CN114037175B - 一种基于多尺度聚类的大规模公交线网分级优化方法 - Google Patents
一种基于多尺度聚类的大规模公交线网分级优化方法 Download PDFInfo
- Publication number
- CN114037175B CN114037175B CN202111375023.7A CN202111375023A CN114037175B CN 114037175 B CN114037175 B CN 114037175B CN 202111375023 A CN202111375023 A CN 202111375023A CN 114037175 B CN114037175 B CN 114037175B
- Authority
- CN
- China
- Prior art keywords
- network
- voronoi
- node
- clustering
- scale
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000005192 partition Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005303 weighing 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多尺度聚类的大规模公交线网分级优化方法，应用于交通道路规划领域，针对现有技术在解决特大规模公交线路网络优化问题时存在的计算复杂度高，且优化结果不理想的问题，本发明的方法考虑基于公交IC刷卡记录和车载GPS记录获得大批量乘客需求数据，结合深度神经网络工具，预测出行需求(OD流)的时空分布。本发明通过选取高需求密度节点为中心进行网络出行需求等价聚类分割，获得Voronoi划分簇，基于粗粒度聚类网络生成待选线网集合，之后再对各簇内部网络进行细粒度聚类等价分割，利用最短路径偏好，沿街道走向通过分布式计算对跨簇路径进行簇内和簇间局部调优筛选和调优。
Description
技术领域
本发明属于交通路径规划领域，特别涉及一种大规模公交线路网规划技术。
背景技术
城市公共交通系统因具有集约化、低成本、低能耗以及绿色环保等特点，是特大城市发展绿色交通体系、实行城市健康可持续发展的一项重要策略。作为城市公交系统规划的重要部分，公交线网布置的合理与否，直接关系到公共交通系统运转的效率。从现实角度出发，高品质的公交系统规划既需要满足城市居民的出行需求，还要综合考虑公交运营成本以及城市规划策略等多方面的优化目标。
目前国内外学者大多倾向于采用系统工程的方法，对上述问题建立公交线网多目标优化模型，筛选备选公交候选线路集合，之后利用计算机技术，以元启发式算法求得最优解或近似最优解。如CHAO WANG等人[Wang C,Ye Z,Wang W.A multi-objectiveoptimization and hybrid heuristic approach for urban bus route network design[J].IEEE Access,2020,8:12154-12167.]依据公交行驶安全系数、运行道路宽度限制等条件对候选线路进行约束，基于最短路径算法筛选得到公交干线候选路线集合，之后利用模拟退火和人工蚁群优化的混合方法来处理transit route network design problem(TRNDP)问题。陈阳[陈阳.特大城市多层次地面公交网络优化实用方法研究[D].南京林业大学,2018.]则基于公交站点与公交线段构成的地面公交拓扑网络，在给定的首末站之间利用嵌套K短路算法的启发式算法生成候选线路的空间走向，最后基于遗传-变邻域搜索算法对公交网络进行调整。但以上所述公交线路优化方案往往因受限于算法计算复杂度，只能应用于较小规模应用场景，面对解决如北京、上海等特大规模公交线路网络优化问题时很难提供高效可行的优化方案。
发明内容
为解决上述技术问题，本发明提供一种基于多尺度聚类的大规模公交线网分级优化方法，以建立客流需求在时间及空间维度上的预测模型为基础，通过对模型的不同尺度进行聚类来获得规模可控的高质量优化输入，并利用求解空间的不均匀分布特性加速求解过程，降低大规模线网规划的计算量，实现公交线网优化问题高效求解。
本发明采用的技术方案为：一种基于多尺度聚类的大规模公交线网分级优化方法，包括：
S1、基于公交IC刷卡记录和车载GPS记录获得乘客需求数据；
S2、根据乘客需求数据构建出行需求矩阵；
S3、将公交路网图表示为无向图G＝<V,E>，其中V为道路交叉路口的集合，E为交叉路口间的直接连接关系；每个交叉路口表示为一个节点，任意两个节点之间，若可以通过道路相通，且不经过其它节点，则这两个节点之间存在一条边，这条边的权重为公交车在这两个节点之间的行驶时间；
S4、采用Voronoi算法对无向图G＝<V,E>进行分割，得到Voronoi划分簇；
S5、对无向图G＝<V,E>进行粗粒度聚类，生成待选线网集合；
