：
设置公交在途控制非线性决策规则触发条件，该触发条件为任意一辆公交到达任意车站、实时车头时距超出了设定的范围、固定时间间隔触发中的一种。
进一步地，历史状态信息集和历史控制信息集通过如下方法得到：
将预先构建的公交在途控制优化模型应用到公交系统中；
设置公交在途控制优化模型触发条件，该触发条件为任意一辆公交到达任意车站、实时车头时距超出了设定的范围、固定时间间隔触发中的一种；
在公交系统运行中，当满足触发条件时，获取公交系统触发时刻状态信息并输入公交在途控制优化模型，求解出控制信息；求解方法为Gurobi求解器、Cplex求解器、智能算法、启发式算法中的一种；
持续上述过程，收集公交系统触发时刻的状态信息构成历史状态信息集，收集对应的控制信息构成历史控制信息集。
本发明一实施例中，所述公交在途控制优化模型为以最小化公交总旅行时间为优化目标且含最小车头时距约束的速度控制线性规划模型，其表达式如下：
Figure BDA0002989977980000031
Figure BDA0002989977980000032
Figure BDA0002989977980000033
Figure BDA0002989977980000034
Figure BDA0002989977980000035
Figure BDA0002989977980000036
Figure BDA0002989977980000037
Figure BDA0002989977980000038
其中，B表示公交索引和集合，B＝{1,2,…,i,…,I}；S表示车站索引和集合，S＝{1,2,…,j,…,J}；t表示触发线性规划模型的时刻；tb表示平均每位乘客上车所需要的时间；toc表示公交每次开关车门所需要的时间；H表示最小车头时距；λj表示车站j的乘客到达率；dj表示车站j前面第一条路段的长度；
Figure BDA0002989977980000039
表示车站j前面第一条路段上的路段限速；Br(t)表示触发控制时刻在站间行驶的公交车，Br∈B；Bs(t)表示触发控制时刻在站内服务的公交车，Bs∈B；is(t)表示触发控制时刻公交车i将要服务的下一个车站，is∈S；dis(t)表示触发控制时刻公交车i到车站is的距离；Vj(t)表示触发控制时刻车站j前面第一条路段上由交通拥堵造成的限速；Ai,j表示公交车i到达车站j的时刻；Ai,is表示公交车i到达车站is的时刻；Di,j表示公交车i离开车站j的时刻；Vi,j表示公交车i在车站j前面第一条路段上行驶的控制速度；Vi,is表示公交车i在车站is前面第一条路段上行驶的控制速度。
该结构的公交在途控制优化模型，采用了平均速度和平均乘客登车时间去估计公交的站间旅行时间和站内服务时间，相较于现有的优化模型，该公交在途控制优化模型更简化，求解速度更快。
本发明另一实施例中，所述公交在途控制优化模型为以乘客等待时间最小为目标的驻车和速度组合控制的非线性规划公交在途控制优化模型，其表达式如下：
Figure BDA0002989977980000041
Figure BDA0002989977980000042
Figure BDA0002989977980000043
Figure BDA0002989977980000044
Figure BDA0002989977980000045
Figure BDA0002989977980000046
Figure BDA0002989977980000047
Figure BDA0002989977980000048
其中，B表示公交索引和集合，B＝{1，2，…，i，…，I}；S表示车站索引和集合，S＝{1，2，…，j，…，J}；t表示触发线性规划模型的时刻；a为常数表示公交车正常加减速时的平均加速度；toc表示公交每次开关车门所需要的时间；H表示最小车头时距；λj表示车站j的乘客到达率；βj和γj表示车站j服务乘客的效率系数；dj表示车站j前面第一条路段的长度；
Figure BDA0002989977980000049
表示车站j前面第一条路段上的路段限速；Vi(t)表示触发控制时刻公交车i的速度；Br(t)表示触发控制时刻在站间行驶的公交车，Br∈B；Bs(t)表示触发控制时刻在站内服务的公交车，Bs∈B；is(t)表示触发控制时刻公交车i将要服务的下一个车站，is∈S；dis(t)表示触发控制时刻公交车i到车站is的距离；Vj(t)表示触发控制时刻车站j前面第一条路段上由交通拥堵造成的限速；Ai，j表示公交车i到达车站j的时刻；Ai，is表示公交车i到达车站is的时刻；Di，j表示公交车i离开车站j的时刻；Vi，j表示公交车i在车站j前面第一条路段上行驶的控制速度；Vi，is表示公交车i在车站is前面第一条路段上行驶的控制速度；hi，j表示表示公交车i在车站j的驻车时间。
该结构的公交在途控制优化模型，考虑了公交车进站和出站加减速过程以及非线性的登车行为，相较于现有的优化模型，该公交在途控制优化模型更贴合现实，得到的控制信息更加合理，使公交系统运行过程更加稳定合理。
第二方面，提供了一种面向公交在途控制的决策映射装置，包括：
状态信息获取模块，用于获取公交系统的实时状态信息；
关键信息提取模块，用于基于实时状态信息进行特征提取，得到关键状态信息；
控制信息获取模块，用于将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则通过如下方法得到：
获取公交系统的历史状态信息集；
对历史状态信息集中的每个历史状态信息进行特征提取，得到历史关键状态信息集；
将历史状态信息集中的每个历史状态信息输入预先构建的公交在途控制优化模型中，得到历史控制信息集；
基于历史关键状态信息集与历史控制信息集进行离线映射，得到以关键状态信息为输入、以控制信息为输出的公交在途控制非线性决策规则。
第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序适于被处理器加载并执行如上所述的面向公交在途控制的决策映射方法。
