CN113313343A - 基于动态时间切片和热度迁移的即时车辆共乘匹配方法 - Google Patents

基于动态时间切片和热度迁移的即时车辆共乘匹配方法 Download PDF

Info

Publication number
CN113313343A
CN113313343A CN202110394191.4A CN202110394191A CN113313343A CN 113313343 A CN113313343 A CN 113313343A CN 202110394191 A CN202110394191 A CN 202110394191A CN 113313343 A CN113313343 A CN 113313343A
Authority
CN
China
Prior art keywords
driver
passenger
matching
solution
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110394191.4A
Other languages
English (en)
Other versions
CN113313343B (zh
Inventor
郭羽含
刘永武
张宇
于俊宇
姜彦吉
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical 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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202110394191.4A priority Critical patent/CN113313343B/zh
Publication of CN113313343A publication Critical patent/CN113313343A/zh
Application granted granted Critical
Publication of CN113313343B publication Critical patent/CN113313343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于动态时间切片和热度迁移的即时车辆共乘匹配方法，涉及车辆共乘技术领域。该方法首先使用共乘距离比率来评价司机和乘客的匹配价值，并定义司机和乘客匹配的约束条件；再基于动态时间切片划分和基于预测的迁移方法，求出司机和乘客匹配的初始解；使用一种优化的评估矩阵生成方法来计算司机和乘客间的最短路径和共乘距离比率；并通过贪婪算法获得即时车辆共乘匹配问题的初始解；通过使用多规则求解搜索算法，改进已有解；当获得最终的全局匹配方案时，不匹配的乘客将被迁移到下一个时间切片。该方法使用了高效的多规则求解搜索算法，可以有效地为实时拼车问题提供高质量的解。

Description

基于动态时间切片和热度迁移的即时车辆共乘匹配方法
技术领域
本发明涉及车辆共乘技术领域，尤其涉及一种基于动态时间切片和热度迁移的即时车辆共乘匹配方法。
背景技术
车辆共乘是由司机集合、乘客集合和共乘服务平台所构成的一种共享交通资源的服务形式。车辆共乘通过对一定时空范围内的司机集合和乘客集合进行价值匹配和路径规划来共享交通资源，在缓解交通拥堵、减少碳排放和提高出行效率方面发挥着非常积极的作用。为使司机利润最大化和与乘客匹配价值达到最大，车辆共乘研究在进行司机和乘客匹配时考虑以下目标之一：(1)最大化乘客数量；(2)最小化司机的总行驶距离或行驶时间；(3)最小化总的绕行距离。车辆共乘问题一般采用两步方式解决，首先建立该问题的数学模型，然后根据模型特性选择最优化或近似算法进行求解。即时车辆共乘需及时处理乘客订单信息，避免乘客等待时间过长，因此需要匹配算法在极短的时间内对大量司机集合和乘客集合进行匹配。在现实情况中，处理车辆共乘过程中的建模和解决大规模实时数据面临着以下挑战：(1)现实匹配方案的评估方法；(2)动态时间切片分割策略；(3)司乘对基于利润的自适应阈值；(4)求解大规模实时数据的匹配和路径规划算法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于动态时间切片和热度迁移的即时车辆共乘匹配方法，实现车辆共乘服务中司机和乘客的匹配。
为解决上述技术问题，本发明所采取的技术方案是：基于动态时间切片和热度迁移的即时车辆共乘匹配方法，包括以下步骤：
步骤1：使用共乘距离比率来评价司机和乘客的匹配价值，并定义司机和乘客匹配的约束条件；
步骤1.1：计算司机和乘客的共乘距离比率和对应的目标函数；
在路网Gra＝<U,E>中，每个节点u∈U，每条边e∈E，对于任意司乘对<d,r>，其中每个司机
Figure BDA0003017907690000011
每个乘客
Figure BDA0003017907690000012
共乘距离为
Figure BDA0003017907690000013
司机行驶总距离为
Figure BDA0003017907690000014
因此得出司机和乘客的共乘距离比率η<d,r>和目标函数S如下公式如下：
Figure BDA0003017907690000021
Figure BDA0003017907690000022
Figure BDA0003017907690000023
其中，司机集合为D＝{di|i∈[1,m]∩N}，m为司机总数，DT表示时间切片T内的司机总数，DT Δ表示时间切片T内迁移的司机总数；乘客集合为R＝{rj|j∈[1,n]∩N}，n为乘客总数，RT表示时间切片T内的乘客总数，RT Δ表示时间切片T内迁移的司机总数；di表示司机集合中的第i个司机，司机di具有出发地
Figure BDA0003017907690000024
目的地
Figure BDA0003017907690000025
和出发时间ti；乘客ri具有出发地
Figure BDA0003017907690000026
目的地
Figure BDA0003017907690000027
和出发时间tj，η<d,r>为司机和乘客的共乘距离比率，表示司机和乘客的匹配价值；共乘距离
Figure BDA0003017907690000028
为乘客rj乘车从出发地
Figure BDA0003017907690000029
到达目的地
Figure BDA00030179076900000210
的距离、
Figure BDA00030179076900000211
为司机di从出发地
Figure BDA00030179076900000212
到达乘客rj出发地
Figure BDA00030179076900000213
的距离、
Figure BDA00030179076900000214
为司机di从乘客rj目的地
Figure BDA00030179076900000215
到达司机di下一目的地
Figure BDA00030179076900000216
的距离，
Figure BDA00030179076900000217
为一个二元变量，表示司机di和乘客rj是否匹配，若匹配则为1，不匹配则为0；θ<d,r>表示司机的绕行距离；
步骤1.2：定义司机和乘客匹配的约束条件；
所述司机和乘客匹配的约束条件包括绕行距离约束、迁移约束和唯一性约束，具体为：
(1)以公式4定义司机和乘客匹配的绕行距离约束：
Figure BDA00030179076900000218
其中，
Figure BDA00030179076900000219
表示司机的行驶利润率，即司机搭载乘客每公里所获收益与司机行驶每公里的花费的比率；
(2)以公式5定义司机和乘客匹配的迁移约束，当η<d,r>超出匹配阈值
Figure BDA00030179076900000220
时，司机和乘客匹配成功；否则，司机和乘客匹配失败，乘客被迁移去与其他司机进行匹配；
Figure BDA00030179076900000221
(3)以公式6和7定义司机和乘客匹配的唯一性约束，司机di只能与乘客rj进行匹配成功，乘客rj只能与司机di进行匹配成功；
Figure BDA0003017907690000031
Figure BDA0003017907690000032
步骤2：基于动态时间切片划分和基于预测的迁移方法，求出司机和乘客匹配的初始解；基于预测的迁移方法使用司机和乘客的历史匹配数据来预测评估司机和乘客匹配的自适应阈值，只有当司机和乘客的匹配价值超过一定的共乘距离比率时才进行匹配，具体方法为：
步骤2.1：使用动态时间切片划分方法划分共乘时间；
定义两个上限：(1)最大乘客数Max_user：表示在一个时间切片内要匹配的最大通勤者数量；(2)最大等待时间Max_time：表示当前已匹配乘客的最大等待时间；基于以下规则进行时间切片Tk的划分：
(1)使用Nd表示在
Figure BDA0003017907690000033
中当前司机数量；使用Nr表示在
Figure BDA0003017907690000034
中当前乘客数量，当Nd+Nr超过最大乘客数量Max_user时，时间切片Tk关闭；
(2)使用Δt表示当前时间t和
Figure BDA0003017907690000035
之间的差值，其中，
Figure BDA0003017907690000036
当Δt超过最大等待时间Max_time时关闭时间切片Tk；
步骤2.2：使用基于预测的迁移方法，在时间切片划分后，筛选出司机集合的待匹配乘客；
通过分析司机和乘客的历史匹配数据来确定匹配阈值
Figure BDA0003017907690000037
将一周的每一天ρe划分为一系列时间切片，即
Figure BDA0003017907690000038
其中g表示时间切片的数量；对于任意时间切片
Figure BDA0003017907690000039
使用
Figure BDA00030179076900000310
表示司机乘客对在历史数据集H中的第k天的时间切片f中的平均共乘距离比率，在该时间切片中出现的所有司机和乘客都被匹配，忽略该时间切片内的所有司机和乘客的共乘距离比率；通过以下公式来计算司机和乘客的历史匹配数据集中出现的共乘距离比率所对应的阈值
Figure BDA00030179076900000311
Figure BDA00030179076900000312
其中，Ne表示司机和乘客的历史匹配数据集H中被分割的ρe的天数，
Figure BDA00030179076900000313
表示调整系数；
Figure BDA00030179076900000314
被用作在时间区间f中的所有时间切片的共乘距离比率的阈值，当且仅当司机di和乘客rj的共乘距离比率超过阈值
Figure BDA00030179076900000315
时才能进行匹配，没有匹配到的司机和乘客被迁移到下一个时间切片；
步骤2.3：根据当前时间切片指数和司机和乘客的历史匹配数据集中的原始时间切片指数间的差异计算两者间的阈值的最小值来评估被迁移到下一时间切片的乘客；
对于一个被迁移的司机
Figure BDA0003017907690000041
共乘距离比率阈值
Figure BDA0003017907690000042
如下公式所示：
Figure BDA0003017907690000043
其中，ecur表示当前时间切片的指数，
Figure BDA0003017907690000044
表示司机原始时间切片的指数，σ是重量因子；
步骤3：使用多规则求解搜索算法来搜索即时车辆共乘问题的解集；
首先，使用一种优化的评估矩阵生成方法来计算
Figure BDA0003017907690000045
中司机和
Figure BDA0003017907690000046
中的乘客间的最短路径和共乘距离比率；并通过贪婪算法获得即时车辆共乘匹配问题的初始解；然后，通过使用多规则求解搜索算法，在给定的迭代次数内改进已有解；当获得最终的全局匹配方案时，不匹配的乘客将被迁移到下一个时间切片；
步骤3.1：通过公式定义多规则求解搜索算法中的不连续值替换操作、单步变更操作和单步变更解集；
步骤3.1.1：以公式10定义一个I形式的解决方案，以公式11-15定义多规则求解搜索算法中的不连续值替换操作；
I＝(I1,I2,I3,...,Im) (10)
DI＝{Ik|k∈[1,m]∩N} (11)
Figure BDA0003017907690000047
Figure BDA0003017907690000048
Figure BDA0003017907690000049
Figure BDA00030179076900000410
其中，I表示即时车辆共乘匹配问题的m维解向量，即匹配方案，其中向量的每个维度对应于di(i∈{1...m}∩N)，Ii表示I的第i个维度的值，对应于与di匹配的乘客rj(j∈{1...n}∩N)；DI是I的每个维度的值集，而C是I的每个维度的可行值集，null表示空集；
步骤3.1.2：以公式16-17定义多规则求解搜索算法中的单步变更操作SSR，不连续值替换操作DVR的一个解I通过改变Ii和Ij的值转换成一个新的解；当Ij在DI中时，Ii和Ij的值互换，否则，将Ii的值改为Ij的值，Ii和Ij中至少有一个不能为空；
Figure BDA00030179076900000411
Figure BDA00030179076900000412
其中，
Figure BDA00030179076900000413
表示对Ii和Ij的值进行单步变更操作；
步骤3.1.3：定义单步变更解集；如果通过单步变更操作
Figure BDA0003017907690000051
得到的所有Ii和Ij是单步变更操作的解，则得到一个单步变更SSR解集；基于单步变更SSR解集在离散值解向量之间建立的关联，通过在不同解之间进行搜索来获得解集中的最优解；
步骤3.2：通过初始化算法生成评估矩阵和解矩阵；定义评估矩阵V(m×n)来表示价值在匹配司机和乘客时起到主观驱动作用；V中每个条目vij(i∈[1,m],j∈[1,n])表示司机di和乘客rj匹配时的共乘距离比率
Figure BDA0003017907690000052
定义解矩阵P(m×n)表示匹配方案，其中如果di和rj匹配，则P的每个条目xij(i∈[1,m],j∈[1,n])等于1，否则等于0；如果不满足绕行距离约束和迁移约束，则xij被置为0；在计算共乘距离比率时分解Dijkstra算法并在迭代过程中计算司机和乘客之间的最短路径；
步骤3.2.1：对于已有司机集合
Figure BDA0003017907690000053
和乘客集合
Figure BDA0003017907690000054
Figure BDA0003017907690000055
初始化定义评估矩阵V[m,n]；
步骤3.2.2：获取司机集合
Figure BDA0003017907690000056
中的每一个司机d；
步骤3.2.3：计算司机d所在地到其他所有节点的最短路径disMap1；
disMap1＝shortest_path(loc(d),all) (18)
步骤3.2.4：计算所有其他所有节点到司机d目的地的最短路径disMap2；
disMap2＝shortest_path(all,dst(d)) (19)
步骤3.2.5：获取乘客集合{R∪RΔ}中的每一个乘客r；
步骤3.2.6：计算乘客r的所在地和目的地之间的最短路径dis1；
dis1＝shortest_path(loc(r),dst(r)) (20)
步骤3.2.7：从司机d的循环中得到司机d的所在地与乘客r目的地之间的最短路径dis2；
dis2＝dis1Map[loc(d)][loc(r)] (21)
步骤3.2.8：从司机d的循环中得到司机d的目的地与乘客r目的地之间的最短路径dis3；
dis3＝dis2Map[dst(d)][dst(r)] (22)
步骤3.2.9：由步骤3.2.2-步骤3.2.8得到当前评估矩阵
Figure BDA0003017907690000057
其中，disMap1表示司机d所在地loc(d)到所有节点的最短路径表，shortest_path表示最短路径求解算法，即Dijkstra算法，all表示路网中的所有节点，disMap2表示路网中所有节点到司机d目的地dst(d)的最短路径表；
步骤3.3：生成即时车辆共乘问题的初始解；通过多规则求解搜索算法迭代从初始解集中的一个初始节点开始，使用贪婪算法来构造与此初始节点相匹配的初始解；对于给定的评估矩阵V(m×n)，对应的解矩阵P(m×n)中的所有条目被初始化为零；接下来对评估矩阵V中的每一列所有的条目都升序排序，然后从底部开始访问；具体实施步骤如下：
步骤3.3.1：由步骤3.2得到司机d和乘客r的匹配评估矩阵V，初始化定义解矩阵P(m×n)；
步骤3.3.2：对于评估矩阵V每列中的每一个元素，如果解矩阵P(m×n)的行值和大于0或者列值和大于0，则对评估矩阵V的列进行升序排序；
步骤3.3.3：对评估矩阵的排序列进行遍历，如果遍历到的当前元素在评估矩阵中的位置，对应在匹配方案中的位置列和为0，则将匹配方案中该位置置为1，并且选择跳过此列；
步骤3.4：根据不连续值替换的特点设计三种不同的规则来搜索多规则求解搜索算法的解；
(1)随机向下SSR规则：在解矩阵P(m×n)中选择值为1的两行进行位置交换；
(2)随机概率向下SSR规则：随机搜索解矩阵P(m×n)的列，依据该列所在位置与当前匹配位置的差值，选取所有差值为正值的位置并依据差值做概率分布来随机选取下一个位置，两个位置如果交换后价值增加，则进行交换；
(3)随机大值向下SSR规则：随机搜索并定位一个xij等于1，且x(i+1)j对应评估矩阵中的v(i+1)j<vij,v(i+1)j,vij∈V，则xil与xij交换位置，vij向下与v(i+1)j交换位置；
步骤3.5：随机使用步骤3.4中的一种规则进行搜索，直至获得全局最优方案。
采用上述技术方案所产生的有益效果在于：本发明提供的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，使用一个具有动态时间切片和基于预期迁移的实时拼车框架，对即时车辆共乘问题进行了形式化建模，并使用了两种方法根据从历史数据中了解到的阈值，动态划分时间范围并迁移未匹配的乘客，本发明方法的动态时间切片划分能够在交通资源的利用率和一天中不同时间切片乘客的等待时间之间提供更智能的平衡。同时，本发明方法使用了一种高效的多规则求解搜索算法，可以有效地为实时拼车问题提供高质量的解。
附图说明
图1为本发明实施例提供的基于动态时间切片和热度迁移的即时车辆共乘匹配方法的整体框架图
图2为本发明实施例提供的基于动态时间切片和热度迁移的即时车辆共乘匹配方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，基于动态时间切片和热度迁移的即时车辆共乘匹配方法，如图1、2所示，包括以下步骤：
步骤1：使用共乘距离比率来评价司机和乘客的匹配价值，并定义司机和乘客匹配的约束条件；
步骤1.1：计算司机和乘客的共乘距离比率和对应的目标函数；
在路网Gra＝<U,E>中，每个节点u∈U，每条边e∈E，对于任意司乘对<d,r>，其中每个司机
Figure BDA0003017907690000071
每个乘客
Figure BDA0003017907690000072
共乘距离为
Figure BDA0003017907690000073
司机行驶总距离为
Figure BDA0003017907690000074
因此得出司机和乘客的共乘距离比率η<d,r>和目标函数S如下公式如下：
Figure BDA0003017907690000075
Figure BDA0003017907690000076
Figure BDA0003017907690000077
其中，司机集合为D＝{di|i∈[1,m]∩N}，m为司机总数，DT表示时间切片T内的司机总数，DT Δ表示时间切片T内迁移的司机总数；乘客集合为R＝{rj|j∈[1,n]∩N}，n为乘客总数，RT表示时间切片T内的乘客总数，RT Δ表示时间切片T内迁移的司机总数；di表示司机集合中的第i个司机，司机di具有出发地
Figure BDA0003017907690000078
目的地
Figure BDA0003017907690000079
和出发时间ti；乘客ri具有出发地
Figure BDA00030179076900000710
目的地
Figure BDA00030179076900000711
和出发时间tj，η<d,r>为司机和乘客的共乘距离比率，表示司机和乘客的匹配价值；共乘距离
Figure BDA00030179076900000712
为乘客rj乘车从出发地
Figure BDA00030179076900000713
到达目的地
Figure BDA00030179076900000714
的距离、
Figure BDA00030179076900000715
为司机di从出发地
Figure BDA00030179076900000716
到达乘客rj出发地
Figure BDA00030179076900000717
的距离、
Figure BDA00030179076900000718
为司机di从乘客rj目的地
Figure BDA00030179076900000719
到达司机di下一目的地
Figure BDA00030179076900000720
的距离，
Figure BDA00030179076900000721
为一个二元变量，表示司机di和乘客rj是否匹配，若匹配则为1，不匹配则为0；θ<d,r>表示司机的绕行距离；
步骤1.2：定义司机和乘客匹配的约束条件；
所述司机和乘客匹配的约束条件包括绕行距离约束、迁移约束和唯一性约束，具体为：
(1)以公式4定义司机和乘客匹配的绕行距离约束：
Figure BDA0003017907690000081
其中，
Figure BDA0003017907690000082
表示司机的行驶利润率，即司机搭载乘客每公里所获收益与司机行驶每公里的花费的比率；
(2)以公式5定义司机和乘客匹配的迁移约束，产生一个高质量的匹配结果，当η<d,r>超出匹配阈值
Figure BDA0003017907690000083
时，司机和乘客匹配成功；否则，司机和乘客匹配失败，乘客被迁移去与其他司机进行匹配；
Figure BDA0003017907690000084
(3)以公式6和7定义司机和乘客匹配的唯一性约束，司机di只能与乘客rj进行匹配成功，乘客rj只能与司机di进行匹配成功；
Figure BDA0003017907690000085
Figure BDA0003017907690000086
步骤2：基于动态时间切片划分和基于预测的迁移方法，求出司机和乘客匹配的初始解；基于预测的迁移方法使用司机和乘客的历史匹配数据来预测评估司机和乘客匹配的自适应阈值，只有当司机和乘客的匹配价值超过一定的共乘距离比率时才进行匹配，具体方法为：
步骤2.1：使用动态时间切片划分方法划分共乘时间；
定义两个上限：(1)最大乘客数Max_user：表示在一个时间切片内要匹配的最大通勤者数量；(2)最大等待时间Max_time：表示当前已匹配乘客的最大等待时间；基于以下规则进行时间切片Tk的划分：
(1)使用Nd表示在
Figure BDA0003017907690000087
中当前司机数量；使用Nr表示在
Figure BDA0003017907690000088
中当前乘客数量，当Nd+Nr超过最大乘客数量Max_user时，时间切片Tk关闭；
(2)使用Δt表示当前时间t和
Figure BDA0003017907690000089
之间的差值，其中，
Figure BDA00030179076900000810
Figure BDA00030179076900000811
当Δt超过最大等待时间Max_time时关闭时间切片Tk；
步骤2.2：使用基于预测的迁移方法，在时间切片划分后，筛选出司机集合的待匹配乘客；
通过分析司机和乘客的历史匹配数据来确定匹配阈值
Figure BDA00030179076900000812
将一周的每一天ρe划分为一系列时间切片，即
Figure BDA00030179076900000813
其中g表示时间切片的数量；对于任意时间切片
Figure BDA00030179076900000814
使用
Figure BDA00030179076900000815
表示司机乘客对在历史数据集H中的第k天的时间切片f中的平均共乘距离比率，在该时间切片中出现的所有司机和乘客都被匹配，忽略该时间切片内的所有司机和乘客的共乘距离比率；通过以下公式来计算司机和乘客的历史匹配数据集中出现的共乘距离比率所对应的阈值
Figure BDA0003017907690000091
Figure BDA0003017907690000092
其中，Ne表示司机和乘客的历史匹配数据集H中被分割的ρe的天数，
Figure BDA0003017907690000093
表示调整系数；
Figure BDA0003017907690000094
被用作在时间区间f中的所有时间切片的共乘距离比率的阈值，当且仅当司机di和乘客rj的共乘距离比率超过阈值
Figure BDA0003017907690000095
时才能进行匹配，没有匹配到的司机和乘客被迁移到下一个时间切片；调整系数
Figure BDA0003017907690000096
用于调整阈值的严格程度，一个较小的
Figure BDA0003017907690000097
将导致一个较低的全局共乘距离比率，但是会产生更多的匹配，相反，一个较大的
Figure BDA0003017907690000098
会导致一个较高的全局共乘距离比率，但是产生更少的匹配。
步骤2.3：根据当前时间切片指数和司机和乘客的历史匹配数据集中的原始时间切片指数间的差异计算两者间的阈值的最小值来评估被迁移到下一时间切片的乘客；
对于一个被迁移的司机
Figure BDA0003017907690000099
共乘距离比率阈值
Figure BDA00030179076900000910
如下公式所示：
Figure BDA00030179076900000911
其中，ecur表示当前时间切片的指数，
Figure BDA00030179076900000912
表示司机原始时间切片的指数，σ是一个表示阈值急剧缩减的重量因子；
步骤3：使用多规则求解搜索算法来搜索即时车辆共乘问题的解集；
首先，使用一种优化的评估矩阵生成方法来计算
Figure BDA00030179076900000913
中司机和
Figure BDA00030179076900000914
中的乘客间的最短路径和共乘距离比率；并通过贪婪算法获得即时车辆共乘匹配问题的初始解；然后，通过使用多规则求解搜索算法，该算法遍历解集以在给定的迭代次数内改进已有解；不同的搜索规则在搜索过程中提供了不同的强化和多样化水平当获得最终的全局匹配方案时，不匹配的乘客将被迁移到下一个时间切片；
步骤3.1：通过公式定义多规则求解搜索算法中的不连续值替换操作、单步变更操作和单步变更解集；
步骤3.1.1：以公式10定义一个I形式的解决方案，以公式11-15定义多规则求解搜索算法中的不连续值替换操作；
I＝(I1,I2,I3,...,Im) (10)
DI＝{Ik|k∈[1,m]∩N} (11)
Figure BDA0003017907690000101
Figure BDA0003017907690000102
Figure BDA0003017907690000103
Figure BDA0003017907690000104
其中，I表示即时车辆共乘匹配问题的m维解向量，即匹配方案，其中向量的每个维度对应于di(i∈{1...m}∩N)，Ii表示I的第i个维度的值，对应于与di匹配的乘客rj(j∈{1...n}∩N)；DI是I的每个维度的值集，而C是I的每个维度的可行值集，null表示空集；公式14表示对于I中的每两个元素，只有当它们都为空时才相等；公式15表示只有当C的所有元素都已经在DI中时，空值才在DI中；
步骤3.1.2：以公式16-17定义多规则求解搜索算法中的单步变更操作SSR，不连续值替换操作DVR的一个解I通过改变Ii和Ij的值转换成一个新的解；当Ij在DI中时，Ii和Ij的值互换，否则，将Ii的值改为Ij的值，需要注意的是要想执行SSR，Ii和Ij中至少有一个不能为空；
Figure BDA0003017907690000105
Figure BDA0003017907690000106
其中，
Figure BDA0003017907690000107
表示对Ii和Ij的值进行单步变更操作；
步骤3.1.3：定义单步变更解集；如果通过单步变更操作
Figure BDA0003017907690000108
得到的所有Ii和Ij是单步变更操作的解，则得到一个单步变更SSR解集；基于单步变更SSR解集在离散值解向量之间建立的关联，通过在不同解之间进行搜索来获得解集中的最优解；
步骤3.2：通过初始化算法生成评估矩阵和解矩阵，定义两个矩阵来加速即时车辆共乘匹配问题的求解；定义评估矩阵V(m×n)来表示价值在匹配司机和乘客时起到主观驱动作用；V中每个条目vij(i∈[1,m],j∈[1,n])表示司机di和乘客rj匹配时的共乘距离比率
Figure BDA0003017907690000109
定义解矩阵P(m×n)表示匹配方案，其中如果di和rj匹配，则P的每个条目xij(i∈[1,m],j∈[1,n])等于1，否则等于0；如果不满足绕行距离约束和迁移约束，则xij被置为0；在计算共乘距离比率时分解Dijkstra算法并在迭代过程中计算司机和乘客之间的最短路径；
步骤3.2.1：对于已有司机集合
Figure BDA00030179076900001010
和乘客集合
Figure BDA00030179076900001011
Figure BDA00030179076900001012
初始化定义评估矩阵V[m,n]；
步骤3.2.2：获取司机集合
Figure BDA00030179076900001013
中的每一个司机d；
步骤3.2.3：计算司机d所在地到其他所有节点的最短路径disMap1；
disMap1＝shortest_path(loc(d),all) (18)
步骤3.2.4：计算所有其他所有节点到司机d目的地的最短路径disMap2；
disMap2＝shortest_path(all,dst(d)) (19)
步骤3.2.5：获取乘客集合{R∪RΔ}中的每一个乘客r；
步骤3.2.6：计算乘客r的所在地和目的地之间的最短路径dis1；
dis1＝shortest_path(loc(r),dst(r)) (20)
步骤3.2.7：从司机d的循环中得到司机d的所在地与乘客r目的地之间的最短路径dis2；
dis2＝dis1Map[loc(d)[ploc(r)] (21)
步骤3.2.8：从司机d的循环中得到司机d的目的地与乘客r目的地之间的最短路径dis3；
dis3＝dis2Map[dst(d)][dst(r)] (22)
步骤3.2.9：由步骤3.2.2-步骤3.2.8得到当前评估矩阵
Figure BDA0003017907690000111
其中，disMap1表示司机d所在地loc(d)到所有节点的最短路径表，shortest_path表示最短路径求解算法，即Dijkstra算法，all表示路网中的所有节点，disMap2表示路网中所有节点到司机d目的地dst(d)的最短路径表；
步骤3.3：生成即时车辆共乘问题的初始解；通过多规则求解搜索算法迭代从初始解集中的一个初始节点开始，使用贪婪算法来构造与此初始节点相匹配的初始解；对于给定的评估矩阵V(m×n)，对应的解矩阵P(m×n)中的所有条目被初始化为零；接下来对评估矩阵V中的每一列所有的条目都升序排序，然后从底部开始访问；具体实施步骤如下：
步骤3.3.1：由步骤3.2得到司机d和乘客r的匹配评估矩阵V，初始化定义解矩阵P(m×n)；
步骤3.3.2：对于评估矩阵V每列中的每一个元素，如果解矩阵P(m×n)的行值和大于0或者列值和大于0，则对评估矩阵V的列进行升序排序；
步骤3.3.3：对评估矩阵的排序列进行遍历，如果遍历到的当前元素在评估矩阵中的位置，对应在匹配方案中的位置列和为0，则将匹配方案中该位置置为1，并且选择跳过此列；
步骤3.4：根据不连续值替换的特点设计三种不同的规则来搜索多规则求解搜索算法的解；
(1)随机向下SSR规则：在解矩阵P(m×n)中选择值为1的两行进行位置交换；
(2)随机概率向下SSR规则：随机搜索解矩阵P(m×n)的列，依据该列所在位置与当前匹配位置的差值，选取所有差值为正值的位置并依据差值做概率分布来随机选取下一个位置，两个位置如果交换后价值增加，则进行交换；
(3)随机大值向下SSR规则：与之前的规则类似，最大向上SSR规则也随机搜索并定位一个xij等于1，且x(i+1)j对应评估矩阵中的v(i+1)j<vij,v(i+1)j,vij∈V，则xil与xij交换位置，vij向下与v(i+1)j交换位置；
步骤3.5：随机使用步骤3.4中的一种规则进行搜索，直至获得全局最优方案。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (8)

1.一种基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：包括以下步骤：
步骤1：使用共乘距离比率来评价司机和乘客的匹配价值，并定义司机和乘客匹配的约束条件；
步骤1.1：计算司机和乘客的共乘距离比率和对应的目标函数；
在路网Gra＝<U，E>中，每个节点u∈U，每条边e∈E，对于任意司乘对<d，r>，其中每个司机
Figure FDA0003017907680000011
每个乘客
Figure FDA0003017907680000012
共乘距离为
Figure FDA0003017907680000013
司机行驶总距离为
Figure FDA0003017907680000014
因此得出司机和乘客的共乘距离比率η<d，r>和目标函数S如下公式如下：
Figure FDA0003017907680000015
Figure FDA0003017907680000016
Figure FDA0003017907680000017
其中，司机集合为D＝{di|i∈[1，m]∩N}，m为司机总数，DT表示时间切片T内的司机总数，DT Δ表示时间切片T内迁移的司机总数；乘客集合为R＝{rj|j∈[1，n]∩N}，n为乘客总数，RT表示时间切片T内的乘客总数，RT Δ表示时间切片T内迁移的司机总数；di表示司机集合中的第i个司机，司机di具有出发地
Figure FDA0003017907680000018
目的地
Figure FDA0003017907680000019
和出发时间ti；乘客ri具有出发地
Figure FDA00030179076800000110
目的地
Figure FDA00030179076800000111
和出发时间tj，η<d，r>为司机和乘客的共乘距离比率，表示司机和乘客的匹配价值；共乘距离
Figure FDA00030179076800000112
为乘客rj乘车从出发地
Figure FDA00030179076800000113
到达目的地
Figure FDA00030179076800000114
的距离、
Figure FDA00030179076800000115
为司机di从出发地
Figure FDA00030179076800000116
到达乘客rj出发地
Figure FDA00030179076800000117
的距离、
Figure FDA00030179076800000118
为司机di从乘客rj目的地
Figure FDA00030179076800000119
到达司机di下一目的地
Figure FDA00030179076800000120
的距离，
Figure FDA00030179076800000121
为一个二元变量，表示司机di和乘客rj是否匹配，若匹配则为1，不匹配则为0；θ<d，r>表示司机的绕行距离；
步骤1.2：定义司机和乘客匹配的约束条件；
所述司机和乘客匹配的约束条件包括绕行距离约束、迁移约束和唯一性约束；具体为：
步骤2：基于动态时间切片划分和基于预测的迁移方法，求出司机和乘客匹配的初始解；基于预测的迁移方法使用司机和乘客的历史匹配数据来预测评估司机和乘客匹配的自适应阈值，只有当司机和乘客的匹配价值超过一定的共乘距离比率时才进行匹配，具体方法为：
步骤2.1：使用动态时间切片划分方法划分共乘时间；
步骤2.2：使用基于预测的迁移方法，在时间切片划分后，筛选出司机集合的待匹配乘客；
步骤2.3：根据当前时间切片指数和司机和乘客的历史匹配数据集中的原始时间切片指数间的差异计算两者间的阈值的最小值来评估被迁移到下一时间切片的乘客；
步骤3：使用多规则求解搜索算法来搜索即时车辆共乘问题的解集；
首先，使用一种优化的评估矩阵生成方法来计算
Figure FDA0003017907680000021
中司机和
Figure FDA0003017907680000022
中的乘客间的最短路径和共乘距离比率；并通过贪婪算法获得即时车辆共乘匹配问题的初始解；然后，通过使用多规则求解搜索算法，在给定的迭代次数内改进已有解；当获得最终的全局匹配方案时，不匹配的乘客将被迁移到下一个时间切片。
2.根据权利要求1所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：步骤1.2所述司机和乘客匹配的约束条件具体为：
(1)以公式4定义司机和乘客匹配的绕行距离约束：
Figure FDA0003017907680000023
其中，θ表示司机的行驶利润率，即司机搭载乘客每公里所获收益与司机行驶每公里的花费的比率；
(2)以公式5定义司机和乘客匹配的迁移约束，当η<d，r>超出匹配阈值
Figure FDA0003017907680000027
时，司机和乘客匹配成功；否则，司机和乘客匹配失败，乘客被迁移去与其他司机进行匹配；
Figure FDA0003017907680000024
(3)以公式6和7定义司机和乘客匹配的唯一性约束，司机di只能与乘客rj进行匹配成功，乘客rj只能与司机di进行匹配成功；
Figure FDA0003017907680000025
Figure FDA0003017907680000026
3.根据权利要求2所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：所述步骤2.1的具体方法为：
定义两个上限：(1)最大乘客数Max_user：表示在一个时间切片内要匹配的最大通勤者数量；(2)最大等待时间Max_time：表示当前已匹配乘客的最大等待时间；基于以下规则进行时间切片Tk的划分：
(1)使用Nd表示在
Figure FDA0003017907680000031
中当前司机数量；使用Nr表示在
Figure FDA0003017907680000032
中当前乘客数量，当Nd+Nr超过最大乘客数量Max_user时，时间切片Tk关闭；
(2)使用Δt表示当前时间t和
Figure FDA0003017907680000033
之间的差值，其中，
Figure FDA0003017907680000034
当Δt超过最大等待时间Max_time时关闭时间切片Tk。
4.根据权利要求3所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：所述步骤2.2的具体方法为：
通过分析司机和乘客的历史匹配数据来确定匹配阈值
Figure FDA0003017907680000035
将一周的每一天ρe划分为一系列时间切片，即
Figure FDA0003017907680000036
其中g表示时间切片的数量；对于任意时间切片
Figure FDA0003017907680000037
使用
Figure FDA0003017907680000038
表示司机乘客对在历史数据集H中的第k天的时间切片T中的平均共乘距离比率，在该时间切片中出现的所有司机和乘客都被匹配，忽略该时间切片内的所有司机和乘客的共乘距离比率；通过以下公式来计算司机和乘客的历史匹配数据集中出现的共乘距离比率所对应的阈值
Figure FDA0003017907680000039
Figure FDA00030179076800000310
其中，Ne表示司机和乘客的历史匹配数据集H中被分割的ρe的天数，
Figure FDA00030179076800000311
表示调整系数；
Figure FDA00030179076800000312
被用作在时间区间f中的所有时间切片的共乘距离比率的阈值，当且仅当司机di和乘客rj的共乘距离比率超过阈值
Figure FDA00030179076800000313
时才能进行匹配，没有匹配到的司机和乘客被迁移到下一个时间切片。