S6、对各Voronoi划分簇内的待选线网，进行小粒度聚类，得到最终的公交线网规划结果。
步骤S4具体为：
S41、根据出行需求矩阵，计算个节点的出行需求密度；
S42、选取高密度节点作为Voronoi划分簇的中心节点，得到若干Voronoi划分簇。
步骤S41的出行需求密度计算式为：
式中，D为考虑节点p周围出行需求的网络最短路径度量距离上限，di为第i个节点vi到节点p的路段欧氏长度或曼哈顿长度，demandi为第i个节点vi所具有的出行需求总数。
步骤S5具体为：
S51、生成一个新的网络H＝<HV,HE>，其中HV是Voronoi热点的集合，HE是相邻Voronoi划分簇的中心节点间的边的集合；
S52、对于原网络G＝<V,E>中的某条边，若两端节点分别位于某个相邻Voronoi划分簇的中心节点所在的两个Voronoi划分簇，则将该条边的权重累加到这对相邻Voronoi划分簇的中心节点的边上；
S53、若已遍历完成原网络G＝<V,E>中的所有边；则输出待选线网集合，否则返回步骤S52。
G＝<V,E>中的边的权重具体为：该边的两个节点的出行需求之和。
步骤S6具体为：基于最短路偏好，对待选线网集合，根据街道走向信息对线网集合细化和调优。
各Voronoi划分簇内的待选线网调优采用分布式并行计算。
本发明的有益效果：本发明充分利用多尺度聚类提高数据质量、加速优化计算。在聚类过程中，聚类粒度越大往往呈现出屏蔽数据噪音的效果，因而，可以基于大粒度聚类，生成待选线网集合，再通过小粒度聚类，沿街道走向对线网集合筛选和调优。维诺图区域之间热点个数相比原来的节点个数显著减少，因而，显著降低了优化问题的计算规模。进而，维诺图区域内的计算，可以与其它区域并行进行，因而，可以采用分布式并行方式对各维诺图区域内部的细化过程进行并行加速。从而，结合大尺度上的优化与小尺度上的细化调优，可以提高公交线路的覆盖率，提高出行的便利性，吸引更多的乘客，绿色出行。
附图说明
图1为本发明方案流程图；
图2为按出行需求聚类得到节点拓扑Voronoi图分区；
图3为基于热点网在区域间计算出的一条路径；
图4为按道路走向对维诺图区域内细化后的待选路径集合。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本发明中，考虑基于公交IC刷卡记录和车载GPS记录获得大批量乘客需求数据，结合CNN与LSTM等深度神经网络工具，预测出行需求(OD流)的时空分布。本发明通过选取高需求密度节点为中心进行网络出行需求等价聚类分割，获得Voronoi划分簇，基于粗粒度聚类网络生成待选线网集合，之后再对各簇内部网络进行细粒度聚类等价分割，利用最短路径偏好，沿街道走向通过分布式计算对跨簇路径进行簇内和簇间局部调优筛选和调优。
本发明的方法包括以下步骤：
1、输入为城市街道组成的公交路网图和出行需求矩阵。
公交路网图是一个图结构，表示为无向图G＝<V,E>，其中V为道路交叉路口的集合，E为交通路口间的直接连接关系。每个交叉路口表示为一个节点。任意两个节点之间，若可以通过道路相通，且不经过其它节点，则这两个节点之间存在一条边，其权重为公交车在两个节点之间的行驶时间。若公交路网图由N个节点组成，则出行需求矩阵OD是一个NxN的矩阵，其i行j列元素dij表示从节点i出发去往节点j的人数。本领域的技术人员应知乘客出行数据中的目的地数据获取方式可以为问卷调查、地图软件的历史查询数据等。
2、基于出行需求的空间密度进行聚类，按Voronoi图进行需求转化
在所求解空间采用Voronoi算法对整个交通网覆盖范围中的离散客流需求节点进行空间分割，权衡待选路径生成精度及速度构建多尺度网络Voronoi面域图。此过程基于网络中各个节点的全局出行需求密度，以高需求节点(需求热点)为中心，将网络等价聚类分割为簇，由此生成簇间需求等价的粗粒度新网路，并且网络可以分多层构建不同尺度的Voronoi区域，降低簇间待选路径计算复杂度。具体实现过程如下：
首先计算网络中各个道路交叉路口节点处的出行需求密度。该密度主要考虑距节点空间距离为D范围内的各节点出行需求对该节点的影响，超出D范围之外的出行需求对该节点的影响忽略不计。鉴于乘客出行往往选择最短路径，可知该影响与两节点之间的距离有关，且随着距离的增加，影响逐渐衰弱。
考虑采用欧式距离或曼哈顿距离对节点之间的距离进行衡量，对节点p处的全局出行需求密度S(p)作出如下设定：
式中，D为考虑节点p周围出行需求的网络最短路径度量距离上限，di＝min{di,D}为第i个节点到节点p的路段欧氏长度或曼哈顿长度(超出需求考虑范围之外的节点距离取D)，D的取值范围为100到200米，demandi为第i个节点所具有的出行需求总数。选择高密度节点(需求热点)作为维诺面域图(簇)的中心节点生成粗粒度网络，依据所选取高密度节点(需求热点)个数的不同调整网络等价分割尺度。
3、基于Voronoi热点生成Voronoi区域间的待选路径集合
