CN113191028A - 交通仿真方法、系统、程序及介质 - Google Patents
交通仿真方法、系统、程序及介质 Download PDFInfo
- Publication number
- CN113191028A CN113191028A CN202110735968.9A CN202110735968A CN113191028A CN 113191028 A CN113191028 A CN 113191028A CN 202110735968 A CN202110735968 A CN 202110735968A CN 113191028 A CN113191028 A CN 113191028A
- Authority
- CN
- China
- Prior art keywords
- travel
- trip
- plan
- evaluation result
- strategy
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 149
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000001172 regenerating effect Effects 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 27
- 238000009825 accumulation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization 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]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通仿真方法、系统、程序及介质，该方法包括以下步骤：在初始化出行者的出行计划后；执行所述出行计划，并生成评估结果；若所述评估结果未满足第一预设条件，则利用个人出行决策以及超启发式算法对所述出行计划进行重新规划，生成新的出行计划；执行所述新的出行计划，并重新生成评估结果；直至所述评估结果满足第一预设条件，生成交通仿真结果。本发明能够结合出行者的决策、经验积累以及交通系统运行过程中的不确定性，提高交通仿真的精确性、灵活性、扩展性以及兼容性。
Description
技术领域
本发明涉及交通仿真领域，尤其涉及一种交通仿真方法、系统、程序及介质。
背景技术
现有的交通规划模型通常可以分为宏观模型与微观模型，宏观模型如PTV公司的Vissum，TransCAD，SUMO等通常采用四阶段模型对城市交通系统运行过程中进行简单抽象，意在解决城市中日常出行活动的出行规划，对城市道路、交通资源进行有效规划与利用。基本所有模型都是基于传统的交通规划四阶段法进行建模分析，建模过程分为出行产生，出行分布，方式划分以及流量分布；微观模型如Vissim对出行者在路段上的驾驶行为进行模拟与建模，关注交通行为在路网与设施的运行与个体之间的相互影响。
但是，宏观交通规划模型中应用的四阶段法是静态模型，在模型规划是只针对某一时刻的交通系统状态进行建模，如早晚高峰时段，如果要对不同时段进行，通常的解决方案是建立多个独立的模型对不同的状态的交通进行还原，模型之间相互独立，不会相互影响；另外，四阶段模型是上帝视角的系统仿真，即关注的是规则制定者通过一定的规则或统计信息进行交通系统的规划与仿真，不考虑出行者在出行过程中的决策及不确定性，另外从系统的角度来说，模型结果通常考虑的是系统最优，而非个体最优，流量分配的结果不考虑个体的实际决策过程与经验累积的应用，而只是粗粒度的从系统整体决定路段流量的大小与服务水平。
而微观交通模型如Vissim等着重于对个体行为进行模拟，只能对小型区域范围内的车辆和行人进行分析，随着仿真区域的扩大，其仿真性能会急剧下降。另外不论是微观模型还是宏观模型，考虑到商业上应用的通用性，通常模型的兼容性不高，模型功能较为单一，灵活性不足，二次开发的便利性不足，部分软件甚至不提供后续扩展接口。
发明内容
有鉴于此，本申请实施例提供一种交通仿真方法、系统、程序及介质，能够结合出行者的决策、经验积累以及交通系统运行过程中的不确定性，提高交通仿真的精确性、灵活性、扩展性以及兼容性。
本申请实施例提供了一种交通仿真方法，所述方法包括：
在初始化出行者的出行计划后，执行所述出行计划，并生成评估结果；
若所述评估结果未满足第一预设条件，则利用超启发式算法，且基于所述个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划；
执行所述第一出行计划，并生成所述第一出行计划的评估结果；
对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新；
直至所述第一出行计划的评估结果达到第二预设条件，则停止对所述个人出行决策的选择策略进行更新，获得所述新的出行计划；
执行所述新的出行计划，并重新生成评估结果；
直至所述评估结果满足第一预设条件，生成交通仿真结果。
在一实施例中，所述执行所述第一出行计划，并生成所述第一出行计划的评估结果，包括：
将所述第一出行计划分解为多个单次出行计划，并通过集群管理分配到各个集群节点上；其中，所述第一出行计划由多个单次出行计划组成；
计算获得所述多个单次出行计划的出行结果信息；
基于多个所述出行结果信息，对所述第一出行计划进行评估，生成所述第一出行计划的评估结果。
在一实施例中，所述利用个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划，包括：
在所述个人出行决策的选择策略的第一层选择策略中随机选出第一策略；
基于所述第一策略，在所述个人出行决策的选择策略的第二层选择策略中随机选出第二策略，生成多个所述第一出行计划。
在一实施例中，所述对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新，包括：
