CN113474797A - 用于早乘车者和晚乘车者的调度的系统和方法 - Google Patents
用于早乘车者和晚乘车者的调度的系统和方法 Download PDFInfo
- Publication number
- CN113474797A CN113474797A CN201980092761.5A CN201980092761A CN113474797A CN 113474797 A CN113474797 A CN 113474797A CN 201980092761 A CN201980092761 A CN 201980092761A CN 113474797 A CN113474797 A CN 113474797A
- Authority
- CN
- China
- Prior art keywords
- group
- time
- flr
- passenger
- passengers
- 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 64
- 238000005457 optimization Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 7
- 230000001143 conditioned effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 46
- 238000004891 communication Methods 0.000 description 32
- 230000032258 transport Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005265 energy consumption Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 238000009472 formulation Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3438—Rendez-vous, i.e. searching a destination where several users can meet, and the routes to this destination for these users; Ride sharing, i.e. searching a route such that at least two users can share a vehicle for at least part of the route
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
- B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
- B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
用于在多模态运输网络(MTN)中将早乘车者(ER)和晚乘车者(LR)调度给交通工具的系统和方法。所存储的指令在被执行时使得处理器执行预测有限场景集合的动作,各个场景具有预测LR(FLR)行程请求的可能集合。基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组。在各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目的地的时间。继续迭代,直至来自各个场景的ER和FLR的联合时间表使目标函数最小化。用公式表示指派信息并且将该指派信息发送至ER和所指派的CV。
Description
技术领域
本公开总体上涉及用于调度多模态运输网络的系统和方法,更具体地,涉及用于将具有通勤交通工具(CV)和固定时间表交通工具的多模态运输网络中的CV指派给已知乘客和未知乘客的系统和方法。
背景技术
通过多模态运输网络获得多模态路线提出了某些挑战。这些运输网络通常包括不同类型的子网络,即,与不同的运输模式关联。不同类型的网络的这些性质差异使得难以跨两种类型的网络生成多模态路线,因为传统路线和/或调度方法往往是某一类型的运输网络所特定的。目前获得多模态路线的尝试涉及单独地探索不同网络以确定通过其的路线。例如,可确定从通过与一个运输模式关联的网络的出发点到另一运输模式的出发点的路线,然后确定从另一运输模式的出发点到通过与另一运输模式关联的网络确定的目的地的路线。
私人交通路线(例如,汽车路线算法)和公共运输路线往往由于这些网络的不同性质而有所不同,因此它们无法轻易整合以提供真正的多模态路线规划器。通过多模态运输网络的一些多模态路线方法基于关于乘客的所有信息事先可用的假设优化公共和私人运输网络。然而,这些类型的方法未能提及或解决不确定信息下的优化,其中,并非所有乘客均事先透露他们的预期旅行信息(即,如同已知安排乘客一样)。
因此,需要生成多模态路线,其允许提供用于乘客(即,乘车者)的系统整合他们在感兴趣的始发地和目的地之间对私人交通工具和公共交通工具的使用。其中,一部分乘客(即,已知乘客/乘车者)事先透露其预期调度信息,一组乘客(即,不确定乘客(即,未知乘客))在对已知乘客的调度时间没有透露这些预期调度信息。
发明内容
本公开涉及用于针对多模态运输网络(MTN)的多个运输模式联合控制乘客/乘车者的时间表的系统和方法。具体地,利用两级随机规划公式来调度乘客/乘车者,其中,乘客被表征为通过有限场景集合预测的早乘车者/已知乘客和晚乘车者/不确定乘客的集合。本公开的系统和方法使用基于决策图的优化方法来帮助解决调度问题。
本公开通过优化不确定信息下的乘客调度而解决了传统调度方法的一些调度问题。例如,并非所有乘客均事先透露其旅行行程(即,不确定信息),而已知乘客在通过MTN旅行之前透露其旅行行程,这允许MTN调度已知乘客。在已知乘客已及时提供其旅行行程之后,这些不确定乘客可及时向MTN请求运输调度。例如,不确定乘客可在旅行之前(即,在已知乘客已及时提出其运输调度请求之后)及时提交其旅行行程。可以想到,一些不确定乘客可在已经在MTN中旅行的同时提出其对运输调度的旅行请求。
作为非限制性示例,在MTN中调度乘客时解决“不确定信息或不确定乘客”的至少一个原因可以是提供更高效的总旅程/旅行和/或减少环境影响。作为非限制性示例,一些不确定乘客未事先透露其预期旅行信息的一些后果可导致MTN的超载,从而导致所有乘客旅行时间增加,这导致所有乘客的总旅行效率降低。大多数传统调度方法在MTN中调度乘客时未能解决不确定乘客的出现,这导致关于乘客旅行时间、设备使用、燃料消耗增加和交通工具群规模过大的许多问题。当乘客的调度没有预料到包含更多乘客时,晚请求服务的乘客可能导致其他乘客的服务时间更长。当许多这样的乘客被拒绝服务时,如果他们的时间表根本不可能,可能错误地认为需要更大的CV交通工具群以在MTN中针对晚请求确保服务。
具体地,作为非限制性示例,本公开解决了在最后一英里乘客/乘车者运输中交通工具的使用,包括提供将乘客/乘车者从MTN的公共交通服务的交通枢纽(即,终点站)运送到各个乘车者的最终目的地的服务的交通工具。最后一英里乘客/乘车者运输中的这些交通工具可被定义为通勤交通工具(CV)和自主交通工具等。
在解决乘客/乘车者跨多个运输模式的一些调度问题时,多个运输模式可被分成两个或更多个交通模式。例如,第一公共运输网络模式可具有固定时间表交通工具(例如,飞机、轮船、公共汽车或火车),第二运输网络模式可灵活地调度CV(即,由容量较小的交通工具组成的CV,例如由司机操作的汽车、无人驾驶汽车、小公共汽车、机动平台)。
固定时间表交通工具具有固定时间表和无约束载客量,以在对应服务的交通枢纽之间运输一组乘客。例如,火车仅在火车站之间运输乘客,而公共汽车在公共汽车站之间运输乘客。如本文中提及的,无约束载客量可被理解为固定时间表交通工具的最大容量,其在调度和控制解决方案中不考虑。相比之下,CV具有无约束时间表和最大载客量以经由根据乘客的目的地选择的路线向交通枢纽或从交通枢纽运输乘客。
在许多目标当中,本公开的一些系统和方法的至少一些目标是为已知乘客和未知乘客二者提供更高效的总旅程,以及减少环境影响。本公开的一些系统和方法的其它优点可通过使利用MTN的不同运输模式的容量最大化来使一些乘客以最小等待时间成本旅行。
本公开的一些实施方式包括这样的认识:当在MTN中针对一个或更多个交通模式调度乘客时可实现约束。例如,调度时的一些约束包括:各个终点站(即,交通枢纽)在乘客要使用该站的预期时间的载客量水平;终点站的设施在乘客要使用该站的预期时间的条件状态水平;以及根据乘客针对该终点站报告的通勤事项/问题表征各个站的可用性。上述一些约束可解决乘客旅行成本的降低,减少环境影响,并且增加MTN中的乘客信心和乘车者满意度。大多数传统调度方法未能考虑上述约束,这导致总旅程的效率低,从而增加了乘客等待时间成本,并且未能使MTN内不同运输模式的容量最大化。本公开的系统和方法利用上述约束中的一些或全部克服了传统调度方法,这可基于由运营商根据特定约束为各个终点站(即,与CV、火车、公共汽车、地铁等有关)制定阈值容量极限来实现。
根据本公开的实施方式,一种用于早乘车者(ER)或已知乘客和晚乘车者(LR)或不确定乘客的调度的系统,其中,LR在调度ER的时间是多模态运输网络(MTN)中的交通工具所未知的。该系统包括连接到接口和存储器的至少一个处理器。在存储器中存储有MTN数据和ER行程请求以及指令,这些指令在由至少一个处理器执行时使得至少一个处理器执行动作,所述动作包括:预测有限场景集合,各个场景包括预测LR(FLR)行程请求的可能集合。其中,根据得自MTN数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组。在有限场景集合中的各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目的地的时间。其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过CV的容量,并且存在乘车者从其位置到其目的地所采用的路线。其中,继续迭代,直至来自各个场景的ER和FLR的联合时间表使目标函数最小化。用公式表示指派信息并且经由接口将该指派信息发送至ER和所指派的CV。
一种用于将早乘车者(ER)和晚乘车者(LR)调度给与运输系统(TS)关联的通勤交通工具(CV)的方法,其中,LR在ER被调度时是未知的。该方法包括经由接口接收ER行程请求。由连接到接口和存储器的处理器执行存储在存储器中的指令,以使得处理器执行动作,所述动作包括:预测有限场景集合,各个场景包括预测LR(FLR)行程请求的可能集合,其中,根据得自存储在存储器中的TS数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组,使得同时为ER组和LR组服务的CV的数量小于交通工具群容量。在有限场景集合中的各个场景中为各个ER和FLR组指派CV。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目的地的时间,其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过所指派的CV的容量,并且存在乘车者从其位置到其目的地所采用的路线。继续迭代,直至来自各个场景的ER和FLR的联合时间表使作为总乘车者等待时间与CV出行次数之间的组合的度量的目标函数最小化。用公式表示指派信息并且经由接口将该指派信息发送至ER和所指派的CV。
根据本公开的实施方式,一种用于在多模态运输网络(MTN)中将早乘车者(ER)和晚乘车者(LR)调度给交通工具的系统,其中,LR在ER被调度时是未知的。该系统包括:连接到接口和存储器的至少一个处理器,在存储器中存储有MTN数据和ER行程请求以及指令,所述指令在由所述至少一个处理器执行时使得所述至少一个处理器执行动作,所述动作包括:预测有限场景集合,各个场景包括预测LR(FLR)行程请求的可能集合。其中,根据得自MTN数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于到达目标目的地的期望时间来为各个场景迭代地生成ER组和FLR组。在有限场景集合中的各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目标目的地的时间。其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过CV的容量,并且存在乘车者从其中转站到其目标目的地所采用的路线。其中,继续迭代,直至来自各个场景的ER和FLR的联合时间表使作为总乘车者等待时间与CV出行次数之间的组合的度量的期望最小化。用公式表示指派信息并且经由接口将指派信息发送至ER和所指派的CV。基于到达目标目的地的期望时间来迭代地生成LR组。为各个LR组指派通勤交通工具(CV)。为各个LR组迭代地确定包括对应CV中的开车时间和到达目标目的地的时间的时间周期,前提是该LR组的CV在该时间周期内不被任何ER组使用并且CV中存在运输LR组中的所有乘车者的乘车者容量,或者ER组同时使用CV并且CV中存在运输ER组和LR组中的所有乘车者的乘车者容量。其中,继续迭代,直至以所确定的ER的时间表为条件的LR的联合时间表使作为总LR等待时间与CV出行次数之间的组合的度量的目标函数最小化。用公式表示指派信息并且经由接口将该指派信息发送至LR和所指派的CV。
根据本公开的实施方式,一种用于将早乘车者(ER)和晚乘车者(LR)调度给与运输系统(TS)关联的通勤交通工具CV的系统,其中,LR在ER被调度时是未知的。该系统包括:连接到接口和存储器的至少一个处理器,在存储器中存储有TS数据和ER行程请求以及指令,所述指令在由所述至少一个处理器执行时使得所述至少一个处理器执行动作,所述动作包括预测有限场景集合,各个场景包括预测LR(FLR)行程请求的可能集合。其中,根据得自TS数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组,使得同时为ER组和FLR组服务的CV的数量小于交通工具群容量。在有限场景集合中的各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目的地的时间。其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过CV的容量,并且存在乘车者从其位置到其目的地所采用的路线。其中,继续迭代,直至来自各个场景的ER和FLR的联合时间表使作为总乘车者等待时间与CV出行次数之间的组合的度量的目标函数最小化。用公式表示指派信息并且经由接口将该指派信息发送至ER和所指派的CV。
