CN113298436A - 考虑乘车定价的AMoD系统充电调度与车辆再平衡方法 - Google Patents
考虑乘车定价的AMoD系统充电调度与车辆再平衡方法 Download PDFInfo
- Publication number
- CN113298436A CN113298436A CN202110691550.2A CN202110691550A CN113298436A CN 113298436 A CN113298436 A CN 113298436A CN 202110691550 A CN202110691550 A CN 202110691550A CN 113298436 A CN113298436 A CN 113298436A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- customer
- csp
- charging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 239000012530 fluid Substances 0.000 claims abstract description 12
- 238000002507 cathodic stripping potentiometry Methods 0.000 claims description 102
- 230000008569 process Effects 0.000 claims description 15
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002567 autonomic effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 241000135174 Godronia cassandrae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007425 progressive decline Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,根据顾客乘车意愿设计顾客乘车定价机制,设计低电量车辆充电机制以及充满电车辆的调度机制,根据自主按需出行系统运行机理搭建流体模型,建立车辆迁移动力学方程,搭建车辆充电排队模型,推导队列稳定性条件并计算充电延时,分析系统静态均衡状态及系统平衡条件,给出系统运行稳定所需的最小车队规模,设计实时再平衡策略,对系统再平衡进行周期性调整,实现自主按需出行系统的充电调度与车辆供需的动态平衡控制;本发明全方面考虑了乘车定价机制、电车充电调度以及车辆再平衡之间的联合问题,能有效改善静态策略动态性能差的缺点。
Description
技术领域
本发明属于自主按需出行系统的控制领域,具体涉及一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法。
背景技术
由于城市交通的时空特性,顾客出行的起点和终点分布不均,在服务顾客后车辆往往在某些站点聚集,而在其它站点耗尽,自主按需出行(Autonomous Mobility-on-Demand,AMoD)系统将不可避免地失去平衡,进而降低整体服务质量。采用电力作为能源的自主车辆需要定期到充电站进行充电,在高需求的地区充电基础设施管理不当可能造成较大的排队延误,影响系统运行效率。因此合理调度系统中的可用空闲车辆(即车辆再平衡)和充电车辆对保持系统稳定至关重要。此外,一个合理的乘车定价方案对于通过服务顾客而获得利润的运营商来说最至关重要。通过合理选择价格,运营商可以调整需求,使系统可以在更小或更大的车队规模下运行。
近年来,AMoD系统中车辆再平衡问题受到学术界的广泛关注。Pavone等人(文献:Pavone,M.,Smith,S.L.,Frazzoli,E.,&Rus,D.Robotic load balancing for mobility-on-demand systems.The International Journal of Robotics Research,2012,31(7),839-854.)建立了一个稳态流体模型来描述系统中顾客和车辆的动态变化,并基于改流体模型给出一个自适应实时再平衡策略,通过线性规划求解任意两个站点间的再平衡车辆数量。然而,此控制策略并没有考虑运营商利润问题。因此,Wollenstein-Betech等人(文献:Wollenstein-Betech,Salomón,Ioannis Ch Paschalidis,and ChristosG.Cassandras.Joint pricing and rebalancing of autonomous mobility-on-demandsystems.2020 59th IEEE Conference on Decision and Control(CDC).IEEE,2020.)基于流体模型在保证系统负载均衡的前提下,从宏观规划的角度来解决利润最大化问题。Ammous等人(文献:Ammous,M.,Belakaria,S.,Sorour,S.,&Abdel-Rahim,A.Joint delayand cost optimization of in-route charging for on-demand electricvehicles.IEEE Transactions on Intelligent Vehicles,2019,5(1),149-164.)则考虑了电车路由充电问题,将多个站点间的路由问题建模为一个多服务器排队系统,以所有用户平均出行时间最小和平均充电成本最小为目标对问题进行求解。Turan等人(文献:Turan,B.,Pedarsani,R.,&Alizadeh,M.Dynamic pricing and fleet management forelectric autonomous mobility on demand systems.Transportation Research PartC:Emerging Technologies,2020,121,102829.)用深度强化学习研究了经营电动汽车车队所面临的联合路径、电车充电和定价问题,但未考虑车辆的再平衡。因此开发一种联合定价机制、车辆再平衡与充电调度方案对按需出行系统的研究具有及其重要的实际意义。