若当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则重新对当前的第一出行计划的所述第一策略以及所述第二策略进行随机选择；
若当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则保留当前的第一出行计划选择的所述第一策略以及所述第二策略。
在一实施例中，所述对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新，还包括：
若当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重增加设定值；
若当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重减少所述设定值。
若当前的第一出行计划的评估结果等于上次的第一出行计划的评估结果，且评选结果的对比次数超过预设阈值，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重重置为初始值。
在一实施例中，所述第一策略至少包括：改变出行目的地、改变出行方式、改变出行路径、改变出行目标；所述第二策略至少包括最短出行距离、最短出行时间、包含不确定性、参考上次出行经验。
在一实施例中，所述初始化出行者的出行计划，包括：
确定出行方式、出发时间以及出行目的地；
利用所述出行方法、所述出行时间以及所处出行目的地，基于最短出行距离选择出行计划。
在一实施例中，所述执行所述出行计划，并生成评估结果，包括：
按照预设的仿真时间步长执行所述出行计划，并获取执行所述出行计划产生的出行效用；
利用所述出行计划产生的出行效用，对所述出行计划进行评估，生成所述评估结果。
在一实施例中，所述直至所述评估结果满足预设条件，生成交通仿真结果，包括：
对所述评估结果进行计数；
直至所述评估结果的次数大于或者等于预设循环次数，则生成交通仿真结果。
为实现上述目的，还提供一种交通仿真系统，所述系统，包括：
初始化模块，用于初始化出行者的出行计划；
第一执行与评估模块，用于执行所述出行计划，并生成评估结果；
重新规划模块，用于若所述评估结果未满足预设条件，则利用超启发式算法，且基于所述个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划；
执行所述第一出行计划，并生成所述第一出行计划的评估结果；
对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新；
直至所述第一出行计划的评估结果达到第二预设条件，则停止对所述个人出行决策的选择策略进行更新，获得所述新的出行计划；
第二执行与评估模块，用于重新执行所述新的出行计划，并重新生成所述评估结果；
结果分析模块，用于直至所述评估结果满足第一预设条件，生成交通仿真结果。
为实现上述目的，还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一所述的交通仿真方法的步骤。
为实现上述目的，还提供一种计算机存储介质，所述计算机存储介质上存储有交通仿真方法程序，所述交通仿真方法程序被处理器执行时实现上述任一所述的交通仿真方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：在初始化出行者的出行计划后；执行所述出行计划，并生成评估结果；若所述评估结果未满足第一预设条件，则利用个人出行决策以及超启发式算法对所述出行计划进行重新规划，生成新的出行计划；通过个人出行决策以及超启发式算法对出行计划进行重新规划，充分考虑出行者在生活中的实际情况，结合出行者的决策，交通系统中临时出现的不确定性，系统的感知误差以及他人出行经验的参考等进行充分考虑，为保证整个交通系统的动态平衡提供支持。
执行所述新的出行计划，并重新生成评估结果；直至所述评估结果满足第一预设条件，生成交通仿真结果。通过执行超启发式算法重新规划的新的出行计划以及生成评估结果，进行多次迭代后，使交通仿真更加的精确，当评估结果满足第一预设条件，表示整个交通系统达到动态平衡，则生成交通仿真结果。本发明能够结合出行者的决策、经验积累以及交通系统运行过程中的不确定性，提高交通仿真的精确性、灵活性、扩展性以及兼容性。
附图说明
图1为本申请交通仿真方法第一实施例的流程示意图；
图2为个人出行决策的架构示意图；
图3为本申请交通仿真方法的整体架构图；
图4为本申请交通仿真方法第一实施例的步骤S130的具体实施步骤；
图5为超启发式算法的架构示意图；
图6为本申请交通仿真方法第一实施例的步骤S120的具体实施步骤；
图7为个人出行决策的选择策略的架构示意图；
图8为本申请的交通仿真方法第二实施例的流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：在初始化出行者的出行计划后；执行所述出行计划，并生成评估结果；若所述评估结果未满足第一预设条件，则利用个人出行决策以及超启发式算法对所述出行计划进行重新规划，生成新的出行计划；执行所述新的出行计划，并重新生成评估结果；直至所述评估结果满足第一预设条件，生成交通仿真结果。本发明能够结合出行者的决策及不确定性，提高交通仿真的精确性、灵活性、扩展性以及兼容性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图1，图1为本申请交通仿真方法的第一实施例，所述方法包括：
步骤S110：在初始化出行者的出行计划后，执行所述出行计划，并生成评估结果。
具体地，出行者可以是交通仿真系统中的智能个体，被模拟计算一定时长的出行情况；其中一定时长可以为24小时（一天），也可以是一周，或者更长时间，在此并不作限定。
同时，对交通仿真系统中的出行者的出行计划，以及道路路网、设施等进行初始化，可以是所有出行者第一次到达模型仿真的区域，对道路系统仅有基本了解，且不了解其他出行者的出行路径以及出行选择，可以通过智能终端查询路径规划出行计划，其中智能终端可以是智能手机、平板电脑以及智能手表等。