有益效果
本发明提出了一种面向公交在途控制的决策映射方法、装置及存储介质，采用预先映射好的公交在途控制非线性决策规则替代了公交在途控制优化模型，简化了输入结构，输入的关键状态信息在现实公交系统中更容易获取，从而保证求解速度更快，而且，求解得到的与关键状态信息对应控制信息是预先基于公交在途控制优化模型得到的，保证了控制信息的准确合理，采用非线性决策规则固有的模型结构使其在面对大规模的公交系统时求解更稳定，具有很高的应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明实施例提供的一种面向公交在途控制的决策映射方法流程图；
图2是本发明实施例提供的仿真实例的环线公交仿真系统示意图；
图3是本发明实施例提供的仿真实例的线性规划速度控制方法流程图；
图4是本发明实施例提供的仿真实例中非线性决策规则输入输出结构图；
图5是本发明实施例提供的仿真实例的非线性决策规则速度控制方法流程图；
图6中(a)、(b)、(c)是本发明实施例提供的仿真实例中无控制、线性规划控制、非线性决策控制下的公交运行轨迹图；
图7中(a)、(b)、(c)是本发明实施例提供的仿真实例中无控制、线性规划控制、非线性决策控制下的乘客平均旅行时间分布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
如图1所示，本实施例提供了一种面向公交在途控制的决策映射方法，包括：
获取公交系统的实时状态信息；
基于实时状态信息进行特征提取，得到关键状态信息；
将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则通过如下方法得到：
获取公交系统的历史状态信息集；
对历史状态信息集中的每个历史状态信息进行特征提取，得到历史关键状态信息集；
将历史状态信息集中的每个历史状态信息输入预先构建的公交在途控制优化模型中，得到历史控制信息集；
基于历史关键状态信息集与历史控制信息集进行离线映射，得到以关键状态信息为输入、以控制信息为输出的公交在途控制非线性决策规则。
具体实施时，所述公交在途控制优化模型为线性规划模型、非线性规划模型、整数规划模型中的一种，其优化目标为最小化乘客平均等待/旅行时间、最小化时刻表/车头时距偏差、最小化公交总旅行时间、最小化公交总运营成本中的一种。所述公交在途控制非线性决策规则为决策树、支持向量机、人工神经网络、克里金(Kriging)中的一种。
其中，所述实时状态信息和历史状态信息均包括公交位置、车头时距、乘客需求、到站时间、交通拥堵情况中的一种或多种；提取得到关键状态信息的时候优选在显示公交系统中容易获取且代表优化模型求解规律的关键状态，所述关键状态信息包括公交位置、车头时距、车站上一次服务结束的时刻中的一种或多种。所述控制信息包括公交驻车位置及时间、公交行驶速度、跳站车站、信号灯调节方案中的一种或多种。
本实施例中，所述获取公交系统的实时状态信息之前还包括：
设置公交在途控制非线性决策规则触发条件，该触发条件为任意一辆公交到达任意车站、实时车头时距超出了设定的范围、固定时间间隔触发中的一种。
本实施例中，历史状态信息集和历史控制信息集通过如下方法得到：
将预先构建的公交在途控制优化模型应用到公交系统中；
设置公交在途控制优化模型触发条件，该触发条件为任意一辆公交到达任意车站、实时车头时距超出了设定的范围、固定时间间隔触发中的一种；
在公交系统运行中，当满足触发条件时，获取公交系统触发时刻状态信息并输入公交在途控制优化模型，求解出控制信息；求解方法为Gurobi求解器、Cplex求解器、智能算法、启发式算法中的一种；
持续上述过程，收集公交系统触发时刻的状态信息构成历史状态信息集，收集对应的控制信息构成历史控制信息集。
为了进一步理解本发明的技术方案，下面通过一仿真实例对技术方案进行说明。
步骤1：如图2所示，构建一条环形线路的公交仿真系统，该环形线路由I辆公交、J个车站组成。其主要内容包括：
1)车站1为始发站。仿真开始，车站1以固定时间间隔发车，共发I辆公交。随后，I辆公交一直在环形的公交线路上运行直至仿真结束。
2)每个车站的乘客需求都服从参数给定的正态分布。其中，参数由公交刷卡数据、问卷调查数据等标定给出。
3)每个路段上交通拥堵造成的限速都服从参数给定的正态分布。其中，参数由公交轨迹数据、交通复杂场景数据等标定给出。
4)公交在站内的停留时间由开关车门的时间和服务乘客的时间组成。其中，服务乘客的时间与站内等待的乘客数量成正比。
5)路段上每个信号灯都以提前设定好的相序和配时循环执行。
6)公交的行驶速度受路段限速和交通拥堵造成的限速约束，且公交司机完全遵循速度控制信息给出的指令。
步骤2：建立目标为最小化公交总旅行时间且含最小车头时距约束的速度控制线性规划模型(以下简称：线性规划模型)作为公交在途控制优化模型，其表达式如下：
Figure BDA0002989977980000071
Figure BDA0002989977980000072
Figure BDA0002989977980000073
Figure BDA0002989977980000074
Figure BDA0002989977980000075
Figure BDA0002989977980000076
Figure BDA0002989977980000077
Figure BDA0002989977980000078
式(1)为目标函数表示公交总旅行时间，包括站内停留时间∑i∈B∑j∈s(tb·λj·(Di，j-Di-1，j)+toc)和站间旅行时间∑i∈B(dis/Vi，is+∑j∈S/{is}dj/Vi，j)；式(2)计算了t时刻在站间行驶的公交到达下一车站的时刻；式(3)计算了t时刻在站内服务的公交车到达下一车站的时刻；式(4)计算了公交到达后续所有车站(不包括下一站)的时刻；式(5)描述了公交车从每个车站离开的时间；式(6)约束了连续两辆公交在同一车站的离开时间之差(即：车头时距)不小于设定的最小值，以帮助缓解串车。式(7)确保速度控制值不大于路段限速和交通拥堵造成的限速。式(8)保证到达和离开时间的非负性。