根据本公开的实施方式,一种用于在多模态运输网络(MTN)中将早乘车者(ER)和晚乘车者(LR)调度给交通工具的系统,其中,LR在ER被调度时是未知的。该系统包括连接到收发器和存储器的处理器,在存储器中存储有MTN数据和ER行程请求以及指令,所述指令在由至少一个处理器执行时使得至少一个处理器执行动作,所述动作包括预测有限场景集合,各个场景包括预测LR(FLR)行程请求的可能集合。其中,根据得自MTN数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组。在有限场景集合中的各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目的地的时间。其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过CV的容量,并且存在乘车者从其位置到其目的地所采用的路线。其中,继续迭代,直至来自各个场景的ER和FLR的联合时间表使目标函数最小化。用公式表示指派信息并且经由收发器将该指派信息发送至ER和所指派的CV。
当前公开的实施方式将参照附图进一步说明。所示的附图未必按比例,而是重点通常放在示出当前公开的实施方式的原理。
附图说明
[图1]图1是示出根据本公开的实施方式的在具有早乘车者(ER)/已知乘客和晚乘车者(LR)/不确定乘客的多模态运输网络(MTN)中调度通勤交通工具(CV)的系统的示意图。
[图2A]图2A是示出根据本公开的一些实施方式的在MTN中调度多个运输模式,导致指派通勤交通工具以关于调度ER与调度的交通工具高效地连接的示意图。
[图2B]图2B是示出根据本公开的一些实施方式的在MTN中调度多个运输模式,导致指派通勤交通工具以关于调度LR与调度的交通工具高效地连接的示意图。
[图3A]图3A示出根据本公开的一些实施方式的包括通勤交通工具指派系统的系统的框图,其可用于调度多个运输模式和乘客。
[图3B]图3B示出根据本公开的一些实施方式的路线搜索程序的框图。
[图4]图4是示出根据本公开的一些实施方式的用于在固定时间表交通工具和通勤交通工具上联合地调度乘客的主要步骤的流程图。
[图5]图5是示出根据本公开的一些实施方式的使用网络流公式化来优化固定时间表交通工具和通勤交通工具上的乘客调度的主要步骤的流程图。
[图6A]图6A是示出根据本公开的一些实施方式的使用网络流公式化的输出向早乘车者(ER)乘客指派通勤交通工具的流程图。
[图6B]图6B是示出根据本公开的一些实施方式的使用网络流公式化的输出向预测稍晚乘车者(FLR)乘客指派通勤交通工具的流程图。
[图7]图7是示出根据本公开的一些实施方式的对遵循期望的到达时间排序的一组乘客进行分组的决策图表示的示意图。
[图8]图8是根据本公开的一些实施方式的对通勤交通工具中的乘客进行分组的决策图表示的示例。
[图9]图9是示出根据本公开的一些实施方式的早乘车者(ER)/已知乘客和预测晚乘车者(FLR)的多个场景的示意图,其中,各个场景表示晚乘车者(LR)/未知乘客的可能具体化。
[图10]图10是示出根据本公开的一些实施方式的乘客时间表的示意图,其中CV出行可仅包括早乘车者(ER)/已知乘客、仅包括晚乘车者(LR)/未知乘客或者包括ER和LR二者的组合。
[图11]图11是示出根据本公开的一些实施方式的分配给CV出行的乘客时间表的构造的示意图,其中一组稍晚乘车者(LR)/未知乘客被逐渐合并到先前仅包括早乘车者(ER)/已知乘客的时间表。
[图12]图12是示出根据本公开的一些实施方式的通过将来自各个场景的预测晚乘车者(FLR)添加到仅包括早乘车者(ER)/已知乘客的乘客时间表而得到的扩展时间表的示意图,其中,ER的时间表不受跨不同场景包括FLR的影响。
[图13A]图13A是示出根据本公开的一些实施方式的最优解的结构的示意图。
[图13B]图13B是示出根据本公开的一些实施方式的最优解的另一结构的示意图。
[图13C]图13C是示出根据本公开的一些实施方式的最优解的另一结构的示意图。
[图13D]图13D是示出根据本公开的一些实施方式的最优解的另一结构的示意图。
[图13E]图13E是示出根据本公开的一些实施方式的早乘车者(ER)/已知乘客和预测晚乘车者(FLR)的时间表如何影响时间表全局成本的差异的示意图。
[图14A]图14A是示出根据本公开的一些实施方式的启发式方法的示意图。
[图14B]图14B是描绘根据本公开的一些实施方式的通过启发式方法来调度早乘车者(ER)和预测晚乘车者(FLR)乘客的算法的流程图。
[图15A]图15A是示出可用于实现根据本公开的一些实施方式的系统和方法的一些组件的框图。
[图15B]图15B是示出根据本公开的一些实施方式的用于调度通勤交通工具的图15A的多模态运输网络系统的示意图。
[图16]图16是示出可用于实现根据本公开的一些实施方式的方法和系统的一些技术的移动计算设备的示意图。
具体实施方式
本公开涉及针对早乘车者(ER)/已知乘客和晚乘车者(LR)/不确定乘客联合地控制形成多模态运输网络(MTN)的至少一部分的交通工具时间表的系统和方法。
图1是示出根据本公开的实施方式的整合的最后一英里系统的示意图。图1描绘了ER乘客101和LR乘客102登上固定时间表交通工具105(例如,火车),到达中间站115,乘客在中间站登上通勤交通工具,通过通勤交通工具行进到目的地120以及在到达时间130的指定时间窗口内到达目的地110。一旦乘客被调度,该系统由早乘车者(ER)/已知乘客和晚乘车者(LR)/不确定乘客二者以相同的方式使用。
例如,本公开的实施方式包括在不确定情况下公共交通系统和最后一英里交通工具上的乘客的联合调度。乘客/乘车者乘火车到达中央车站并登上有限容量的摆渡车(即,自动或以其它方式运营的通勤交通工具(CV)),其中一些乘客是早乘车者(ER)/已知乘客和晚乘车者(LR)/不确定乘客(即,在比ER晚的时间请求服务)。本公开的一些实施方式的至少一个目标是将乘客/乘车者指派给火车,然后对在CV上一起旅行的乘客进行分组以使两个目标(总旅行时间和CV出行数量)的凸组合最小化,在一些实施方式中可假设为每CV出行具有单个目的地,或者可假设为仅具有几个CV目的地。使得混合目标模型可在服务质量(总乘客旅行时间)和与燃料消耗和维护要求有关的运营成本(CV出行数量)之间进行权衡。在没有不确定性的情况下,此问题被称为整合的最后一英里运输问题(ILMTP)。
不确定设置可适用于这样的系统,其中中央调度器接受来自早乘车者(ER)/已知乘客的请求并将他们指派给火车、组和出发时间,同时为可能请求运输服务但是还未向多模态运输网络(MTN)提交关联的请求的晚乘车者(LR)/未知乘客构建灵活性。相对于该领域中的传统调度方法,这导致问题复杂度显著增加,但是应该认识到,这也有利于更现实的设置,其中乘客的初始调度必须考虑来自稍晚请求的附加需求,这也需要适应。
图2A是示出根据本公开的一些实施方式的在多模态运输网络(MTN)中调度多个运输模式,导致指派通勤交通工具以关于调度乘车者与调度的交通工具高效地连接的示意图。图2A示出CV指派系统的示例,其中早乘车者/用户/乘客201A、202A、203A在其预期旅行之前的时间(即,在LR之前)向系统(参见图3A)提供输入以请求始发站、目的地建筑和到达目的地的时间窗口。作为示例,早乘车者/用户/乘客201A、202A、203A在旅行前一天的下午18:00通信信息211。其中,各个用户/乘客201A、202A、203A使用其各自的智能电话或计算机201B、202B、203B来向系统(参见图3A)通信。系统(参见图3A)针对已知用户201A、202A、203A和通勤交通工具220A、220B确定CV时间表。
图2B是示出根据本公开的一些实施方式的在多模态运输网络(MTN)中调度多个运输模式,导致指派通勤交通工具以关于调度乘车者与调度的交通工具高效地连接的示意图。图2B示出CV指派系统的示例,其中晚乘车者/用户/乘客251A、252A、253A在其预期旅行之前的时间(即,在已调度ER之后)向系统(参见图3A)提供输入以请求始发站、目的地建筑和到达目的地的时间窗口。作为示例,晚乘车者/用户/乘客251A、252A、253A在旅行之前(可能就在他们到达始发火车站之前)通信信息261。其中,各个用户/乘客251A、252A、253A使用其各自的智能电话或计算机251B、252B、253B向系统(参见图3A)通信。系统(参见图3A)针对已知用户251A、252A、253A和通勤交通工具270A、270B确定CV时间表。
关于用户/乘客,可存在两种类型,如上所述早乘车者(ER)/已知乘客,第二种类型可以是晚乘车者(LR)/未知乘客。ER在通过MTN旅行之前及时透露他们的旅行行程,这允许MTN调度ER。在已知乘客已及时提供其旅行行程之后,这些晚乘车者(LR)/不确定乘客及时向MTN提出运输调度请求。例如,LR可在旅行之前(即,在ER已经及时提出其运输调度请求之后)及时提交其旅行行程。为了使时间表足够灵活以适应稍晚的LR,在调度ER之前生成各自包含一组预测LR(FLR)的场景集合,其中,各个场景表示LR的合理实现并且各个场景的FLR可适合ER的时间表。
仍参照图2A,系统(参见图3A)通过优选通信装置(例如,智能电话(无线通信装置)、平板或计算机201B、202B、203B)通信所有早乘车者(ER)201A、202A、203A的最优时间表。其中,ER 201A、202A、203A接收关于ER离开始发站的火车时间、用户乘坐旅行的CV的标识以及在通勤交通工具中的旅程的开始和到达时间的信息213。仍参照图2B,系统(参见图3A)通过优选通信装置(例如,智能电话(无线通信装置)、平板或计算机251B、252B、253B)通信所有晚乘车者(LR)251A、252A、253A的时间表。其中,LR 251A、252A、253A接收关于ER离开始发站的火车时间、用户乘坐旅行的CV的标识以及在通勤交通工具中的旅程的开始和到达时间的信息263。
图3A示出根据本公开的一些实施方式的包括通勤交通工具指派系统的系统的框图,其可用于调度多个运输模式和乘客。系统300可包括可与键盘311和指点装置/介质312连接的人机接口(HMI)310、一个或更多个处理器320、存储装置330、存储器340、可与包括局域网和互联网的网络390连接的网络接口控制器350(NIC)、显示接口360、可与麦克风装置375连接的音频接口370、可与打印装置385连接的打印机接口380。存储器340可以是一个或更多个存储器单元,其结合处理器320与存储计算机可执行程序(算法代码)的存储部330一起操作。
通勤交通工具(CV)指派系统300可经由连接到NIC 350的网络390接收来自乘客(用户)的行程请求数据(未示出)、来自公共数据库的固定时间表交通工具的路线搜索数据或者公开路线搜索应用395的搜索结果。NIC 350包括接收器和发送器以经由有线网络和经由无线网络(未示出)连接到网络390。在一些情况下,行程请求数据可包括具有诸如最低票价、最短旅行时间或最短旅行距离的条件的ER和LR优选选项。当系统300接收ER优选选项时,CV指派系统300基于优选选项的条件来执行分组程序模块304和CV指派程序模块308。例如,当优选选项指示最低票价时,CV指派系统300生成提供中间位置(站)以及CV从中间位置的开车时间的行程时间表,其中行程时间表满足从初始位置运输到目标位置乘客要支付的总票价最低(最小)的条件。
仍参照图3A,系统300可提供图2的通勤交通工具220A、220B的信息、出行的开车时间、通勤交通工具所走的路线以及关于那些出行中运输的乘客的信息。
在一些情况下,如果乘客拥有在初始位置和距初始位置比中间位置近一站的站(近站)之间可用的通勤票,则系统300将该近站设定为中间位置,使得各个乘客在初始位置到目标位置之间的总票价可更便宜。在这样的情况下,系统300被配置为请求乘客的通勤票的信息(例如,通勤票的可用站)。
仍参照图3A,系统300可经由网络390与固定时间表交通工具运营控制系统396通信。例如,当固定时间表交通工具运营控制系统396准时获得关于固定时间表交通工具的最新改变的时间表的信息时,接口350可接收与已经指派或要指派的CV时间表相关的改变的时间表的信息,并且系统300重新执行分组和CV指派程序以获得另一指派信息并发送给乘客。因此,即使在初始指派信息被发送给乘客之后固定时间表交通工具的时间表改变,乘客也可获得合理的CV指派。这为乘客提供了极其有效的无缝运输。
在一些情况下,系统300可在向乘客指派调度的交通工具之前经由网络390从固定时间表交通工具运营控制系统396接收关于调度的交通工具的当前运营状态的信息。例如,在一天的高峰时段,固定时间表交通工具运营控制系统396向系统300提供作为一天时刻的函数的各个固定时间表交通工具上的估计乘客分布(拥挤状况)。换言之,固定时间表交通工具运营控制系统396包括统计数据,其可提供各个固定时间表交通工具对于其运营区间在一天以不同时间表运营的估计能耗。例如,当固定时间表交通工具在高峰时段期间在拥挤运营区间运营时,固定时间表交通工具的能耗大于对于非拥挤运营区间在非高峰时段运营的能耗。因此,固定时间表交通工具运营控制系统396可提供如果乘客将初始指派的开车时间改变为另一开车时间或/和另一路线,以另一到达时间到中间位置(例如,站)能耗减少多少的信息。
仍参照图3A,根据本公开的实施方式,系统300可生成关于如果乘客将指派的开车时间和路线改变为其它开车时间和其它路线,能耗可减少多少的信息,并且可将该信息发送给乘客。这对减少固定时间表交通工具所消耗的总能量非常有益,并且可以是环境非常友好的系统。此外,固定时间表交通工具运营控制系统396可包括高峰时段相关动态定价系统。在这种情况下,通过与固定时间表交通工具运营控制系统396通信,系统300可生成关于固定调度交通工具的票价可降低多少的信息并且可将该信息发送给乘客,其中票价的降低根据包括在固定时间表交通工具运营控制系统396中的预定计算方法与固定交通工具的能耗减少关联。这可极大地激励乘客选择从系统300发送的环境友好型旅行时间表。
此外,接口经由网络接收关于交通状况的信息(包括运营路线图上的交通拥堵、交通事故和施工),并且路线搜索程序搜索组的路线以避开这些交通状况。此特征对于减少乘客的旅行时间和CV的能耗非常有益。
仍参照图3A,固定时间表交通工具上的乘客调度还透露了固定时间表交通工具上的拥挤程度以及发生拥挤的固定时间表交通工具出行。固定时间表交通工具上的拥挤导致服务质量差,因为乘客感到幽闭恐惧和疲劳。因此,关于拥挤的信息对固定时间表交通工具运营商具有显著价值。使用这种信息,固定时间表运营商可瞄准造成拥挤的特定客户并酌情提供经济激励或抑制。例如,固定时间表运营商可收取更高的票价以抑制特定时间的旅行,或者如果乘客愿意在稍晚的时间旅行则提供折扣票价。因此,固定时间表运营商可与乘客交流以影响其旅行时间,以便向其提供更好的服务质量。
存储装置330包括分组程序模块304、路线搜索程序模块302、通勤交通工具指派程序模块308和CV运营路线图数据库334(运营路线图程序)。指点装置/介质312可包括读取存储在计算机可读记录介质上的程序的模块。CV运营路线图数据库334包括CV运营区域的道路图数据,其用于响应于行程请求而计算CV的路线。
仍参照图3A,为了执行程序模块302、304和308,可使用键盘311、指点装置/介质312或经由连接到其它计算机(未示出)的网络390向系统300发送指令。系统300经由HMI310接收指令并执行指令以用于结合存储器340、存储在存储装置330中的分组程序模块304、路线搜索程序模块302和通勤交通工具指派程序模块308使用处理器320执行向乘客的CV指派。
根据本公开的实施方式,系统300用于在具有CV和固定时间表交通工具的多模态运输网络中向乘客指派通勤交通工具(CV)。系统300可包括接口350以从乘客(用户)201接收行程请求,其中,行程请求可包括初始位置、目标位置、从初始位置的出发时间以及包括在目标位置的最后期限的到达时间窗口。此外,系统300包括:存储器(或/和存储部),其存储包括分组程序、路线搜索程序、CV的运营路线图程序和通勤者指派程序的计算机可执行程序;以及处理器320,其结合存储器执行计算机可执行程序。分组程序包括以下步骤:用公式表示优化问题以基于乘客的目标位置确定乘客组并且确定固定时间表交通工具上的开车时间和乘客的CV;求解优化问题以生成定义乘客组以及固定时间表上的开车时间和乘客的CV的解;将从求解优化问题获得的解存储在存储器中,其中,重复公式表示、求解和存储步骤以用于针对加权因子与乘客的总旅行时间和组数的组合的集合获得解;在针对乘客的总旅行时间和组数的线性组合获得的解当中选择解;通过执行通勤者指派程序来向组指派CV和CV的路线;基于所选择的解生成CV当中指派的CV的指派信息,其中,指派信息包括指派给组的CV、指派给CV的路线、指派的CV的中间位置以及从中间位置的开车时间;以及经由接口向指派的CV发送指派信息。
仍参照图3A,在系统300中的可执行程序中执行的步骤中,可用公式表示优化问题以使所有乘客的总旅行时间之和与组数的线性组合最小化,其中,使用加权因子来执行组合。在这种情况下,优化问题包括确保乘客在乘客的到达时间窗口内到达目的地并且确保组中的乘客数量小于CV中的座位数量的约束,其中,路线搜索和运营路线图程序提供CV的相应旅行时间,其中,约束确保了同时运营的CV的数量小于存储在存储器中的可用CV的总数。在这种情况下,各个乘客可被认为具有总旅行时间。
通过执行系统300中的可执行程序,与传统调度方法相比计算时间可大大减少,然后计算能力消耗也可大大降低。所应用的计算方法是首先组合使用两级随机调度优化与决策图优化,其中,两级随机调度优化允许灵活性以通过从各个场景提供预测LR(FLR)来包含LR,并且其中,决策图优化允许在合理量的处理时间内求解调度优化问题。
仍参照图3A,在系统300中,通过使用CV的运营路线图程序执行路线搜索程序来向组指派路线和中间位置,其中,路线分别从中间位置到达组的目标位置,其中,向组指派中间位置处的开车时间以允许组中的乘客在中间位置从固定交通工具换乘到CV并在到达时间窗口内到达目标位置。
此外,指派给相同组的乘客共享相同的CV。这提供了系统的更简单的数据处理方法,其允许高速分组和旅行调度方法,导致计算能力消耗更少。
仍参照图3A,根据本公开的实施方式,在上面所讨论的分组中,可通过针对乘客的各个目标位置构造并计算决策图(DD)来执行分组程序,其中,各个DD基于旅行到共同目标位置的乘客数量、乘客的到达时间窗口以及各个CV的座位容量来构造。
本公开的系统和方法可大大改进分组处理的计算速度,提供包括一个处理器/多个处理器的计算机系统的更少功耗。由DD提供的分组的概率表示所有可能分组的有限集合,其中,数学上证明,DD中的分组足以为诸如总和平均旅行时间、总和平均等待时间、CV出行的总数的度量或所述度量的任何加权组合生成最优时间表。
在一些情况下,分组程序可在到达时间窗口中按最后期限的升序对分组的乘客进行排序。这可为分组处理提供更简单的方法并且当乘客数量增加时极其高效。
仍参照图3A,当乘客的行程请求包括指示乘客要支付的最小总成本的优选选项时,乘客可被指派给满足另一约束的组以用于使调度的交通工具和指派的CV的成本之和最小化。这可向乘客提供低票价旅行时间表作为乘客的选择。
在一些情况下,系统300可与CV通信,从而通过经由信息接口从各个CV接收状态信息来监测和更新CV的运营状态,其中,运营状态包括CV的位置和各个CV的可用座位数,其中,更新的运营状态被存储到存储器中。这使得系统300能够确保乘客可被适当地指派给CV的可用座位。
根据实施方式,存储器340或/和存储部330存储固定时间表交通工具停在中间位置的票价和时间表。这可提供交通状况更好的灵活路线。
仍参照图3A,可执行程序的步骤可包括经由接口向各个乘客发送行程,其具有可从初始位置访问的固定时间表交通工具的出发时间、中间位置之一和指派的CV之一,以使得各个乘客在指派的CV之一的开车时间之前到达对应中间位置。
在一些情况下,可用公式表示优化问题以使总旅行时间与CV要消耗的能量的线性组合、各个乘客要支付的总票价、总旅行时间与总票价的线性组合或总旅行时间与固定时间表交通工具所消耗的能量的线性组合最小化。这为乘客提供了更便宜的服务。
此外,当行程包括总票价时,求解优化问题以满足总票价作为约束之一。这为乘客提供了对其旅行时间表的更灵活的选择。
仍参照图3A,在一些情况下,为了执行时间有效计算循环以获得解,重复分组、指派、确保和评估的步骤直至处理器上达到预定时间极限。
此外,接口可经由网络接收关于交通状况的信息,包括交通拥堵、交通事故和运营路线图上的施工,并且路线搜索程序搜索组的路线以避开这些交通状况。这为乘客提供了更好的服务(到达目标位置消耗的时间更少),还减少了CV要消耗的总能量(燃料),从而降低了CV的能耗。
仍参照图3A,根据实施方式,通勤者指派程序基于乘客的总旅行时间、指派的CV在运输乘客时使用的能量以及总旅行时间与运输乘客时使用的能量的线性组合的约束之一来求解优化问题。这可向乘客提供允许CV的低能耗运营的灵活选择。
此外,系统可向各个乘客发送关于如果乘客选择环境友好旅行时间表,固定调度交通工具的票价减少多少的信息。这可向乘客提供经济刺激以促使环境友好旅行。这对于固定调度交通工具的环境友好运营是很大的益处。
图3B是示出根据本公开的一些实施方式的流程图的示例,其包括用于计算通勤交通工具到达所请求的乘客目的地所使用的路线的路线搜索程序的要素。例如,路线搜索程序302在存储器中具有CV 321的运营区域地图,其表示CV可行驶的街道、街道的交叉路口以及在一天的不同时间在这些街道中的每一个上行驶的时间。在步骤322中将关于该地图的信息表示为图形,其中图形的节点是中间站、街道交叉路口和目的地,图形的边缘是街道。使用该图形表示,在步骤323中使用熟知的Diisktra’s算法在从中转站行驶的不同时间计算中间站与目的地之间的最短路径,并且还以类似方式计算返回的时间。在步骤324中将关于这些最短时间路线的信息存储在数据库中以稍后用于乘客的调度。此外,一旦使用路线搜索程序选择或确定路线,就基于CV票价计算程序(未示出)来提供CV 321的票价,该CV票价计算程序基于所确定的路线的距离以及从由固定时间表交通工具的站确定的对应中间位置到达目标位置的预期时间来计算CV 321的票价。
在一些情况下,系统300可从提供包括对应距离的路线信息的外部网络获得关于最短时间路线的信息。外部网络可由第三方运营。
图4是示出根据本公开的一些实施方式的用于在多个运输模式上调度乘客的主要程序400的流程图。程序400执行输入步骤410,其中输入数据包括关于在始发地s(j)、目的地d(j)和到达时间窗口[tr(j)-Tw,tr(j)+Tw]上各个早乘车者(ER)乘客的信息。另外,提供表示晚乘车者(LR)乘客的不同实现的场景的有限集合作为输入,其中是在场景中预测晚乘车者(FLR)乘客的集合。各个FLR乘客请求从站运输到T0,然后通过CV到达目的地以在时间tr(j)和到达时间窗口[tr(j)-Tw,tr(j)+Tw]到达。请求到目的地d的服务的FLR乘客的集合由表示。设并且使用该信息,程序400在步骤420中计算ER乘客和FLR乘客的最优调度和分组,以使诸如乘客的总旅行时间与CV出行次数的线性组合的目标最小化。然后,在步骤430中使用所计算的解来识别向ER乘客和FLR乘客的通勤交通工具指派。最后,在步骤440中将指派的固定时间表交通工具、开车时间和指派的通勤交通工具信息通信给ER乘客。
本公开的实施方式在附加乘客不确定性(ILMTP-APU)下针对综合最后一英里运输问题(ILMTP)使用两级随机规划公式化。假设乘客请求由已知乘客/早乘车者(ER)和不确定乘客/晚乘车者(LR)的集合组成。LR通过场景的有限集合建模,称为预测晚乘车者(FLR)。第一阶段决策是ER的调度,第二阶段从场景的有限集合调度FLR。至少一个方法依赖于基于决策图(DD)的优化(DDO),更具体地,依赖于基于DD的分解。具体地,针对去往各个建筑物的ER并且单独地针对各个场景中的FLR并针对各个建筑物构建DD模型。然后,DD通过可通过整数规划(IP)公式化优化的通道约束来整合。这导致大的模型。然而,由于公式化的严密性,我们获得可靠方法来最优地求解问题。所得解显著好于可通过为了最优性针对已知乘客求解问题,然后在实现场景时以剩余容量调度未知乘客而获得的解。
本公开的一些实施方式利用这样的模型,其包括使用DD的第一状态和第二阶段决策二者并且通过指派约束将它们链接。其中,这允许可解决在不确定性下做出的决策的附加机制。
(问题描述)
最初,描述问题的要素,这些要素包括公共交通系统、最后一英里交通工具、目的地、乘客请求和关联参数。
公共交通系统:为了方便起见,作为非限制性示例,假设公共交通是火车系统。设T0是将公共交通系统与最后一英里服务系统链接的终点站。公共交通系统通过由C表示的出行集合描述,其中nc:=|C|。各个出行从集合S中的站开始并在T0处结束。从火车在S中的所有站依次停靠的意义上,出行是有规律的,其中T0是各个出行的最后停靠。出行c在时间t~(c,s)离开站s∈S,并在t~(c)到达T0。
目的地:设是CV进行停靠的目的地集合,其中,其中对于各个目的地设是CV从T0出发,旅行到d(由τ1(d)表示),停靠在d以便于乘客下车(由τ2(d)表示),并返回到T0(由τ3(d)表示)所花费的总时间。因此,设是两个系统的运营时间的索引集合。假设乘客登上CV所需的时间包含在τ1(d)中。为了简单,登车时间与乘客数量无关。
最后一英里系统:设V为CV的集合,其中m:=|V|。由vcap表示可指派给单次CV出行的乘客数量。各个CV出行由登上CV,从T0旅行到目的地然后返回到T0的乘客集合组成。因此,共享公共CV出行的乘客必须请求运输到公共建筑物。我们还假设各个CV必须在时间tmax返回到终点站。
早乘车者(ER)/已知乘客:设为已知ER乘客的集合。各个ER乘客请求从站运输到T0,然后通过CV运输到目的地以在时间tr(j)到达。请求到目的地d的服务的ER乘客的集合由表示设并且各个ER乘客必须在tr(j)-Tw和tr(j)+Tw到达d(j)。
预测晚乘车者(FLR)/不确定乘客的预测:设表示场景的有限集合,其表示不确定LR乘客的不同实现。设是场景中的预测晚乘车者(FLR)乘客的集合。各个FLR乘客请求从站运输到T0,然后通过CV到目的地以在时间tr(j)到达。请求向目的地d的服务的FLR乘客的集合由表示。设并且
问题的陈述包括在附加乘客不确定性(ILMTP-APU)下的综合最后一英里运输问题(ILMTP)是向各个已知ER乘客指派火车出行和CV的问题,以使得任何场景中的FLR乘客可以可行地调度并且总换乘时间和所使用的CV出行次数的凸组合的预期值最小化。因此解可包括:
·ER乘客的分割g={g1,...,gγ},其中各个组gl与出发时间(l=1,...,γ)关联,其指示承载gl中的ER乘客的CV从T0出发的时间,满足所有请求时间和运营约束。对于任何ER乘客设g(j)是j所属的g中的组。
·对于各个 的分割(来自场景的FLR乘客),其中各个组与出发时间和指标函数关联。指示预测不确定乘客组gσ(q,k)共享最后一英里出行与已知ER乘客组。换言之,组在相同的时间(即,)离开终点站,并且场景中的ER乘客组和所有这些共享的FLR乘客组的组合不超过CV容量,即,对于各个l∈{1,...,γ}并且
(最优解的结构)
ILMTP的确定性版本具有最优解,其结构特别有助于定义紧凑模型。对于各个目的地,乘客可按其期望的到达时间来排序,然后依次分组。此结构有效地使乘客平均等待和旅行时间以及CV出行次数最小化,因此导致基于DD的紧凑模型。然而,对于ILMTP-APU,需要更精细的结构。
例如,假定对于特定时间范围,在10个场景中的1个场景中,存在容量4的单个可用CV、4个已知ER乘客和仅1个未知LR乘客。此外,假设利用CV的第一次出行不产生等待时间,而第二次出行将给所涉及的任何乘客强加等待时间w,并且不确定乘客的期望到达时间严格落在已知ER乘客的期望到达时间中间。如果乘客被排序和分组而不管其类别,则将始终需要至少2次出行并且至少1个已知乘客必须等待w。但是仅为未知LR乘客定义第二次出行,则导致解的平均成本降低至十分之一,因为第二次出行和对应等待时间w仅实现在10个场景之一中。由于不确定LR乘客对目标函数的影响较小,所以直观的是如果时间表仍可行,则它们可能相对于已知乘客延迟。使用ER乘客和预测不确定FLR乘客的组来用公式表示这种两层结构。
当ILMTP-APU可行时,存在最优解,其中来自场景的各个类别(已知(ER)或预测(FLR))的乘客的组按其期望的到达时间依次分组。
独立于先前陈述的以下陈述也有助于简化ILMTP-APU的建模。
当ILMTP-APU可行时,存在最优解,其中各个场景的不确定乘客(FLR)的至多一组被指派给各组的已知(ER)乘客。
(单个目的地的决策图)
决策图(DD)用于表示各个目的地的ER组。对于各个目的地构造决策图Dd。DD Dd是分层无环有向图形Dd=(Nd,Ad),其中Nd是DD中的节点的集合,Ad是DD中的弧的集合。节点Nd的集合被分割为(nd+2)个有序层其中层和由一个节点组成,各个节点分别表示根(root)和端(terminal)。节点的层被定义为l(u)=i。各个弧a∈Ad从其弧根ψ(a)指向其弧端ω(a),其中l(ω(a))=l(ψ(a))+1。a的弧层被表示为l(a):=ψ(a)。DD的层对应于按tr的非降序排序的乘客使得tr(jk)≤tr(jk+1)。各个节点u与表示DD中已经登上CV的乘客数量的状态关联。DD由两类汽车组成:分别由φ(a)=1,0指示的单弧和零弧。单弧存储W(a)和表示CV上的开车时间的弧开始时间t0(a)。弧的弧成本对应于由乘客的集合引起的总目标函数,并且弧开始时间指示乘客从T0在CV出发的时间。零弧没有这些属性。
目的地d的DD Dd表示基于乘客的顺序向可登上CV的ER乘客组的的每一个可行分割。集合是Dd中的弧指定rd至td路径的集合。对于任何路径组成由p定义的分割的组q(p)如下。p中的每一个单弧a对应于组即,以大小的索引l(a)结束的连续索引乘客的集合。由p定义的分割是DD被构造为使得对于每一个弧指定rd至td,各个乘客恰好出现一次,即,g(j)∈g(p)是唯一的。
由于单弧也具有CV上的开车时间,所以路径也决定了各个组g∈g(p)从T0出发的时间。时间t0(a)指示CV上的开车时间,因此对于时刻t∈[t0(a),t0(a)+t(d,t0(a))],CV继续服务。DD的构造确保了到目的地d的到达时间对各个组可行,即,对于所有j∈g(a),t0(a)+t1(d,t0(a))∈[tr(j)-Tw,tr(j)+Tw]。
弧上的目标函数值可被获得为
