CN113689185A - 基于城市公交历史客流分析的模拟仿真排班方法 - Google Patents
基于城市公交历史客流分析的模拟仿真排班方法 Download PDFInfo
- Publication number
- CN113689185A CN113689185A CN202110939456.4A CN202110939456A CN113689185A CN 113689185 A CN113689185 A CN 113689185A CN 202110939456 A CN202110939456 A CN 202110939456A CN 113689185 A CN113689185 A CN 113689185A
- Authority
- CN
- China
- Prior art keywords
- peak
- time
- operating vehicles
- period
- calculating
- 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
- 238000005206 flow analysis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 title claims abstract description 42
- 230000007306 turnover Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
- G06Q10/1097—Task assignment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种基于城市公交历史客流分析的模拟仿真排班方法、介质及设备,其中方法包括:获取公交线路对应的历史运营数据,其中,所述历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;根据所述历史运营数据计算公交线路对应的运营参数,并根据所述运营参数生成参数模板,以及根据所述参数模板生成多种类型的方案;获取用户对应多种类型方案的选择指令,并根据所述选择指令生成相应的公交车辆排班方案;能够根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
Description
技术领域
本发明涉及公交车管理技术领域,特别涉及一种基于城市公交历史客流分析的模拟仿真排班方法、一种计算机可读存储介质和一种计算机设备。
背景技术
为了提高城市公交的服务水平,在公交的运营过程中,往往需要对公交车辆的排班方式进行调整,以提高城市公交的服务水平。
相关技术中,在对公交车辆的排班方式进行调整的过程中。多采用人工调整的方式,即言,通过人工根据经验选择排班方案;并对公交车辆的实时运行状态进行监控,以及根据监控所得结果进行实时的调整。然而,这种方式基于人工的经验,具有很强的不确定性;并且,这是基于监控结果进行的调整,往往使得调整行为不够及时,进而影响人们对于公交车辆的服务满意度。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于城市公交历史客流分析的模拟仿真排班方法,能够根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
为达到上述目的,本发明第一方面实施例提出了一种基于城市公交历史客流分析的模拟仿真排班方法,包括以下步骤:获取公交线路对应的历史运营数据,其中,所述历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;根据所述历史运营数据计算公交线路对应的运营参数,并根据所述运营参数生成参数模板,以及根据所述参数模板生成多种类型的方案;获取用户对应多种类型方案的选择指令,并根据所述选择指令生成相应的公交车辆排班方案。
根据本发明实施例的基于城市公交历史客流分析的模拟仿真排班方法,首先,获取公交线路对应的历史运营数据,其中,所述历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;接着,根据所述历史运营数据计算公交线路对应的运营参数,并根据所述运营参数生成参数模板,以及根据所述参数模板生成多种类型的方案;然后,获取用户对应多种类型方案的选择指令,并根据所述选择指令生成相应的公交车辆排班方案;从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
另外,根据本发明上述实施例提出的基于城市公交历史客流分析的模拟仿真排班方法还可以具有如下附加的技术特征:
可选地,所述运营参数包括高峰时段的最大营运车辆数和最小营运车辆数、平峰时段的最大营运车辆数和最小营运车辆数、高峰时段周转时间和低峰时段周转时间、高峰时段发车间隔和低峰时段发车间隔,根据所述历史运营数据计算公交线路对应的运营参数,包括:根据所述历史运营数据计算公交线路中每个站点对应每个时间段的登降量,并根据登量统计每个时段的客流总数,以及根据每个时段的客流总数确定高峰时段和平峰时段;获取高峰时段对应的预设满载率区间和平峰时段对应的预设满载率区间,并根据高峰时段对应的预设满载率区间、核载人数和最大断面客流计算高峰时段的最大营运车辆数和最小营运车辆数,以及根据平峰时段对应的预设满载率区间、核载人数和最大断面客流计算平峰时段的最大营运车辆数和最小营运车辆数;根据所述路单数据分别计算高峰时段周转时间和低峰时段周转时间,并根据所述高峰时段周转时间和低峰时段周转时间计算高峰时段发车间隔和低峰时段发车间隔。
可选地,根据所述路单数据分别计算高峰时段周转时间和低峰时段周转时间,包括:对所述路单数据进行筛选,以去除所述路单数据中休息时间大于预设阈值的数据,并根据筛选后的路单数据分别计算高峰时段和低峰时段所有运行班次对应的上行运行时长均值、下行运行时长均值和休息时长均值,以及根据高峰时段和低峰时段的上行运行时长均值、下行运行时长均值和休息时长均值计算高峰时段周转时间和低峰时段周转时间。
可选地,所述多种类型方案包括服务优先方案、成本优先方案和综合服务与成本方案。
可选地,如果所述多种类型方案的选择指令为选择服务优先方案,则根据所述选择指令生成相应的公交车辆排班方案,包括:根据所述高峰时段周转时间和高峰时段发车间隔计算第一高峰时段营运车辆数,并根据所述平峰时段周转时间和平峰时段发车间隔计算第一平峰时段营运车辆数,以及根据计算结果生成公交车辆排班方案。
可选地,如果所述多种类型方案的选择指令为成本优先方案,则根据所述选择指令生成相应的公交车辆排班方案,包括:获取高峰时段的最大营运车辆数和最小营运车辆数和平峰时段的最大营运车辆数和最小营运车辆数,并根据高峰时段的最大营运车辆数和最小营运车辆数计算最第二高峰时段运营车辆数,以及根据平峰时段的最大营运车辆数和最小营运车辆数计算第二平峰时段运营车辆数;根据所述第二高峰时段运营车辆数和高峰时段周转时间计算相应的高峰发班间隔,并根据所述第二平峰时段运营车辆数和平峰时段周转时间计算相应的平峰发班间隔,以及根据计算结果生成公交车辆排班方案。
可选地,如果所述多种类型方案的选择指令为综合服务与成本方案,则根据所述选择指令生成相应的公交车辆排班方案,包括:计算所述第一高峰时段运营车辆数与所述第二高峰时段运营车辆数的第一均值,并将所述第一均值作为第三高峰时段运营车辆数;计算所述第一平峰时段运营车辆数与所述第二平峰时段运营车辆数的第二均值,并将所述第二均值作为第三平峰时段运营车辆数;根据计算结果生成公交车辆排班方案。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有基于城市公交历史客流分析的模拟仿真排班程序,该基于城市公交历史客流分析的模拟仿真排班程序被处理器执行时实现如上述的基于城市公交历史客流分析的模拟仿真排班方法。
根据本发明实施例的计算机可读存储介质,通过存储基于城市公交历史客流分析的模拟仿真排班程序,以使得处理器在执行该基于城市公交历史客流分析的模拟仿真排班程序时,实现如上述的基于城市公交历史客流分析的模拟仿真排班方法,从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述的基于城市公交历史客流分析的模拟仿真排班方法。
根据本发明实施例的计算机设备,通过存储器对存储基于城市公交历史客流分析的模拟仿真排班程序进行存储,以使得处理器在执行该基于城市公交历史客流分析的模拟仿真排班程序时,实现如上述的基于城市公交历史客流分析的模拟仿真排班方法,从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
附图说明
图1为根据本发明实施例的基于城市公交历史客流分析的模拟仿真排班方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
相关技术中,在对公交车辆的排班方式进行调整的过程中。多采用人工调整的方式,这种方式基于人工的经验,具有很强的不确定性;并且,这是基于监控结果进行的调整,往往使得调整行为不够及时,进而影响人们对于公交车辆的服务满意度;根据本发明实施例的基于城市公交历史客流分析的模拟仿真排班方法,首先,获取公交线路对应的历史运营数据,其中,所述历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;接着,根据所述历史运营数据计算公交线路对应的运营参数,并根据所述运营参数生成参数模板,以及根据所述参数模板生成多种类型的方案;然后,获取用户对应多种类型方案的选择指令,并根据所述选择指令生成相应的公交车辆排班方案;从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于城市公交历史客流分析的模拟仿真排班方法的流程示意图,如图1所示,该基于城市公交历史客流分析的模拟仿真排班方法包括以下步骤:
S101,获取公交线路对应的历史运营数据,其中,历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据。
S102,根据历史运营数据计算公交线路对应的运营参数,并根据运营参数生成参数模板,以及根据参数模板生成多种类型的方案。
也就是说,获取公交线路在运营过程中所产生的运营数据,该运营数据对应线路;其中,历史运营数据包括线路中所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;急着,根据历史运营数据计算该公交线路所对应的运营参数,以根据运营参数生成参数模板。
其中,根据历史运营数据计算公交线路对应的运营参数的方式可以有多种。
作为一种示例,运营参数包括高峰时段的最大营运车辆数和最小营运车辆数、平峰时段的最大营运车辆数和最小营运车辆数、高峰时段周转时间和低峰时段周转时间、高峰时段发车间隔和低峰时段发车间隔,根据历史运营数据计算公交线路对应的运营参数,包括:根据历史运营数据计算公交线路中每个站点对应每个时间段的登降量,并根据登量统计每个时段的客流总数,以及根据每个时段的客流总数确定高峰时段和平峰时段;获取高峰时段对应的预设满载率区间和平峰时段对应的预设满载率区间,并根据高峰时段对应的预设满载率区间、核载人数和最大断面客流计算高峰时段的最大营运车辆数和最小营运车辆数,以及根据平峰时段对应的预设满载率区间、核载人数和最大断面客流计算平峰时段的最大营运车辆数和最小营运车辆数;根据路单数据分别计算高峰时段周转时间和低峰时段周转时间,并根据高峰时段周转时间和低峰时段周转时间计算高峰时段发车间隔和低峰时段发车间隔。
作为另一种示例,首先,根据历史运营数据匹配计算每条线路在沿途站点每个时段的登降量;接着,按照登降量中的登量每个小时统计每个时段的客流总数。然后,根据客流总数来确定高峰时段和平峰时段。具体地,首先,预设凌晨四点到中午十二点为早高峰区间,中午十二点到停运时间为晚高峰区间;接着,根据每个时段对应的客流总数,获取其早高峰区间中客流总数最大的时段(例如,早上的七点至八点),并将该时段作为早高峰时段;获取晚高峰区间中客流总数最大的时段,并将该时段作为晚高峰时段。可以理解,如果获取到的历史运营数据是一个时间段内的数据(例如,在当前时间之前15天内的历史数据),则首先可以根据如上述的方式来获取每一天所对应的早高峰时段和晚高峰时段;接着,统计每个时段被认定为早高峰时段或者晚高峰时段的次数,并根据统计结果确定最终早高峰时段和晚高峰时段(例如,在15天中,七点至八点被确认为早高峰时段的次数为10次,八点至九点被确认为早高峰时段的次数为5次,则最终早高峰时段为七点至八点);而平峰时段则为除高峰时段之外的客流总数最大的时段,其确定方式与上述方式相同。接着,获取预设的满载率区间(例如,高峰时段70%~80%,平峰时段50%~70%);则根据高峰时段和平峰时段所对应的满载率区间和每辆公交车辆的核载人数可以计算得到高峰时段对应的最大营运车辆数和最小营运车辆数;然后,根据路单数据能够分别计算得到高峰时段周转时间和低峰时段周转时间;进而,根据高峰时段周转时间和低峰时段周转时间能够计算得到高峰时段对应的发车间隔和低峰时段发车间隔。
在一些实施例中,根据路单数据分别计算高峰时段周转时间和低峰时段周转时间包括:对路单数据进行筛选,以去除路单数据中休息时间大于预设阈值的数据,并根据筛选后的路单数据分别计算高峰时段和低峰时段所有运行班次对应的上行运行时长均值、下行运行时长均值和休息时长均值,以及根据高峰时段和低峰时段的上行运行时长均值、下行运行时长均值和休息时长均值计算高峰时段周转时间和低峰时段周转时间。
作为一种示例,首先,对路单数据进行筛选,以去除路单数据中休息时间大于预设阈值的数据,以避免过长的休息时间影响最终计算准确率(例如,删除休息时长大于20分钟的数据);接着,根据路单数据中近一周所有运行班次的上行运行时长计算对应的上行运行时长均值,同理,计算下行运行时长均值和休息时长均值;接着,根据上行时长均值、下行时长均值和休息时长均值计算对应的高峰时段周转时间和低峰时段周转时间。