然而,Pavone等人提出的静态平衡策略以及Wollenstein-Betech等人提出的联合定价机制的再平衡策略仅针对车辆再平衡问题进行研究而忽略了车辆的充电调度。Ammous等人提出的充电路由排队系统仅考虑了低电量车辆的充电问题,未考虑车辆的再平衡。Turan等人虽然在定价、充电路径规划方面给出了一种实用方法,但也未考虑为保证系统运行效率而进行的车辆再平衡操作。
上述研究仅针对为优化AMoD系统运行效率而进行的定价、充电调度以及车辆再平衡操作中的某个方面进行研究,并未进行全方面考虑,不能完整地描述系统中车辆的动态变化过程。同时,上述研究未考虑未来顾客的动态变化对系统的影响,及时地预测未来顾客的动态变化趋势对提高系统运行效率具有重要作用。
发明内容
基于上述问题,本发明提出一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,包括:
步骤1:根据顾客乘车意愿设计顾客乘车定价机制;
步骤2:设计低电量车辆充电机制以及充满电车辆的调度机制;
步骤3:根据自主按需出行系统运行机理搭建流体模型,建立车辆迁移动力学方程;
步骤4:搭建车辆充电排队模型,推导队列稳定性条件并计算充电延时;
步骤5:分析系统静态均衡状态及系统平衡条件,给出系统运行稳定所需的最小车队规模;
步骤6:设计基于静态平衡的调度策略,使系统运营收益最大化;
步骤7:设计实时再平衡策略,对系统再平衡进行周期性调整,实现自主按需出行系统的充电调度与车辆供需的动态平衡控制。
所述步骤1包括:
式中,Λi是顾客在第i个顾客站点PSi的潜在到达率,t表示时间,ψij是第i个顾客站点PSi到在第j个顾客站点PSj的乘车价格,pij是位于第i个顾客站点PSi的顾客其终点是第j个顾客站点PSj的比例,F(·)是顾客意愿的累积分布函数,其中0≤ψij≤ψmax,ψmax为最大的乘车价格;
步骤1.3:计算价格诱导下第i个顾客站点PSi的顾客其终点是第j个顾客站点PSj的比例为p′ij:
所述步骤2包括:
步骤2.1:计算从第i个顾客站点PSi到第k个大型充电站CSk的车辆到达率βik:
式中,qi′是低电量车辆在第i个顾客站点PSi内的小型充电站CSPi充电的概率;
步骤2.3:确定所有位于第i个顾客站点PSi的低电量车辆都可进行充电的条件为:
步骤2.4:计算从小型充电站CSPi的满电车辆到第j个顾客站点PSj的到达率φij:
式中,lij为位于CSPi的满电车辆到PSj的比例;
步骤2.5:计算停留在PSi的到达率ζi:
式中,l′i是位于小型充电站CSPi的满电车辆停留在顾客站点PSi的比例;
步骤2.6:确定所有位于小型充电站CSPi的满电车辆都可进行调度的条件为:
式中,N表示顾客站点集合。
所述步骤3包括:
其中,μi是位于PSi的顾客离站率,ci是位于PSi的顾客数目,如果ci>0,则H(ci)=1,否则H(ci)=0;vi是车辆数目,如果vi>0,则H(vi)=1,否则H(vi)=0;
车站PSi内车辆的动力学模型由以下九个部分构成:
2)载客车辆从PSj到达PSi表示为:其中,μj是位于PSj的顾客离站率,p′ji为位于第j个顾客站点PSj的顾客其终点是第i个顾客站点PSi的比例,为顾客站点PSj实际的顾客到达率,时刻位于站点PSj的车辆数,Tji为从PSj到PSi的旅行时间,如果则否则 为(t-Tji)时刻位于站点PSj的顾客数,如果则否则
5)从CSk充满电车辆到达PSi表示为:qjk为低电量车辆从PSj站点到CSk站点的比例,为位于顾客站点PSj的充电车辆离站率,oki为充电站CSk中车辆前往站点PSi的比例,为时刻位于站点PSj的车辆数,T′ik为从PSi到CSk的旅行时间,Dk为车辆在CSk的平均逗留时间,T″kj为从CSk到PSj的旅行时间,如果则否则
7)从CSPj充满电车辆到达PSi表示为:其中,lji为位于第j个顾客站点内的小型充电站CSPj的满电车辆到PSi的比例;为在(t-Tji-D′j)时刻位于CSPj的满电车辆到PSi的车辆数,D′j为车辆在CSPj站点的平均逗留时间,如果则否则
因此,车站PSi的车辆动力学方程为:
所述步骤4包括:
步骤4.1:充电站CSk和CSPi的车辆入站率都服从泊松分布,充电时间服从指数分布,因此将两种充电站的充电队列分别建模为M/M/c1和M/M/c2排队模型,c1为每个大型充电站CS拥有的充电桩数量,c2为每个小型充电站CSP拥有的充电桩数量,排队系统中有m个大型充电站CS和n个小型充电站CSP,将排队充电模型建为包含m个独立的大型充电站CS的M/M/c1和n个独立的小型充电站CSP的M/M/c2队列的多服务器排队系统;
步骤4.2:为了确保排队系统的稳定性,每个CSk或CSPi'的到达率小于其总的服务率,即
其中,M是大型充电站集合,μ′k是充电站CSk中每个充电桩的服务率,ρi是充电站CSPi中每个充电桩的服务率;
步骤4.3:车辆在充电站CSk和CSPi的平均逗留时间为:
其中,Dk是车辆在CSk站的平均逗留时间,D′i是车辆在CSPi站点的平均逗留时间,所述平均逗留时间包括排队等待时间与充电时间,是充电站CSk的车辆总入站率,是充电站CSPi的车辆总入站率,l是常数。
所述步骤5包括:
即平衡状态下每个站点中总有多余的车辆,而无等待的顾客;
公式(18)即为调度策略(α,β,γ,φ)使系统达到平衡状态应满足的充分必要条件;其中,φij是在CSPi充满电的车辆到PSj的发车率,φji在CSPj充满电的车辆到PSi的发车率,ζi是在CSPi充满电的车辆到PSi的发车率,γki是在CSk充满电的车辆到PSi的发车率;
步骤5.4:平衡状态下的载客和再平衡在途车辆数量V(ψ,α)为:
前往充电站及从充电站发出的在途车辆数V(β,γ,φ)为:
最后,整个系统静态平衡条件下的总在途车辆数V(ψ,α,β,γ,φ)为:
公式(21)计算得到的V(ψ,α,β,γ,φ)即调度策略(α,β,γ,φ)对应的临界车辆数,因此为了满足vi>0,系统需要的车辆数量至少为V(ψ,α,β,γ,φ),即
V>V:minV(ψ,α,β,γ,φ)
其中,V是车队规模,V:minV(ψ,α,β,γ,φ)为最小车队规模。
所述步骤6包括:
步骤6.1:收益最大化目标函数定义为