对于各个目的地对于各个场景通过使用对应上索引q进行消歧来将来自各个场景的FLR乘客的DD定义为Dd,q=(Nd,q,Ad,q)。节点的集合Nd,q被分割为个有序层其中层和由一个节点组成,各自分别表示根(root)和端(terminal)。节点的层被定义为l(u)=i。各个弧a∈Ad,q从其弧根ψ(a)指向其弧端ω(a),其中l(ω(a))=l(ψ(a))+1。a的弧层被表示为l(a):=ψ(a)。DD的层对应于按tr的非降序排序的乘客使得tr(jk)≤tr(jk+1)。各个节点u与表示DD中已经登上CV的乘客数量的状态关联。DD由两类汽车组成:分别由φ(a)=1,0指示的单弧和零弧。单弧存储W(a)和表示CV上的开车时间的弧开始时间t0(a)。弧的弧成本对应于由乘客的集合引起的总目标函数,并且弧开始时间指示乘客从T0在CV出发的时间。零弧没有这些属性。
各个场景q的目的地d的DDDd,q表示基于乘客的顺序向可登上CV的乘客组的的每一个可行分割。集合是Dd,q中的弧指定rd,q至td,q路径的集合。对于任何路径组成由p定义的分割的组g(p)如下。p中的每一个单弧a对应于组即,以大小的索引l(a)结束的连续索引乘客的集合。由p定义的分割是DD被构造为使得对于每一个弧指定rd,q至td,q,各个乘客恰好出现一次,即,g(j)∈g(p)是唯一的。由于单弧也具有CV上的开车时间,所以路径也决定了各个组g∈g(p)从T0出发的时间。时间t0(a)指示CV上的开车时间,因此对于时刻t∈[t0(a),t0(a)+t(d,t0(a))],CV继续服务。DD的构造确保了到目的地d的到达时间对各个组可行,即,对于所有j∈g(a),t0(a)+t1(d,t0(a))∈[tr(j)-Tw,tr(j)+Tw]。如式(DD.1)中定义来计算弧W(a)上的目标函数。
图中层之间的弧对应于请求向目的地的运输的乘客。各个节点u与对应于与下一乘客一起分组的紧接在前的乘客的数量的状态s(u)关联。各个弧a与关于乘客ψ(a)是否不是组中最后一个的标签关联,在这种情况下并且s(ω(a))=s(ψ(a))+1≤vcap,否则在后一种情况下相同节点之间可存在多个弧,各个弧与不同的CV开车时间t0(a)对应。因此,使得的各个弧a具有组中的所有乘客的对应等待时间W(a)以及标签χ(a,t)∈{0,1},其指示如果选择弧a,则CV将在时间t(即,t0(a)≤t≤t0(a)+τ(d))活动。因此,意味着χ(a,t)=0。
(整数规划公式化)
定义使用从各个DD的路径对乘客进行分组的公式化。已知乘客和不确定乘客的一些组被组合,并且目标是所得组使用CV交通工具群的可行时间表。
引入二元变量来表示为已知乘客选择DD中的特定弧。类似地,我们引入二元变量来表示为场景q∈Q中的不确定乘客选择DD中的特定弧。设t0(a1)=t0(a2)并且s(ψ(a1))+s(ψ(a2))+2≤vcap}。集合表示场景q的已知乘客组和不确定乘客组的可行对集合(即,CV上的相同开车时间并满足容量约束)。设 表示将弧a1所表示的已知乘客的组和弧a2所表示的不确定乘客的组配对的决策。
目标函数可被表示为
以下约束规定,如果选择后者,则仅一组不确定乘客与已知乘客组配对:
可针对所有t∈T,q∈Q将交通工具群大小约束建模为
ILMTP-APU的IP模型为
min f(α)
限制条件:
式(1a)、(1b)
式(2a)-(2b)中的网络流约束保证在与各个场景的已知ER乘客和FLR乘客的分组对应的各个决策图上取路径。
图5是根据本公开的实施方式的实现图4的步骤420的另一示例算法500的示意图。使用在使用网络流公式化对乘客进行最优调度中所涉及的步骤的流程图来示出算法500。该过程首先按目的地将各个场景的ER乘客和FLR乘客分离510。对于各个这样的目的地,为各个场景的ER乘客和FLR乘客构造520决策图。定义530优化问题的决策变量。用公式表示540目标函数式(OBJ)并且定义540约束。求解560优化问题以获得最优解。解用于定义乘客分组570。此外,该算法还定义了函数Gq,其针对各个场景中的各个FLR组g识别与FLR组g570一起乘坐通勤交通工具的对应ERGq(g)组。如果场景中的LR组g不与ER组共享通勤交通工具,则该算法还指派通勤交通工具上的开车时间以及来自各个场景580的各个ER乘客和FLR乘客的固定时间表出行时间。
图6A是根据本公开的实施方式的实现图4的步骤430的另一示例算法600A的示意图。算法600A基于从求解网络流公式获得的乘客分组和通勤交通工具开车时间的集合来向ER乘客提供通勤交通工具的指派。算法600A继续针对所有CVV={1,…,m}向各个通勤交通工具指派标签val(v)=0和交通工具运营的时间间隔的集合使用这些标签创建优先级队列Qv={(v,val(v))|v∈V},使得具有较低val(v)的交通工具位于队列的顶部620。针对各个组执行循环630,根据该选择为组挑选目的地和CV的开车时间640。算法600A选择队列顶部的交通工具650,将组g中的乘客指派给CV v650,将标签val(v)的值增大650,更新CVv运营的时间间隔Int(v)的集合560,并且将CV v推入队列650中。算法600A输出所有ER乘客的通勤交通工具的集合和各个CV v的交通工具运营时间间隔Int(v)的集合。
图6B是根据本公开的实施方式的实现图4的步骤430的另一示例算法600B的示意图。算法600B提供:基于场景q∈Q的FLR乘客分组的集合向该场景的FLR乘客的通勤交通工具指派、从求解网络流公式获得的通勤交通工具开车时间、在从求解网络流公式570获得的通勤交通工具中可能伴随FLR组的指派的ER以及向从图6A中的算法600A获得的ER乘客的通勤交通工具指派。算法600B继续针对所有CV V={1,…,m}向各个通勤指派该场景的交通工具运营的时间间隔的集合Intq(v)=Int(v)611。针对各个组执行循环621。如果FLR组g伴随ER组Gq(g),则指派给ER组Gq(g)中的乘客的通勤交通工具也被指派给FLR组g631。如果FLR组g不与ER组共享通勤交通工具,则根据该情况为组挑选目的地和CV的开车时间641。寻找在为组FLR组g提供服务所需的时间间隔内没有运营的通勤交通工具641。通勤交通工具被指派给FLR组g中的乘客。使用为FLR组g提供服务的时间间隔来更新在该场景中通勤交通工具运营的间隔的集合Intq(v)641。算法600B为场景q∈Q中的所有LR乘客输出通勤交通工具的指派。针对各个场景重复算法600B以获得所有FLR组的通勤交通工具指派。
图7是示出根据本公开的一些实施方式的遵循期望的到达时间的乘客集合分组的决策图表示的示意图。具有起始节点(根)701的决策图描绘了关于连续乘客1(711)、2(721)、3(731)和N(791)如何分组的决策序列。针对容量为2的通勤交通工具的情况描绘决策图。对于乘客1(711),节点712表示存在与乘客1(711)一起分组的0个在先乘客,弧713对乘客1(711)单独分组,弧714将乘客1(711)与乘客2(721)以及可能其他乘客分组。对于乘客2(721),节点722表示由于弧713将在先乘客1(711)单独分组,不存在与乘客2(721)一起分组的在先乘客,节点723表示由于弧714将乘客1(711)与乘客2(721)分组,弧724将乘客2(721)单独分组,弧725将乘客2(721)与乘客3(731)以及可能其它乘客分组,弧726仅将乘客2(721)与乘客1(711)分组,存在与乘客2(721)一起分组的一个在先乘客。对于乘客3(731),节点732表示由于弧724将在先乘客2(721)单独分组或者弧726将除了乘客3(731)之外的在先乘客1(711)和2(721)分组,不存在与乘客3(731)一起分组的在先乘客,节点723表示由于弧725将乘客2(721)与乘客3(731)分组,存在与乘客3(731)一起分组的一个在先乘客。对于乘客N(791),节点792表示不存在与乘客N(791)一起分组的在先乘客,节点793表示三个乘客N(791)与一个在先乘客分组,弧794将乘客N(791)单独分组,弧795将乘客N(791)与一个在先乘客分组。决策图具有结束节点(端)799,其中,乘客的任何分组由从根701通向端799的弧的序列组成。
图8是根据本公开的一些实施方式的通勤交通工具中的乘客分组的决策图表示的示例。假定存在请求向同一目的地的服务的两个乘客,其中乘客请求在时间窗口内到达其目的地,始发站为:
·乘客1:到达时间窗口:[10,12],始发站:1
·乘客2:[12,14],始发站:2。
其中,固定时间表交通工具由两次出行组成,其中在不同站的出发时间为:
·出行1:站3:4,站2:6,站1:8,T0:10
·出行2:站3:8,站2:10,站1:12,T0:14。
乘坐通勤交通工具到达目的地的时间是2点,并且通勤交通工具的容量为2。乘客1可通过在出行1到达并在乘坐通勤交通工具旅行之后在12点到达目的地来单独旅行。等待时间为0,并且通勤交通工具上的仅有可能开车时间为10点。这在决策图中由具有标签(0,10)的弧850表示,该标签表示等待时间和通勤交通工具上的开车时间。该弧从层1 810的0节点绘制到层2 820的0节点并且是单弧。乘客2可通过在出行1到达并按通勤交通工具10、11、12上的可能开车时间到达目的地来单独旅行。对于这些不同的开车时间,等待时间分别为0、1、2。因此,5个不同的弧分别具有标签:(0,10)861、(1,11)862、(2,12)863。这些弧绘制在层2上的0节点与层3 840的端节点之间。在层2上的0节点到层3上的1节点之间绘制0弧855,其指示乘客1和2乘坐通勤交通工具的联合旅行。两个乘客可通过在出行1到达并在时间10开始时乘坐通勤交通工具旅行来乘坐通勤交通工具联合旅行。该组的总等待时间为0,并且这在层2上的1弧联合1节点到层3上的端节点指示。
图9是示出根据本公开的一些实施方式的早乘车者(ER)/已知乘客和预测晚乘车者(FLR)的多个场景的示意图,其中,各个场景表示晚乘车者(LR)/未知乘客的可能具体化。ER由方框910中的一组乘客表示,从1至N编号。各个场景的FLR由方框921、922和929中的一组乘客编号。场景从1至K编号。各个场景上的FLR从1至M编号。ER的数量N预先已知。场景的数量和各个场景上的FLR的数量K和M要从多种方式选择,例如(但不限于)预定义的值和以及基于来自先前运输的乘客的历史MTN数据的推断。在各个场景中,请求的目的地和到达目的地的时间也基于历史MTN数据获得。
图10是示出根据本公开的一些实施方式的CV出行可仅由早乘车者(ER)/已知乘客组成、仅由晚乘车者(LR)/未知乘客组成、或者由ER和LR二者的组合组成的乘客时间表的示意图。该图表示沿着时间轴1003占据各个CV 1001的组,其中,各个组1002仅由ER组成。没有不确定乘客1010的时间表仅描绘ER组1002。在方框1020中,不确定乘客被添加到具有ER1010的时间表。各个组1002仅由ER组成并且与另一方框中的组一致。各个组1009仅由LR组成并在不与ER 1010的组时间表交叠的时间间隔内占据CV。各个组1008由ER和LR的组合组成,其中,组1002仅具有对应ER 1010。
图11是示出根据本公开的一些实施方式的分配给CV出行的乘客时间表的构造的示意图,其中晚乘车者(LR)/未知乘客的集合逐渐被并入到先前仅由早乘车者(ER)/已知乘客组成的时间表。该图表示沿着时间轴1103占据各个CV 1101的组,其中,各个组1102仅由ER组成,各个组1109仅由LR组成,并且各个组1108由ER和LR的组合组成。非调度乘客的组1110减小,而指派给CV中的组的乘客数量增加。
图12是示出根据本公开的一些实施方式的通过将来自各个场景的预测晚乘车者(FLR)添加到仅由早乘车者(ER)/已知乘客组成的乘客时间表而得到的扩展时间表的示意图,其中,ER的时间表不受横跨场景包括FLR的影响。该图表示沿着时间轴1203占据各个CV1201的组,其中,各个组1202仅由ER组成。在方框1210中描绘了通过包括组1211的来自场景1的乘客的扩展时间表,其中,这些组中的每一个仅由来自场景1的FLR组成。在方框1221中描绘了通过包括组1221的来自场景2的乘客的扩展时间表,其中,这些组中的每一个仅由来自场景1的FLR组成。
图13A至图13D是示出根据本公开的一些实施方式的最优解的一些结构的示意图。在图13A中,具有相同长度的到达时间窗口的乘客按期望的到达时间排序,其定义了存在调度问题的最优解的顺序分组的形式。方框1300对应于作为按其期望的到达时间排序的ER的乘客。方框1310和1320对应于作为FLR的乘客,其中,方框1310表示场景1并且方框1320表示场景2。在方框1300中,各个乘客1301是具有对应时间窗口1302的ER。在方框1310中,各个乘客1311是来自场景1的具有对应时间窗口1312的FLR。在方框1320中,各个乘客1321是来自场景2的具有对应时间窗口1322的FLR。所有时间窗口针对时间轴1303绘制。在图13B中,相同形式或顺序的乘客在将作为ER的乘客与来自场景1的FLR混合的同时呈现。在图13C中,方框1320描绘了基于乘客的顺序定义两个组的乘客分组。在图13D中,方框1330描绘了乘客分组,其中FLR被放入单独的组中。
图13E是示出根据本公开的一些实施方式的早乘车者(ER)/已知乘客和预测晚乘车者(FLR)的时间表如何影响时间表的全局成本的差异的示意图。在方框1350中,来自图13C的分组沿着时间轴1342被调度给CV 1341,其中组1351表示前5个乘客并且组1352表示最后乘客。在方框1360中,来自图13D的分组沿着时间轴1342被调度给CV 1341,其中组1361表示ER的组并且组1362包含FLR。对于仅存在单个CV,其仅可执行没有等待时间的一次出行和具有等待时间L的第二次出行的情况,并且进一步考虑存在K个场景,方框1350中定义的解意味着L的等待时间,因为第二组具有ER乘客。相比之下,方框1360中定义的解意味着L/K的等待时间,因为第二组具有FLR乘客,其仅影响K个场景之一。
在本公开的另一实施方式中,提出了一种启发式方法来获得早乘车者(ER)和来自各个场景的预测晚乘车者(FLR)的时间表。在此方法中,来自各个场景的各个FLR乘客被指派为伴随先验ER乘客。向ER乘客的指派取决于ER乘客和来自以下场景的FLR乘客:其CV的开车时间和路线允许他们在期望的到达时间窗口内从中间位置到达其目的地。来自任何场景的FLR乘客向ER乘客的指派数量也被限制为比CV的容量小1。然后CV中ER乘客所占据的座位数量最大增加FLR乘客指派数量的场景。这确保了ER乘客和来自任何场景的指派的FLR乘客可适合CV。
图14A是示出根据本公开的一些实施方式的启发式方法的示意图。考虑到调度情况1400A,其中存在ER乘客和FLR乘客的两个场景的集合。第一场景中的FLR乘客1403被指派1406为伴随ER乘客1402。第二场景中的FLR乘客1404和1405也被指派为伴随ER乘客1402。基于这些关联,由于存在来自第二场景的指派为伴随ER乘客1402的两个附加FLR乘客,所以CV中ER乘客1402所占据的座位数量为3。另一方面,ER乘客1401、1403、1411各自仅占据CV中的一个座位。假定CV的容量为5。基于这些关联,组1410是满足CV容量5的ER乘客的可行分组。然而,由于将导致占据总共6个CV座位(将大于CV座位容量5),所以乘客1411无法被添加到组1410。类似地,ER乘客1413被指派1417来自场景1的FLR乘客1415并且还被指派1418来自场景2的FLR乘客1416。基于这些指派,CV中的ER乘客1413的容量为2。由ER乘客1411、1412、1413和1414组成的组1420处于CV容量5,并且无法包括附加ER乘客。ER乘客1421被指派1427来自场景1的FLR乘客1424。ER乘客1422被指派1428来自场景1的FLR乘客1425。ER乘客1423被指派1429来自场景2的FLR乘客1426。因此,ER乘客1421、1422和1423的容量各自为2。因此,由于所得座位占据6个,超过CV容量5,所以ER乘客1421、1422和1423无法形成组。ER乘客1421形成单独的组。
图14B是描绘了通过根据本公开的一些实施方式的启发式方法调度ER乘客和FLR乘客的算法的流程图。算法1400B以ER乘客和来自场景集合1451的FLR乘客的集合作为输入。ER和各个场景中的FLR乘客的集合首先按目的地分离并按到达目的地1455的时间窗口的升序存储。针对各个目的地1460执行循环1470。对于各个目的地,各个场景中的FLR乘客被指派给ER乘客1461。基于向ER乘客的指派,更新1469容量1465和ER乘客到达目的地的时间窗口。具有更新的容量和到达目的地的时间窗口的ER乘客形成调度问题,其中已经考虑了FLR乘客。使用图4中的算法大纲来求解更新的ER乘客,并且作为场景数量为零的实例1480。
(特征)
想到该系统可包括下面所列不同方面的任何组合。该系统用于在多模态运输网络(MTN)中将早乘车者(ER)和晚乘车者(LR)调度给交通工具,其中,LR在ER被调度的时间未知。该系统包括连接到接口的至少一个处理器和存储器。在存储器中存储MTN数据和ER行程请求以及指令,这些指令在由至少一个处理器执行时使得至少一个处理器执行包括预测有限场景集合的动作,各个场景包括预测LR(FLR)行程请求的可能集合。其中,根据得自MTN数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于期望的到达目的地的时间来为各个场景迭代地生成ER组和FLR组。在有限场景集合中的各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派有ER和FLR组的对应CV中的开车时间和到达目的地的时间。其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过CV的容量,并且存在乘车者从其位置到其目的地所采用的路线。其中,继续迭代,直至ER和来自各个场景的FLR的联合时间表使目标函数最小化。用公式表示指派信息,并且经由接口将指派信息发送到ER和指派的CV。
根据本公开的各方面,同时为ER组和来自各个场景的FLR组服务的CV的数量小于交通工具群容量。一方面可以是FLR的各个场景表示一定量的预期LR的可能具体化,其将用于确保ER的调度提供在稍晚时间调度LR的能力。另一方面在于,LR在比MTN接收ER行程请求的时间晚的时间提供行程请求,使得各个LR和ER行程请求包括始发地位置、目的地和期望的到达目的地的时间窗口。此外,另一方面可以是,期望的时间在到达目的地的时间的时间窗口内。此外,CV出行包括从中转站到目标目的地、从目标目的地到中转站中的一者或二者。
根据本公开的各方面,FLR旅行由过去LR在一天的近似时间(在所接收的ER旅行请求中表达的ER的预期旅行时间)旅行而实现。另一方面,各个场景的FLR的数量是运营商所提供的LR的预设数量并且从MTN数据获得。此外,另一方面在于,FLR位置和期望的到达目的地的时间窗口从得自所存储的MTN数据的过去LR旅行获得。此外,另一方面在于,对于ER组中的各个ER组,包括CV的至少一条路线,该路线的开始时间使得满足ER组中的各个ER的到达最后期限。一方面可以是,指派信息包括指派给ER组的CV、指派给CV的路线、指派的CV的位置以及从该位置的开车时间。
根据本公开的各方面,乘车者的总旅行时间是乘车者乘坐MTN的一个或更多个运输模式所花费的旅行时间量、乘车者在MTN的中间位置、终点站或车站等待指派的CV所花费的时间量以及乘坐CV旅行以到达乘车者目标目的地所花费的时间量之和。
根据本公开的各方面,生成ER组和各个场景的FLR组以及指派CV和调度CV出行的迭代处理基于求解不确定性问题下的优化。其中,不确定性问题下的优化是多级随机优化问题或鲁棒优化问题之一。其中,目标函数是在总乘车者等待时间与CV出行次数之间使用加权因子的度量的预期值。其中,不确定性问题下的优化包括确保ER在ER的到达时间窗口内到达其目标目的地并且确保各个ER组中的ER的数量小于CV中的最大容量座位数的约束,路线搜索程序和运营路线图程序提供CV的相应旅行时间,其中,约束确保同时运营的CV的数量小于MTN的交通工具群中的可用CV的总数。
本公开的另一方面可包括其中同时为ER组和LR组服务的CV的数量小于交通工具群容量。一方面在于,CV与私人多模态运输网络(MTN)、私人乘客多运输系统、机场乘客运输系统、至少一个公司的乘客运输系统或乘客共享运输系统之一关联或为其一部分。
根据本公开的其它方面,乘车者的位置包括MTN的中转站、MTN的始发站或MTN的中间站之一,并且乘车者的目的地包括目标目的地、目的地建筑物或最终目的地之一。此外,一方面可以是,当ER的行程请求包括指示ER要支付的最低总成本的优选选项时,ER被指派给满足使MTN的固定调度交通工具和指派的CV的成本之和最小化的另一约束的组。此外,一方面可以是,通过经由连接到处理器的信息接口从各个CV接收状态信息来监测和更新CV的操作状态,其中,操作状态包括CV的位置和各个CV的可用座位数,使得更新的操作状态被存储到存储器中。
想到该系统可包括下面所列不同方面的任何组合。该系统用于调度具有早乘车者(ER)/已知乘客和晚乘车者(LR)/不确定乘客的多模态运输网络(MTN)中的通勤交通工具(CV),接口从ER和LR接收行程请求。该系统包括存储器以存储MTN数据以及包括分组程序、路线搜索程序、CV的运营路线图程序、LR程序和通勤者指派程序的计算机可执行程序。处理器连接到接口和存储器,以执行计算机可执行程序,被配置为执行分组程序,包括:求解优化问题以通过根据加权因子的集合以及ER的总旅行时间和组的数量的组合获得解来生成解集合。执行LR程序,包括识别愿意共享乘坐CV的ER的数量,以获得ER解的子集以及运营商所提供的LR的数量。确定与ER解的子集中的一些的目标位置对应的LR目标位置的多个组,并且确定与ER解的子集中的一些对应的CV上的LR开车时间。执行修改的分组程序,包括从ER解的子集中为多个组中的各个组识别该组ER的指派的CV、组要乘坐指派的CV旅行的开始时间以及该组的指派的CV的剩余乘车者容量,以识别该组的LR的可指派数量而不超过最大CV乘车者容量。执行通勤者指派程序,包括从ER解的子集中向各个组指派多个LR而不超过最大CV乘车者容量。更新指派信息,其包括指派给具有ER和LR的组的CV、指派给CV的路线、车站位置以及指派的CV从车站位置的开车时间。经由接口将更新的指派信息发送到指派的CV。
根据本公开的其它方面,分组程序包括基于ER目标位置确定ER的多个组,并且从接收的行程请求确定固定时间表交通工具(FSV)和CV上的ER开车时间。求解优化以生成定义ER组以及FSV和CV上的ER开车时间的解。其中,优化还包括通过根据加权因子的集合以及ER的总旅行时间与组的数量的组合获得解来迭代地生成解集合。从针对ER的总旅行时间与组的数量的线性组合获得的解集合当中选择解。一方面可包括分组程序确定ER时间表以使MTN中的所有乘车者的总旅行时间最小化,以实现社会最优,并且其中,修改的分组程序确定ER和LR时间表以使MTN中的所有乘车者的总旅行时间最小化,以实现社会最优。另一方面可包括修改的分组程序被配置为确定CV中共享的ER子集,以及确定一些ER便车上的剩余乘车者容量,以使得来自其它乘车者(包括UR)的稍晚请求被添加到一些ER便车。一方面可包括,如果UR无法被调度或者通勤者指派程序没有为这些组生成可行时间表,则给定约束调度尽可能多的UR,或者制定这些组的到达时间窗口的松弛量,并且惩罚目标函数中的松弛时间量。另一方面在于,向组指派CV和CV的路线是通过基于所选解在CV当中生成指派的CV的指派信息。
至少一个实施方式包括一种用于在多模态运输网络(MTN)中将早乘车者(ER)和晚乘车者(LR)调度给交通工具的系统,其中,LR在ER被调度时未知。该系统包括:连接到接口和存储器的至少一个处理器,在存储器中存储有MTN数据和ER行程请求以及指令,所述指令在由所述至少一个处理器执行时使得所述至少一个处理器执行动作,所述动作包括:预测有限场景集合,各个场景包括预测LR(FLR)行程请求的可能集合。其中,根据得自MTN数据的完成旅行的过去ER和过去LR来生成有限场景集合。基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组。在有限场景集合中的各个场景中为各个ER和FLR组指派通勤交通工具(CV)。为各个ER和FLR组迭代地确定指派了该ER和FLR组的对应CV中的开车时间和到达目的地的时间。其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过CV的容量,并且存在乘车者从其位置到其目的地所采用的路线。其中,继续迭代,直至来自各个场景的FLR和ER的联合时间表使目标函数最小化。用公式表示指派信息并且经由接口将该指派信息发送至ER和所指派的CV。
(定义)
多模态运输网络可包括公共运输子网络和供私人运输使用的私人运输子网络,例如道路网络(如本文所称的“私人运输子网络”)。这些类型的网络具有不同的性质。约束进入、离开和通过公共运输网络旅行的时间,使得进入、离开和通过网络旅行可仅发生在特定时间(即,根据与网络关联的时间表)。相比之下,当使用私人运输时,关于私人运输网络(例如,道路网络)不存在这些约束。在私人运输网络中,用户可在其选择时自由地选择进入、离开或通过网络旅行。公共运输的示例包括各种固定时间表交通工具,即,具有固定和/或预定时间表并且无法修改以适应用户的方便或要求的交通工具。固定时间表交通工具的示例包括火车、公共汽车、轮船和飞机之一或组合。私人运输的示例包括各种灵活调度的通勤交通工具,例如自主交通工具、半自主交通工具以及由驾驶者操作的交通工具。灵活调度的通勤交通工具允许根据乘客的需要指定其路线时间。
固定时间表交通工具可具有可适应乘客的需要的时间表和无约束载客量以向中间位置或从中间位置运输乘客集合。如本文所述,无约束载客量可被理解为调度的交通工具的最大容量,其在调度和控制解决方案中不考虑。相比之下,通勤交通工具可具有无约束时间表和最大载客量以经由从预定路线的集合选择的路线之一向中间位置或从中间位置运输乘客。
图15A是示出可用于实现根据本公开的实施方式的系统和方法的一些组件的框图。例如,系统和方法1500A可包括硬件处理器1511,其与传感器1502或传感器通信,例如从环境1501收集包括环境信号1508的数据的传感器。环境信号可包括多个传感器。此外,环境传感器1502可将输入转换为环境信号。可以想到除了环境传感器以外可使用其它类型的传感器,例如机器监测传感器、利用传感器来获得与管理MTN有关的数据的运输组件。硬件处理器1511与计算机存储存储器(即,存储器1509)通信,使得存储器1509包括存储的数据,包括算法、指令以及可由硬件处理器1511实现的其它数据。
可选地,硬件处理器1511可连接到网络1507,其与数据源1503、计算机装置1504、移动电话装置1505和存储装置1506通信。另外可选地,硬件处理器1511可连接到与客户端装置1515连接的网络使能服务器1513。可选地,硬件处理器1511可连接到外部存储器装置1517、发送器1519。此外,可根据具体用户预期用途1521来输出各个目标说话者的文本,例如,一些类型的用户用途可包括将文本显示在一个或更多个显示装置(例如,监视器或屏幕)上,或者将各个目标说话者的文本输入到计算机相关装置中以进行进一步分析等。
可以想到,硬件处理器1511可根据具体应用的要求而包括两个或更多个硬件处理器,其中,处理器可在内部或外部。当然,其它组件可与系统和方法1500BA合并,包括输出接口和收发器以及其它装置。
作为非限制性示例,网络1507可包括一个或更多个局域网(LAN)和/或广域网(WAN)。其中,联网环境可类似于企业范围计算机网络、内联网和互联网。对于提及的所有组件可以想到,可在系统1500A内部署任何数量的客户端装置、存储组件和数据源。各自可包括单个装置或在分布式环境中协作的多个装置。此外,系统1500A可包括一个或更多个数据源1503。数据源1503可包括用于训练运输网络的数据资源。例如,在实施方式中,训练数据可包括多个分量的信号。训练数据还可单独包括单个分量的信号。
作为示例而非限制,数据源1503的一些示例可包括各种源,包括流声音或视频、网络查询、移动装置相机或音频信息、网络摄像头馈送、智能眼镜和智能手表馈送、客户关怀系统、安全相机馈送、网络文档、目录、用户馈送、SMS日志、即时消息日志、口述文字记录、游戏系统用户交互(例如,语音命令或捕获的图像(例如,深度相机图像))、推特、聊天或视频呼叫记录或者社交网络媒体。所使用的具体数据源1503可基于应用来确定,包括数据是某种类别的数据(例如,仅与特定类型的声音有关的数据,例如包括机器系统、娱乐系统)还是本质上是一般数据(非类别特定)。
系统1500A可包括第三方装置1504、1505,其可包括任何类型的计算装置。例如,第三方装置包括计算机装置1504或移动装置1505,例如本文中关于图15B所描述的那种移动计算装置。可以想到,用户装置可被具体实现为个人数据助理(PDA)、移动装置(例如,智能电话)、智能手表、智能眼镜(或其它可穿戴智能装置)、增强现实耳机、虚拟现实耳机。此外,用户装置可以是膝上型计算机(例如平板计算机)、遥控器、娱乐系统、交通工具计算机系统、嵌入式系统控制器、电器、家用计算机系统、安全系统、消费者电子装置或其它类似的电子装置。在一个实施方式中,客户端装置能够接收输入数据(例如,音频和图像信息),其可由本文所描述的在装置上操作的ASR系统使用。例如,第三方装置可具有用于接收音频信息的麦克风或线路、用于接收视频或图像信息的相机或者用于从诸如互联网或数据源3的另一源接收这种信息的通信组件(例如,Wi-Fi功能)。
可选地,示例第三方装置1504、1505包括在系统1500A中以示出可部署深度神经网络模型的环境。此外,本公开的一些实施方式可不包括第三方装置1504、1505。例如,深度神经网络模型可在服务器上或在云网络、系统等布置中。
关于存储部1506,存储部1506可存储包括本文所描述的技术的实施方式中使用的数据、计算机指令(例如,软件程序指令、例程或服务)和/或模型的信息。例如,存储部1506可存储来自一个或更多个数据源3的数据、一个或更多个深度神经网络模型、用于生成和训练深度神经网络模型的信息以及由一个或更多个深度神经网络模型输出的计算机可用信息。
图15B是示出根据本公开的实施方式的用于调度通勤交通工具的图15A的多模态运输网络系统的示意图。例如,用于调度通勤交通工具(CV)的系统的MTN网络使能服务器1513可包括移动通信装置1533A-1533F、网络1577、数据存储部1571、数据源1588和数据库1599。移动通信装置1533A-1533F可分别指向用户1543A-1543F。其中,交通工具1544、1545、1546可分别与驾驶者1543B、1543C和1543F所关联的一些移动通信装置1533B、1533C、1533F关联。
MTN网络使能服务器或MTN服务器1513还可与自主交通工具(即,CV)所关联的驾驶控制系统关联。此外,根据考虑到MTN的管理、地理区域等的应用,MTN服务器可以是多个服务器。
仍参照图15B,网络1577可帮助用户无线通信装置1533A-1533F与MTN服务器1513之间的通信。例如,根据至少一个实施方式,网络1577可从用户的无线通信装置1533A-1533F接收乘车请求和其它乘车服务器相关信息。网络1577还可向交通工具1544、1545、1546的控制装置1533B、1533C和1533F(即,无线通信装置)发送乘车服务指派。可以想到网络1577可以是一种网络可提供其它类型的通信,交换信息,和/或在MTN服务器1513与无线通信装置1533A-1533F之间提供信息交换。例如,网络1577可以是互联网、局域网、蜂窝网络、公共交换电话网络(“PSTN”)或允许共乘的其它合适的连接。网络1577还可提供不同类型的消息格式,并且还可支持无线通信装置1533A-1533F的各种服务和应用。例如,网络1577可支持无线通信装置1533A-1533F的导航服务,例如引导用户1543B、1543C、1543F和服务交通工具去往上车或下车位置。
MTN服务器1513可被配备为向用户1543A-1543F提供包括不同类型的数据或服务(例如,消息、语音、实时音频/视频)的通信。MTN服务器1513可以是基于计算机的系统,包括计算机系统组件、台式计算机、工作站、平板计算机、手持无线通信装置1533A-1533F、存储器装置和/或连接这些组件的内部网络。MTN服务器1513可被配置为经由网络1577从无线通信装置1533A-1533F接收信息,处理信息,存储信息,和/或经由网络1577向无线通信装置1533A-1533F发送信息。例如,在一些实施方式中,MTN服务器1513可从无线通信装置1533A-1533F接收乘车请求,发送乘车确认和乘车费用信息,并向交通工具的驾驶者和交通工具的控制装置发送乘车服务指派。
仍参照图15B,数据库1599可包括与MTN服务器1513联接的物理或云类型存储,并且可存储用户账户信息、对应用户简档,例如联系人信息、简档照片和关联的无线通信装置1533A-1533F信息。关于支付车费的用户1543A-1543F或出租车乘客,用户/出租车乘客账户信息还可包括乘车历史、服务反馈、投诉或评论。数据库1599还可包括交通数据、区域地图和收费公路信息,其可用于管理用户1543A-1543F的共乘服务或其它相关方面。存储在数据库1599、存储部1571或数据源1588中的数据可被发送到MTN服务器1513以适应乘车请求、用户需求等。数据库1599、存储部1571或数据源1588可被存储在可由MTN服务器1513和/或无线通信装置1533A-1533F通过网络1577访问的基于云的服务器中。
无线通信装置1533A-1533F可包括诸如电视、平板计算机、计算机监视器、视频会议控制台或膝上型计算机屏幕的显示器。此外,通信装置1533A-1533F可以是具有显示和视频/音频捕获能力、具有方便通信的软件应用(例如,IM、VoIP、视频会议)的平板计算机或智能电话。
在一些实施方式中,无线通信装置1533B、1533C和1533F可连接在交通工具1544、1545、1546的控制面板中,作为与特定交通工具关联的控制系统的一部分,类似于由出租车公司管理的商业或私人出租车。例如,用户1543B、1543C和1543F以及关联的无线通信装置1533B、1533C、1533F可与支付装置联接,例如作为控制面板的一部分和/或作为与交通工具1544、1545、1546关联的单独装置安装的读卡器。然后,用户1543B、1543C和1543F可使用关联的支付装置作为替代支付机制。例如,打出租车(即,交通工具1544、1545、1546)的人可经由支付装置支付出租车费。
图16是作为非限制性示例示出可用于实现根据本公开的实施方式的方法和系统的一些技术的计算设备1600的示意图。计算设备或装置1500表示各种形式的数字计算机,例如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机以及其它适当的计算机。
计算装置1600可包括电源1608、处理器1609、存储器1610、存储装置1611,其全部连接到总线1650。此外,高速接口1612、低速接口1613、高速扩展端口1614和低速连接端口1615可连接到总线1650。另外,低速扩展端口1616与总线1650连接。根据具体应用,可以想到各种组件配置,作为非限制性示例,其可安装在公共主板1630上。此外,输入接口1617可经由总线1650连接到外部接收器1606和输出接口1618。接收器1619可经由总线1650连接到外部发送器1607和发送器1620。外部存储器1604、外部传感器1603、机器1602和环境1601也可连接到总线1650。此外,一个或更多个外部输入/输出装置1605可连接到总线1650。网络接口控制器(NIC)1621可适于通过总线1650连接到网络1622,其中,数据或其它数据等可被渲染在计算机装置1600外部的第三方显示装置、第三方成像装置和/或第三方打印装置上。
可以想到存储器1610可存储可由计算机装置1600执行的指令、历史数据以及本公开的方法和系统可利用的任何数据。存储器1610可包括随机存取存储器(RAM)、只读存储器(ROM)、闪存或任何其它合适的存储器系统。存储器1610可以是易失性存储器单元和/或非易失性存储器单元。存储器1610也可以是另一形式的计算机可读介质,例如磁盘或光盘。
仍参照图16,存储装置1611可适于存储计算机装置1600所使用的补充数据和/或软件模块。例如,如上面关于本公开提及的,存储装置1611可存储历史数据和其它相关数据。另外地或另选地,存储装置1611可存储与上面关于本公开提及的数据类似的历史数据。存储装置1611可包括硬盘驱动器、光盘驱动器、拇指驱动器、驱动器阵列或其任何组合。此外,存储装置1611可包含计算机可读介质,例如软盘装置、硬盘装置、光盘装置或磁带装置、闪存或其它类似固态存储器装置、或者装置阵列(包括存储区域网络或其它配置中的装置)。指令可被存储在信息载体中。指令在由一个或更多个处理装置(例如,处理器1609)执行时执行诸如上述方法的一个或更多个方法。
该系统可通过总线1650可选地链接到显示接口或用户接口(HMI)1623,其适于将系统连接到显示装置1625和键盘1624,其中,显示装置1625可包括计算机监视器、相机、电视、投影仪或移动装置等。
仍参照图16,计算机装置1600可包括适于打印机接口(未示出)的用户输入接口1617,也可通过总线1650连接并适于连接到打印装置(未示出),其中,打印装置可包括液体喷墨打印机、固体墨水打印机、大型商用打印机、热敏打印机、UV打印机或热升华打印机等。
高速接口1612管理计算装置1600的带宽密集操作,而低速接口1613管理低带宽密集操作。这种功能分配仅是示例。在一些实现方式中,高速接口1612可联接到存储器1610、用户接口(HMI)1623以及键盘1624和显示器1625(例如,通过图形处理器或加速器),并经由总线1650联接到高速扩展端口1614,其可接纳各种扩展卡(未示出)。在实现方式中,低速接口1613经由总线1650联接到存储装置1611和低速扩展端口1615。可包括各种通信端口(例如,USB、蓝牙、以太网、无线以太网)的低速扩展端口1615可联接到一个或更多个输入/输出装置1605以及键盘1624、指点装置(未示出)、扫描仪(未示出)或联网装置(例如,交换机或路由器)的其它装置(例如,通过网络适配器)。
仍参照图16,计算装置1600可按许多不同的形式实现,如图所示。例如,其可被实现为标准服务器1626,或在一组这样的服务器中多次实现。另外,其可实现于诸如膝上型计算机1627的个人计算机中。其也可被实现为机架服务器系统1628的一部分。另选地,来自计算装置1600的组件可与移动装置(未示出)中的其它组件组合。
(实施方式)
在以下描述中给出具体细节以提供实施方式的彻底理解。然而,本领域普通技术人员可理解,实施方式可在没有这些具体细节的情况下实践。例如,所公开的主题中的系统、过程和其它元件可作为组件以框图形式示出,以免在不必要的细节方面模糊实施方式。在其它情况下,熟知过程、结构和技术可在没有不必要的细节的情况下示出,以避免模糊实施方式。此外,各种附图中的相似标号和指代指示相似的元件。
另外,各个实施方式可作为过程描述,其被描绘为流程图、数据流程图、结构图或框图。尽管流程图可将操作描述为顺序过程,但许多操作可并行或同时执行。另外,操作次序可重新布置。过程在其操作完成时可终止,但是可具有未讨论或附图中未包括的附加步骤。此外,并非任何具体描述的过程中的所有操作可出现在所有实施方式中。过程可对应于方法、函数、程序、子例程、子程序等。当过程对应于函数时,函数的终止可对应于函数返回到调用函数或主函数。
此外,所公开的主题的实施方式可至少部分地手动或自动实现。可通过使用机器、硬件、软件、固件、中间件、微码、硬件描述语言或其任何组合来执行或至少辅助手动或自动实现。当以软件、固件、中间件或微码实现时,执行所需任务的程序代码或代码段可被存储在机器可读介质中。处理器可执行所需任务。
此外,本说明书中描述的本公开的实施方式和功能操作可在数字电子电路中、有形具体实现的计算机软件或固件中、包括本说明书中公开的结构及其结构等同物的计算机硬件中、或者它们中的一个或更多个的组合中实现。此外,本公开的一些实施方式可被实现为一个或更多个计算机程序,即,编码在有形非暂时性程序载体上的计算机程序指令的一个或更多个模块以用于由数据处理设备执行或控制数据处理设备的操作。此外,程序指令可被编码在人为生成的传播信号(例如,机器生成的电、光学或电磁信号)上,该信号被生成以对信息进行编码以传输到合适的接收器设备以便于由数据处理设备执行。计算机存储介质可以是机器可读存储装置、机器可读存储基板、随机或串行存取存储器装置或它们中的一个或更多个的组合。
根据本公开的实施方式,术语“数据处理设备”可涵盖用于处理数据的所有类型的设备、装置和机器,作为示例包括可编程处理器、计算机或者多个处理器或计算机。该设备可包括专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件之外,该设备还可包括为所讨论的计算机程序创建执行环境的代码,例如,构成处理器固件、协议栈、数据库管理系统、操作系统或它们中的一个或更多个的组合的代码。
计算机程序(也可称为或描述为程序、软件、软件应用、模块、软件模块、脚本或代码)可按任何形式的编程语言(包括编译或解释语言或者声明或过程语言)编写,并且其可按任何形式部署,包括作为独立程序或作为模块、组件、子例程或适合在计算环境中使用的其它单元。计算机程序可以(但不需要)对应于文件系统中的文件。程序可被存储在保存其它程序或数据的文件的一部分(例如,存储在标记语言文档中的一个或更多个脚本)中、专用于所讨论的程序的单个文件中、或多个协调文件(例如,存储一个或更多个模块、子程序或代码部分的文件)中。计算机程序可被部署以在位于一个站点或分布于多个站点并通过通信网络互连的一个计算机上或多个计算机上执行。作为示例,适合于执行计算机程序的计算机可基于通用或专用微处理器或二者,或者任何其它类型的中央处理单元。通常,中央处理单元将从只读存储器或随机存取存储器或二者接收指令和数据。计算机的基本元件是用于执行指令的中央处理单元以及用于存储指令和数据的一个或更多个存储器装置。通常,计算机还将包括用于存储数据的一个或更多个大容量存储装置(例如,磁盘、磁光盘或光盘)或在操作上与其联接以从其接收数据或向其传送数据或二者。然而,计算机不需要具有这些装置。此外,计算机可被嵌入在例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏机、全球定位系统(GPS)接收器或便携式存储装置(例如,通用串行总线(USB)闪存驱动器)的另一装置中,仅举几例。
为了提供与用户的交互,本说明书中描述的主题的实施方式可在具有用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)以及用户可通过其向计算机提供输入的键盘和指点装置(例如,鼠标或轨迹球)的计算机上实现。其它类型的装置也可用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的知觉反馈,例如视觉反馈、听觉反馈或触觉反馈;并且来自用户的输入可按包括声音、语音或触觉输入的任何形式接收。另外,计算机可通过向用户所使用的装置发送文档以及从其接收文档来与用户交互;例如,通过响应于从网络浏览器接收的请求向用户的客户端装置上的网络浏览器发送网页。
本说明书中描述的主题的实施方式可在包括后端组件(例如,作为数据服务器)、或包括中间件组件(例如,应用服务器)、或包括前端组件(例如,具有图形用户界面或网络浏览器的客户端计算机,用户可通过其与本说明书中描述的主题的实现方式交互)、或者一个或更多个这种后端、中间件或前端组件的任何组合的计算系统中实现。系统的组件可通过任何数字数据通信形式或介质(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”),例如互联网。
计算系统可包括客户端和服务器。客户端和服务器通常彼此远离并且通常通过通信网络交互。客户端和服务器的关系是由于在各个计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生的。
Claims (21)
1.一种用于在多模态运输网络MTN中将早乘车者ER和晚乘车者LR调度给包括通勤交通工具CV的交通工具的系统,其中,所述LR在所述ER被调度的时间是未知的,该系统包括:
处理器,该处理器连接到接口和存储器,在所述存储器中存储有MTN数据和ER行程请求以及指令,所述指令在由所述处理器执行时使得所述处理器执行动作,所述动作包括:
预测有限场景集合,各个场景包括预测LR FLR行程请求的可能集合;
基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组;
在各个场景中为各个ER和FLR组指派CV;
为各个ER和FLR组迭代地确定指派了所述ER和FLR组的对应CV中的开车时间和到达所述目的地的时间,其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过所述CV的容量,并且存在乘车者从其位置到其目的地所采用的路线;
继续迭代,直至来自各个场景的所述ER和所述FLR的联合时间表使目标函数最小化;以及
用公式表示指派信息并且经由所述接口将所述指派信息发送至所述ER和所指派的CV。
2.根据权利要求1所述的系统,其中,同时为来自各个场景的所述ER组和所述FLR组服务的CV的数量小于交通工具群容量。
3.根据权利要求1所述的系统,其中,根据得自所述MTN数据的完成旅行的过去ER和过去LR来生成所述有限场景集合。
4.根据权利要求1所述的系统,其中,各个场景的所述FLR的数量是由运营商提供的LR的预设数量,并且根据得自所存储的MTN数据的过去LR旅行来获得FLR位置和到达所述目的地的期望的时间窗口。
5.根据权利要求1所述的系统,其中,FLR旅行由过去LR在一天中的作为所述ER依照所接收的ER旅行请求的预期旅行时间的近似时间旅行来实现。
6.根据权利要求1所述的系统,其中,对于所述ER组中的各个ER组包括所述CV的至少一条路线,该路线的开车时间使得满足所述ER组中的各个ER的到达最后期限。
7.根据权利要求1所述的系统,其中,所述乘车者的总旅行时间是乘车者乘坐所述MTN的一个或更多个运输模式所花费的旅行时间量、所述乘车者在所述MTN的中间位置、终点站或车站等待所指派的CV所花费的时间量以及乘坐所述CV旅行以到达所述乘车者目标目的地所花费的时间量之和。
8.根据权利要求1所述的系统,其中,为各个场景生成所述ER组和FLR组以及指派所述CV和调度所述CV出行的迭代处理基于求解不确定问题下的优化。
9.根据权利要求8所述的系统,其中,不确定性问题下的所述优化是多级随机优化问题或鲁棒优化问题中的一个。
10.根据权利要求8所述的系统,其中,所述目标函数是在总乘车者等待时间与CV出行次数之间使用加权因子的度量的预期值。
11.根据权利要求8所述的系统,其中,不确定性问题下的所述优化包括确保ER在所述ER的到达时间窗口内到达其目标目的地并且确保各个所述ER组中的ER的数量小于所述CV中的最大容量座位数的约束,路线搜索程序和运营路线图程序提供所述CV的相应旅行时间,其中,所述约束确保同时运营的CV的数量小于所述MTN的交通工具群中的可用CV的总数。
12.根据权利要求1所述的系统,其中,所述FLR的各个场景表示将用于确保所述ER的调度提供在稍后时间调度所述LR的能力的一定量的预期LR的可能具体化。
13.根据权利要求1所述的系统,其中,所述LR在比所述MTN接收所述ER行程请求的时间晚的时间提供行程请求,使得各个LR和ER行程请求包括始发地位置、目的地和到达所述目的地的期望的时间窗口。
14.根据权利要求1所述的系统,其中,CV出行包括所述CV从位置开始到目的地、CV从所述目的地开始到所述位置中的一者或二者。
15.根据权利要求1所述的系统,其中,用于为各个场景生成所述ER组和所述FLR组的所述期望时间在到达所述目的地的时间的时间窗口内。
16.根据权利要求1所述的系统,其中,所述指派信息包括指派给所述ER组的CV、指派给所述CV的路线、位置和所指派的CV从所述位置的开车时间。
17.一种用于将早乘车者ER和晚乘车者LR调度给与运输系统TS关联的通勤交通工具CV的方法,其中,所述LR在所述ER被调度的时间是未知的,该方法包括以下步骤:
经由接口接收ER行程请求;
由连接到所述接口和存储器的处理器执行存储在所述存储器中的指令,以使得所述处理器执行动作,所述动作包括:
预测有限场景集合,各个场景包括预测LR FLR行程请求的可能集合,其中,根据得自存储在所述存储器中的TS数据的完成旅行的过去ER和过去LR来生成所述有限场景集合;
基于到达目的地的期望时间为各个场景迭代地生成ER组和FLR组,使得同时为所述ER组和所述LR组服务的CV的数量小于交通工具群容量;
在所述有限场景集合中的各个场景中为各个ER和FLR组指派CV;
为各个ER和FLR组迭代地确定指派了所述ER和FLR组的对应CV中的开车时间和到达所述目的地的时间,其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过所指派的CV的容量,并且存在乘车者从其位置到其目的地所采用的路线;
继续所述迭代,直至来自各个场景的所述ER和所述FLR的联合时间表使作为总乘车者等待时间与CV出行次数之间的组合的度量的目标函数最小化;以及
用公式表示指派信息并且经由所述接口将所述指派信息发送至所述ER和所指派的CV。
18.一种用于将早乘车者ER和晚乘车者LR调度给与运输系统TS关联的通勤交通工具CV的系统,其中,所述LR在所述ER被调度之后的时间是未知的,该系统包括:
存储器,该存储器包括存储的TS数据和指令;
接口,该接口接收ER行程请求;
至少一个处理器,所述至少一个处理器连接到所述接口和所述存储器,使得所存储的指令在由所述至少一个处理器执行时使所述至少一个处理器执行动作,所述动作包括:
预测有限场景集合,各个场景包括预测LR FLR行程请求的可能集合;
基于到达目的地的期望时间来为各个场景迭代地生成ER组和FLR组,使得同时为所述ER组和所述LR组服务的CV的数量小于交通工具群容量;
在所述有限场景集合中的各个场景中为各个ER和FLR组指派CV;
为各个ER和FLR组迭代地确定指派了所述ER和FLR组的对应指派的CV中的开车时间和到达所述目的地的时间,其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过所指派的CV的容量,并且存在乘车者从其位置到其目的地所采用的路线,
其中,继续所述迭代,直至来自各个场景的所述ER和所述FLR的联合时间表使作为总乘车者等待时间与CV出行次数之间的组合的度量的目标函数最小化;以及
用公式表示指派信息并且经由所述接口将所述指派信息发送至所述ER和所指派的CV。
19.根据权利要求18所述的系统,其中,根据得自所述TS数据的完成旅行的过去ER和过去LR来生成所述有限场景集合。
20.根据权利要求18所述的系统,其中,所述CV与私人多模态运输网络MTN、私人乘客多运输系统、机场乘客运输系统、至少一个公司的乘客运输系统或乘客共享运输系统中的一个关联或者与其一部分关联。
21.一种用于在多模态运输网络MTN中将早乘车者ER和晚乘车者LR调度给交通工具的系统,其中,所述LR在所述ER被调度的时间是未知的,该系统包括:
至少一个处理器,所述至少一个处理器连接到接口和存储器,在所述存储器中存储有MTN数据和指令,所述指令在由所述至少一个处理器执行时使得所述至少一个处理器执行动作,所述动作包括:
预测有限场景集合,各个场景包括预测LR FLR行程请求的可能集合,其中,根据得自所述MTN数据的完成旅行的过去ER和过去LR来生成所述有限场景集合;
经由所述接口来接收ER行程请求;
基于到达目标目的地的期望时间来迭代地生成来自所述ER行程请求的ER组和各个场景的FLR组,并且在各个场景中为各个ER和FLR组指派通勤交通工具CV,其中,同时为所述ER组和所述LR组服务的所述CV的数量小于交通工具群容量;
为各个ER和FLR组迭代地确定指派了所述ER和FLR组的对应CV中的开车时间和到达所述目标目的地的时间,其中,在任何给定时间乘坐CV旅行的所有组的乘车者的总数不超过所述CV的容量,并且存在乘车者从其中转站到其目标目的地所采用的路线;
继续所述迭代,直至来自各个场景的所述ER和所述FLR的联合时间表使作为总乘车者等待时间与CV出行次数之间的组合的度量的期望最小化;
用公式表示指派信息并且经由所述接口将所述指派信息发送至所述ER和所指派的CV;
经由所述接口接收LR行程请求;
基于到达所述目标目的地的期望时间来根据所述LR行程请求迭代地生成LR组;
为各个LR组指派通勤交通工具CV;
为各个LR组迭代地确定包括对应CV中的开车时间和到达所述目标目的地的时间的时间周期,前提是所述LR组的所述CV在该时间周期内不被任何ER组使用并且所述CV中存在运输所述LR组中的所有乘车者的乘车者容量,或者ER组同时使用所述CV并且所述CV中存在运输所述ER组和所述LR组中的所有乘车者的乘车者容量;
继续所述迭代,直至以所述ER的所确定的时间表为条件的所述LR的联合时间表使作为总LR等待时间与CV出行次数之间的组合的度量的目标函数最小化;以及
用公式表示指派信息并且经由所述接口将所述指派信息发送至所述LR和所指派的CV。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/284,229 | 2019-02-25 | ||
US16/284,229 US11085781B2 (en) | 2019-02-25 | 2019-02-25 | System and method for scheduling multiple modes of transport with incomplete information |
PCT/JP2019/040355 WO2020174739A1 (en) | 2019-02-25 | 2019-10-08 | System and method for scheduling of early rider and late rider |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113474797A true CN113474797A (zh) | 2021-10-01 |
Family
ID=68470601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980092761.5A Pending CN113474797A (zh) | 2019-02-25 | 2019-10-08 | 用于早乘车者和晚乘车者的调度的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11085781B2 (zh) |
EP (1) | EP3740915A1 (zh) |
JP (1) | JP7275295B2 (zh) |
CN (1) | CN113474797A (zh) |
WO (1) | WO2020174739A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10395333B2 (en) * | 2016-06-07 | 2019-08-27 | Uber Technologies, Inc. | Hierarchical selection process |
JP6969507B2 (ja) * | 2018-06-21 | 2021-11-24 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法及びプログラム |
US11164335B2 (en) * | 2018-11-06 | 2021-11-02 | International Business Machines Corporation | Passenger travel route inferencing in a subway system |
EP3683742A1 (en) | 2019-01-18 | 2020-07-22 | Naver Corporation | Method for computing at least one itinerary from a departure location to an arrival location |
US11441912B2 (en) | 2019-02-27 | 2022-09-13 | Gm Cruise Holdings Llc | Systems and methods for multi-modality autonomous vehicle transport |
JP7137151B2 (ja) * | 2019-03-20 | 2022-09-14 | トヨタ自動車株式会社 | 運行制御装置及び車両 |
EP3745331A1 (en) * | 2019-05-29 | 2020-12-02 | Naver Corporation | Methods for preprocessing a set of non-scheduled lines within a multimodal transportation network of predetermined stations and for computing at least one itinerary from a departure location to an arrival location |
US20200402003A1 (en) * | 2019-06-21 | 2020-12-24 | Gm Cruise Holdings Llc | Peer-to-peer autonomous vehicle delivery |
US11263595B2 (en) * | 2019-07-09 | 2022-03-01 | Microsoft Technology Licensing, Llc | Electronic scheduling assistant utilizing categories of participants |
US20220164715A1 (en) * | 2020-11-20 | 2022-05-26 | Scheidt & Bachmann USA, Inc. | Open loop transit system with a backend system |
CN113536692B (zh) * | 2021-08-03 | 2023-10-03 | 东北大学 | 一种不确定环境下的高铁列车智能调度方法及系统 |
CN115358685A (zh) * | 2022-10-24 | 2022-11-18 | 齐鲁云商数字科技股份有限公司 | 一种矿山运输管理系统及管理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040006498A1 (en) * | 2002-07-08 | 2004-01-08 | Honda Giken Kogyo Kabushiki Kaisha | Administration apparatus for reservation of shared vehicle |
US20050070320A1 (en) * | 2003-09-26 | 2005-03-31 | Dent Paul W. | Method and apparatus to reduce dispatch delays in dispatch communication networks |
WO2013072729A1 (en) * | 2011-11-14 | 2013-05-23 | Way Better Ltd | System and method for ride sharing |
CN106097031A (zh) * | 2015-04-29 | 2016-11-09 | 福特全球技术公司 | 共乘联合租赁群 |
CN107380093A (zh) * | 2016-04-29 | 2017-11-24 | 通用汽车环球科技运作有限责任公司 | 用于基于自主车辆的运输系统的乘客的个人安全和隐私特征 |
CN107545319A (zh) * | 2016-06-28 | 2018-01-05 | 滴滴(中国)科技有限公司 | 一种运力调配方法及装置 |
US20180209804A1 (en) * | 2017-01-25 | 2018-07-26 | Via Transportation, Inc. | Purposefully selecting longer routes to improve user satisfaction |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4403838B2 (ja) * | 2004-03-12 | 2010-01-27 | オムロン株式会社 | 車両運行管理システム、車両運行管理方法、および車両運行管理装置 |
JP2006172145A (ja) * | 2004-12-16 | 2006-06-29 | Hitachi Ltd | 予約処理システム及びその方法 |
US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
US20100305984A1 (en) * | 2009-06-01 | 2010-12-02 | Scopia, LLC | Intermodal trip planner |
US20110004496A1 (en) * | 2009-07-06 | 2011-01-06 | Mitel Networks Corporation | System and method for arranging a meeting time for a commuter with a transit system |
US10430736B2 (en) * | 2012-05-25 | 2019-10-01 | Conduent Business Services, Llc | System and method for estimating a dynamic origin-destination matrix |
US20150091507A1 (en) * | 2013-09-30 | 2015-04-02 | Elwha Llc | Dwelling related information center associated with communication and control system and method for wireless electric vehicle electrical energy transfer |
US9043151B2 (en) * | 2013-10-03 | 2015-05-26 | Sap Se | Large scale demand responsive transit framework |
US20150317568A1 (en) * | 2014-04-30 | 2015-11-05 | Xerox Corporation | System and method for flexible carpooling in a work context |
GB2550309A (en) * | 2015-01-27 | 2017-11-15 | Beijing Didi Infinity Tech And Dev Co Ltd | Information providing method and system for on-demand service |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
US11138524B2 (en) * | 2016-03-11 | 2021-10-05 | Uber Technologies, Inc. | Cascaded boosted predictive models |
US20170330112A1 (en) * | 2016-05-11 | 2017-11-16 | Conduent Business Services, Llc | Travel demand inference for public transportation simulation |
US11562300B2 (en) * | 2016-06-10 | 2023-01-24 | Conduent Business Services, Llc | System and method for optimal automated booking of on-demand transportation in multi-modal journeys |
EP3482383A4 (en) * | 2016-07-07 | 2020-04-29 | Zunum Aero, Inc. | SYSTEMS AND METHODS FOR IMPLEMENTING A MULTIMODAL TRANSPORT |
US20180038706A1 (en) * | 2016-08-05 | 2018-02-08 | Civic Resource Group International, Inc. | Modal Transit Schema Based on Available Time, Transit Type, Selected Interests and Environmental Factors |
US10957001B2 (en) * | 2016-12-14 | 2021-03-23 | Conduent Business Services, Llc | Method and system for real time management of transportation services |
US11619951B2 (en) * | 2017-01-23 | 2023-04-04 | Massachusetts Institute Of Technology | On-demand high-capacity ride-sharing via dynamic trip-vehicle assignment with future requests |
WO2019023324A1 (en) * | 2017-07-26 | 2019-01-31 | Via Transportation, Inc. | SYSTEMS AND METHODS FOR MANAGING AND ROUTING COOPERATING VEHICLES |
JP6341352B1 (ja) * | 2017-11-29 | 2018-06-13 | 三菱電機株式会社 | デマンド交通運用システム |
US20190205813A1 (en) * | 2017-12-29 | 2019-07-04 | ANI Technologies Private Limited | Method and system for transportation service routing |
-
2019
- 2019-02-25 US US16/284,229 patent/US11085781B2/en active Active
- 2019-10-08 EP EP19798759.7A patent/EP3740915A1/en active Pending
- 2019-10-08 JP JP2021551106A patent/JP7275295B2/ja active Active
- 2019-10-08 CN CN201980092761.5A patent/CN113474797A/zh active Pending
- 2019-10-08 WO PCT/JP2019/040355 patent/WO2020174739A1/en unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040006498A1 (en) * | 2002-07-08 | 2004-01-08 | Honda Giken Kogyo Kabushiki Kaisha | Administration apparatus for reservation of shared vehicle |
US20050070320A1 (en) * | 2003-09-26 | 2005-03-31 | Dent Paul W. | Method and apparatus to reduce dispatch delays in dispatch communication networks |
WO2013072729A1 (en) * | 2011-11-14 | 2013-05-23 | Way Better Ltd | System and method for ride sharing |
CN106097031A (zh) * | 2015-04-29 | 2016-11-09 | 福特全球技术公司 | 共乘联合租赁群 |
CN107380093A (zh) * | 2016-04-29 | 2017-11-24 | 通用汽车环球科技运作有限责任公司 | 用于基于自主车辆的运输系统的乘客的个人安全和隐私特征 |
CN107545319A (zh) * | 2016-06-28 | 2018-01-05 | 滴滴(中国)科技有限公司 | 一种运力调配方法及装置 |
US20180209804A1 (en) * | 2017-01-25 | 2018-07-26 | Via Transportation, Inc. | Purposefully selecting longer routes to improve user satisfaction |
Non-Patent Citations (2)
Title |
---|
ARVIND U. RAGHUNATHAN 等: "The Integrated Last-Mile Transportation Problem (ILMTP)", TWENTY-EIGHTH INTERNATIONAL CONFERENCE ON AUTOMATED PLANNING AND SCHEDULING (ICAPS 2018), vol. 28, pages 388 - 397 * |
HAI WANG 等: "Routing and Scheduling for a Last-Mile Transportation System", TRANSPORTATION SCIENCE, pages 1 - 17 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020174739A1 (en) | 2020-09-03 |
US11085781B2 (en) | 2021-08-10 |
US20200272954A1 (en) | 2020-08-27 |
JP7275295B2 (ja) | 2023-05-17 |
JP2022513414A (ja) | 2022-02-07 |
EP3740915A1 (en) | 2020-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7275295B2 (ja) | アーリーライダー及びレイトライダーをスケジューリングするシステム及び方法 | |
US11416795B2 (en) | Systems and methods for vehicle resource management | |
JP7166222B2 (ja) | 乗客に通勤用車両を割り当てるシステム | |
US20180060778A1 (en) | Driver location prediction for a transportation service | |
CN105094767B (zh) | 自动驾驶车辆调度方法、车辆调度服务器及自动驾驶车辆 | |
JP6931446B2 (ja) | プログラム、情報処理方法及び情報処理装置 | |
US20190114595A1 (en) | Systems and Methods for Joint Control of Multi-Modal Transportation Networks | |
JP6956810B2 (ja) | シャトルサービスを管理する方法 | |
US11127100B2 (en) | Systems and methods for real-time scheduling in a transportation system based upon a user criteria | |
CA3053089A1 (en) | Dynamic selection of geo-based service options in a network system | |
JP2020166760A (ja) | スケジュール管理システム、移動体、プログラム及び方法 | |
JP2019511765A (ja) | 多数の対象の対象固有の場所間の輸送方法 | |
Wang et al. | Optimization algorithm design for the taxi-sharing problem and application | |
Tamam et al. | An IoT-based eco-parking system for smart cities | |
KR20210106445A (ko) | 운송 관련 서비스에 대한 요청을 관리하기 위한 통신 서버 장치, 방법, 및 통신 시스템 | |
US20230130643A1 (en) | System and Method for End-to-End Train Trip Management | |
US11953329B2 (en) | Planning system for multimodal travel | |
Habib et al. | Dynamic Shared Autonomous Vehicle Fleet Operations with Consideration of Fairness | |
Lindner et al. | The Optimal Size of a Heterogeneous Air Taxi Fleet in Advanced Air Mobility: A Traffic Demand and Flight Scheduling Approach | |
Yang et al. | Ride-sharing with Advanced Air Mobility |
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 |