可以理解,在得到运营参数之后,可以根据运营参数生成多种参数模板,例如,工作日模板、非工作日模板和特殊天气模板;具体地,在特殊天气模板中,客流数据与工作日客流一致时,周转时长在工作日的周转时长的基础上增长预设幅值(例如,20%);接着,根据计算得到的周转时长重新计算营运车辆数和发车间隔。
S103,获取用户对应多种类型方案的选择指令,并根据选择指令生成相应的公交车辆排班方案。
在一些实施例中,多种类型方案包括服务优先方案、成本优先方案和综合服务与成本方案。
在一些实施例中,,如果多种类型方案的选择指令为选择服务优先方案,则根据选择指令生成相应的公交车辆排班方案,包括:
根据高峰时段周转时间和高峰时段发车间隔计算第一高峰时段营运车辆数,并根据平峰时段周转时间和平峰时段发车间隔计算第一平峰时段营运车辆数,以及根据计算结果生成公交车辆排班方案。
在一些实施例中,如果多种类型方案的选择指令为成本优先方案,则根据选择指令生成相应的公交车辆排班方案,包括:
获取高峰时段的最大营运车辆数和最小营运车辆数和平峰时段的最大营运车辆数和最小营运车辆数,并根据高峰时段的最大营运车辆数和最小营运车辆数计算最第二高峰时段运营车辆数,以及根据平峰时段的最大营运车辆数和最小营运车辆数计算第二平峰时段运营车辆数;
根据第二高峰时段运营车辆数和高峰时段周转时间计算相应的高峰发班间隔,并根据第二平峰时段运营车辆数和平峰时段周转时间计算相应的平峰发班间隔,以及根据计算结果生成公交车辆排班方案。
在一些实施例中,如果多种类型方案的选择指令为综合服务与成本方案,则根据选择指令生成相应的公交车辆排班方案,包括:
计算第一高峰时段运营车辆数与第二高峰时段运营车辆数的第一均值,并将第一均值作为第三高峰时段运营车辆数;
计算第一平峰时段运营车辆数与第二平峰时段运营车辆数的第二均值,并将第二均值作为第三平峰时段运营车辆数;
根据计算结果生成公交车辆排班方案。
作为一种示例,如表1所示,服务优先方案需要优先满足发班间隔和满载率区间,满足发班间隔和满载率区间后,再进行配车数计算,如果配车数大于线路绑定车辆数,则需要增加车辆;在服务优先方案中,使用客流模板中计算出的发班间隔和满载率区间,通过周转时间和发班间隔计算配车数,配车数=周转时间/发班间隔;高峰间隔为区间(不区分上下行),读取的是线路客流预测中,高峰发班间隔的区间,取的是上下行高峰发班的最小值和最大值,如高峰上行时段发班间隔5-7分钟,高峰下行时段发班间隔6-9分钟,则高峰间隔区间为5-9分钟;平峰同理;满载率区间读取的是高峰和平峰的区间值,固定为50%-80%;高峰配车数=高峰周转时间/发班间隔,如高峰周转时间是110-120,则高峰周转取中间值115,发班间隔为6-9,则发班间隔取中间值7.5;平峰配车数同理。
表1
作为另一种示例,如表2所示,成本优先方案需要优先满足配车数,根据周转时间和配车数计算发班间隔及满载率情况,如果发生大间隔情况需要进行手工调整;在成本优先方案中,使用客流模板中计算出来的高平峰配车数(配车数不区分上下行),需要先确定高峰时段配车数的最大最小值,如高峰配车数是10-12,9-13,则高峰配车数为9-13,取中间值为高峰配车数,为12;平峰配车数同理;高峰发班间隔=高峰周转时间/配车数;高峰周转时间读取上下行高峰周转时间的最小值和最大值,用最大值和最小值分别除以配车数,得出高峰发班间隔;平峰发班间隔同理;满载率需要进行计算(不考虑上下行),满载率为区间,取的是全天满载率的最大最小值;满载率=运量(最大断面客流)/运力(配车数*核载人数);最大断面客流已知(客流模板)。
表2
可以理解,如果多种类型方案包括服务优先方案、成本优先方案和综合服务与成本方案,则当方案为服务优先方案时,则首先满足发车间隔和满载率区间;在满足发车间隔和满载率区间的基础上进行配车数量的计算。而如果方案为成本优先方案,则需要优先满足配车数量。而如果方案为综合服务与成本方案,则需要综合考虑发班间隔、满载率和配车数,将服务优先方案所需的配策数量与成本优先方案的配策数量的均值作为该方案的配车数量。
作为一种示例,点击方案1/方案2/方案3,对应的运力运量分析、班次周转时间及发班间隔需要进行切换;
点击方案1时,班次周转时间和发班间隔图表不变,调整运力运量分析图:需要根据参数设置中的高平峰时段确定班次数,如果是高峰时段则读取高峰时段的配车数,如果06:30-08:30是早高峰时间,则6-8点都按高峰时段读取配车数;运量=平均运量*方案1配车数;运力=核载人数(固定为60)*方案1配车数;
点击方案2时,班次周转时间不变,间隔随机读取参数设置中的高平峰发班间隔,如高峰发班间隔是15-20,则随机在15-20中进行取数;运力运量分析图:运量为平均运量*方案2配车数;运力=核载人数(固定为60)*方案2配车数;
点击方案3时,班次周转时间不变,发车间隔随机读取参数设置中的高平峰发班间隔;运力运量分析图:运量为平均运量*方案3配车数;运力=核载人数(固定为60)*方案3配车数。