具体地，执行出行计划，是将所有出行者的计划进行还原，具体模拟车辆或行人在整个交通系统、路网中的具体位置以及运行状态。其中，整个执行过程中的车辆将会受制于整个交通系统的运行状态，而不会完全按照事先的计划进行，比如车辆经过某个交叉口时会实时的遭遇信号控制，根据实际的情况通过交叉口，同时如果某一路段的车辆较多，则其在此路段上的出行时间会比车辆较少时的时间长。另外，如果某一路段的车辆由于信号控制或突发事件导致车辆停滞，其容量达到一定程度后，后续路段的车辆要驶入时需要在之前的路段等待，直到路段上一定数量的车辆驶离后后续路段的车辆才能进入此路段。
步骤S120：若所述评估结果未满足第一预设条件，则利用超启发式算法，且基于所述个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划。
具体地，为尽量符合现实情况中出行者的选择决策过程，个人出行决策的选择策略采用双层策略结构，模拟日常出行过程中的经验积累的过程。
进一步地，根据个人出行决策第一层选择策略以及第二层选择策略的不同，对每个出行者重新进行规划，生成多个第一出行计划。
步骤S130：执行所述第一出行计划，并生成所述第一出行计划的评估结果；
具体地，参照步骤S110的具体实施方式，在此不再赘述。
步骤S140：对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新；
具体地，可以根据评估结果的优劣对个人出行决策的选择策略进行更新，以产生更加符合现实情况中出行者的选择以及决策。
步骤S150：直至所述第一出行计划的评估结果达到第二预设条件，则停止对所述个人出行决策的选择策略进行更新，获得所述新的出行计划。
具体地，第一出行计划的评估结果达到第二预设条件可以是第一出行计划的评估次数达到预设阈值，预设阈值在此不作限定；也可以是第一出行计划重新规划的计算时间超过预先设置的时间阈值，时间阈值在此不作限定；以及也可以是经过多次迭代后计算结果呈现收敛状态。
通过个人出行决策以及超启发式算法对出行计划进行重新规划，考虑出行者个人的实际感受与决策、选择过程中所考虑的各种因素，更贴合于实际情况，因此模型结果也更加精确与逼真。
具体地，评估结果未满足第一预设条件可以是评估结果的差别在期望值范围内，或者也可以是评估结果的迭代次数达到预设循环次数，在此并不作限定，可以根据仿真系统的具体需要进行调整。
进一步，参照图2，图2为个人出行决策的架构，出行者在不断的迭代过程中累积自身出行经验，根据个体差异融合对整个城市/区域交通系统的认知，包括对其他个体选择的认知偏差以及对整个交通仿真系统不确定性的判断。个体对整个系统的认知与经验积累使之有别于其他的交通仿真软件，整个仿真过程中会保留每个出行者个体的认知偏差与不确定性，举例来说，某出行者在某次迭代过程中获取到有一定数量的车辆在特定时间行驶在某条道路上，在下一次的出行过程中此出行者会参考此次迭代的经验，动态的选择是否在下一次出行选择此条路段，同时由于每个出行者都是独立的智能体，其他出行者可能同样考虑犹豫此条道路太过拥堵而选取其他路段。如此反复，在迭代次数达到一定数量以后，个体出行者在制定出行不仅会综合考虑之前出行时累积的经验，还会博弈的考虑其他出行者是否会采用相同的路径，以及整个交通系统运行的不确定性。也因此，整个交通系统达到了与现实高度相符的动态平衡过程。
步骤S160：执行所述新的出行计划，并重新生成评估结果。
具体地，步骤S130参照步骤S110中的具体实施方式，在此不再赘述。
步骤S170：直至所述评估结果满足第一预设条件，生成交通仿真结果。
具体地，在所述评估结果满足第一预设条件时，整个交通系统会达到一个动态平衡的过程，此时虽然部分出行者在进行出行计划的规划时仍然会有调整，但整个交通系统会在一定的范围内小幅度的波动。此时可以认为整个交通系统达到了动态的随机平衡状态，可以对交通系统的状态进行分析并生成交通仿真结果。
需要另外说明的是，可以根据实际需求对交通仿真模型进行应用，比如，测试在某一地段建立新的道路前后由多少流量可以被分流到新建道路上，或对公交、地铁的票价进行敏感性分析，测试费用变动时对公交出行比例的影响等。由于整个交通仿真系统采用了分布式计算架构，面对大规模大批量的出行模型仿真时，其计算效率提高，计算时间大幅缩短，通过计算资源的合理配置，在一定程度上可以满足半实时甚至实时的模型计算需求。实时或半实时的交通仿真模型计算可以用于应急系统指挥，避灾救难等场景，测试在交通系统实时崩溃的情况下不同的救援方案的实施效果，从而选择最优的救援方案，可提供快速准确的数据决策支持。
进一步地，生成交通仿真结果后，对交通仿真结果进行分析；将交通仿真结果与实际交通数据进行对比，调整参数后重新运行交通仿真系统；也可以将调整参数后的交通仿真系统进行应用；应用的方式可以包括形成分析报告，也可以是进行交通仿真模型的可视化，使仿真结果更加直观的呈现，提高交通仿真结果的直观性。
参照图3，图3为本申请交通仿真方法的整体架构图。
在上述实施例中，存在的有益效果为：在初始化出行者的出行计划后，执行所述出行计划，并生成评估结果；若所述评估结果未满足第一预设条件，则利用个人出行决策以及超启发式算法对所述出行计划进行重新规划，生成新的出行计划；通过个人出行决策以及超启发式算法对出行计划进行重新规划，充分考虑出行者在生活中的实际情况，结合出行者的决策，交通系统中临时出现的不确定性，系统的感知误差以及他人出行经验的参考等进行充分考虑，为保证整个交通系统的动态平衡提供支持。
执行所述新的出行计划，并重新生成评估结果；直至所述评估结果满足第一预设条件，生成交通仿真结果。通过执行超启发式算法重新规划的新的出行计划以及生成评估结果，进行多次迭代后，使交通仿真更加的精确，当评估结果满足第一预设条件，表示整个交通系统达到动态平衡，则生成交通仿真结果。本实施例能够结合出行者的决策、经验积累以及交通系统运行过程中的不确定性，提高交通仿真的精确性、灵活性、扩展性以及兼容性。
参照图4，图4为本申请交通仿真方法第一实施例中步骤S130的具体实施步骤，所述执行所述第一出行计划，并生成所述第一出行计划的评估结果，包括：
步骤S131：将所述第一出行计划分解为多个单次出行计划，并通过集群管理分配到各个集群节点上；其中，所述第一出行计划由多个单次出行计划组成。
具体地，集群是一组相互独立的、通过高速网络互联的计算机，它们构成了一个组，并以单一系统的模式加以管理。一个客户与集群相互作用时，集群像是一个独立的服务器。集群配置是用于提高可用性和可缩放性。
具体地，将第一出行计划分解为多个单次出行计划，并通过集群同一调度分配资源，确保每一条出行信息根据定制的超启发式策略进行执行与计算。
步骤S132：计算获得所述多个单次出行计划的出行结果信息。
具体地，将多个单次出行计划放入GraphX图中进行计算，获得出行者的单次出行计划在路网中实际的出行结果信息。
步骤S133：基于多个所述出行结果信息，对所述第一出行计划进行评估，生成所述第一出行计划的评估结果。
具体地，将出行者的多个单次出行计划的出行结果信息进行合并，生成每个出行者一整天（或者一周，或者更长时间）的出行计划，对整个第一出行计划进行评估，生成第一出行计划的评估结果。
参照图5，图5为超启发算法的架构示意图。
在上述实施例中，存在的有益效果为：本实施例兼顾了集群计算的优势，整个架构设计时既可完美兼容在集群上运行，又保证了单机运行的效率性与可执行性。尤其是随着计算机与社会的发展，大型区域的交通仿真的需求越加迫切，集群计算的优势兼顾了可对大型区域仿真的同时，保证了计算时间与计算效率。
参照图6，图6为本申请交通仿真方法第一实施例中步骤S120的具体实施步骤，所述利用个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划，包括：
步骤S121：在所述个人出行决策的选择策略的第一层选择策略中随机选出第一策略。
步骤S122：基于所述第一策略，在所述个人出行决策的选择策略的第二层选择策略中随机选出第二策略，生成多个所述第一出行计划。
具体地，通过对个人出行决策的选择策略的第一策略以及第二策略，其中两层策略是相互独立的，改变任何一个策略，都会导致出行计划规划的不同，则可以生成多个第一出行计划。
在上述实施例中，基于双层结构的个人出行决策的选择策略，保证交通仿真中的个体选择与现实中的个人决策更加贴近，提高交通仿真效果。
在其中一个实施例中，所述对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新，包括：
若当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则重新对当前的第一出行计划的所述第一策略以及所述第二策略进行随机选择；
若当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则保留当前的第一出行计划选择的所述第一策略以及所述第二策略。
具体地，如果当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则保留此次个人出行决策的选择决策；如果当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则重新对个人出行决策中的选择策略进行选择，根据新选择的选择策略生成出行计划。
在其中一个实施例中，所述对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新，还包括：
若当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重增加设定值；
若当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重减少所述设定值。
具体地，设定值可以为0.1，也可以是其他的数值，在此不作限定。
进一步地，如果当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则当前的第一出行计划选中的策略的权值将会增大，则在后续的个人决策选择中，其被选中的概率会增大设定值；而如果当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则将当前的第一出行计划选中的策略的权值降低设定值，从而变相增大其他策略被选中的概率。
具体地，根据上次出行计划以及备选计划进行评估，并对所有计划的执行结果进行排序，模拟出行者在出行过程中对交通系统运行的感知误差以及对其他出行者出行计划变化估计的经验判断，在系统不确定性条件下按照排序的先后顺序赋以每个出行可能的计划一定的概率，并进行随机选择（排序越靠前的计划被选中的概率越大），以确保整个系统最后达到的是动态平衡状态。
若当前的第一出行计划的评估结果等于上次的第一出行计划的评估结果，且评选结果的对比次数超过预设阈值，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重重置为初始值。
具体地，在迭代过程中可能存在计算过程中即使经过了多次迭代，出行者策略的评估结果未能有显著的提升，此时程序可能陷入局部最优的状态，即使更新权值也未能跳出局部最优，为解决这种情况，系统设置了重置功能，在评选结果的对比次数（连续迭代）超过10次后评估结果未能有显著提升，则重置所有策略的选择权重，以期可以跳出局部最优的状态；其中，初始值可以是0，初始值也可以是根据出行者的偏好对个人出行决策的选择策略中的第一策略以及第二策略进行权重设置。其中，所有出行计划根据其评估结果以及对交通系统的感知误差被按照权重随机选中，从而保证系统的不确定性符合出行过程中的感知误差与系统不确定性。
在其中一个实施例中，所述第一策略至少包括：改变出行目的地、改变出行方式、改变出行路径、改变出行目标；所述第二策略至少包括最短出行距离、最短出行时间、包含不确定性、参考上次出行经验。其中，所述参考上次出行经验，可以是参考自己上次的出行经验，也可以是参考其他出行者的出行经验，将出行经验加入到重新规划出行计划的过程中，并利用超启发算法进行重新规划；不确定性可以是交通系统运行过程中的不确定性，比如交通事故造成的堵车以及出行者临时的出行计划改变等。