其中，B表示公交索引和集合，B＝{1，2，…，i，…，I}；S表示车站索引和集合，S＝{1，2，…，j，…，J}；t表示触发线性规划模型的时刻；td表示平均每位乘客上车所需要的时间；toc表示公交每次开关车门所需要的时间；H表示最小车头时距；λj表示车站j的乘客到达率；dj表示车站j前面第一条路段的长度；
Figure BDA0002989977980000081
表示车站j前面第一条路段上的路段限速；Br(t)表示触发控制时刻在站间行驶的公交车，Br∈B；Bs(t)表示触发控制时刻在站内服务的公交车，Bs∈B；is(t)表示触发控制时刻公交车i将要服务的下一个车站，is∈S；dis(t)表示触发控制时刻公交车i到车站is的距离；Vj(t)表示触发控制时刻车站j前面第一条路段上由交通拥堵造成的限速；Ai，j表示公交车i到达车站j的时刻；Ai，is表示公交车i到达车站is的时刻；Di，j表示公交车i离开车站j的时刻；Vi，j表示公交车i在车站j前面第一条路段上行驶的控制速度；Vi，is表示公交车i在车站is前面第一条路段上行驶的控制速度。
步骤3：构建以线性规划模型为上层，以公交仿真系统为下层的公交线性规划速度控制方法，如图3所示，其内容包括：
步骤3.1：设置仿真和模型参数，主要包括：公交/车站数量、初始发车间隔、乘客需求/到达率、交通拥堵情况、各路段长度、信号灯位置/相序/配时、最小车头时距、平均每位乘客上车和公交每次开关车门所需要的时间、仿真时长等。
步骤3.2：启动公交仿真系统，根据步骤1设计的环形公交仿真系统以1秒为步长更新公交仿真系统的实时状态，主要包括：公交位置、车头时距、乘客需求、到站时间、交通拥堵情况等。
步骤3.3：对公交进行速度控制。以任意一辆公交到达任意车站为触发条件，如果达到触发条件，则将公交仿真系统实时状态信息输入到线性规划模型，并使用Gurobi求解器求解该模型，然后将求解的速度控制信息作为辅助驾驶信息迅速返回给公交司机执行。
步骤3.4：输出仿真结果。如果达到终止条件，将输出详细的仿真数据，以评估公交系统的性能，主要包括：公交轨迹和乘客平均旅行时间分布等。
步骤4：收集步骤3.3中线性规划模型求解时的输入输出数据，并基于此数据离线映射非线性决策规则。其内容包括：
步骤4.1：收集步骤3.3中线性规划模型求解时的输入(公交仿真系统实时状态信息)输出(速度控制信息)数据。
步骤4.2：对公交仿真系统实时状态信息进行特征提取，获得能够在现实公交系统中容易获取，且代表线性规划模型求解规律的关键状态信息。如此，以关键状态信息为输入速度控制信息为输出构成了非线性决策规则的输入输出结构。
步骤4.3：以步骤4.2提取的关键状态信息为输入速度控制信息为输出，使用集成AdaBoost算法的决策树这一非线性决策规则离线映射线性规划模型输入输出之间的关系。
步骤5：构建以非线性决策规则为上层，以公交仿真系统为下层的公交非线性决策规则速度控制方法，如图5所示，其内容包括：
步骤5.1：设置仿真参数，主要包括：公交/车站数量、初始发车间隔、乘客需求、交通拥堵情况、各路段长度、信号灯位置/相序/配时、平均每位乘客上车和公交每次开关车门所需要的时间、仿真时长等。
步骤5.2：启动公交仿真系统，根据步骤1设计的环形公交仿真系统以1秒为步长更新公交仿真系统的实时状态，主要包括：公交位置、车头时距、乘客需求、交通拥堵情况等。
步骤5.3：对公交车进行速度控制。以任意一辆公交到达任意车站为触发条件，如果达到触发条件，则将公交仿真系统的实时关键状态信息输入到非线性决策规则求解出速度控制信息，然后将求解的速度控制信息作为辅助驾驶信息迅速返回给公交司机执行。
步骤5.4：输出仿真结果。如果达到终止条件，将输出详细的仿真数据，以评估公交系统的性能，主要包括：公交轨迹和乘客平均旅行时间分布等。
步骤6：进行仿真实验，其内容包括：
步骤6.1：设置具体的仿真和模型参数，主要包括：公交数量为5；车站数量为20；初始发车间隔为300秒；各路段长度均为500米；分别在车站5,10,15,20后200处设置信号灯；信号灯的周期为50秒其中绿灯20秒红灯30秒；仿真时间段为6:00-9:00其中控制时间段为7:00-9:00；最小车头时距为0秒；平均每位乘客上车所需要时间为1.5秒、公交每次开关车门所需要时间为3.5秒等。
步骤6.2：在无控制的情况下进行仿真实验。得到仿真结果：如图6(a)所示公交运行轨迹图和图7(a)所示乘客平均旅行时间分布图。
步骤6.3：使用步骤3提出的线性规划速度控制方法进行仿真实验。得到仿真结果：如图6(b)所示公交运行轨迹图和图7(b)所示乘客平均旅行时间分布图。
步骤6.4：使用步骤4提出的方法离线映射非线性决策规则。对于本仿真实例，特征提取后非线性决策规则的输入输出结构如图4所示，每辆公交的输入为触发时刻与下游四个站上一次服务结束时刻的分别之差，输出为公交在当前路段的控制速度。
步骤6.5：使用步骤5提出的非线性决策规则速度控制方法进行仿真实验。得到仿真结果：如图6(c)所示公交运行轨迹图和图7(c)所示乘客平均旅行时间分布图。
步骤6.6：结果分析。从公交运行轨迹图看，在无控制情况下，图6(a)所示，公交轨迹高度不均匀分布，公交串车现象频繁发生。而在使用线性规划速度控制方法和非线性决策规则速度控制方法时，如图6(b-c)所示，公交轨迹几乎均匀分布，总线聚束现象消失。从乘客平均旅行时间分布图看，使用线性规划速度控制方法和非线性决策规则速度控制方法可以减少旅行时间长的乘客数量，增加旅行时间短的乘客数量。具体而言，在无控制情景下，约90％的乘客的旅行时间不超过3300秒，而在线性规划速度控制和非线性决策规则速度控制情景下，相同比例的乘客的旅行时间不超过2700秒。
当然，在其他的实例中，公交在途控制优化模型也可选择不同的优化目标、模型类型和控制信息，例如：建立以乘客等待时间最小为目标的驻车和速度组合控制的非线性规划公交在途控制优化模型：