综上所述,根据本发明实施例的基于城市公交历史客流分析的模拟仿真排班方法,首先,获取公交线路对应的历史运营数据,其中,所述历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;接着,根据所述历史运营数据计算公交线路对应的运营参数,并根据所述运营参数生成参数模板,以及根据所述参数模板生成多种类型的方案;然后,获取用户对应多种类型方案的选择指令,并根据所述选择指令生成相应的公交车辆排班方案;从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
为了实现上述实施例,本发明实施例提出了一种计算机可读存储介质,其上存储有基于城市公交历史客流分析的模拟仿真排班程序,该基于城市公交历史客流分析的模拟仿真排班程序被处理器执行时实现如上述的基于城市公交历史客流分析的模拟仿真排班方法。
根据本发明实施例的计算机可读存储介质,通过存储基于城市公交历史客流分析的模拟仿真排班程序,以使得处理器在执行该基于城市公交历史客流分析的模拟仿真排班程序时,实现如上述的基于城市公交历史客流分析的模拟仿真排班方法,从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
为了实现上述实施例,本发明实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述的基于城市公交历史客流分析的模拟仿真排班方法。
根据本发明实施例的计算机设备,通过存储器对存储基于城市公交历史客流分析的模拟仿真排班程序进行存储,以使得处理器在执行该基于城市公交历史客流分析的模拟仿真排班程序时,实现如上述的基于城市公交历史客流分析的模拟仿真排班方法,从而实现根据历史数据进行公交车辆排班方案的自动生成,提高排班效率和准确度;进而提高人们对于公交车辆的服务满意度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,包括以下步骤:
获取公交线路对应的历史运营数据,其中,所述历史运营数据包括所有车辆的路单数据、到离站数据、线路站点数据和刷卡数据;
根据所述历史运营数据计算公交线路对应的运营参数,并根据所述运营参数生成参数模板,以及根据所述参数模板生成多种类型的方案;
获取用户对应多种类型方案的选择指令,并根据所述选择指令生成相应的公交车辆排班方案。
2.如权利要求1所述的基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,所述运营参数包括高峰时段的最大营运车辆数和最小营运车辆数、平峰时段的最大营运车辆数和最小营运车辆数、高峰时段周转时间和低峰时段周转时间、高峰时段发车间隔和低峰时段发车间隔,根据所述历史运营数据计算公交线路对应的运营参数,包括:
根据所述历史运营数据计算公交线路中每个站点对应每个时间段的登降量,并根据登量统计每个时段的客流总数,以及根据每个时段的客流总数确定高峰时段和平峰时段;
获取高峰时段对应的预设满载率区间和平峰时段对应的预设满载率区间,并根据高峰时段对应的预设满载率区间、核载人数和最大断面客流计算高峰时段的最大营运车辆数和最小营运车辆数,以及根据平峰时段对应的预设满载率区间、核载人数和最大断面客流计算平峰时段的最大营运车辆数和最小营运车辆数;
根据所述路单数据分别计算高峰时段周转时间和低峰时段周转时间,并根据所述高峰时段周转时间和低峰时段周转时间计算高峰时段发车间隔和低峰时段发车间隔。
3.如权利要求2所述的基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,根据所述路单数据分别计算高峰时段周转时间和低峰时段周转时间,包括:
对所述路单数据进行筛选,以去除所述路单数据中休息时间大于预设阈值的数据,并根据筛选后的路单数据分别计算高峰时段和低峰时段所有运行班次对应的上行运行时长均值、下行运行时长均值和休息时长均值,以及根据高峰时段和低峰时段的上行运行时长均值、下行运行时长均值和休息时长均值计算高峰时段周转时间和低峰时段周转时间。
4.如权利要求2所述的基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,所述多种类型方案包括服务优先方案、成本优先方案和综合服务与成本方案。
5.如权利要求4所述的基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,如果所述多种类型方案的选择指令为选择服务优先方案,则根据所述选择指令生成相应的公交车辆排班方案,包括:
根据所述高峰时段周转时间和高峰时段发车间隔计算第一高峰时段营运车辆数,并根据所述平峰时段周转时间和平峰时段发车间隔计算第一平峰时段营运车辆数,以及根据计算结果生成公交车辆排班方案。
6.如权利要求4所述的基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,如果所述多种类型方案的选择指令为成本优先方案,则根据所述选择指令生成相应的公交车辆排班方案,包括:
获取高峰时段的最大营运车辆数和最小营运车辆数和平峰时段的最大营运车辆数和最小营运车辆数,并根据高峰时段的最大营运车辆数和最小营运车辆数计算最第二高峰时段运营车辆数,以及根据平峰时段的最大营运车辆数和最小营运车辆数计算第二平峰时段运营车辆数;
根据所述第二高峰时段运营车辆数和高峰时段周转时间计算相应的高峰发班间隔,并根据所述第二平峰时段运营车辆数和平峰时段周转时间计算相应的平峰发班间隔,以及根据计算结果生成公交车辆排班方案。
7.如权利要求4所述的基于城市公交历史客流分析的模拟仿真排班方法,其特征在于,如果所述多种类型方案的选择指令为综合服务与成本方案,则根据所述选择指令生成相应的公交车辆排班方案,包括:
根据所述高峰时段周转时间和高峰时段发车间隔计算第一高峰时段营运车辆数,并根据所述平峰时段周转时间和平峰时段发车间隔计算第一平峰时段营运车辆数;
获取高峰时段的最大营运车辆数和最小营运车辆数和平峰时段的最大营运车辆数和最小营运车辆数,并根据高峰时段的最大营运车辆数和最小营运车辆数计算最第二高峰时段运营车辆数,以及根据平峰时段的最大营运车辆数和最小营运车辆数计算第二平峰时段运营车辆数;
计算所述第一高峰时段运营车辆数与所述第二高峰时段运营车辆数的第一均值,并将所述第一均值作为第三高峰时段运营车辆数;
计算所述第一平峰时段运营车辆数与所述第二平峰时段运营车辆数的第二均值,并将所述第二均值作为第三平峰时段运营车辆数;
根据计算结果生成公交车辆排班方案。
8.一种计算机可读存储介质,其特征在于,其上存储有基于城市公交历史客流分析的模拟仿真排班程序,该基于城市公交历史客流分析的模拟仿真排班程序被处理器执行时实现如权利要求1-7中任一项所述的基于城市公交历史客流分析的模拟仿真排班方法。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1-7中任一项所述的基于城市公交历史客流分析的模拟仿真排班方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110939456.4A CN113689185A (zh) | 2021-08-16 | 2021-08-16 | 基于城市公交历史客流分析的模拟仿真排班方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110939456.4A CN113689185A (zh) | 2021-08-16 | 2021-08-16 | 基于城市公交历史客流分析的模拟仿真排班方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689185A true CN113689185A (zh) | 2021-11-23 |
Family
ID=78580121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110939456.4A Pending CN113689185A (zh) | 2021-08-16 | 2021-08-16 | 基于城市公交历史客流分析的模拟仿真排班方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689185A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974861A (zh) * | 2016-03-21 | 2016-09-28 | 江苏智通交通科技有限公司 | 基于rfid的公交车辆搭乘人员安全监测系统及方法 |
CN108399468A (zh) * | 2018-01-31 | 2018-08-14 | 华南理工大学 | 一种基于车时成本优化的运营时段划分方法 |
CN109544901A (zh) * | 2018-11-26 | 2019-03-29 | 南京行者易智能交通科技有限公司 | 一种基于历史客流大数据的公交智能排班方法及装置 |
CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
-
2021