具体地，如图7所示为个人出行决策的选择策略的架构示意图，第一策略中还包括改变出行目的地、改变出行方式、改变出行路径、改变出行目标四种策略的混合选择策略。所有策略均建立在逻辑正确的基础上，如刚性出行时（如通勤出行）出行者不能随意改变出行目的地以及预估到达时间，但可以提前出发时间，改变路径或出行方式，根据出行者机动车拥有情况，没有机动车的出行者不能驾车出行，以及采用公交、地铁出行方式不能随意改变出行路径，而只能按照公共交通的线路表在服务时间范围内进行调整。
在上述实施例中，通过双层架构的设置，使交通仿真过程中的个人出行更加符合现实情况中出行者的选择决策，使交通仿真结果更加的准确。
参照图8，图8为本申请交通仿真方法的第二实施例，所述方法包括：
步骤S210：确定出行方式、出发时间以及出行目的地。
具体地，出行方式可以包括公交、地铁、步行、骑行（自行车、电动车、摩托车）、驾车等；所有出行者此时随机选择可行的出行方式（例如其未拥有机动车，则不可以选择驾车作为其出行方式，如果出行者第一次出行选择驾车作为其出行方式，则后续的出行方式也需要选择驾车作为出行方式，直到回到目的地为止，而不能将其留在中间某次出行的目的地）。
步骤S220：利用所述出行方式、所述出行时间以及所述出行目的地，基于最短出行距离选择出行计划。
具体地，在确定了出行方式之后，由于出行者对路网的拥堵程度未有感知，所有路径均采用最短出行距离进行路径选择（公交方式除外），同时也可以采用最短出行时间进行路径选择，在此并不作限定，可以根据出行者的实际情况进行选择。
步骤S230：按照预设的仿真时间步长执行所述出行计划，并获取执行所述出行计划产生的出行效用。
具体地，预设的时间步长可以为每五分钟或者每十分钟，具体的时间步长，在此并不限定。
具体地，可以基于不同出行目的地之间的出行过程中产生的效用以及在目的地进行活动时产生的效用；其中所述效用可以是负效用，其中，负效用是指某种商品或劳务给人们所带来的不舒服或痛苦的感受，商品或劳务会满足人们的欲望而具有效用。但如果某种商品的总效用达到了最大点，继续增加这种商品的消费量就必然产生负效应。
同时，基于不同出行目的地之间的出行过程中产生的效用，包括出行时间（公交车、地铁车厢的拥挤程度、道路车辆拥挤程度、等待时间以及遭遇的信号控制的交叉口），出行费用（公交费用、高速公路过路费、出租车费用、以及其他潜在的影响出行且可量化的费用）；另外，在目的地进行活动时产生的效用包括由于交通拥堵导致的迟到、早到产生不必要的等待时间以及由后续出行计划影响产生的早退等。
需要另外说明的是，在对每个出行者的出行计划进行效用计算时，需要对每个出行者的出行计划进行标准化后进行计算，可以按照平均时间或者出行平均费用等。
步骤S240：利用所述出行计划产生的出行效用，对所述出行计划进行评估，生成所述评估结果。
步骤S250：若所述评估结果未满足第一预设条件，则利用个人出行决策的选择策略以及超启发式算法对所述出行计划进行重新规划，生成新的出行计划。
步骤S260：执行所述新的出行计划，并重新生成评估结果。
步骤S270：对所述评估结果进行计数。
步骤S280：直至所述评估结果的次数大于或者等于预设循环次数，则生成交通仿真结果。
具体地，预设循环次数在此并不限定，根据交通仿真系统所要求的精度设置。
第二实施例与第一实施例相比，具体包括步骤S210、步骤S220、步骤S230以及步骤S240，其他步骤在第一实施例中已经进行了阐述，在此不再赘述。
在上述实施例中，存在的有益效果为：本实施例避免了商业软件需要兼顾多个场景，模型建立后只能解决固定几类问题的弊端，灵活性高，计算结果除可以解决大部分交通相关问题外，还可以解决城市规划，个人出行，公交地铁线路优化等多个问题多种场景的应用。同时扩展性好，可以根据实际项目适当的调整模型参数，兼容性高于同类软件，同时避免了传统交通仿真软件从上帝视角建立模型，本申请考虑出行者个人的实际感受与决策、选择过程中所考虑的各种因素，更贴合于实际情况，因此模型结果也更加精确与逼真。
本申请还提供一种交通仿真系统，所述系统，包括：
初始化模块，用于初始化出行者的出行计划；
第一执行与评估模块，用于执行所述出行计划，并生成评估结果；
重新规划模块，用于若所述评估结果未满足预设条件，则利用超启发式算法，且基于所述个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划；
执行所述第一出行计划，并生成所述第一出行计划的评估结果；
对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新；
直至所述第一出行计划的评估结果达到第二预设条件，则停止对所述个人出行决策的选择策略进行更新，获得所述新的出行计划；
第二执行与评估模块，用于重新执行所述新的出行计划，并重新生成所述评估结果；
结果分析模块，用于直至所述评估结果满足第一预设条件，生成交通仿真结果。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一所述的交通仿真方法的步骤。
本申请还提供一种计算机存储介质，其特征在于，所述计算机存储介质上存储有交通仿真方法程序，所述交通仿真方法程序被处理器执行时实现上述任一所述的交通仿真方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发
明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种交通仿真方法，其特征在于，所述方法包括：
在初始化出行者的出行计划后，执行所述出行计划，并生成评估结果；
若所述评估结果未满足第一预设条件，则利用超启发式算法，且基于个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划；
执行所述第一出行计划，并生成所述第一出行计划的评估结果；
对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新；
直至所述第一出行计划的评估结果达到第二预设条件，则停止对所述个人出行决策的选择策略进行更新，获得所述新的出行计划；
执行所述新的出行计划，并重新生成评估结果；
直至所述评估结果满足第一预设条件，生成交通仿真结果。
2.如权利要求1所述的交通仿真方法，其特征在于，所述执行所述第一出行计划，并生成所述第一出行计划的评估结果，包括：
将所述第一出行计划分解为多个单次出行计划，并通过集群管理分配到各个集群节点上；其中，所述第一出行计划由多个单次出行计划组成；
计算获得所述多个单次出行计划的出行结果信息；
基于多个所述出行结果信息，对所述第一出行计划进行评估，生成所述第一出行计划的评估结果。
3.如权利要求1所述的交通仿真方法，其特征在于，所述基于个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划，包括：
在所述个人出行决策的选择策略的第一层选择策略中随机选出第一策略；
基于所述第一策略，在所述个人出行决策的选择策略的第二层选择策略中随机选出第二策略，生成多个所述第一出行计划。
4.如权利要求3所述的交通仿真方法，其特征在于，所述对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新，包括：
若当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则重新对当前的第一出行计划的所述第一策略以及所述第二策略进行随机选择；
若当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则保留当前的第一出行计划选择的所述第一策略以及所述第二策略。
5.如权利要求3所述的交通仿真方法，其特征在于，所述对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新，还包括：
若当前的第一出行计划的评估结果优于上次的第一出行计划的评估结果，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重增加设定值；
若当前的第一出行计划的评估结果差于上次的第一出行计划的评估结果，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重减少所述设定值；
若当前的第一出行计划的评估结果等于上次的第一出行计划的评估结果，且评选结果的对比次数超过预设阈值，则将当前的第一出行计划中选择的所述第一策略以及所述第二策略的权重重置为初始值。
6.如权利要求3所述的交通仿真方法，其特征在于，所述第一策略至少包括：改变出行目的地、改变出行方式、改变出行路径、改变出行目标；所述第二策略至少包括最短出行距离、最短出行时间、包含不确定性、参考上次出行经验。
7.如权利要求1所述的交通仿真方法，其特征在于，所述初始化出行者的出行计划，包括：
确定出行方式、出发时间以及出行目的地；
利用所述出行方法、所述出行时间以及所处出行目的地，基于最短出行距离选择出行计划。
8.如权利要求1所述的交通仿真方法，其特征在于，所述执行所述出行计划，并生成评估结果，包括：
按照预设的仿真时间步长执行所述出行计划，并获取执行所述出行计划产生的出行效用；
利用所述出行计划产生的出行效用，对所述出行计划进行评估，生成所述评估结果。
9.如权利要求1所述的交通仿真方法，其特征在于，所述直至所述评估结果满足第一预设条件，生成交通仿真结果，包括：
对所述评估结果进行计数；
直至所述评估结果的次数大于或者等于预设循环次数，则生成交通仿真结果。
10.一种交通仿真系统，其特征在于，所述系统，包括：
初始化模块，用于初始化出行者的出行计划；
第一执行与评估模块，用于执行所述出行计划，并生成评估结果；
重新规划模块，用于若所述评估结果未满足预设条件，则利用超启发式算法，且基于所述个人出行决策的选择策略，对每个出行者重新生成多个第一出行计划；
执行所述第一出行计划，并生成所述第一出行计划的评估结果；
对比多个所述第一出行计划的评估结果，得到对比结果，利用所述对比结果对所述个人出行决策的选择策略进行更新；
直至所述第一出行计划的评估结果达到第二预设条件，则停止对所述个人出行决策的选择策略进行更新，获得所述新的出行计划；
第二执行与评估模块，用于重新执行所述新的出行计划，并重新生成所述评估结果；
结果分析模块，用于直至所述评估结果满足第一预设条件，生成交通仿真结果。
11.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-9任一所述的交通仿真方法的步骤。
12.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有交通仿真方法程序，所述交通仿真方法程序被处理器执行时实现权利要求1-9任一所述的交通仿真方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735968.9A CN113191028B (zh) | 2021-06-30 | 2021-06-30 | 交通仿真方法、系统、程序及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735968.9A CN113191028B (zh) | 2021-06-30 | 2021-06-30 | 交通仿真方法、系统、程序及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113191028A true CN113191028A (zh) | 2021-07-30 |
| CN113191028B CN113191028B (zh) | 2021-12-31 |
Family