式中,r是系统运营收益,co是单位时间内载客车辆产生的运营成本,cc是单位时间内每辆车充电所花费的成本,cr是单位时间内再平衡车辆成本,cm是每辆车的维护保养成本;
步骤6.2:考虑到不执行再平衡站点的车流量问题,将站点分成两组:集合S由车辆过剩的站点组成,集合D由车辆不足的站点组成,集合表达如下:
步骤6.3:假设当且仅当i∈S,j∈D从CSk充满电的车辆到达PSj,从CSPi充满电的车辆到PSj,整个再平衡问题用非线性规划问题可表述为:
求解上述非线性规划问题即可获得调度策略(α,β,γ,φ)的最优解;
步骤6.4:低电量车辆必须进行充电后参与系统车辆再平衡,将导致再平衡延迟,为了避免较大延迟,需要在每个充电站部署额外的满电车辆来消除延迟,系统中总的车辆数量为:
所述步骤7具体表述为:将再平衡过程分为充电调度和车辆自适应实时再平衡两个阶段:
充电调度表示为:
车辆自适应实时再平衡表示为:
其中vi(t)为t时刻位于PSi的空闲车辆数,vji(t)为t时刻从PSj发往PSi的车辆数,vki(t)为t时刻从CSk发往PSi的满电车辆数,vCSPj,i(t)为t时刻从CSPj发往PSi的满电车辆数,vCSPi(t)为t时刻站点PSi的满电车辆数;
如果PSi有ci(t)个顾客和vi(t)辆车辆,则min{ci(t),vi(t)}辆车将离开站点服务等待顾客,其中,min{ci(t),vi(t)}为ci(t)、vi(t)中的最小值,则PSi的多余的车辆表示为:
则系统中总的多余车辆数为:
定义优化时间窗Thor为再平衡时间,再平衡期内位于充电站的充电车辆数为:
令V′为分配车辆后仍可用的车辆数量,Λi(t,τ)为在[t,t+τ]内到达PSi站点的顾客数量,其中参数τ为前瞻时间窗,通过提前调度车辆以应对未来的顾客需求变化,预测的位于PSi的顾客需求Γi(t,τ)为:
Γi(t,τ)=θΛi(t)+(1-θ)Γi(t) (32)
其中,θ是权重,Γi(t)表示预测的t时刻的顾客需求;
最后,再平衡问题可表述为:
其中vk为优化期位于CSk的可用车辆数,vi为优化期位于CSPi的可用车辆数,为从PSi到PSj的再平衡车辆数,为从PSj到PSi的再平衡车辆数,为CSk到PSi的满电车辆数,为从CSPi到PSj的满电车辆数,为正整数;
将公式(36)用于自主按需出行系统进行再平衡的自适应控制。
本发明的有益效果是:
本发明提出了一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,全方面考虑了乘车定价机制、电车充电调度以及车辆再平衡之间的联合问题,假设顾客乘车受价格影响,采用流体模型与排队理论描述了车辆迁移和排队充电过程,构建了系统的动力学模型,解决了电车充电问题与空闲车辆再平衡问题难以耦合的难题;随后提出一种基于静态平衡的再平衡方案,其求解难度与系统规模无关,适用范围更加广泛,可移植到大规模的AMoD系统当中;此外本发明方法能有效改善静态策略动态性能差的缺点,可更好地适应动态变化的交通环境。
附图说明
图1为本发明中考虑乘车定价的AMoD系统充电调度与车辆再平衡方法流程图;
图2为本发明中包含三个客运站PS(用圆角矩形表示)、三个小型充电站CSP(用矩形表示)以及两个大型充电站CS(用圆形表示)的AMoD系统模型图;
图3为本发明中基于AMoDeus软件的仿真示意图;
图4为本发明实施例1中等待顾客人数、再平衡车辆数量、车辆利用率随车队规模的变化情况,其中(a)为等待顾客人数随车队规模的变化趋势图,(b)为系统执行再平衡车辆的数量随车队规模的变化趋势图,(c)为系统车辆利用率随车队规模的变化趋势图;
图5为本发明实施例1中等待乘客总数、系统执行再平衡车辆的数量随时间的变化情况,其中(a)为等待乘客总数随时间的变化趋势图,(b)为系统执行再平衡车辆的数量随时间的变化趋势图;
图6为本发明实施例1中运营收入随车队规模或乘车价格的变化情况,其中(a)为运营收入随车队规模的变化趋势图,(b)为运营收入随乘车价格的变化趋势图;
图7为本发明实施例2中单位等待时间内顾客的数量占比图;
图8为本发明实施例2中24小时内顾客等待时间占比图;
图9为本发明实施例2中一天不同时间段内等待的顾客数量变化图;
图10为本发明实施例2中一天不同时间段内车队的运营效率变化图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。AMoD系统传统的研究忽略了乘车定价、电车的充电问题或者简单从单方面角度对设计系统,不贴合生活实际。本发明建立了一个乘车定价机制,在流体模型的基础上,结合排队论相关知识,提出了一种关于AMoD系统的充电与再平衡联合调度方法,并给出了动力学方程;针对静态策略难以应对动态的交通环境这一缺点,开发一个实时再平衡策略,周期性地调整再平衡方案;此外,提出了一种指数平滑法预测时变的出行需求,来改善实时策略的性能,图2给出了一个包含三个客运站PS(用圆角矩形表示)、三个小型充电站CSP(用矩形表示)以及两个大型充电站CS(用圆形表示)的AMoD系统模型示意图。
一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,如图1所示,包括:
步骤1:根据顾客乘车意愿设计顾客乘车定价机制,包括:
式中,Λi是顾客在第i个顾客站点PSi的潜在到达率,t表示时间,ψij是第i个顾客站点PSi到在第j个顾客站点PSj的乘车价格,pij是位于第i个顾客站点PSi的顾客其终点是第j个顾客站点PSj的比例,F(·)是顾客意愿的累积分布函数,其中0≤ψij≤ψmax,ψmax为最大的乘车价格;
步骤1.3:计算价格诱导下第i个顾客站点PSi的顾客其终点是第j个顾客站点PSj的比例为p′ij:
步骤2:设计低电量车辆充电机制以及充满电车辆的调度机制,包括:
步骤2.1:位于顾客站点PSi的低电量车辆可在大型充电站充电,也可在顾客站点内的小型充电站CSPi进行充电,计算从第i个顾客站点PSi到第k个大型充电站CSk的车辆到达率βik:
式中,q′i是低电量车辆在第i个顾客站点PSi内的小型充电站CSPi充电的概率;
步骤2.3:确定所有位于第i个顾客站点PSi的低电量车辆都可进行充电的条件为:
式中,N表示顾客站点集合;
步骤2.4:位于站点CSPi的满电车辆可停留在站点PSi,也可前往其他顾客站点PSj,计算从小型充电站CSPi的满电车辆到第j个顾客站点PSj的到达率φij:
式中,lij为位于CSPi的满电车辆到PSj的比例;