- 2021-08-16 CN CN202110939456.4A patent/CN113689185A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974861A (zh) * | 2016-03-21 | 2016-09-28 | 江苏智通交通科技有限公司 | 基于rfid的公交车辆搭乘人员安全监测系统及方法 |
CN108399468A (zh) * | 2018-01-31 | 2018-08-14 | 华南理工大学 | 一种基于车时成本优化的运营时段划分方法 |
CN109544901A (zh) * | 2018-11-26 | 2019-03-29 | 南京行者易智能交通科技有限公司 | 一种基于历史客流大数据的公交智能排班方法及装置 |
CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
Non-Patent Citations (1)
Title |
---|
王庆荣等: "基于遗传算法的公交智能排班系统应用研究", 《计算机仿真》, vol. 28, no. 3, pages 345 - 348 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102013202059B4 (de) | LADEINFRASTRUKTUR FÜR ELEKTROFAHRZEUGE (EVs) MIT OPTIMALER STANDORTWAHL FÜR LADESTATIONEN | |
CN105808784A (zh) | 推荐方法和装置 | |
US20170301054A1 (en) | Dynamic forecasting for forward reservation of cab | |
CN106971604A (zh) | 一种停车位资源配置方法和装置 | |
CN114730415A (zh) | 车辆管理装置和车辆管理程序 | |
CN113435968B (zh) | 网约车派单方法、装置、电子设备及存储介质 | |
CN110276557A (zh) | 一种跨网格调度工单创建方法 | |
CN111126740A (zh) | 共享汽车充电调度方法、电子设备及存储介质 | |
CN109377037B (zh) | 基于分时列车数量序列的地铁峰期设置方法及系统 | |
CN112185162A (zh) | 停车位预约推荐方法及系统 | |
CN112651578A (zh) | 一种机场的地面保障能力需求的预测方法和装置 | |
CN113610321A (zh) | 一种停车点的共享车辆调度方法、装置及计算机设备 | |
CN115050210B (zh) | 基于时序预测的停车场智能诱导方法、系统及装置 | |
CN115829235A (zh) | 一种基于大数据分析的用电调度方法 | |
CN113052467B (zh) | 基于运维成本的共享车辆调度方法及装置 | |
JP7367627B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN109800974A (zh) | 城市网格分配方法、装置及电子终端 | |
CN113689185A (zh) | 基于城市公交历史客流分析的模拟仿真排班方法 | |
Outwater et al. | Use of structural equation modeling for an attitudinal market segmentation approach to mode choice and ridership forecasting | |
CN117350640A (zh) | 一种项目进度管理方法与系统 | |
CN109034494A (zh) | 公交调度方法 | |
Kamano et al. | A dynamic allocation model for bike sharing system; the sharing economy concept. | |
Ballestín | A genetic algorithm for the resource renting problem with minimum and maximum time lags | |
House et al. | Using the health benefits of electric vehicles to justify charging infrastructure incentives | |
CN110992686B (zh) | 交通出行大数据分析方法 |
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 |