本步骤通过将区域之内的客流需求节点映射至区域边界，将候选路径生成问题转化为求解跨Voronoi区域边缘的最佳路径匹配问题。对于大规模网络可分层进行需求转化，简化计算复杂度，提高线路规划求解效率。
具体步骤为：
1)生成一个新网络H＝<HV,HE>，其中HV是Voronoi热点的集合，HE是相邻热点(H1,H2)间的边的集合。对于原网络中的每条边，若两端分别位于H1和H2所在的Voronoi区域，则其权重累加到H1与H2之间的边上。
2)将原网络G＝<V,E>中的需求转化为每对Voronoi热点间的需求。若原网络G＝<V,E>中的每项需求分别位于H1和H2所在的Voronoi区域，则将其需求量累加作为H1与H2之间的需求用于后续路径求解。
如此参考各节点的出行需求去向，将簇内的出行需求转化为簇间边缘上的运力需求，可将公交路线待选集生成问题转化为出行集散热点间的最优路径匹配问题，简化最优路径求解复杂度，提高簇间待选路径生成效率。
4、对Voronoi区域内的路径按街道走向进行细化
在公交线路待选路径生成后，对映射后的出行需求再进行小粒度聚类，如此可细化局部区域的线路调整优化，可利用最短路径偏好原则，沿客流走向对线网集合筛选和调优。如跨簇最优路径在各簇之内的部分可依据各簇需求分布分别进行线路调优生成待选路径，而跨簇路径在两簇之间的部分可依据簇间起始或终止点的不同组合情况进行调优。因此在求解局部线路优化时，可以采用分布式并行仿真计算，参照聚类后的Voronoi分区，以相关性最小化原则进行任务分工，分配给计算节点进行分布式加速计算。如此即可实现高精度高速率的局部线路优化求解，可面向超大规模公交线网的优化应用场景。
这里的分布式加速计算具体指各簇簇内的路径调优是毫无关联的，可以分别独立进行待选路径求解。
5、最终输出细化后的完整待选路径集合。
实施例1
关于上述公交线路优化方案中多尺度聚类进行举例。对于大规模网络需要构建多层Voronoi图，比如，在第2步中可构建两层Voronoi图，各层K分别等于4和16，上层的每个Voronoi区域覆盖下层的4个区域。在第3步的转化过程中先转化生成下层16个Voronoi图网络和需求，再生成上层4个Voronoi图网络和需求，从下到上实现各层Voronoi图需求转化。在第4步的生成路径过程采取从上到下的顺序，先按上层4个Voronoi图网络生成大尺度路径后，再细化到下层16个Voronoi图区域。之后在第5步从下层到上层按照每层的衔接点整合路径，得到最终的全局路径。
实施例2
以Mumford0网络对基于多尺度聚类的公交线路优化方案进行说明。
首先基于k-means聚类算法对图2所示30个节点的出行需求进行聚类，且依据经验设置K＝4。采用Voronoi对整个节点拓扑覆盖面积进行分割，由此获得4个Voronoi辐射域面域图形。
此后将各个节点的出行需求按照步骤3映射到各个Voronoi图的边界上。如图2所示，所有经过实线边的需求都映射到虚线边表示的边界上。
之后基于边界上的出行需求聚类结果生成Voronoi图间的待选线网集合。如图3显示了其中一条区域间的待选路线。
最后再基于最短路偏好原理，根据街道走向信息对线网集合细化和调优，得到图4所示的优化路线集合TR。通过筛选、组合所有公交线路集合TR中的待选路线，利用帕累托优化方法，可以实现同时保留多种目标相关的前提下得到最优公交线路集合R。
如考虑乘客出行时间以及运营商建设公交线路的开销，可设置优化目标为最小化乘客及运营商方面的开销。
其中
为当前最优公交线路集合R中路线r上i节点到j节点之间的客流需求，
为路线r上i节点到j节点之间的公交车行驶时间，若无路线可满足i节点到j节点之间的客流需求，则
取∞。NR为待选路径集合中的路径数目。w1与w2分别为乘客出行时间开销和运营商建设线路开销的权重。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (3)
1.一种基于多尺度聚类的大规模公交线网分级优化方法，其特征在于，包括：
S1、基于公交IC刷卡记录和车载GPS记录获得乘客需求数据；
S2、根据乘客需求数据构建出行需求矩阵；
S3、将公交路网图表示为无向图G＝<V,E>，其中V为道路交叉路口的集合，E为交叉路口间的直接连接关系；每个交叉路口表示为一个节点，任意两个节点之间，若可以通过道路相通，且不经过其它节点，则这两个节点之间存在一条边，这条边的权重为公交车在这两个节点之间的行驶时间；
S4、采用Voronoi算法对无向图G＝<V,E>进行分割，得到Voronoi划分簇；步骤S4具体为：
S41、根据出行需求矩阵，计算个节点的出行需求密度；步骤S41的出行需求密度计算式为：
式中，D为考虑节点p周围出行需求的网络最短路径度量距离上限，di为第i个节点vi到节点p的路段欧氏长度或曼哈顿长度，demandi为第i个节点vi所具有的出行需求总数；
S42、选取高密度节点作为Voronoi划分簇的中心节点，得到若干Voronoi划分簇；
S5、对无向图G＝<V,E>进行粗粒度聚类，生成待选线网集合；步骤S5具体为：