Figure BDA0002989977980000101
Figure BDA0002989977980000102
Figure BDA0002989977980000103
Figure BDA0002989977980000104
Figure BDA0002989977980000105
Figure BDA0002989977980000106
Figure BDA0002989977980000107
Figure BDA0002989977980000108
式(9)为目标函数表示乘客等待时间，包括车辆到站前的等待时间
Figure BDA0002989977980000109
和车辆到站后上车时间(βj·λj·(Di，j-Di-1，j)+γj·(λj·(Di，j-Di-1，j))2+toc+hi，j)；式(10)计算了t时刻在站间行驶的公交到达下一车站的时刻；式(11)计算了t时刻在站内服务的公交车到达下一车站的时刻；式(12)计算了公交到达后续所有车站(不包括下一站)的时刻；式(13)描述了公交车从每个车站离开的时间；式(14)约束了连续两辆公交在同一车站的离开时间之差(即：车头时距)不小于设定的最小值，以帮助缓解串车。式(15)确保速度控制值不大于路段限速和交通拥堵造成的限速。式(16)保证到达和离开时间的非负性。
其中，B表示公交索引和集合，B＝{1，2，…，i，…，I}；S表示车站索引和集合，S＝{1，2，…，j，…，J}；t表示触发线性规划模型的时刻；a为常数表示公交车正常加减速时的平均加速度；toc表示公交每次开关车门所需要的时间；H表示最小车头时距；λj表示车站j的乘客到达率；βj和γj表示车站j服务乘客的效率系数；dj表示车站j前面第一条路段的长度；
Figure BDA0002989977980000111
表示车站j前面第一条路段上的路段限速；Vi(t)表示触发控制时刻公交车i的速度；Br(t)表示触发控制时刻在站间行驶的公交车，Br∈B；Bs(t)表示触发控制时刻在站内服务的公交车，BS∈B；is(t)表示触发控制时刻公交车i将要服务的下一个车站，is∈S；dis(t)表示触发控制时刻公交车i到车站is的距离；Vj(t)表示触发控制时刻车站j前面第一条路段上由交通拥堵造成的限速；Ai，j表示公交车i到达车站j的时刻；Ai，is表示公交车i到达车站is的时刻；Di，j表示公交车i离开车站j的时刻；Vi，j表示公交车i在车站j前面第一条路段上行驶的控制速度；Vi，is表示公交车i在车站is前面第一条路段上行驶的控制速度；hi，j表示表示公交车i在车站j的驻车时间。
采用该公交在途控制优化模型的实施方式原理可参见前述仿真实例，在此不再赘述。
实施例2
本实施例提供了一种面向公交在途控制的决策映射装置，包括：
状态信息获取模块，用于获取公交系统的实时状态信息；
关键信息提取模块，用于基于实时状态信息进行特征提取，得到关键状态信息；
控制信息获取模块，用于将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则通过如下方法得到：
获取公交系统的历史状态信息集；
对历史状态信息集中的每个历史状态信息进行特征提取，得到历史关键状态信息集；
将历史状态信息集中的每个历史状态信息输入预先构建的公交在途控制优化模型中，得到历史控制信息集；
基于历史关键状态信息集与历史控制信息集进行离线映射，得到以关键状态信息为输入、以控制信息为输出的公交在途控制非线性决策规则。
本实施例的其他具体实现方案参见实施例1，在此不再赘述。
实施例3
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序适于被处理器加载并执行如实施例1所述的面向公交在途控制的决策映射方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种面向公交在途控制的决策映射方法，其特征在于，包括：
获取公交系统的实时状态信息；
基于实时状态信息进行特征提取，得到关键状态信息；
将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则通过如下方法得到：
获取公交系统的历史状态信息集；
对历史状态信息集中的每个历史状态信息进行特征提取，得到历史关键状态信息集；
将历史状态信息集中的每个历史状态信息输入预先构建的公交在途控制优化模型中，得到历史控制信息集；
基于历史关键状态信息集与历史控制信息集进行离线映射，得到以关键状态信息为输入、以控制信息为输出的公交在途控制非线性决策规则。
2.根据权利要求1所述的面向公交在途控制的决策映射方法，其特征在于，所述公交在途控制优化模型为线性规划模型、非线性规划模型、整数规划模型中的一种，其优化目标为最小化乘客平均等待/旅行时间、最小化时刻表/车头时距偏差、最小化公交总旅行时间、最小化公交总运营成本中的一种。
3.根据权利要求1所述的面向公交在途控制的决策映射方法，其特征在于，所述实时状态信息和历史状态信息均包括公交位置、车头时距、乘客需求、到站时间、交通拥堵情况中的一种或多种；所述关键状态信息包括公交位置、车头时距、车站上一次服务结束的时刻中的一种或多种；所述控制信息包括公交驻车位置及时间、公交行驶速度、跳站车站、信号灯调节方案中的一种或多种。
4.根据权利要求1所述的面向公交在途控制的决策映射方法，其特征在于，所述公交在途控制非线性决策规则为决策树、支持向量机、人工神经网络、克里金中的一种。
5.根据权利要求1所述的面向公交在途控制的决策映射方法，其特征在于，所述获取公交系统的实时状态信息之前还包括：
设置公交在途控制非线性决策规则触发条件，该触发条件为任意一辆公交到达任意车站、实时车头时距超出了设定的范围、固定时间间隔触发中的一种。
6.根据权利要求1所述的面向公交在途控制的决策映射方法，其特征在于，历史状态信息集和历史控制信息集通过如下方法得到：