步骤2.5:计算停留在PSi的到达率ζi:
式中,l′i是位于小型充电站CSPi的满电车辆停留在顾客站点PSi的比例;
步骤2.6:确定所有位于小型充电站CSPi的满电车辆都可进行调度的条件为:
步骤3:根据自主按需出行系统运行机理,考虑车辆充电调度,搭建流体模型,建立车辆迁移动力学方程,包括:
车站PSi内车辆的动力学模型由以下九个部分构成:
2)载客车辆从PSj到达PSi表示为:其中,μj是位于PSj的顾客离站率,p′ji为位于第j个顾客站点PSj的顾客其终点是第i个顾客站点PSi的比例,为顾客站点PSj实际的顾客到达率,时刻位于站点PSj的车辆数,Tji为从PSj到PSi的旅行时间,如果则否则 为(t-Tji)时刻位于站点PSj的顾客数,如果则否则
5)从CSk充满电车辆到达PSi表示为:qjk为低电量车辆从PSj站点到CSk站点的比例,为位于顾客站点PSj的充电车辆离站率,oki为充电站CSk中车辆前往站点PSi的比例,时刻位于站点PSj的车辆数,T′ik为从PSi到CSk的旅行时间,Dk为车辆在CSk的平均逗留时间,T″kj为从CSk到PSj的旅行时间,如果则否则
7)从CSPj充满电车辆到达PSi表示为:其中,lji为位于第j个顾客站点内的小型充电站CSPj的满电车辆到PSi的比例;为在(t-Tji-D′j)时刻位于CSPj的满电车辆到PSi的车辆数,D′j为车辆在CSPj站点的平均逗留时间,如果则否则
因此,车站PSi的车辆动力学方程为:
步骤4:根据M/M/C排队理论搭建车辆充电排队模型,推导队列稳定性条件并计算充电延时,包括:
步骤4.1:充电站CSk和CSPi'的车辆入站率都服从泊松分布,充电时间服从指数分布,因此将两种充电站的充电队列分别建模为M/M/c1和M/M/c2排队模型,排队模型中的第一个M表示泊松分布,第二个M表示指数分布,c1为每个大型充电站CS拥有的充电桩数量,c2为每个小型充电站CSP拥有的充电桩数量,排队系统中有m个大型充电站CS和n个小型充电站CSP,将排队充电模型建为包含m个独立的大型充电站CS的M/M/c1和n个独立的小型充电站CSP的M/M/c2队列的多服务器排队系统;
步骤4.2:为了确保排队系统的稳定性,每个CSk或CSPi'的到达率小于其总的服务率,即
其中,M是大型充电站集合,μ′k是充电站CSk中每个充电桩的服务率,ρi是充电站CSPi中每个充电桩的服务率;
步骤4.3:参考文献(Ammous,M.,Belakaria,S.,Sorour,S.,and Abdel-Rahim,A.Optimal cloud-based routing with in-route charging of mobility-on-demandelectric vehicles.IEEE Transactions on Intelligent Transportation Systems,2018,20(7):2510-2522.),车辆在充电站CSk和CSPi的平均逗留时间(排队等待时间与充电时间之和)为:
其中,Dk是车辆在CSk站的平均逗留时间,D′i是车辆在CSPi站点的平均逗留时间,所述平均逗留时间包括排队等待时间与充电时间,是充电站CSk的车辆总入站率,是充电站CSPi的车辆总入站率,l是常数;
步骤5:分析系统静态均衡状态及系统平衡条件,给出系统运行稳定所需的最小车队规模,包括:
即平衡状态下每个站点中总有多余的车辆,而无等待的顾客;
公式(18)即为调度策略(α,β,γ,φ)使系统达到平衡状态应满足的充分必要条件;其中,φij是在CSPi充满电的车辆到PSj的发车率,φji在CSPj充满电的车辆到PSi的发车率,ζi是在CSPi充满电的车辆到PSi的发车率,γki是在CSk充满电的车辆到PSi的发车率;
接下来推导均衡条件下系统所需的最小车辆数量,最小车队规模可理解为所有车辆均有任务而在道路上行驶,车站内临界没有多余车辆;计算过程如下:
步骤5.4:首先,平衡状态下的载客和再平衡在途车辆数量V(ψ,α)为:
其次,前往充电站及从充电站发出的在途车辆数V(β,γ,φ)为:
最后,整个系统静态平衡条件下的总在途车辆数V(ψ,α,β,γ,φ)为:
公式(21)计算得到的V(ψ,α,β,γ,φ)即调度策略(α,β,γ,φ)对应的临界车辆数,因此为了满足vi>0,系统需要的车辆数量至少为V(ψ,α,β,γ,φ),即
V>V:minV(ψ,α,β,γ,φ)
其中,V是车队规模,V:minV(ψ,α,β,γ,φ)为最小车队规模。
步骤6:设计基于静态平衡的调度策略,使系统运营收益最大化,包括:
步骤6.1:目标是找到一个最优分配(ψ,α,β,γ,φ),在运营商收益最大化的同时,使车辆动力学模型在网络中行驶的车辆数量最小并保证模型存在(局部)稳定平衡点。收益最大化目标函数定义为
式中,r是系统运营收益,co是单位时间内载客车辆产生的运营成本,cc是单位时间内每辆车充电所花费的成本,cr是单位时间内再平衡车辆成本,cm是每辆车的维护保养成本;
其中,第一项是载客产生的运营收入,第二项是载客产生的运营成本,第三项是充电成本,最后一项是车辆维护成本;co是单位时间内载客车辆产生的运营成本,cc是单位时间内每辆车充电所花费的成本,第四项是空车再平衡成本,cr是单位时间内再平衡车辆成本,cm是每辆车的维护保养成本。
步骤6.2:考虑到不执行再平衡站点的车流量问题,参考文献(Guo,G.,and Xu,T.Vehicle rebalancing with charging scheduling in one-way car-sharingsystems.IEEE Transactions on Intelligent Transportation Systems,2020,DOI:10.1109/TITS.2020.3043594.)将站点分成两组:集合S由车辆过剩的站点组成,集合D由车辆不足的站点组成,集合表达如下:
步骤6.3:假设当且仅当i∈S,j∈D从CSk充满电的车辆到达PSj,从CSPi充满电的车辆到PSj,整个再平衡问题用非线性规划问题可表述为:
上述优化问题是一个具有线性约束的非线性规划问题,求解上述非线性规划问题即可获得调度策略(α,β,γ,φ)的最优解;
步骤6.4:低电量车辆必须进行充电后参与系统车辆再平衡,将导致再平衡延迟,为了避免较大延迟,需要在每个充电站部署额外的满电车辆来消除延迟,充电站CSk雇佣车辆为充电站CSPi雇佣车辆为因此,系统中总的车辆数量为:
由于实时策略通过车辆数量来衡量系统性能,而充电过程由低电量车辆进入充电站的速率决定,此过程不能直接应用于自适应实时控制。因此,考虑将再平衡过程分为充电调度和车辆再平衡两个阶段,通过对问题的分解,可以定期调整再平衡计划;
步骤7:设计实时再平衡策略,对系统再平衡进行周期性调整,实现自主按需出行系统的充电调度与车辆供需的动态平衡控制;具体表述为:将再平衡过程分为充电调度和车辆自适应实时再平衡两个阶段:
充电调度表示为:
通过求解以上问题得到最优的充电分配,在保证充电队列稳定性的前提下,使车辆尽快完成充电并参与再平衡;
车辆自适应实时再平衡表示为:
其中vi(t)为t时刻位于PSi的空闲车辆数,vji(t)为t时刻从PSj发往PSi的车辆数,vki(t)为t时刻从CSk发往PSi的满电车辆数,vCSPj,i(t)为t时刻从CSPj发往PSi的满电车辆数,vCSPi(t)为t时刻站点PSi的满电车辆数;
如果PSi有ci(t)个顾客和vi(t)辆车辆,则min{ci(t),vi(t)}辆车将离开站点服务等待顾客,其中,min{ci(t),vi(t)}为ci(t)、vi(t)中的最小值,则PSi的多余的车辆表示为:
则系统中总的多余车辆数为:
定义优化时间窗Thor为再平衡时间,再平衡期内位于充电站的充电车辆数为:
令V′为分配车辆后仍可用的车辆数量,Λi(t,τ)为在[t,t+τ]内到达PSi站点的顾客数量,其中参数τ为前瞻时间窗,通过提前调度车辆以应对未来的顾客需求变化,预测的位于PSi的顾客需求Γi(t,τ)为:
Γi(t,τ)=θΛi(t)+(1-θ)Γi(t) (32)
其中,θ是权重,Γi(t)表示预测的t时刻的顾客需求;
即有闲置车辆时,根据各站点未来需求将闲置车辆按比例分配;车辆不足以满足所有顾客需求时,根据各站点乘客数目按比例分配车辆。
最后,再平衡问题可表述为:
其中vk为优化期位于CSk的可用车辆数,vi为优化期位于CSPi的可用车辆数,为从PSi到PSj的再平衡车辆数,为从PSj到PSi的再平衡车辆数,为CSk到PSi的满电车辆数,为从CSPi到PSj的满电车辆数,为正整数;
将公式(36)用于自主按需出行系统进行再平衡的自适应控制,此方法提前再平衡多余的车辆以适应未来的顾客需求,因此具有预见性。
为了验证本实施例提供的静态平衡策略及实时再平衡策略的有效性,采用MATLAB进行仿真实验验证,设计有两个实施例,具体说明如下:
实施例1中参数设置如下:假设整个系统有8个顾客站点,4个大型充电站点,且在每个顾客站点拥有一个小型充电站。顾客根据参数为Λi的泊松分布过程随机到达每个站点,在[0.5,0.95]区间内均匀随机选取各站到达率,每个时间步长到达一个单位。每个顾客的目的地分布都从分布pij中抽样得到,且pij同样在区间[0,1]中均匀随机生成。每个站点间的旅行时间由欧氏距离给出,每辆车每个单位步长移动0.2。此外,假设位于每个PSi的低电量车辆的产生率与顾客到达率成正比,即每个充电站CSk拥有3个充电桩,每个CSk的充电速率为0.1,0.1,0.2,0.2。每个充电站CSPi拥有1个充电桩,充电速率全都设置为0.1。在仿真中,将充电过程被视为再平衡的中间环节。此外,如文献(Turan,B.,Pedarsani,R.,and Alizadeh,M.Dynamic pricing and fleet management for electricautonomous mobility on demand systems.Transportation Research Part C:EmergingTechnologies,2020,121:102829.)所示,为了更好地表示到达的过程,设置F(ψij)=ψij/ψmax,其中ψmax=30。定义每公里的运营和再平衡成本为co=cr=0.72,车队规模大小的正则化参数设置为cm=1×10-10。假设每个车站乘客到达率为常数,车站内初始时刻均无等待乘客,车辆均匀分布在各个车站,再平衡周期Thor=200。
基于上述实施例1中的参数,对本发明提出的考虑乘车定价的AMoD系统充电调度与车辆再平衡方法进行仿真验证。AMoDeus软件的仿真示意图3所示。图4(a)展示了作为车队规模函数的等待顾客总数,从图4(a)中可以看出,对于中小型车队来说,任何这些再平衡策略都会显著减少等待的顾客人数,其中流体策略表现出的效果不佳,这是因为顾客在选择其实和终点站点时偶随机波动性。反馈策略表现良好,但采用反馈策略下顾客等待人数始终高于采用本发明方法产生的顾客等待人数,因此本发明方法表现出了最佳的性能。随着车队规模的增大,车辆的供需趋于平衡,等待的顾客人数逐渐减小。图4(b)展示了再平衡车辆数与车队规模的关系,从图4(b)中可以看出,在流体策略下执行再平衡的车辆最少,再平衡成本最低,但客户的满意度最低。而对于其他两种策略而言,本发明方法执行的再平衡车辆比反馈策略要少,综合顾客等待人数以及再平衡成本来说,本发明方法更具有优势。我们也比较了不同车队规模和策略下车辆利用率的变化情况。从图4(c)中可以看出,在执行本发明方法下,车辆的利用率最高。当车队规模非常低时,由于需求与可用车辆的比例比较高,利用率如预期的一样相对较高。然而,随着车队规模的增加,额外车辆的加入降低了车辆需求与可用车辆的比例,使用率下降。图5展示了等待顾客数量和再平衡车辆数量作为优化范围的函数。从图5(a)中可以看到随着优化步长的增加,在流体策略下的等待的顾客数量不断增长,而从图5(b)看出再平衡车辆数量逐渐减少,直到不再发送空车到缺少车辆的车站,系统性能较差。而对于其他两种实时策略而言,由于不依赖于顾客的到达率,等待顾客的数量和再平衡车辆的数量逐渐趋于稳定,其中本发明方法对系统性能而言表现更优。
最后,研究了在不同规模的车队下以及不同价格下再平衡策略对运营收益的影响。从图6(a)中可以看出乘车的最优价格大约在15到20之间,超过20之后运营收入急剧下降。这是因为顾客在到达站点后,过多的顾客无法接受乘车所产生的费用,从而造成大量顾客流失。从图6(b)中可以看出,采取本发明方法具有最高的利润回报,这是因为本发明的方法能更好地对系统中空闲车辆进行再平衡。随着车队规模的增加,四种不同情况下的运营收入逐渐增长,在车队规模大约为400时达到顶峰,随后利润逐渐下降。这是因为随着车队规模的增大,车辆的供需趋于平衡,而车队接送顾客产生的运营收入保持有界,车辆的维护成本逐渐增多,导致车队运营产生的净利润下降。