S51、生成一个新的网络H＝<HV,HE>，其中HV是Voronoi热点的集合，HE是相邻Voronoi划分簇的中心节点间的边的集合；
S52、对于原网络G＝<V,E>中的某条边，若两端节点分别位于某个相邻Voronoi划分簇的中心节点所在的两个Voronoi划分簇，则将该条边的权重累加到这对相邻Voronoi划分簇的中心节点的边上；
S53、若已遍历完成原网络G＝<V,E>中的所有边；则输出待选线网集合，否则返回步骤S52；
S6、对各Voronoi划分簇内的待选线网，进行小粒度聚类，得到最总的公交线网规划结果；步骤S6具体为：基于最短路偏好，对待选线网集合，根据街道走向信息对线网集合细化和调优。
2.根据权利要求1所述的一种基于多尺度聚类的大规模公交线网分级优化方法，其特征在于，G＝<V,E>中的边的权重具体为：该边的两个节点的出行需求之和。
3.根据权利要求2所述的一种基于多尺度聚类的大规模公交线网分级优化方法，其特征在于，各Voronoi划分簇内的待选线网调优采用分布式并行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111375023.7A CN114037175B (zh) | 2021-11-19 | 2021-11-19 | 一种基于多尺度聚类的大规模公交线网分级优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111375023.7A CN114037175B (zh) | 2021-11-19 | 2021-11-19 | 一种基于多尺度聚类的大规模公交线网分级优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114037175A CN114037175A (zh) | 2022-02-11 |
| CN114037175B true CN114037175B (zh) | 2023-05-05 |
Family
ID=80144928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111375023.7A Active CN114037175B (zh) | 2021-11-19 | 2021-11-19 | 一种基于多尺度聚类的大规模公交线网分级优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037175B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115130263B (zh) * | 2022-07-13 | 2023-06-20 | 广州市交通规划研究院有限公司 | 一种面向国土空间规划的多交通设施等时圈计算方法 |
| CN116311932B (zh) * | 2023-03-16 | 2024-03-01 | 东南大学 | 一种MaaS背景下考虑混合均衡的动态交通分配方法 |
| CN116980559B (zh) * | 2023-06-09 | 2024-02-09 | 负熵信息科技(武汉)有限公司 | 一种城域级视频智能卡口规划布局方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654206A (zh) * | 2016-01-06 | 2016-06-08 | 南通大学 | 基于乘客出行空间分布的公交站点选址布局优化方法 |
| CN107194128A (zh) * | 2017-06-30 | 2017-09-22 | 东南大学 | 基于中心辐射型网络框架的多模式公共交通网络设计方法 |
| CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
| US20200349485A1 (en) * | 2019-07-11 | 2020-11-05 | Beihang University | Optimization method for joint scheduling of manned buses and autonomous buses |
-
2021
- 2021-11-19 CN CN202111375023.7A patent/CN114037175B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654206A (zh) * | 2016-01-06 | 2016-06-08 | 南通大学 | 基于乘客出行空间分布的公交站点选址布局优化方法 |
| CN107194128A (zh) * | 2017-06-30 | 2017-09-22 | 东南大学 | 基于中心辐射型网络框架的多模式公共交通网络设计方法 |
| CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
Non-Patent Citations (3)