5.根据权利要求4所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：对于一个被迁移的司机
Figure FDA00030179076800000314
共乘距离比率阈值
Figure FDA00030179076800000315
如下公式所示：
Figure FDA00030179076800000316
其中，ecur表示当前时间切片的指数，
Figure FDA00030179076800000317
表示司机原始时间切片的指数，σ是重量因子。
6.根据权利要求5所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：所述步骤3的具体方法为：
步骤3.1：通过公式定义多规则求解搜索算法中的不连续值替换操作、单步变更操作和单步变更解集；
步骤3.1.1：以公式10定义一个I形式的解决方案，以公式11-15定义多规则求解搜索算法中的不连续值替换操作；
I＝(I1，I2，I3，...，Im) (10)
DI＝{Ik|k∈[1，m]∩N} (11)
Figure FDA0003017907680000041
Figure FDA0003017907680000042
Figure FDA0003017907680000043
Figure FDA0003017907680000044
其中，I表示即时车辆共乘匹配问题的m维解向量，即匹配方案，其中向量的每个维度对应于di(i∈{1...m}∩N)，Ii表示I的第i个维度的值，对应于与di匹配的乘客rj(j∈{1...n}∩N)；DI是I的每个维度的值集，而C是I的每个维度的可行值集，null表示空集；
步骤3.1.2：以公式16-17定义多规则求解搜索算法中的单步变更操作SSR，不连续值替换操作DVR的一个解I通过改变Ii和Ij的值转换成一个新的解；当Ij在DI中时，Ii和Ij的值互换，否则，将Ii的值改为Ij的值，Ii和Ij中至少有一个不能为空；
Figure FDA0003017907680000045
Figure FDA0003017907680000046
其中，
Figure FDA0003017907680000047
表示对Ii和Ij的值进行单步变更操作；
步骤3.1.3：定义单步变更解集；如果通过单步变更操作
Figure FDA0003017907680000048
得到的所有Ii和Ij是单步变更操作的解，则得到一个单步变更SSR解集；基于单步变更SSR解集在离散值解向量之间建立的关联，通过在不同解之间进行搜索来获得解集中的最优解；
步骤3.2：通过初始化算法生成评估矩阵和解矩阵；定义评估矩阵V(m×n)来表示价值在匹配司机和乘客时起到主观驱动作用；V中每个条目vij(i∈[1，m]，j∈[1，n])表示司机di和乘客rj匹配时的共乘距离比率
Figure FDA0003017907680000049
定义解矩阵P(m×n)表示匹配方案，其中如果di和rj匹配，则P的每个条目xij(i∈[1，m]，j∈[1，n])等于1，否则等于0；如果不满足绕行距离约束和迁移约束，则xij被置为0；在计算共乘距离比率时分解Dijkstra算法并在迭代过程中计算司机和乘客之间的最短路径；
步骤3.3：生成即时车辆共乘问题的初始解；通过多规则求解搜索算法迭代从初始解集中的一个初始节点开始，使用贪婪算法来构造与此初始节点相匹配的初始解；对于给定的评估矩阵V(m×n)，对应的解矩阵P(m×n)中的所有条目被初始化为零；接下来对评估矩阵V中的每一列所有的条目都升序排序，然后从底部开始访问；
步骤3.4：根据不连续值替换的特点设计三种不同的规则来搜索多规则求解搜索算法的解；
(1)随机向下SSR规则：在解矩阵P(m×n)中选择值为1的两行进行位置交换；
(2)随机概率向下SSR规则：随机搜索解矩阵P(m×n)的列，依据该列所在位置与当前匹配位置的差值，选取所有差值为正值的位置并依据差值做概率分布来随机选取下一个位置，两个位置如果交换后价值增加，则进行交换；
(3)随机大值向下SSR规则：随机搜索并定位一个xij等于1，且x(i+1)j对应评估矩阵中的v(i+1)j＜vij，v(i+1)j，vij∈V，则xil与xij交换位置，vij向下与v(i+1)j交换位置；
步骤3.5：随机使用步骤3.4中的一种规则进行搜索，直至获得全局最优方案。
7.根据权利要求6所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：所述步骤3.2的具体方法为：
步骤3.2.1：对于已有司机集合
Figure FDA0003017907680000051
和乘客集合
Figure FDA0003017907680000052
Figure FDA0003017907680000053
初始化定义评估矩阵V[m，n]；
步骤3.2.2：获取司机集合
Figure FDA0003017907680000054
中的每一个司机d；
步骤3.2.3：计算司机d所在地到其他所有节点的最短路径disMap1；
disMap1＝shortest_path(loc(d)，all) (18)
步骤3.2.4：计算所有其他所有节点到司机d目的地的最短路径disMap2；
disMap2＝shortest_path(all，dst(d)) (19)
步骤3.2.5：获取乘客集合{R∪RΔ}中的每一个乘客r；
步骤3.2.6：计算乘客r的所在地和目的地之间的最短路径dis1；
dis1＝shortest_path(loc(r)，dst(r)) (20)
步骤3.2.7：从司机d的循环中得到司机d的所在地与乘客r目的地之间的最短路径dis2；
dis2＝dis1Map[loc(d)][loc(r)] (21)
步骤3.2.8：从司机d的循环中得到司机d的目的地与乘客r目的地之间的最短路径dis3；
dis3＝dis2Map[dst(d)][dst(r)] (22)
步骤3.2.9：由步骤3.2.2-步骤3.2.8得到当前评估矩阵
Figure FDA0003017907680000055
其中，disMap1表示司机d所在地loc(d)到所有节点的最短路径表，shortest_path表示最短路径求解算法，即Dijkstra算法，all表示路网中的所有节点，disMap2表示路网中所有节点到司机d目的地dst(d)的最短路径表。
8.根据权利要求7所述的基于动态时间切片和热度迁移的即时车辆共乘匹配方法，其特征在于：所述步骤3.3的具体实施步骤如下：
步骤3.3.1：由步骤3.2得到司机d和乘客r的匹配评估矩阵V，初始化定义解矩阵P(m×n)；
步骤3.3.2：对于评估矩阵V每列中的每一个元素，如果解矩阵P(m×n)的行值和大于0或者列值和大于0，则对评估矩阵V的列进行升序排序；
步骤3.3.3：对评估矩阵的排序列进行遍历，如果遍历到的当前元素在评估矩阵中的位置，对应在匹配方案中的位置列和为0，则将匹配方案中该位置置为1，并且选择跳过此列。
CN202110394191.4A 2021-04-13 2021-04-13 基于动态时间切片和热度迁移的即时车辆共乘匹配方法 Active CN113313343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110394191.4A CN113313343B (zh) 2021-04-13 2021-04-13 基于动态时间切片和热度迁移的即时车辆共乘匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110394191.4A CN113313343B (zh) 2021-04-13 2021-04-13 基于动态时间切片和热度迁移的即时车辆共乘匹配方法

Publications (2)

Publication Number Publication Date
CN113313343A true CN113313343A (zh) 2021-08-27
CN113313343B CN113313343B (zh) 2024-07-12

Family

ID=77372350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110394191.4A Active CN113313343B (zh) 2021-04-13 2021-04-13 基于动态时间切片和热度迁移的即时车辆共乘匹配方法

Country Status (1)

Country Link
CN (1) CN113313343B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947245A (zh) * 2021-10-20 2022-01-18 辽宁工程技术大学 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564788A (zh) * 2018-06-07 2018-09-21 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
JP2019160059A (ja) * 2018-03-15 2019-09-19 住友電気工業株式会社 情報提供装置、情報提供方法、およびコンピュータプログラム
CN111590040A (zh) * 2020-04-16 2020-08-28 攀钢集团攀枝花钢铁研究院有限公司 一种提升齿轮钢质量的小方坯连铸生产方法
CN111667086A (zh) * 2019-03-08 2020-09-15 山东大学 一种车辆共乘路径寻优方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019160059A (ja) * 2018-03-15 2019-09-19 住友電気工業株式会社 情報提供装置、情報提供方法、およびコンピュータプログラム
CN108564788A (zh) * 2018-06-07 2018-09-21 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
CN111667086A (zh) * 2019-03-08 2020-09-15 山东大学 一种车辆共乘路径寻优方法及系统
CN111590040A (zh) * 2020-04-16 2020-08-28 攀钢集团攀枝花钢铁研究院有限公司 一种提升齿轮钢质量的小方坯连铸生产方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947245A (zh) * 2021-10-20 2022-01-18 辽宁工程技术大学 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

Also Published As

Publication number Publication date
CN113313343B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN111260118B (zh) 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN109102124B (zh) 基于分解的动态多目标多路径诱导方法、系统及存储介质
CN111814079B (zh) 结合聚类与cmab的群智感知车联网用户筛选方法
CN112230675B (zh) 在协同搜救中考虑运行环境和性能的无人机任务分配方法
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
CN112651570B (zh) 高速公路服务区交通量预测模型构建、预测方法及装置
CN105704031B (zh) 一种数据传输路径确定方法及装置
CN112149715B (zh) 一种基于深度学习的无人机空战威胁评估方法
CN113516277B (zh) 一种基于路网动态定价的网联智能交通路径规划方法
CN114511021A (zh) 基于改进乌鸦搜索算法的极限学习机分类算法
CN111860989A (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN113313343B (zh) 基于动态时间切片和热度迁移的即时车辆共乘匹配方法
CN115409256A (zh) 基于行程时间预测的拥堵区避让的路径推荐方法
CN114462664A (zh) 融合深度强化学习和遗传算法的短程支线航班调度方法
CN109858559B (zh) 基于交通流宏观基本图的自适应交通分析路网简化方法
CN112785085B (zh) 一种配送路径优化方法及装置
CN117519244B (zh) 无人机集群协同探测多目标的路径规划方法及系统
CN114418213A (zh) 一种基于深度强化学习的城市电动车辆调度方法和系统
CN113887748A (zh) 在线联邦学习任务分配方法、装置、联邦学习方法及系统
CN116702389B (zh) 一种针对混合交通流的嵌套流量计算方法
CN115359672B (zh) 一种数据驱动与强化学习结合的交通区域边界控制方法
Behura et al. Road accident prediction and feature analysis by using deep learning
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN107220993B (zh) 基于Mean shift聚类的粒子滤波机动目标追踪方法

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