将预先构建的公交在途控制优化模型应用到公交系统中；
设置公交在途控制优化模型触发条件，该触发条件为任意一辆公交到达任意车站、实时车头时距超出了设定的范围、固定时间间隔触发中的一种；
在公交系统运行中，当满足触发条件时，获取公交系统触发时刻状态信息并输入公交在途控制优化模型，求解出控制信息；求解方法为Gurobi求解器、CDlex求解器、智能算法、启发式算法中的一种；
持续上述过程，收集公交系统触发时刻的状态信息构成历史状态信息集，收集对应的控制信息构成历史控制信息集。
7.根据权利要求2所述的面向公交在途控制的决策映射方法，其特征在于，所述公交在途控制优化模型为以最小化公交总旅行时间为优化目标且含最小车头时距约束的速度控制线性规划模型，其表达式如下：
Figure FDA0002989977970000021
Figure FDA0002989977970000022
Figure FDA0002989977970000023
Figure FDA0002989977970000024
Figure FDA0002989977970000025
Figure FDA0002989977970000026
Figure FDA0002989977970000027
Figure FDA0002989977970000028
其中，B表示公交索引和集合，B＝{1，2，…，i，…，I}；S表示车站索引和集合，S＝{1，2，…，j，…，J}；t表示触发线性规划模型的时刻；tb表示平均每位乘客上车所需要的时间；toc表示公交每次开关车门所需要的时间；H表示最小车头时距；λj表示车站j的乘客到达率；dj表示车站j前面第一条路段的长度；
Figure FDA0002989977970000029
表示车站j前面第一条路段上的路段限速；Br(t)表示触发控制时刻在站间行驶的公交车，Br∈B；Bs(t)表示触发控制时刻在站内服务的公交车，Bs∈B；is(t)表示触发控制时刻公交车i将要服务的下一个车站，is∈S；dis(t)表示触发控制时刻公交车i到车站is的距离；Vj(t)表示触发控制时刻车站j前面第一条路段上由交通拥堵造成的限速；Ai，j表示公交车i到达车站j的时刻；Ai，is表示公交车i到达车站is的时刻；Di，j表示公交车i离开车站j的时刻；Vi，j表示公交车i在车站j前面第一条路段上行驶的控制速度；Vi，is表示公交车i在车站is前面第一条路段上行驶的控制速度。
8.根据权利要求2所述的面向公交在途控制的决策映射方法，其特征在于，所述公交在途控制优化模型为以乘客等待时间最小为目标的驻车和速度组合控制的非线性规划公交在途控制优化模型，其表达式如下：
Figure FDA0002989977970000031
Figure FDA0002989977970000032
Figure FDA0002989977970000033
Figure FDA0002989977970000034
Figure FDA0002989977970000035
Figure FDA0002989977970000036
Figure FDA0002989977970000037
Figure FDA0002989977970000038
其中，B表示公交索引和集合，B＝{1，2，…，i，…，I}；S表示车站索引和集合，S＝{1，2，…，j，…，J}；t表示触发线性规划模型的时刻；a为常数表示公交车正常加减速时的平均加速度；toc表示公交每次开关车门所需要的时间；H表示最小车头时距；λj表示车站j的乘客到达率；βj和γj表示车站j服务乘客的效率系数；dj表示车站j前面第一条路段的长度；
Figure FDA0002989977970000039
表示车站j前面第一条路段上的路段限速；Vi(t)表示触发控制时刻公交车i的速度；Br(t)表示触发控制时刻在站间行驶的公交车，Br∈B；Bs(t)表示触发控制时刻在站内服务的公交车，Bs∈B；is(t)表示触发控制时刻公交车i将要服务的下一个车站，is∈S；dis(t)表示触发控制时刻公交车i到车站is的距离；Vj(t)表示触发控制时刻车站j前面第一条路段上由交通拥堵造成的限速；Ai，j表示公交车i到达车站j的时刻；Ai，is表示公交车i到达车站is的时刻；Di，j表示公交车i离开车站j的时刻；Vi，j表示公交车i在车站j前面第一条路段上行驶的控制速度；Vi，is表示公交车i在车站is前面第一条路段上行驶的控制速度；hi，j表示表示公交车i在车站j的驻车时间。
9.一种面向公交在途控制的决策映射装置，其特征在于，包括：
状态信息获取模块，用于获取公交系统的实时状态信息；
关键信息提取模块，用于基于实时状态信息进行特征提取，得到关键状态信息；
控制信息获取模块，用于将关键状态信息输入预先映射好的公交在途控制非线性决策规则，输出对应的控制信息；其中，所述公交在途控制非线性决策规则通过如下方法得到：
获取公交系统的历史状态信息集；
对历史状态信息集中的每个历史状态信息进行特征提取，得到历史关键状态信息集；
将历史状态信息集中的每个历史状态信息输入预先构建的公交在途控制优化模型中，得到历史控制信息集；
基于历史关键状态信息集与历史控制信息集进行离线映射，得到以关键状态信息为输入、以控制信息为输出的公交在途控制非线性决策规则。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序适于被处理器加载并执行如权利要求1至8任一项所述的面向公交在途控制的决策映射方法。
CN202110312743.2A 2021-03-24 2021-03-24 一种面向公交在途控制的决策映射方法、装置及存储介质 Active CN113077641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110312743.2A CN113077641B (zh) 2021-03-24 2021-03-24 一种面向公交在途控制的决策映射方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110312743.2A CN113077641B (zh) 2021-03-24 2021-03-24 一种面向公交在途控制的决策映射方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113077641A true CN113077641A (zh) 2021-07-06
CN113077641B CN113077641B (zh) 2022-06-14

Family

ID=76613629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110312743.2A Active CN113077641B (zh) 2021-03-24 2021-03-24 一种面向公交在途控制的决策映射方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113077641B (zh)

Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789175A (zh) * 2010-01-08 2010-07-28 北京工业大学 公共交通多线路静态协调调度方法
CN101789182A (zh) * 2010-02-05 2010-07-28 北京工业大学 一种基于平行仿真技术的交通信号控制系统及方法
CN104183147A (zh) * 2014-08-01 2014-12-03 浙江工业大学 改善公交准点率的公交车行驶速度控制方法
CN104376716A (zh) * 2014-11-28 2015-02-25 南通大学 一种基于贝叶斯网络模型的公交时刻表动态生成方法
CN105046379A (zh) * 2015-09-09 2015-11-11 东南大学 一种城市公交发车时刻表优化方法
CN105096584A (zh) * 2014-05-06 2015-11-25 中兴通讯股份有限公司 一种交通决策支持方法、装置及系统
CN105261208A (zh) * 2015-09-30 2016-01-20 苏州大学 一种抑制城市公共汽车串车的行驶车速控制方法
US9568915B1 (en) * 2016-02-11 2017-02-14 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous or semi-autonomous vehicle
CN108447282A (zh) * 2018-05-18 2018-08-24 长沙理工大学 一种基于车路协同的公交实时调度与优先控制方法
CN109109863A (zh) * 2018-07-28 2019-01-01 华为技术有限公司 智能设备及其控制方法、装置
CN109389835A (zh) * 2018-11-16 2019-02-26 北方工业大学 一种城市道路交通需求与控制的映射方法
CN109493593A (zh) * 2018-10-15 2019-03-19 同济大学 一种考虑舒适度的公交运行轨迹优化方法
CN109584600A (zh) * 2018-12-21 2019-04-05 南通大学 应用于无人驾驶公交车的时刻表可靠性的自动化控制方法
CN110114806A (zh) * 2018-02-28 2019-08-09 华为技术有限公司 信号灯控制方法、相关设备及系统
CN110103987A (zh) * 2019-05-21 2019-08-09 北京百度网讯科技有限公司 应用于自动驾驶车辆的决策规划方法和装置
CN110119835A (zh) * 2019-03-26 2019-08-13 杭州电子科技大学 一种基于区间计算的公交动态发车调度优化方法
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
WO2019225053A1 (ja) * 2018-05-25 2019-11-28 株式会社Ｊｖｃケンウッド 記録制御装置、記録制御方法及びプログラム
CN110991095A (zh) * 2020-03-05 2020-04-10 北京三快在线科技有限公司 一种车辆行驶决策模型的训练方法及装置
CN111469917A (zh) * 2019-01-07 2020-07-31 上海汽车集团股份有限公司 车辆转向控制方法及装置
CN111489551A (zh) * 2020-04-23 2020-08-04 河海大学 一种车联网环境下城市公交线路多站联动调度优化方法
CN111554085A (zh) * 2020-07-09 2020-08-18 中邮建技术有限公司 一种公共交通一体化出行智能服务装置及其应用方法
CN112037507A (zh) * 2020-08-10 2020-12-04 东南大学 一种过饱和交通状态干线自适应信号协调设计方法与装置
CN112085165A (zh) * 2020-09-02 2020-12-15 中国第一汽车股份有限公司 一种决策信息生成方法、装置、设备及存储介质
CN112158199A (zh) * 2020-09-25 2021-01-01 北京百度网讯科技有限公司 巡航控制方法、装置、设备、车辆及介质
WO2021004115A1 (zh) * 2019-07-11 2021-01-14 北京航空航天大学 一种人工驾驶公交和自动驾驶公交联合调度优化方法
CN112440765A (zh) * 2019-09-04 2021-03-05 北汽福田汽车股份有限公司 车辆动力输出功率的控制方法及燃料电池电动汽车
CN112477881A (zh) * 2020-12-09 2021-03-12 北京罗克维尔斯科技有限公司 车辆控制指令的生成方法和装置

Patent Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789175A (zh) * 2010-01-08 2010-07-28 北京工业大学 公共交通多线路静态协调调度方法
CN101789182A (zh) * 2010-02-05 2010-07-28 北京工业大学 一种基于平行仿真技术的交通信号控制系统及方法
CN105096584A (zh) * 2014-05-06 2015-11-25 中兴通讯股份有限公司 一种交通决策支持方法、装置及系统
CN104183147A (zh) * 2014-08-01 2014-12-03 浙江工业大学 改善公交准点率的公交车行驶速度控制方法
CN104376716A (zh) * 2014-11-28 2015-02-25 南通大学 一种基于贝叶斯网络模型的公交时刻表动态生成方法
CN105046379A (zh) * 2015-09-09 2015-11-11 东南大学 一种城市公交发车时刻表优化方法
CN105261208A (zh) * 2015-09-30 2016-01-20 苏州大学 一种抑制城市公共汽车串车的行驶车速控制方法
US9568915B1 (en) * 2016-02-11 2017-02-14 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous or semi-autonomous vehicle
CN110114806A (zh) * 2018-02-28 2019-08-09 华为技术有限公司 信号灯控制方法、相关设备及系统
CN108447282A (zh) * 2018-05-18 2018-08-24 长沙理工大学 一种基于车路协同的公交实时调度与优先控制方法
WO2019225053A1 (ja) * 2018-05-25 2019-11-28 株式会社Ｊｖｃケンウッド 記録制御装置、記録制御方法及びプログラム
CN109109863A (zh) * 2018-07-28 2019-01-01 华为技术有限公司 智能设备及其控制方法、装置
CN109493593A (zh) * 2018-10-15 2019-03-19 同济大学 一种考虑舒适度的公交运行轨迹优化方法
CN109389835A (zh) * 2018-11-16 2019-02-26 北方工业大学 一种城市道路交通需求与控制的映射方法
CN109584600A (zh) * 2018-12-21 2019-04-05 南通大学 应用于无人驾驶公交车的时刻表可靠性的自动化控制方法
CN111469917A (zh) * 2019-01-07 2020-07-31 上海汽车集团股份有限公司 车辆转向控制方法及装置
CN110119835A (zh) * 2019-03-26 2019-08-13 杭州电子科技大学 一种基于区间计算的公交动态发车调度优化方法
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
CN110103987A (zh) * 2019-05-21 2019-08-09 北京百度网讯科技有限公司 应用于自动驾驶车辆的决策规划方法和装置
WO2021004115A1 (zh) * 2019-07-11 2021-01-14 北京航空航天大学 一种人工驾驶公交和自动驾驶公交联合调度优化方法
CN112440765A (zh) * 2019-09-04 2021-03-05 北汽福田汽车股份有限公司 车辆动力输出功率的控制方法及燃料电池电动汽车
CN110991095A (zh) * 2020-03-05 2020-04-10 北京三快在线科技有限公司 一种车辆行驶决策模型的训练方法及装置
CN111489551A (zh) * 2020-04-23 2020-08-04 河海大学 一种车联网环境下城市公交线路多站联动调度优化方法
CN111554085A (zh) * 2020-07-09 2020-08-18 中邮建技术有限公司 一种公共交通一体化出行智能服务装置及其应用方法
CN112037507A (zh) * 2020-08-10 2020-12-04 东南大学 一种过饱和交通状态干线自适应信号协调设计方法与装置
CN112085165A (zh) * 2020-09-02 2020-12-15 中国第一汽车股份有限公司 一种决策信息生成方法、装置、设备及存储介质
CN112158199A (zh) * 2020-09-25 2021-01-01 北京百度网讯科技有限公司 巡航控制方法、装置、设备、车辆及介质
CN112477881A (zh) * 2020-12-09 2021-03-12 北京罗克维尔斯科技有限公司 车辆控制指令的生成方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TAKASHI NAGATANI: "Nonlinear-map model for bus schedule in capacity-controlled transportation", 《APPLIED MATHEMATICAL MODELLING》 *
TAKASHI NAGATANI: "Nonlinear-map model for bus schedule in capacity-controlled transportation", 《APPLIED MATHEMATICAL MODELLING》, 8 May 2012 (2012-05-08), pages 1823 - 1835 *
张莉: "城市公交车辆调度优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
张莉: "城市公交车辆调度优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 1, 15 January 2019 (2019-01-15) *

Also Published As

Publication number Publication date
CN113077641B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
Bie et al. Dynamic headway control for high‐frequency bus line based on speed guidance and intersection signal adjustment
Stebbins et al. Characterising green light optimal speed advisory trajectories for platoon-based optimisation
Haahr et al. A dynamic programming approach for optimizing train speed profiles with speed restrictions and passage points
Estrada et al. Bus control strategies in corridors with signalized intersections
Lin et al. Transit priority strategies for multiple routes under headway-based operations
Sicre et al. Modeling and optimizing energy‐efficient manual driving on high‐speed lines
CN107945507A (zh) 行程时间预测方法及装置
Ci et al. V2I-based car-following modeling and simulation of signalized intersection
Zeng et al. Person-based adaptive priority signal control with connected-vehicle information
Dujardin et al. Multiobjective and multimodal adaptive traffic light control on single junctions
Ferrari The dynamics of modal split for freight transport
Van Oort et al. Reliability improvement in short headway transit services: Schedule-and headway-based holding strategies
Kapusta et al. Preemptive traffic light control based on vehicle tracking and queue lengths
Deng et al. Reduce bus bunching with a real-time speed control algorithm considering heterogeneous roadway conditions and intersection delays
Li et al. Connected vehicle-based traffic signal coordination
CN109398426B (zh) 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法
Barthauer et al. Presorting and presignaling: A new intersection operation mode for autonomous and human-operated vehicles
CN113724509B (zh) 一种时空协同的公交优先控制方法和装置
CN113077641B (zh) 一种面向公交在途控制的决策映射方法、装置及存储介质
Wang et al. Optimal trajectory planning for trains under a moving block signaling system
Chen et al. Signal Timing Optimization for Corridors with Multiple Highway‐Rail Grade Crossings Using Genetic Algorithm
Wang et al. Train trajectory optimization of opposite trains on single-track railway lines
Wang et al. Energy-efficient speed profile optimization for urban rail transit with considerations on train length
Li et al. Large-scale incident-induced congestion: en-route diversions of commercial and non-commercial traffic under connected and automated vehicles
Dashdamirov Assessment of time loss of buses in the route network

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