| Title |
|---|
| Longjiang Li等.Compound Model of Task Arrivals and Load-Aware Offloading for Vehicular Mobile Edge Computing Networks.《IEEE Access 》.2019,第7卷第 26631 – 26640页. * |
| 朱广宇等.一种基于Voronoi图的公交站点选址模型研究.《交通运输研究》.2015,第1卷(第3期),第25-30、36页. * |
| 杨京帅等.城市公共交通线网分级规划方法研究.《铁道运输与经济》.2008,第30卷(第5期),第50-53页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114037175A (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114037175B (zh) | 一种基于多尺度聚类的大规模公交线网分级优化方法 | |
| Chen et al. | Solving the first‐mile ridesharing problem using autonomous vehicles | |
| CN108470444A (zh) | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 | |
| CN106570595A (zh) | 一种基于空间大数据的地铁站点选址方法及系统 | |
| Chen et al. | Continuum approximation modeling of transit network design considering local route service and short-turn strategy | |
| CN108256553A (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
| CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
| CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| CN101807222A (zh) | 基于站点的城市公交线网优化配置方法 | |
| CN103049829B (zh) | 城乡客运线网与枢纽场站一体化融合方法 | |
| CN107085939B (zh) | 一种基于路网等级划分的高速公路vms布局优化方法 | |
| CN114117700A (zh) | 基于复杂网络理论的城市公共交通网络优化研究方法 | |
| CN114511143A (zh) | 基于组团划分的城市轨道交通线网生成方法 | |
| CN105225004A (zh) | 城市群城际铁路线网的构建方法 | |
| CN109325614A (zh) | 一种基于gis的汽车站选址方法 | |
| CN111460598A (zh) | 一种基于机器学习的公交干线网生成方法 | |
| Wang et al. | Traffic control approach based on multi‐source data fusion | |
| Zhong et al. | The optimization of bus rapid transit route based on an improved particle swarm optimization | |
| CN106373384A (zh) | 边远地区客运班车线路实时生成方法 | |
| CN110210667B (zh) | 基于变尺度地理加权回归模型的o-d时空分布预测方法 | |
| CN103258423B (zh) | 一路一线直行式公交线路布设与线网优化配置方法 | |
| Chen et al. | A Data-driven Region Generation Framework for Spatiotemporal Transportation Service Management | |
| CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
| Xu et al. | [Retracted] Research on Collaborative Optimization Model of Tourism Resources and Highway Network Based on IoT Network and Deep Learning | |
| CN113379131B (zh) | 一种纯电动公交应用下的接驳公交线网优化及车队规模与充电桩数量同步优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |