CN113326989A - 一种车辆路线优化的方法和系统 - Google Patents
一种车辆路线优化的方法和系统 Download PDFInfo
- Publication number
- CN113326989A CN113326989A CN202110663108.9A CN202110663108A CN113326989A CN 113326989 A CN113326989 A CN 113326989A CN 202110663108 A CN202110663108 A CN 202110663108A CN 113326989 A CN113326989 A CN 113326989A
- Authority
- CN
- China
- Prior art keywords
- sample set
- sample
- preset
- target
- candidate
- 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 55
- 238000005457 optimization Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆路线优化的方法和系统,涉及交通技术领域。该方法的一具体实施方式包括:获取样本数量大于预设车辆容量的乘客样本集,以乘客样本集作为待分析样本集;迭代执行分裂操作得到多个目标样本集,确定每个目标样本集对应的站点;根据预设线路起始点和每个目标样本集对应的站点生成车辆路线。本发明从整体上缩短了员工从住处到站点的距离,且充分考虑乘客主观因素,以乘客总里程数最小为目标确定最优的班车路线,增强了系统的实用性。
Description
技术领域
本发明涉及交通技术领域,尤其涉及一种车辆路线优化的方法和系统。
背景技术
近几年来,由于城市规模的扩大,职住分离问题日益突出,企事业员工选择通勤班车上下班的需求大幅提升。作为一种集约模式的辅助公共交通系统,通勤班车的站点和路线设计尤为重要,不仅与企业的公共形象、运营成本、员工满意度息息相关,也会从侧面对城市交通产生巨大影响。
现有技术通常将班车路线优化视为车辆路径问题(VRP),主要采用以下两类方法:(1)精确算法,如动态规划、分支定界法。这类算法主要用于规模较小的车辆路径问题,其优点是求解精度高。(2)启发式算法,如节约算法、遗传算法、蚁群算法、模拟退火算法、禁忌搜索算法、最近邻算法、插入法,以及上述算法的拓展或有机结合。这类算法的精度不如精确算法,但对于大规模的车辆调度问题,可以快速收敛到较理想的求解。
但是,将货运(VRP)或旅行商问题(TSP)的解决方法直接移植到客运车辆(班车)路线优化问题,没有考虑人(乘客)的主观能动因素,会影响企业员工对于办成的乘坐意愿和满意度。且现有技术通常只关注路线的优化,忽略站点优化问题,增加了成本的浪费,同时无法将资源配置最优化管理。
发明内容
有鉴于此,本发明实施例提供一种车辆路线优化的方法和系统,先对通勤班车的站点进行优化,确定合理站点的基础上,充分考虑乘客的主观因素和乘坐满意度,确定最优的班车路线。既考虑到路线的总里程最小,减少企业成本,又考虑到乘客乘坐的主观因素,增强了员工对于企业文化的认可和满意度的提升。
为实现上述目的,根据本发明实施例的第一方面,提供了一种车辆路线优化的方法。
本发明实施例的车辆路线优化的方法包括:
获取样本数量大于预设车辆容量的乘客样本集,以所述乘客样本集作为待分析样本集;迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点;所述分裂操作包括:将所述待分析样本集分裂为两个候选样本集;判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,将所述待分析样本集作为一个目标样本集;根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线。
可选地,获取样本数量大于预设车辆容量的乘客样本集,包括:获取目标范围内所有乘客在预设历史时段内的乘车记录,根据每个乘客的乘车记录确定所述乘客在所述预设历史时段内的乘车次数;从所述目标范围内的所有乘客中筛选乘车次数大于等于预设次数阈值的乘客,得到所述乘客样本集。
可选地,将所述待分析样本集分裂为两个候选样本集,包括:从所述待分析样本集中选取两个样本,分别以选取的每个样本的样本位置作为一个候选样本集的簇心;
遍历所述待分析样本集中的每个其他样本:确定所述其他样本与每个簇心的距离,将所述其他样本分类到与其具有较小距离的簇心所在的候选样本集,然后更新对应候选样本集的簇心。
可选地,所述样本位置包括:样本经度和样本纬度;更新对应候选样本集的簇心,包括:以所述对应候选样本集中所有样本的平均经度作为更新后的所述对应候选样本集的簇心经度,以所述对应候选样本集中所有样本的平均纬度作为更新后的所述对应候选样本集的簇心纬度。
可选地,所述预设分裂条件包括以下至少之一:
当前分裂操作得到的两个候选样本集的散度之和小于当前待分析样本集的散度;当前分裂操作得到的两个候选样本集之间的距离大于预设距离阈值。
可选地,以样本位置的标准差作为所述散度的衡量指标;以两个候选样本集的簇心之间的距离作为两个候选样本集之间的距离。
可选地,所述方法还包括:迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点之前,对每个样本的样本位置通过经度与纬度比例尺的换算进行标准化处理。
根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线,包括:根据预设线路起始点和每个所述目标样本集对应的站点,采用里程节约算法确定若干个站点集合;以乘客总里程数最小为目标,生成与每个所述站点集合对应的车辆路线。
以乘客总里程数最小为目标,生成与每个所述站点集合对应的车辆路线之前,还包括:确认所述若干个站点集合中总乘客数量小于等于预设车辆容量,否则,从所述若干个站点集合中删除该站点集合。
为实现上述目的,根据本发明实施例的第二方面,提供了一种车辆路线优化系统。
本发明实施例的车辆路线优化系统包括:获取模块,用于获取样本数量大于预设车辆容量的乘客样本集,以所述乘客样本集作为待分析样本集;站点配置模块,用于迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点;所述分裂操作包括:将所述待分析样本集分裂为两个候选样本集;判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,将所述待分析样本集作为一个目标样本集;路线配置模块,用于根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线。
可选地,获取样本数量大于预设车辆容量的乘客样本集,包括:获取目标范围内所有乘客在预设历史时段内的乘车记录,根据每个乘客的乘车记录确定所述乘客在所述预设历史时段内的乘车次数;从所述目标范围内的所有乘客中筛选乘车次数大于等于预设次数阈值的乘客,得到所述乘客样本集。
可选地,将所述待分析样本集分裂为两个候选样本集,包括:从所述待分析样本集中选取两个样本,分别以选取的每个样本的样本位置作为一个候选样本集的簇心;
遍历所述待分析样本集中的每个其他样本:确定所述其他样本与每个簇心的距离,将所述其他样本分类到与其具有较小距离的簇心所在的候选样本集,然后更新对应候选样本集的簇心。
可选地,所述样本位置包括:样本经度和样本纬度;更新对应候选样本集的簇心,包括:以所述对应候选样本集中所有样本的平均经度作为更新后的所述对应候选样本集的簇心经度,以所述对应候选样本集中所有样本的平均纬度作为更新后的所述对应候选样本集的簇心纬度。
可选地,所述预设分裂条件包括以下至少之一:当前分裂操作得到的两个候选样本集的散度之和小于当前待分析样本集的散度;当前分裂操作得到的两个候选样本集之间的距离大于预设距离阈值。
可选地,以样本位置的标准差作为所述散度的衡量指标;以两个候选样本集的簇心之间的距离作为两个候选样本集之间的距离。
可选地,所述站点配置模块还用于迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点之前,对每个样本的样本位置通过经度与纬度比例尺的换算进行标准化处理。
可选地,根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线,包括:根据预设线路起始点和每个所述目标样本集对应的站点,采用里程节约算法确定若干个站点集合;以乘客总里程数最小为目标,生成与每个所述站点集合对应的车辆路线。
可选地,在以乘客总里程数最小为目标,生成与每个所述站点集合对应的车辆路线之前,还包括:确认所述若干个站点集合中总乘客数量小于等于预设车辆容量,否则,从所述若干个站点集合中删除该站点集合。
为实现上述目的,根据本发明实施例的第三方面,提供了一种车辆路线优化设备。
本发明实施例的车辆路线优化设备包括:一个或多个处理器;存储系统,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的车辆路线优化的方法。
为实现上述目的,根据本发明实施例的第四方面,提供了一种计算机可读介质。
本发明实施例的计算机可读介质上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的车辆路线优化的方法。
上述发明中的一个实施例具有如下优点或有益效果:在本发明实施例中,以乘客住址以及乘客意愿等主观因素为考量,对车辆站点进行优化设置,整体上缩短了乘客送住处到站点的距离。在确定合理站点的基础上,充分考虑乘客的乘坐满意度,以乘客总里程数最小为目标确定最优的班车路线。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明实施例的一种车辆路线优化方法的主要流程的示意图;
图2是本发明实施例的分裂操作的主要流程的示意图;
图3是本发明实施例的获取样本数量大于预设车辆容量的乘客样本集的主要流程的示意图;
图4是本发明实施例的将所述待分析样本集分裂为两个候选样本集的主要流程的示意图;
图5是本发明实施例预设分裂条件的示意图;
图6是本发明实施例曼哈顿距离法的示意图;
图7是本发明实施例的根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线的主要流程的示意图;
图8是本发明实施例的节约算法的原理示意图;
图9是本发明实施例的乘客总里程数最小的原理示意图;
图10是本发明实施例的一种车辆路线优化系统的主要模块的示意图;
图11是本发明实施例可以应用于其中的示例性系统架构图;
图12是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
根据本发明实施例的第一方面,提供一种应用于服务器的用户访问管理方法。
图1是本发明实施例的一种车辆路线优化方法的主要流程的示意图。如图1所示,该方法主要包括:
步骤S101:获取样本数量大于预设车辆容量的乘客样本集,以乘客样本集作为待分析样本集;步骤S102:迭代执行分裂操作得到多个目标样本集,确定每个目标样本集对应的站点;步骤S103:根据预设线路起始点和每个目标样本集对应的站点生成车辆路线。
在一种可选的实施例中,当样本数量大于预设车辆容量的乘客样本集时,认为有设置班车及站点的需求,人数过少对于企业设置班车而言,会造成社会资源的不必要占用以及成本的浪费,因此不予考虑样本数量小于预设车辆容量的乘客样本集的情况。
通过对分裂操作的多次迭代,可以得到多个目标样本集,直至目标样本集的数量不再发生变化,认为迭代完成。
可以通过多种方式确定每个目标样本集对应的站点,在一种可选的实施例中,以每个目标样本集的簇心作为每个目标样本集对应的站点,由于簇心的位置距离目标样本集中的所有样本点距离之和最小,因此以簇心作为每个目标样本集对应的站点可以保证乘客从住处到站点的距离之和最小,对于整体而言,是最优的站点设置位置。
对于簇心位置的确定,在一种可选的实施例中,可以通过下式(一)进行计算:
其中,Pi表示单个乘客的样本数据,i∈{1,2,3...N},Ci表示当前目标样本集的簇心。
在一种可选的实施例中,分裂操作的步骤如图2所示,分裂操作主要包括:步骤S201:将待分析样本集分裂为两个候选样本集;步骤S202:判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则执行S203:将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,执行步骤S204:将待分析样本集作为一个目标样本集。
通过上述分裂步骤的迭代,可以将原始的数据集分裂成为多个目标样本集,每个目标样本集代表聚集程度相对较高且距离较近的乘客的集合,可以在同一站点乘车。
预设分裂条件可以根据实际需求进行设定,在一种可选的实施例中,预设分裂条件包括以下至少之一:当前分裂操作得到的两个候选样本集的散度之和小于当前待分析样本集的散度;当前分裂操作得到的两个候选样本集之间的距离大于预设距离阈值。
在实际应用场景中,满足预设分裂条件之一时,可以得到不同的站点设置方案,但对于整体站点设置的优化不能达到最合理状态,只有当同时满足当前分裂操作得到的两个候选样本集的散度之和小于当前待分析样本集的散度,且两个候选样本集之间的距离大于预设距离阈值时,可以保证得到的站点数量最少,且能满足乘客的乘车需求。如图5所示,存在三个待分析样本集A、B、C,其中在待分析样本集A和B中,都分裂生成了两个候选样本集,当两个候选样本集的散度之和小于当前待分析样本集的散度时,说明两个候选样本集中的样本位置相对集中,即待分析样本集B中的情况。虽然理论上可以在两个候选样本集的簇心设置两个站点,但在实际路况中发现,两个候选样本集实际为两个相邻小区,两个候选样本集之间的距离d2很小,虽然每个小区中的乘客相对密集,但两小区中间仅隔有一条马路,因此没有必要设置两个站点,完全可以在马路上设置一个站点,这样马路两侧小区的乘客都可以方便乘车需要。若设置两个站点,会因为站点间距离过近造成停站时间的浪费和不必要的资源浪费。因此,需要在两个候选样本集的散度之和小于当前待分析样本集的散度的基础上,再对两个候选样本集之间的距离是否大于预设距离阈值进行判断。若两个候选样本集的距离足够大,即待分析样本集A中的情况,两个候选样本集相隔较远,两个候选样本集之间的距离d1较大,说明不会出现两个候选样本集之间仅隔一条马路的情况,因此在这种情况下有必要分散设置两个站点。
散度的衡量指标可以选自方差、标准差、向量等一种或多种,两个候选样本集之间的距离也可以根据多种距离来确定,例如直线距离(欧氏距离)、曼哈顿距离、空间距离等。在一种可选的实施例中,以样本位置的标准差作为所述散度的衡量指标;以两个候选样本集的簇心之间的距离作为两个候选样本集之间的距离。
进一步可选的实施例中,两个候选样本集的簇心之间的距离可以选择曼哈顿距离,如图6所示,假设有A、B、C、D四个站点,图中AC和BD为经线,AB和CD为纬线(图中夸大了不同纬度的差异),E为AC中点,F为BD中点,曼哈顿距离是指两点在南北方向上的距离加上在东西方向上的距离,那么A、D两点的曼哈顿距离为AE、EF、FD三段之和。在实际应用过程中,街道和道路的设置通常不是正南正北设置的,若直接用直线距离作为两个候选样本集之间的距离,与实际应用过程中的距离相差较远,缺乏参考意义,因此选用曼哈顿距离,可以更加接近实际道路的路径距离。
对于获取样本数量大于预设车辆容量的乘客样本集,在一种可选的实施例中,如图3所示,包括:
步骤S301:获取目标范围内所有乘客在预设历史时段内的乘车记录;步骤S302:根据每个乘客的乘车记录确定乘客在所述预设历史时段内的乘车次数,从目标范围内的所有乘客中筛选乘车次数大于等于预设次数阈值的乘客,得到所述乘客样本集。
通过获取乘客在预设历史时段内的乘车记录,可以有效选取有乘车需求的人群,并且根据时间变化更改站点的配置。例如,预设历史时段为30天,按照上下班需求,设置预设次数阈值为30次,即每个月乘车超过15天,每天乘车2次。那么,在历史30天内乘车次数大于等于30次的乘客,认为是短时间内有固定乘车需求的乘客,将其归入乘客样本集。偶尔有乘车需求的乘客,为了节省社会资源,则不算在乘客样本集中。
在一种可选的实施例中,预设历史时段内的乘车记录可以在固定周期进行更新,比如每180天更新一次。由于站点的位置不宜频繁改动,容易造成资源的浪费,且通知过程繁琐,因此更新时间不宜过短。将更新周期设置为180天可以在不频繁改动站点位置的前提下,保证站点配置的动态化设置,及时根据固定乘客的乘车需求改变站点位置。
待分析样本集可以通过多种方式分裂为两个候选样本集,在一种优选的实施例中,如图4所示,包括:步骤S401:从待分析样本集中选取两个样本,分别以选取的每个样本的样本位置作为一个候选样本集的簇心;步骤S402:遍历待分析样本集中的每个其他样本:确定其他样本与每个簇心的距离,将其他样本分类到与其具有较小距离的簇心所在的候选样本集,然后更新对应候选样本集的簇心。
例如,在待分析样本集A中包括样本a、b、c、d、e、f,先从待分析样本集A中随机选取两个样本a和f,并以a和f的样本位置作为两个候选样本集S1和S2的簇心。先对样本b进行分类:确定样本b与簇心a的距离为10,确定样本b与簇心f的距离为20,那么将样本b分类到簇心a所在的候选样本集S1。此时通过式(一)对样本S1的簇心进行更新,得到簇心a’。接下来对样本c进行分类,分类过程与样本b的分类过程相同,若同样分类到得候选样本集S1,那么得到更新后的簇心a”,若分类到候选样本集S2,那么可以得到更新后的簇心f’,以此类推,可以将待分析样本集A中的所有样本点,均分类两个候选样本集中,并对应得到两个更新后的簇心,完成了对待分析样本集A的分裂。
在一种可选的实施例中,样本位置包括:样本经度和样本纬度;更新对应候选样本集的簇心,包括:以所述对应候选样本集中所有样本的平均经度作为更新后的所述对应候选样本集的簇心经度,以所述对应候选样本集中所有样本的平均纬度作为更新后的所述对应候选样本集的簇心纬度。
迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点之前,在一种可选的实施例中,对每个样本的样本位置通过经度与纬度比例尺的换算进行标准化处理。
以下举例说明标准化处理过程,例如,设O点经纬度坐标为(g0,t0),其中g代表经度,t代表纬度;某员工住址i的经纬度坐标为(gi,ti),则i标准化之后的坐标为Pi=(xi,yi),其中:
式中余弦函数表示经度比例尺和纬度比例尺的换算关系,表示两点的东西向距离按其纬度中点值处计算,这里把东西向和南北向的地球周长视为相等(误差小于2‰)。经过以上标准化过程,统一了两个维度坐标代表的实际距离。
在不以经纬度坐标作为坐标系计算的情况下,可以无需进行标准化过程,例如直角坐标系,在坐标轴x方向和y方向的比例相同,则不需要进行比例换算。
在一种可选的实施例中,所述方法具体包括:
设乘客原始数据集为P,其中Pi∈P为单个乘客的样本数据,i∈{1,2,3...N},N为乘客总数,Pi=(xi,yi),xi,yi分别为样本Pi住址的经纬度坐标,σ为当前样本集的标准差,V为客车的最大容量。
S1:判断当前待分析样本集T的乘客数量是否小于客车最大容量V,如果N>V,则随机选取待分析样本集中的两个样本点作为簇心,将待分析样本集T分裂为候选样本集T1和T2两部分,并执行下述步骤。如果N≤V,则不分裂,直接返回待分析样本集。
S2:针对数据集中的每个样本Pi,计算它到两个候选样本集T1和T2簇心的曼哈顿距离,并将其分类到距离最小的簇心所对应的候选样本集中。
S4:重复步骤S2、S3直到簇心位置不再变化。
S5:根据得到的两个候选样本集,分别计算每个候选样本集的标准差σ1和σ1,并记录此时两个候选样本集中的|T1|和|T2|。
S7:分别对T1和T2重复执行上述S1至S6操作,直至目标样本集数量不再发生变化。
通过上述步骤的设置,可以在保证既满足乘客对于站点的需求,也尽量降低企业用于设置车辆的成本,减少社会资源的浪费,提高乘客的乘车意愿。
在一种可选的实施例中,根据预设线路起始点和每个目标样本集对应的站点生成车辆路线如图7所示,包括:步骤S701:根据预设线路起始点和每个目标样本集对应的站点,采用里程节约算法确定若干个站点集合;步骤S702:确认若干个站点集合中总乘客数量小于等于预设车辆容量,否则,从若干个站点集合中删除该站点集合;步骤S703:以乘客总里程数最小为目标,生成与每个站点集合对应的车辆路线。
对于若干个站点集合中总乘客数量大于预设车辆容量的情况下,可以选择增派车辆的数量来解决乘客数量过多的情况,但此种情况对于企业而言耗费成本较多,因此在以乘客总里程数最小为目标,生成与每个站点集合对应的车辆路线之前,一种可选的实施例中,需要确认若干个站点集合中总乘客数量小于等于预设车辆容量,否则,从若干个站点集合中删除该站点集合。
图8是本发明实施例的根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线的原理示意图,如图8所示,以O为预设路线起始点,设置有A1、A2和B三个站点,其中A1和A2均在以O为圆心,a为半径的圆环上,设A、B间的距离为c。本发明约定,A、B两点合并线路后的节约值不能小于a,b中的较小值,即下式(二)
a+b-c≥min(a,b) (二)
这里设a≥b(由式(二)可知a,b的相对大小对结果无影响),则式(二)可简化为
a≥c (三)
设OA、OB的夹角为γ,由余弦定理得式(四)
c2=a2+b2-2ab cosγ (四)
由式(三)和式(四)可得
即A点必须处在图10中的实线上(如A1点),本发明才会考虑将A、B置于同一条路线中。而在现有的节约算法中,即使A位于虚线圆弧上(如A2点),也会考虑将A、B合入同一线路,但对A2点的乘客而言,往返O点都必须绕远经过B点,可能影响其满意度。
具体而言,可以将里程节约算法设置为如下步骤:
S1:计算在合并线路情况下各站点对车辆行驶里程的节约值节省的路线差,得到节约值表各种路径的所有路线差。动态规划来确定已fo,其中doh,dfo分别为H、F到O点的距离。
S2:对节约值表中的最大节约值所对应的站点(设为H和F)进行检验,如满足如下条件之一,则执行S3;否则执行S6;条件如下:1)现有线路上不包括H和F;2)H或F为线路上的第一个或最后一个站点(不含O点,下同),且只有一个在已形成线路上;3)H和F处在不同线路上,且一个是线路的第一个站点,一个是线路的最后一个站点。
S3:预先并入同一条线路,如果将H和F并入同一条线路,判断其节约值s(h,f)是否不小于doh和dfo中的较小值,若是,执行S4;否则,执行S6。
S4:如果将H和F并入同一条线路,判断此时线路的总载客人数(即线路上各站点的需求员工数之和)是否不超过N,且k(h,f)=h,若是,执行S5;执行S6。
S5:连接站点H和F,构成新线路。
S6:在节约值表中剔除s(h,f),然后若节约值表不为空,执行S2。
S7:对不和任何其他线路相连、也不能并入其他线路的站点(如站点K),直接与O点相接,单独构成线路,如站点K,构成线路O→K→O。
其中,在步骤S4中,k(h,f)=h是为了满足以乘客总里程数最小为目标,如图9所示,图中O点为起始点,A,B两点分别为班车站点,a、b、c分别为OA、OB、AB之间的距离,n(A)、n(B)分别为A、B两点需要坐班车的人数。在满足上述式(二)至式(五)的基本条件后,可以得到两种路线,O→A→B→O以及O→B→A→O。设路线O→A→B→O为路线1,O→B→A→O为路线2,则每条线路的乘客里程数K分别为:
k1=(n(A)+(B))*a+n(B)*c (六)
k2=(n(A)+n(B))*b+n(A)*c (七)
实际站点连接时选取根据乘客总里程数K最小者,在算法流程中,以k(h,f)=h表示先连接站点h再连接站点f的乘客总里程数最小,以k(h,f)=f表示先连接站点f再连接站点h的乘客总里程数最小。
通过以上算法,得到优化的企业通勤班车站点和线路。由于员工住址及乘车习惯可能发生变化,优化结果也会随数据及时更新,每次更新后将站点和线路推送给相关员工。
本发明实施例的车辆路线优化的方法,以乘客住址以及乘客意愿等主观因素为考量,对车辆站点进行优化设置,整体上缩短了乘客送住处到站点的距离。在确定合理站点的基础上,充分考虑乘客的乘坐满意度,以乘客总里程数最小为目标确定最优的班车路线。
根据本发明实施例第二方面,提供一种应用于服务器的车辆路线优化系统。
图10是根据本发明实施例第二方面的车辆路线优化系统1200的主要模块的示意图。如图12所示,包括:
获取模块1001,用于获取样本数量大于预设车辆容量的乘客样本集,以乘客样本集作为待分析样本集;
站点配置模块1002,用于迭代执行分裂操作得到多个目标样本集,确定每个目标样本集对应的站点;分裂操作包括:将待分析样本集分裂为两个候选样本集;判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,将待分析样本集作为一个目标样本集;
路线配置模块1003,用于根据预设线路起始点和每个目标样本集对应的站点生成车辆路线。
在可选的实施例中,获取样本数量大于预设车辆容量的乘客样本集,包括:获取目标范围内所有乘客在预设历史时段内的乘车记录,根据每个乘客的乘车记录确定乘客在预设历史时段内的乘车次数;从目标范围内的所有乘客中筛选乘车次数大于等于预设次数阈值的乘客,得到乘客样本集。
可选地,将待分析样本集分裂为两个候选样本集,包括:从待分析样本集中选取两个样本,分别以选取的每个样本的样本位置作为一个候选样本集的簇心;
遍历待分析样本集中的每个其他样本:确定其他样本与每个簇心的距离,将其他样本分类到与其具有较小距离的簇心所在的候选样本集,然后更新对应候选样本集的簇心。
可选地,样本位置包括:样本经度和样本纬度;更新对应候选样本集的簇心,包括:以对应候选样本集中所有样本的平均经度作为更新后的对应候选样本集的簇心经度,以对应候选样本集中所有样本的平均纬度作为更新后的对应候选样本集的簇心纬度。
可选地,预设分裂条件包括以下至少之一:当前分裂操作得到的两个候选样本集的散度之和小于当前待分析样本集的散度;当前分裂操作得到的两个候选样本集之间的距离大于预设距离阈值。
可选地,以样本位置的标准差作为散度的衡量指标;以两个候选样本集的簇心之间的距离作为两个候选样本集之间的距离。
可选地,站点配置模块1002还用于,在迭代执行分裂操作得到多个目标样本集,确定每个目标样本集对应的站点之前,对每个样本的样本位置通过经度与纬度比例尺的换算进行标准化处理。
可选地,根据预设线路起始点和每个目标样本集对应的站点生成车辆路线,包括:根据预设线路起始点和每个目标样本集对应的站点,采用里程节约算法确定若干个站点集合;以乘客总里程数最小为目标,生成与每个站点集合对应的车辆路线。
可选地,在以乘客总里程数最小为目标,生成与每个站点集合对应的车辆路线之前,还包括:确认若干个站点集合中总乘客数量小于等于预设车辆容量,否则,从若干个站点集合中删除该站点集合。
本发明实施例的车辆路线优化系统,根据乘客住址的变化可以实现动态化的站点及路线设置,解决了人员集中区域需求量超过单车载客量的问题,并从整体上缩短了员工从住处到站点的距离。同时考虑乘客主观因素,增强了优化系统的实用性。
上述车辆路线优化系统可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
图11示出了可以应用本发明实施例的车辆路线优化的方法或车辆路线优化系统的示例性系统架构1100。
如图11所示,系统架构1100可以包括终端设备1101、1102、1103,网络1104和服务器1105。网络1104用以在终端设备1101、1102、1103和服务器1105之间提供通信链路的介质。网络1104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1101、1102、1103通过网络1104与服务器1105交互,以接收或发送消息等。终端设备1101、1102、1103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备1101、1102、1103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器1105可以是提供各种服务的服务器,例如对用户利用终端设备1101、1102、1103所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例第一方面所提供的车辆路线优化的方法一般由服务器1105执行,相应地,本发明实施例第二方面所提供的车辆路线优化系统一般设置于服务器1105中。
应该理解,图11中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图12,其示出了适于用来实现本发明实施例的终端设备的计算机系统1200的结构示意图。图12示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有系统1200操作所需的各种程序和数据。CPU 701、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1205;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、站点配置模块和路线配置模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
获取样本数量大于预设车辆容量的乘客样本集,以所述乘客样本集作为待分析样本集;迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点;所述分裂操作包括:将所述待分析样本集分裂为两个候选样本集;判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,将所述待分析样本集作为一个目标样本集;根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线。
本发明实施例的辆路线优化的方法,以乘客住址以及乘客意愿等主观因素为考量,对车辆站点进行优化设置,整体上缩短了乘客送住处到站点的距离。在确定合理站点的基础上,充分考虑乘客的乘坐满意度,以乘客总里程数最小为目标确定最优的班车路线。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种车辆路线优化的方法,其特征在于,所述方法包括:
获取样本数量大于预设车辆容量的乘客样本集,以所述乘客样本集作为待分析样本集;
迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点;所述分裂操作包括:将所述待分析样本集分裂为两个候选样本集;判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,将所述待分析样本集作为一个目标样本集;
根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线。
2.根据权利要求1所述的方法,其特征在于,获取样本数量大于预设车辆容量的乘客样本集,包括:
获取目标范围内所有乘客在预设历史时段内的乘车记录,根据每个乘客的乘车记录确定所述乘客在所述预设历史时段内的乘车次数;从所述目标范围内的所有乘客中筛选乘车次数大于等于预设次数阈值的乘客,得到所述乘客样本集。
3.根据权利要求1所述的方法,其特征在于,将所述待分析样本集分裂为两个候选样本集,包括:
从所述待分析样本集中选取两个样本,分别以选取的每个样本的样本位置作为一个候选样本集的簇心;
遍历所述待分析样本集中的每个其他样本:确定所述其他样本与每个簇心的距离,将所述其他样本分类到与其具有较小距离的簇心所在的候选样本集,然后更新对应候选样本集的簇心。
4.根据权利要求3所述的方法,其特征在于,所述样本位置包括:样本经度和样本纬度;
更新对应候选样本集的簇心,包括:以所述对应候选样本集中所有样本的平均经度作为更新后的所述对应候选样本集的簇心经度,以所述对应候选样本集中所有样本的平均纬度作为更新后的所述对应候选样本集的簇心纬度。
5.根据权利要求3所述的方法,其特征在于,所述预设分裂条件包括以下至少之一:
当前分裂操作得到的两个候选样本集的散度之和小于当前待分析样本集的散度;
当前分裂操作得到的两个候选样本集之间的距离大于预设距离阈值。
6.根据权利要求5所述的方法,其特征在于,以样本位置的标准差作为所述散度的衡量指标;以两个候选样本集的簇心之间的距离作为两个候选样本集之间的距离。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点之前,对每个样本的样本位置通过经度与纬度比例尺的换算进行标准化处理。
8.根据权利要求1所述的方法,其特征在于,根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线,包括:
根据预设线路起始点和每个所述目标样本集对应的站点,采用里程节约算法确定若干个站点集合;
以乘客总里程数最小为目标,生成与每个所述站点集合对应的车辆路线。
9.根据权利要求1所述的方法,其特征在于,在以乘客总里程数最小为目标,生成与每个所述站点集合对应的车辆路线之前,还包括:
确认所述若干个站点集合中总乘客数量小于等于预设车辆容量,否则,从所述若干个站点集合中删除该站点集合。
10.一种车辆路线优化系统,其特征在于,所述系统包括:
获取模块,用于获取样本数量大于预设车辆容量的乘客样本集,以所述乘客样本集作为待分析样本集;
站点配置模块,用于迭代执行分裂操作得到多个目标样本集,确定每个所述目标样本集对应的站点;所述分裂操作包括:将所述待分析样本集分裂为两个候选样本集;判断当前分裂操作得到的分裂结果是否满足预设分裂条件;若是,则将样本数量大于预设车辆容量的候选样本集作为新的待分析样本集、将样本数量小于等于预设车辆容量的候选样本集作为一个目标样本集;否则,将所述待分析样本集作为一个目标样本集;
路线配置模块,用于根据预设线路起始点和每个所述目标样本集对应的站点生成车辆路线。
11.一种车辆路线优化设备,其特征在于,包括:一个或多个处理器;
存储系统,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663108.9A CN113326989A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆路线优化的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663108.9A CN113326989A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆路线优化的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113326989A true CN113326989A (zh) | 2021-08-31 |
Family
ID=77420951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663108.9A Pending CN113326989A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆路线优化的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326989A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831432A (zh) * | 2012-05-07 | 2012-12-19 | 江苏大学 | 一种适用于支持向量机训练的冗余数据约减方法 |
CN105489000A (zh) * | 2015-09-08 | 2016-04-13 | 同济大学 | 一种夜班公交车站点及路径选择方法 |
CN106951981A (zh) * | 2017-02-24 | 2017-07-14 | 河海大学 | 一种车辆路径选择方法 |
CN107016451A (zh) * | 2016-10-11 | 2017-08-04 | 蔚来汽车有限公司 | 基于聚类分析的换电站选址方法 |
US20180229950A1 (en) * | 2017-02-13 | 2018-08-16 | General Electric Company | System and method for handling automobiles at a distribution site |
CN108734337A (zh) * | 2018-04-18 | 2018-11-02 | 北京交通大学 | 基于聚类中心修正的定制公交合乘站点生成方法 |
CN109902848A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 班车站点规划的方法和装置 |
CN110175691A (zh) * | 2019-04-09 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 规划区域交通运营线路的方法、装置和电子设备 |
CN110782098A (zh) * | 2019-11-01 | 2020-02-11 | 南京航空航天大学 | 一种基于出租车载客数据的定制公交规划方法 |
CN111489064A (zh) * | 2020-03-27 | 2020-08-04 | 湖南大学 | 一种面向Df-PBS系统的公共自行车站点动态规划方法和系统 |
CN111582601A (zh) * | 2020-05-15 | 2020-08-25 | 河南科技大学 | 一种公交站点选址方法及装置 |
US20200307785A1 (en) * | 2017-08-02 | 2020-10-01 | Seoul National University R&Db Foundation | System and method for providing total logistic using drone |
CN111854786A (zh) * | 2020-07-28 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 班车路线规划的可视化方法、装置、设备及介质 |
CN112132236A (zh) * | 2020-11-20 | 2020-12-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于聚类算法的需求子区划分、线路规划方法及装置 |
CN112700029A (zh) * | 2020-12-03 | 2021-04-23 | 北京交通大学 | 一种基于仿真优化框架的定制公交规划方法 |
-
2021
- 2021-06-15 CN CN202110663108.9A patent/CN113326989A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831432A (zh) * | 2012-05-07 | 2012-12-19 | 江苏大学 | 一种适用于支持向量机训练的冗余数据约减方法 |
CN105489000A (zh) * | 2015-09-08 | 2016-04-13 | 同济大学 | 一种夜班公交车站点及路径选择方法 |
CN107016451A (zh) * | 2016-10-11 | 2017-08-04 | 蔚来汽车有限公司 | 基于聚类分析的换电站选址方法 |
US20180229950A1 (en) * | 2017-02-13 | 2018-08-16 | General Electric Company | System and method for handling automobiles at a distribution site |
CN106951981A (zh) * | 2017-02-24 | 2017-07-14 | 河海大学 | 一种车辆路径选择方法 |
US20200307785A1 (en) * | 2017-08-02 | 2020-10-01 | Seoul National University R&Db Foundation | System and method for providing total logistic using drone |
CN109902848A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 班车站点规划的方法和装置 |
CN108734337A (zh) * | 2018-04-18 | 2018-11-02 | 北京交通大学 | 基于聚类中心修正的定制公交合乘站点生成方法 |
CN110175691A (zh) * | 2019-04-09 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 规划区域交通运营线路的方法、装置和电子设备 |
CN110782098A (zh) * | 2019-11-01 | 2020-02-11 | 南京航空航天大学 | 一种基于出租车载客数据的定制公交规划方法 |
CN111489064A (zh) * | 2020-03-27 | 2020-08-04 | 湖南大学 | 一种面向Df-PBS系统的公共自行车站点动态规划方法和系统 |
CN111582601A (zh) * | 2020-05-15 | 2020-08-25 | 河南科技大学 | 一种公交站点选址方法及装置 |
CN111854786A (zh) * | 2020-07-28 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 班车路线规划的可视化方法、装置、设备及介质 |
CN112132236A (zh) * | 2020-11-20 | 2020-12-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于聚类算法的需求子区划分、线路规划方法及装置 |
CN112700029A (zh) * | 2020-12-03 | 2021-04-23 | 北京交通大学 | 一种基于仿真优化框架的定制公交规划方法 |
Non-Patent Citations (1)
Title |
---|
AKABAL, FM ETAL.: "Review on Selection and Suitability of Rail Transit Station Design Pertaining to Public Safety", 《 INTERNATIONAL RESEARCH AND INNOVATION SUMMIT (IRIS2017)》, 7 May 2017 (2017-05-07), pages 1 - 8 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Shared subway shuttle bus route planning based on transport data analytics | |
CN106980912B (zh) | 一种多点配送线路规划方法及系统 | |
US9683852B2 (en) | Dispatching map matching tasks by a cluster server | |
JP2020515818A (ja) | 地理的位置における資産を管理するシステム及び方法 | |
Huang et al. | A bimodal Gaussian inhomogeneous Poisson algorithm for bike number prediction in a bike-sharing system | |
CN111861225B (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
Gomes et al. | An infrastructure model for smart cities based on big data | |
CN111882171A (zh) | 一种基于需求预测的景区观光车智能调度系统及方法 | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
US20140370920A1 (en) | Systems and methods for generating and employing an index associating geographic locations with geographic objects | |
CN112200336A (zh) | 一种车辆行驶路径规划的方法和装置 | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
CN111914940A (zh) | 一种共享车辆站点分群聚类方法、系统、装置及存储介质 | |
Yu et al. | Optimal routing of multimodal mobility systems with ride‐sharing | |
CN115563522B (zh) | 交通数据的聚类方法、装置、设备及介质 | |
CN112988933A (zh) | 地址信息管理的方法和装置 | |
CN113326989A (zh) | 一种车辆路线优化的方法和系统 | |
CN113255950A (zh) | 一种优化物流网络的方法和装置 | |
CN115100231A (zh) | 一种区域边界的确定方法和装置 | |
Zhang et al. | Design of intelligent acquisition system for moving object trajectory data under cloud computing | |
Zhu et al. | Rtic-c: A cloud computing platform for history data mining of traffic information | |
Xu et al. | Optimization of energy supply system under information variations based on gas stations queuing analyses | |
Zhang et al. | Bidirectional k-nearest neighbor spatial crowdsourcing allocation protocol based on edge computing | |
CN116820539B (zh) | 一种基于互联网的系统软件运行维护系统及方法 | |
CN111738895B (zh) | 多站点的客运线路生成方法、装置、介质及电子设备 |
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 |