ID=76976707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110735968.9A Active CN113191028B (zh) | 2021-06-30 | 2021-06-30 | 交通仿真方法、系统、程序及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191028B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066001A (zh) * | 2021-09-25 | 2022-02-18 | 苏州智能交通信息科技股份有限公司 | 基于出行本征的交通服务优化方法、系统、终端及介质 |
| CN114676541A (zh) * | 2022-05-27 | 2022-06-28 | 腾讯科技（深圳）有限公司 | 一种交通仿真的方法、相关装置、设备以及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160878A (zh) * | 2015-09-02 | 2015-12-16 | 深圳市城市交通规划设计研究中心有限公司 | 交通影响评估系统及方法 |
| CN106197455A (zh) * | 2016-07-28 | 2016-12-07 | 武汉大学 | 一种城市交通路网实时动态多路口路径导航量子搜索方法 |
| CN106323268A (zh) * | 2015-06-29 | 2017-01-11 | 上海卓易科技股份有限公司 | 一种移动终端定位出行导航方法和移动终端 |
| CN107123260A (zh) * | 2017-06-26 | 2017-09-01 | 上海交通大学 | 基于出行者预算限制的交通分配方法 |
| CN108064025A (zh) * | 2017-11-23 | 2018-05-22 | 努比亚技术有限公司 | 一种路线规划方法、移动终端以及计算机可读存储介质 |
| CN109598368A (zh) * | 2018-11-14 | 2019-04-09 | 拉扎斯网络科技（上海）有限公司 | 路径决策评估、订单分配方法及装置、电子设备及介质 |
| CN109800910A (zh) * | 2019-01-10 | 2019-05-24 | 浙江工业大学 | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 |
| CN112927513A (zh) * | 2021-03-02 | 2021-06-08 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时在线交通仿真方法及系统 |
-
2021
- 2021-06-30 CN CN202110735968.9A patent/CN113191028B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106323268A (zh) * | 2015-06-29 | 2017-01-11 | 上海卓易科技股份有限公司 | 一种移动终端定位出行导航方法和移动终端 |
| CN105160878A (zh) * | 2015-09-02 | 2015-12-16 | 深圳市城市交通规划设计研究中心有限公司 | 交通影响评估系统及方法 |
| CN106197455A (zh) * | 2016-07-28 | 2016-12-07 | 武汉大学 | 一种城市交通路网实时动态多路口路径导航量子搜索方法 |
| CN107123260A (zh) * | 2017-06-26 | 2017-09-01 | 上海交通大学 | 基于出行者预算限制的交通分配方法 |
| CN108064025A (zh) * | 2017-11-23 | 2018-05-22 | 努比亚技术有限公司 | 一种路线规划方法、移动终端以及计算机可读存储介质 |
| CN109598368A (zh) * | 2018-11-14 | 2019-04-09 | 拉扎斯网络科技（上海）有限公司 | 路径决策评估、订单分配方法及装置、电子设备及介质 |
| CN109800910A (zh) * | 2019-01-10 | 2019-05-24 | 浙江工业大学 | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 |
| CN112927513A (zh) * | 2021-03-02 | 2021-06-08 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时在线交通仿真方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066001A (zh) * | 2021-09-25 | 2022-02-18 | 苏州智能交通信息科技股份有限公司 | 基于出行本征的交通服务优化方法、系统、终端及介质 |
| CN114066001B (zh) * | 2021-09-25 | 2024-03-19 | 苏州智能交通信息科技股份有限公司 | 基于出行本征的交通服务优化方法、系统、终端及介质 |
| CN114676541A (zh) * | 2022-05-27 | 2022-06-28 | 腾讯科技（深圳）有限公司 | 一种交通仿真的方法、相关装置、设备以及存储介质 |
| CN114676541B (zh) * | 2022-05-27 | 2022-09-23 | 腾讯科技（深圳）有限公司 | 一种交通仿真的方法、相关装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113191028B (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hörl et al. | Fleet operational policies for automated mobility: A simulation assessment for Zurich | |
| Maciejewski | A comparison of microscopic traffic flow simulation systems for an urban area | |
| CN113191028B (zh) | 交通仿真方法、系统、程序及介质 | |
| Djavadian et al. | Multi-objective eco-routing for dynamic control of connected & automated vehicles | |
| CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| Hadas et al. | Urban bus network of priority lanes: A combined multi-objective, multi-criteria and group decision-making approach | |
| Santana et al. | Transitioning to a driverless city: Evaluating a hybrid system for autonomous and non-autonomous vehicles | |
| Chen et al. | ASC: Actuation system for city-wide crowdsensing with ride-sharing vehicular platform | |
| Jung et al. | High-coverage point-to-point transit: study of path-based vehicle routing through multiple hubs | |
| CN113191029B (zh) | 基于集群计算的交通仿真方法、程序及介质 | |
| Muriel et al. | Assessing the impacts of last mile delivery strategies on delivery vehicles and traffic network performance | |
| Kim et al. | An agent-based simulation model for analyzing the impact of asymmetric passenger demand on taxi service | |
| Li et al. | A bibliometric analysis and review on reinforcement learning for transportation applications | |
| Hao et al. | Distributed Cooperative Backpressure‐Based Traffic Light Control Method | |
| Hogeveen et al. | Quantifying the fleet composition at full adoption of shared autonomous electric vehicles: An agent-based approach | |
| Abdelghany et al. | Spatial microassignment of travel demand with activity trip chains | |
| Meng et al. | A simulation-based dynamic traffic assignment model with combined modes | |
| Uehara et al. | Evaluation of a hierarchical cooperative transport system using demand responsive bus on a dynamic simulation | |
| Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability | |
| Cheng et al. | Designing Customised Bus Routes for Urban Commuters with the Existence of Multimodal Network–A Bi-Level Programming Approach | |
| Cingel et al. | Modal split analysis by best-worst method and multinominal logit model | |
| Li et al. | Dynamic reversible lane optimization in autonomous driving environments: Balancing efficiency and safety | |
| Kawamura et al. | Statement-based cost estimate for co-utilization of service facilities | |
| Caros | Dynamic operations of a mobility service with en-route transfers | |
| Ye et al. | A Reinforcement Learning-based Adaptive Control Model for Future Street Planning, An Algorithm and A Case Study |
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 |