实施例2:通过实际场景分析,在此案例研究中,基于大型仿真软件AMoDeus并使用某出租公司的实际运营数据来检验所提出的自适应方法的有效性。数据集主要包括2016年11月某城市的出租车行驶轨迹数据,我们从中任意提取了一天的数据进行场景分析。仿真的基础道路数据主要来源于该城市中心的部分地图数据,其中主要包括46012条路和20376个节点。AMoDeus可基于数据集用k-means聚类算法产生站点,因此设置系统中有50个顾客站点和10个大型充电站点。此外还设置系统中存在的顾客人数为10494,系统中总的车辆数为500,且每隔30分钟对系统进行一次再平衡优化。图7、8展示了一天内顾客等待时间的变化。从图7可以看出,顾客等待时间在[2.46,3.7]区间内的人数最多,50%的顾客的等待时间在4分钟以内,而95%的顾客的等待时间在8分钟左右。从图8可以看出在早高峰时期8点左右,大部分顾客的等待时间在10分钟左右,而在午高峰时期12点左右和晚高峰18点左右,95%的顾客的等待时间均为8分钟左右,一天内顾客的平均等待时间按约为4分钟左右,性能较好。图9展示了一天内不同时间段内等待顾客的数量。从图9中可以看出,在高峰时间等待的顾客人数在55人左右,这也意味着我们的策略能较好地满足系统性能要求。图10描述了一天内车队的运行效率。从图10中可以看出,车辆使用主要集中在8点到22点之间,使用率大约在45%左右,而凌晨由于车辆需要维护以及人类活动性降低,使用率较低,甚至几乎无人用车。此外大部分已被使用的车辆被用来载客,其载客距离相对于总行驶距离的比例约75%左右,而25%左右的车在每个时间段被用来系统再平衡和充电调度,较好地满足系统的运营。
Claims (8)
1.一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,包括:
步骤1:根据顾客乘车意愿设计顾客乘车定价机制;
步骤2:设计低电量车辆充电机制以及充满电车辆的调度机制;
步骤3:根据自主按需出行系统运行机理搭建流体模型,建立车辆迁移动力学方程;
步骤4:搭建车辆充电排队模型,推导队列稳定性条件并计算充电延时;
步骤5:分析系统静态均衡状态及系统平衡条件,给出系统运行稳定所需的最小车队规模;
步骤6:设计基于静态平衡的调度策略,使系统运营收益最大化;
步骤7:设计实时再平衡策略,对系统再平衡进行周期性调整,实现自主按需出行系统的充电调度与车辆供需的动态平衡控制。
2.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤1包括:
式中,Λi是顾客在第i个顾客站点PSi的潜在到达率,t表示时间,ψij是第i个顾客站点PSi到在第j个顾客站点PSj的乘车价格,pij是位于第i个顾客站点PSi的顾客其终点是第j个顾客站点PSj的比例,F(·)是顾客意愿的累积分布函数,其中0≤ψij≤ψmax,ψmax为最大的乘车价格;
步骤1.3:计算价格诱导下第i个顾客站点PSi的顾客其终点是第j个顾客站点PSj的比例为p′ij:
3.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤2包括:
步骤2.1:计算从第i个顾客站点PSi到第k个大型充电站CSk的车辆到达率βik:
式中,q′i是低电量车辆在第i个顾客站点PSi内的小型充电站CSPi充电的概率;
步骤2.3:确定所有位于第i个顾客站点PSi的低电量车辆都可进行充电的条件为:
式中,N表示顾客站点集合;
步骤2.4:计算从小型充电站CSPi的满电车辆到第j个顾客站点PSj的到达率φij:
式中,lij为位于CSPi的满电车辆到PSj的比例;
步骤2.5:计算停留在PSi的到达率ζi:
式中,l′i是位于小型充电站CSPi的满电车辆停留在顾客站点PSi的比例;
步骤2.6:确定所有位于小型充电站CSPi的满电车辆都可进行调度的条件为:
4.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤3包括:
其中,μi是位于PSi的顾客离站率,ci是位于PSi的顾客数目,如果ci>0,则H(ci)=1,否则H(ci)=0;vi是车辆数目,如果vi>0,则H(vi)=1,否则H(vi)=0;
车站PSi内车辆的动力学模型由以下九个部分构成:
2)载客车辆从PSj到达PSi表示为:其中,μj是位于PSj的顾客离站率,p′ji为位于第j个顾客站点PSj的顾客其终点是第i个顾客站点PSi的比例,为顾客站点PSj实际的顾客到达率, 为(t-Tji)时刻位于站点PSj的车辆数,Tji为从PSj到PSi的旅行时间,如果则否则 为(t-Tji)时刻位于站点PSj的顾客数,如果则否则
5)从CSk充满电车辆到达PSi表示为:qjk为低电量车辆从PSj站点到CSk站点的比例,为位于顾客站点PSj的充电车辆离站率,oki为充电站CSk中车辆前往站点PSi的比例,为(t-T′ik-Dk-T″kj)时刻位于站点PSj的车辆数,T′ik为从PSi到CSk的旅行时间,Dk为车辆在CSk的平均逗留时间,T″kj为从CSk到PSj的旅行时间,如果则否则
7)从CSPj充满电车辆到达PSi表示为:其中,lji为位于第j个顾客站点内的小型充电站CSPj的满电车辆到PSi的比例;为在(t-Tji-D′j)时刻位于CSPj的满电车辆到PSi的车辆数,D′j为车辆在CSPj站点的平均逗留时间,如果则否则
因此,车站PSi的车辆动力学方程为:
5.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤4包括:
步骤4.1:充电站CSk和CSPi的车辆入站率都服从泊松分布,充电时间服从指数分布,因此将两种充电站的充电队列分别建模为M/M/c1和M/M/c2排队模型,c1为每个大型充电站CS拥有的充电桩数量,c2为每个小型充电站CSP拥有的充电桩数量,排队系统中有m个大型充电站CS和n个小型充电站CSP,将排队充电模型建为包含m个独立的大型充电站CS的M/M/c1和n个独立的小型充电站CSP的M/M/c2队列的多服务器排队系统;
步骤4.2:为了确保排队系统的稳定性,每个CSk或CSPi'的到达率小于其总的服务率,即
其中,M是大型充电站集合,μ′k是充电站CSk中每个充电桩的服务率,ρi是充电站CSPi中每个充电桩的服务率;
步骤4.3:车辆在充电站CSk和CSPi的平均逗留时间为:
6.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤5包括:
即平衡状态下每个站点中总有多余的车辆,而无等待的顾客;
公式(18)即为调度策略(α,β,γ,φ)使系统达到平衡状态应满足的充分必要条件;其中,φij是在CSPi充满电的车辆到PSj的发车率,φji在CSPj充满电的车辆到PSi的发车率,ζi是在CSPi充满电的车辆到PSi的发车率,γki是在CSk充满电的车辆到PSi的发车率;
步骤5.4:平衡状态下的载客和再平衡在途车辆数量V(ψ,α)为:
前往充电站及从充电站发出的在途车辆数V(β,γ,φ)为:
最后,整个系统静态平衡条件下的总在途车辆数V(ψ,α,β,γ,φ)为:
公式(21)计算得到的V(ψ,α,β,γ,φ)即调度策略(α,β,γ,φ)对应的临界车辆数,因此为了满足vi>0,系统需要的车辆数量至少为V(ψ,α,β,γ,φ),即
V>V:minV(ψ,α,β,γ,φ)
其中,V是车队规模,V:minV(ψ,α,β,γ,φ)为最小车队规模。
7.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤6包括:
步骤6.1:收益最大化目标函数定义为
式中,r是系统运营收益,co是单位时间内载客车辆产生的运营成本,cc是单位时间内每辆车充电所花费的成本,cr是单位时间内再平衡车辆成本,cm是每辆车的维护保养成本;
步骤6.2:考虑到不执行再平衡站点的车流量问题,将站点分成两组:集合S由车辆过剩的站点组成,集合D由车辆不足的站点组成,集合表达如下:
步骤6.3:假设当且仅当i∈S,j∈D从CSk充满电的车辆到达PSj,从CSPi充满电的车辆到PSj,整个再平衡问题用非线性规划问题可表述为:
求解上述非线性规划问题即可获得调度策略(α,β,γ,φ)的最优解;
步骤6.4:低电量车辆必须进行充电后参与系统车辆再平衡,将导致再平衡延迟,为了避免较大延迟,需要在每个充电站部署额外的满电车辆来消除延迟,系统中总的车辆数量为:
8.根据权利要求1所述的一种考虑乘车定价的AMoD系统充电调度与车辆再平衡方法,其特征在于,所述步骤7具体表述为:将再平衡过程分为充电调度和车辆自适应实时再平衡两个阶段:
充电调度表示为:
车辆自适应实时再平衡表示为:
其中vi(t)为t时刻位于PSi的空闲车辆数,vji(t)为t时刻从PSj发往PSi的车辆数,vki(t)为t时刻从CSk发往PSi的满电车辆数,vCSPj,i(t)为t时刻从CSPj发往PSi的满电车辆数,vCSPi(t)为t时刻站点PSi的满电车辆数;
如果PSi有ci(t)个顾客和vi(t)辆车辆,则min{ci(t),vi(t)}辆车将离开站点服务等待顾客,其中,min{ci(t),vi(t)}为ci(t)、vi(t)中的最小值,则PSi的多余的车辆表示为:
则系统中总的多余车辆数为:
定义优化时间窗Thor为再平衡时间,再平衡期内位于充电站的充电车辆数为:
令V′为分配车辆后仍可用的车辆数量,Λi(t,τ)为在[t,t+τ]内到达PSi站点的顾客数量,其中参数τ为前瞻时间窗,通过提前调度车辆以应对未来的顾客需求变化,预测的位于PSi的顾客需求Γi(t,τ)为:
Γi(t,τ)=θΛi(t)+(1-θ)Γi(t) (32)
其中,θ是权重,Γi(t)表示预测的t时刻的顾客需求;
最后,再平衡问题可表述为:
其中vk为优化期位于CSk的可用车辆数,vi为优化期位于CSPi的可用车辆数,为从PSi到PSj的再平衡车辆数,为从PSj到PSi的再平衡车辆数,为CSk到PSi的满电车辆数,为从CSPi到PSj的满电车辆数,为正整数;
将公式(36)用于自主按需出行系统进行再平衡的自适应控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691550.2A CN113298436A (zh) | 2021-06-22 | 2021-06-22 | 考虑乘车定价的AMoD系统充电调度与车辆再平衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691550.2A CN113298436A (zh) | 2021-06-22 | 2021-06-22 | 考虑乘车定价的AMoD系统充电调度与车辆再平衡方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298436A true CN113298436A (zh) | 2021-08-24 |
Family
ID=77329054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110691550.2A Pending CN113298436A (zh) | 2021-06-22 | 2021-06-22 | 考虑乘车定价的AMoD系统充电调度与车辆再平衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298436A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183514A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种立体式充电站云平台智能充放电控制系统及方法 |
CN110084640A (zh) * | 2019-04-17 | 2019-08-02 | 武汉大学 | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 |
CN111915146A (zh) * | 2020-07-08 | 2020-11-10 | 东北大学秦皇岛分校 | 基于流体模型的按需出行系统充电与再平衡联合调度方法 |
US20200372417A1 (en) * | 2019-05-23 | 2020-11-26 | Nissan North America, Inc. | On-Demand Travel Through a Transportation Network |
CN112419601A (zh) * | 2020-10-29 | 2021-02-26 | 东北大学秦皇岛分校 | 一种基于排队论的单向车辆共享系统规模优化方法 |
-
2021
- 2021-06-22 CN CN202110691550.2A patent/CN113298436A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183514A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种立体式充电站云平台智能充放电控制系统及方法 |
CN110084640A (zh) * | 2019-04-17 | 2019-08-02 | 武汉大学 | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 |
US20200372417A1 (en) * | 2019-05-23 | 2020-11-26 | Nissan North America, Inc. | On-Demand Travel Through a Transportation Network |
CN111915146A (zh) * | 2020-07-08 | 2020-11-10 | 东北大学秦皇岛分校 | 基于流体模型的按需出行系统充电与再平衡联合调度方法 |
CN112419601A (zh) * | 2020-10-29 | 2021-02-26 | 东北大学秦皇岛分校 | 一种基于排队论的单向车辆共享系统规模优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021248607A1 (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Al-Kanj et al. | Approximate dynamic programming for planning a ride-hailing system using autonomous fleets of electric vehicles | |
Taniguchi et al. | Modelling city logistics using recent innovative technologies | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
Liu et al. | Optimizing fleet size and scheduling of feeder transit services considering the influence of bike-sharing systems | |
Kaddoura et al. | Towards welfare optimal operation of innovative mobility concepts: External cost pricing in a world of shared autonomous vehicles | |
CN107092976B (zh) | 一种多目标模型协同优化多条公交线路发车间隔的方法 | |
Wu et al. | A label based ant colony algorithm for heterogeneous vehicle routing with mixed backhaul | |
Billhardt et al. | Taxi dispatching strategies with compensations | |
CN103226801B (zh) | 基于多用户配流模型的空港集疏运交通量确定方法 | |
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 | |
CN109255972B (zh) | 一种基于大数据的地面公交固定线路时刻表的优化方法 | |
Guo et al. | Vehicle rebalancing with charging scheduling in one-way car-sharing systems | |
CN110084640B (zh) | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 | |
CN111915057B (zh) | 一种基于深度学习和群智感知的单车需求预测与调度方法 | |
CN112085271B (zh) | 一种基于众包模式的传统产业集群集货路径优化方法 | |
CN112465211B (zh) | 一种轨道交通列车满载率控制方法及应用 | |
Guo et al. | Rebalancing and charging scheduling with price incentives for car sharing systems | |
Bie et al. | Bus scheduling of overlapping routes with multi-vehicle types based on passenger OD data | |
CN111967134A (zh) | 基于地铁共线共车的地下物流系统优化控制方法 | |
CN116324838A (zh) | 用于通过叫车平台调度共享乘车的系统和方法 | |
CN111882156A (zh) | 面向随机动态客流和节能运行的列车时刻表鲁棒优化方法 | |
CN113781787B (zh) | 公交发车时刻表生成方法及系统 | |
Wang et al. | Optimization of ride-sharing with passenger transfer via deep reinforcement learning | |
Zhou et al. | Metro scheduling to minimize travel time and operating cost considering spatial and temporal constraints on passenger boarding |
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: 20210824 |