CN114067597B - 一种基于强化学习的不同合乘意愿下出租车调度方法 - Google Patents

一种基于强化学习的不同合乘意愿下出租车调度方法 Download PDF

Info

Publication number
CN114067597B
CN114067597B CN202111360293.0A CN202111360293A CN114067597B CN 114067597 B CN114067597 B CN 114067597B CN 202111360293 A CN202111360293 A CN 202111360293A CN 114067597 B CN114067597 B CN 114067597B
Authority
CN
China
Prior art keywords
vehicle
dispatching
model
riding
scheduling
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
Application number
CN202111360293.0A
Other languages
English (en)
Other versions
CN114067597A (zh
Inventor
慈玉生
吴丽娜
李浩文
吴海龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202111360293.0A priority Critical patent/CN114067597B/zh
Publication of CN114067597A publication Critical patent/CN114067597A/zh
Application granted granted Critical
Publication of CN114067597B publication Critical patent/CN114067597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于强化学习的不同合乘意愿下出租车调度方法，包括以下步骤：通过历史数据预测下一时段车辆需求数，得到预测数据，基于所述预测数据对车辆进行提前调度，得到提前调度的车辆数据；基于强化学习的方法采用区域栅格化构建车辆调度模型；基于提前调度的车辆数据和客户的意愿信息，构建乘客合乘模型；通过所述车辆调度模型和所述乘客合乘模型，得到车辆调度结果。该方案提出了基于强化学习方法的，考虑不同合乘意愿的出租车调度策略，解决了传统出租车调度方法中存在的调度滞后性问题，引入出租车预测部分进行提前调度，采用强化学习的方法提高了模型的精度。

Description

一种基于强化学习的不同合乘意愿下出租车调度方法
技术领域
本发明涉及车辆调度技术领域，主要涉及一种基于强化学习的不同合乘意愿下出租车调度方法。
背景技术
随着当代城市化进程的推进，城市内公共交通系统的建设也日趋完备。搭乘公共交通也成为了城市居民日常出行首选出行方式之一。出租车为城市居民出行提供了诸多便利，但随着近年来城市人口与私家车保有量的激增，出租车供需不平衡、城市交通拥堵、空气污染等问题也日趋明显。而“合乘”模式是解决上述问题的一种有效手段。出租车合乘的概念最早由德国和瑞士人提出，Jung等人将模拟退火算法中随机哈尔滨工业大学工学硕士学位论文生成新状态的机制替换为利用插入算法进行生成，提高了原算法的优化效果；Golpayegani和Clarke重点考虑了如何匹配不同的乘客进行合乘；Rasulkhani等人考虑合乘行为在大型交通枢纽或场站周边发生的性质，重点考虑了在交通场站周边进行合乘的调度方法，但目前仍存在以下几点不足：调度模型运行结果受模型搭建效果限制、响应式的车辆调度与需求的产生存在滞后问题、合乘行为“一刀切”，未考虑出行者的个人意愿等。
发明内容
本发明目的就是提供一种基于强化学习的不同合乘意愿下出租车调度方法，对出租车需求进行预测，并且进行提前调度，之后采用强化学习的方法进行调度模型的构建，结合合乘模型，针对不同意愿进行分析得到不同的调度结果，并且进行仿真验证，取得较好的调度效果。
本发明提供一种基于强化学习的不同合乘意愿下出租车调度方法，包括以下步骤：
S1、通过历史数据预测下一时段车辆需求数，得到预测数据，基于所述预测数据对车辆进行提前调度，得到提前调度的车辆数据；
S2、基于强化学习的方法采用区域栅格化构建车辆调度模型；
S3、基于提前调度的车辆数据和客户的意愿信息，构建乘客合乘模型；
S4、通过所述车辆调度模型和所述乘客合乘模型，得到车辆调度结果。
优选地，所述S1通过将所述历史数据通过LightGBM算法计算后得到预测数据。
优选地，所述车辆调度模型包括：车辆调度状态模型、车辆调度动作模型、车辆调度奖励模型，建车辆调度模型步骤包括：
基于提前调度的车辆数据和空闲车辆数，采用强化学习方法分别构建车辆调度状态模型、车辆调度动作模型、车辆调度奖励模型。
优选地，所述S3构建乘客合乘模型的方法包括：基于提前调度的车辆数据和客户的意愿信息，得到合乘前的合乘条件和合乘调度后的合乘结果，基于合乘条件和合乘结果构建所述乘客合乘模型。
优选地，基于乘客合乘模型得到不同意愿下的车辆调度方法包括：
对于无合乘意愿的乘客，基于合乘模型得到无意愿车辆调度方法；
对于有合乘意愿的乘客，基于合乘模型得到有意愿车辆调度方法。
优选地，基于无意愿车辆调度方法和有意愿车辆调度方法得到所述车辆调度结果。
优选地，还包括通过仿真验证乘客对调度结果的影响度。
优选地，采用Python进行车辆运行仿真，对乘客对调度结果的影响度进行验证。
本发明公开了以下技术效果：
本发明实现了在乘客的不同意愿下对出租车的合理调度，该方案提出了基于强化学习方法的，采用强化学习的方法提高了模型的精度，减少了调度策略受模型建立的影响，考虑不同合乘意愿的出租车调度策略，解决了传统出租车调度方法中存在的调度滞后性问题，引入出租车预测部分进行提前调度。
附图说明
图1为本申请实施例一种基于强化学习的不同合乘意愿下出租车调度方法流程示意图；
图2为加入合乘模型的车辆调度模型框架图；
图3优化目标对比实验各调度策略在各优化目标上结果对比图；
图4强化学习调度策略不同目标效果对比图；
图5不同合乘意愿对比实验各调度策略在各优化目标上结果对比图；
图6强化学习调度策略不同合乘意愿效果对比图。
具体实施方式
下面将结合本实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，本发明提供一种基于强化学习的不同合乘意愿下出租车调度方法流程示意图，包括：
S1、通过历史数据预测下一时段车辆需求数，得到预测数据，基于预测数据对车辆进行提前调度，得到提前调度的车辆数据；基于LightGBM的出租车需求预测，LightGBM算法训练速度较快，预测准确率高，对出行需求的时空分布预测准确，具有较好的预测效果，同时训练时间可控。本实施例中，将城市内的出租车调度区域划分为栅格进行；
S2、基于强化学习的方法采用区域栅格化构建车辆调度模型；车辆调度模型包括：车辆调度状态模型、车辆调度动作模型、车辆调度奖励模型；基于提前调度的车辆数据和空闲车辆数，采用强化学习方法分别构建车辆调度状态模型、车辆调度动作模型、车辆调度奖励模型；如图2所示；对于其中所述的空闲车辆数是已知的数据，可以实时获取当前空闲的出租车数量。
(1)出租车调度状态模型：
环境的状态是环境与代理进行互动的关键部分，代理观测到环境的状态并给出相应的动作；同时也是强化学习网络的输入；选用调度区域中各栅格内的需求数的基于LightGBM算法的预测值与空闲出租车车辆数作为环境的状态；
(2)出租车调度动作模型：
代理对环境所采取的动作是两者进行互动的另一关键部分，代理观测到环境状态之后采取相应动作，是强化学习网络的输出部分。本文选用栅格间的出租车调度作为动作变量，车辆调度时间间隔为2.5min。由于栅格区域设置边长为1km，按车辆平均行驶速度为24km/h，每个调度时间内出租车可以在当前所属栅格在相邻六个栅格的六个方向选择其中一个移动一个栅格，或选择留在当前栅格。
(3)出租车调度奖励模型：
代理与环境之间互动的最后一部分为环境对代理所采取动作的反馈奖励。本实施例中车辆调度模型中的奖励分为调度得分与约束得分两部分，分别用于评定调度过程中的调度效果，以及调度过程中违反的相关约束的惩罚。
调度得分包括乘客平均等待时间以及平均服务每次需求所需要对出租车进行的调度距离。设定调度得分中第τ个调度时间窗内乘客平均等待时间奖励得分为如下式：
Figure BDA0003358787450000051
其中，rτ wait_time为第τ个调度时间窗内乘客平均等待时间奖励得分；σ(x)为sigmoid函数；
Figure BDA0003358787450000052
为第τ个调度时间窗内所有乘客数；
Figure BDA0003358787450000053
为第τ个时间窗所存在的第n名乘客截至第个时间窗所等待时间(时间窗数)。类似的，设定第τ个调度时间窗内出租车平均调度里程奖励得分为如下式：
Figure BDA0003358787450000061
其中，α为乘客平均等待时间奖励系数；β为车辆平均调度里程奖励系数，设定α+β＝1。
全部调度时间内累计得分为：
Figure BDA0003358787450000062
其中，Rdispatch为累计调度奖励得分；T为调度运行时间窗总数。为保证调度的运行更贴近真实情况，考虑到实际出租车运营时的种种条件，本实施例对调度模型设置了车辆数、乘客数、等待时间三方面约束。
车辆数约束是指某个调度栅格区域内被调走的出租车数不应当大于当前栅格内存在的出租车数。第τ调度时间窗内单个栅格区域内的调动车辆总数可以表示为:
Figure BDA0003358787450000063
其中，
Figure BDA0003358787450000064
为第τ调度时间窗内栅格i调走出租车总数；
Figure BDA0003358787450000065
为第τ调度时间窗内强化学习网络输出中栅格i的结果；故第τ调度时间窗内单个栅格区域内的过度调动的出租车总数可以表示为：
Figure BDA0003358787450000066
其中，
Figure BDA0003358787450000067
为第τ调度时间窗内栅格i过度调用的出租车总数；
Figure BDA0003358787450000071
为第τ调度时间窗内栅格i现有出租车总数；乘客数约束是指在出租车满足乘客出行需求的过程中，车上总乘客数不应大于出租车限定乘客数。第τ调度时间窗内单个栅格区域内的超员车辆总数可以表示为:
Figure BDA0003358787450000072
其中，
Figure BDA0003358787450000073
为第τ调度时间窗内栅格i超员调度出租车总数；
Figure BDA0003358787450000074
为第τ个调度时间窗内栅格i内所有出租车数；
Figure BDA0003358787450000075
为第τ个调度时间窗内栅格i内第n辆车限员数，本实施例取4；
Figure BDA0003358787450000076
为第个调度时间窗内栅格i内第n辆车搭载乘客实际个数。
等待时间约束是指当某个出行乘客等待时间过久没有得到响应之后，会取消本次出行请求，同时会反馈给代理相应的惩罚。第τ调度时间窗内单个栅格区域内的取消需求数可以表示为:
Figure BDA0003358787450000077
Figure BDA0003358787450000078
其中，
Figure BDA0003358787450000079
为第τ调度时间窗内栅格i取消的需求总数；
Figure BDA00033587874500000710
为第τ调度时间窗内栅格i存在的需求总数；
Figure BDA00033587874500000711
为第τ调度时间窗内栅格i的第n个需求取消值；
Figure BDA00033587874500000712
为第τ调度时间窗内栅格i的第n个需求等待时间。
S3、基于提前调度的车辆数据和客户的意愿信息，构建乘客合乘模型；基于提前调度的车辆数据和客户的意愿信息，得到合乘前的合乘条件和合乘调度后的合乘结果，基于合乘条件和合乘结果构建乘客合乘模型；对于乘客的意愿信息包括：无合乘意愿的乘客意愿信息和有合乘意愿的乘客意愿信息，两种不同合乘意愿信息，在打车时，打车APP可以进行告知。
对于无合乘意愿的乘客，基于合乘模型得到无意愿车辆调度方法；
对于有合乘意愿的乘客，基于合乘模型得到有意愿车辆调度方法。
当出租车与需求之间的交互允许合乘行为之后，为分别对合乘行为对出租车调度策略与效果产生的影响进行分析，分为合乘前的合乘条件与合乘调度后的合乘结果两方面分别进行建模。
(1)合乘条件
在合乘调度发生之前，需要明确可以进行合乘的需求应满足的条件。设出租车搭载的第一个需求的上车地点为o1，目的地为d1，第二个需求的上车地点为o2，目的地为d2，第一个到达的目的地为s1，第二个到达的目的地为s2。若两个出行由同一辆出租车服务，假设只有当两个出行满足如下两个条件时，乘客会接收本次合乘行为：
Figure BDA0003358787450000081
Figure BDA0003358787450000082
Figure BDA0003358787450000083
其中，θs为合乘条件阈值，取值0.707。
(2)合乘结果
由于合乘行为的加入，被服务的两个需求所享受的服务质量不可避免地会下降，因此将合乘利用率加入到奖励模型中的惩罚中去，用于给系统做出相应反馈，尽量提高合乘的效果。本实施例将合乘出行的惩罚定义为如下形式：
Figure BDA0003358787450000091
其中，detourτ为时间窗τ内为合乘而绕道所产生的损失。
S4、通过所述车辆调度模型和所述乘客合乘模型，得到车辆调度结果；
合乘的发生条件以及合乘的意愿主要体现在调度区域内的需求与出租车之间的互动上，当需求满足合乘条件时，才会出现相应出租车对其进行服务。在基于强化学习的出租车调度模型中，无需针对出租车与乘客之间的互动进行考量，因此合乘发生的条件主要体现在与其互动的环境中，在仿真环境中加入合乘行为的发生的条件，使其能够针对考虑合乘行为的情况进行仿真，配合网络模型进行优化。
合乘发生的结果主要体现在强化学习模型中的奖励模型，在仿真环境中获取已发生的合乘行为的资源利用率，结合上述乘客平均等待时间以及出租车调度距离作为环境的奖励得分反馈，将合乘行为加入到调度模型中，对基于强化学习的出租车调度方法进行完善；
在本实施例中，增加通过仿真验证乘客对调度结果的影响度；为验证本实施例所提出合乘调度模型，基于Python建立了出租车运行仿真平台，设定模型中对应状态、动作、奖励等变量。奖励中车辆数约束系数；等待时间约束系数。本仿真实验运行平台为Windows10家庭中文版64位系统，CPU：IntelCorei5 8300H，内存：16GB。
不同优化目标调度效果对比：
如图3-4所示，为针对不同优化目标可以对调度的策略进行调整，可以改变两方面的权重系数值来分配调度过程中的优化主要目标。本实施例分别设定乘客平均等待时间系数α和车辆调度距离系数β如表1所示，优化目标对比实验各组权重参数设置：
表1
Figure BDA0003358787450000101
根据上述设置优化目标及其权重系数，得到如表2所示实验结果：
表2
Figure BDA0003358787450000102
通过上述结果可以看出，当设定具有针对性的优化权重时，强化学习模型可以针对不同的优化目标进行优化，并取得相应较为理想的效果：当分别以乘客平均等待时间、车辆平均调度距离为调度目标时，能够分别得到相应的优化效果；当以两者共同为目标时，可以对两方面整体进行优化。
如图5-6所述，不同合乘意愿调度效果对比：
设定乘客的合乘意愿取值为0.2-0.8，代表一次请求发生时，该请求内的乘客对合乘行为的接受比例为20％-80％，实验中单个需求的合乘意愿随机模拟。根据不同的需求合乘意愿，基于仿真系统对所提出的调度策略进行验证，得到调度效果如表3所示：
表3
Figure BDA0003358787450000111
从上述结果可以看出，当引入合乘机制后，无论是按需调度或强化学习调度，均能够得到相应优化，其中随着合乘意愿的逐步增加，强化学习调度方式对按需调度的奖励分数优化效果逐步提高。此外，从乘客平均等待时间以及车辆调度距离两项指标来看，考虑合乘的强化学习调度均在合乘意愿提高后得到更好的优化效果；
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，包括以下步骤：
S1、通过历史数据预测下一时段车辆需求数，得到预测数据，基于所述预测数据对车辆进行提前调度，得到提前调度的车辆数据；
S2、基于强化学习的方法采用区域栅格化构建车辆调度模型；
S3、基于提前调度的车辆数据和客户的意愿信息，构建乘客合乘模型；
S4、通过所述车辆调度模型和所述乘客合乘模型，得到车辆调度结果；
所述车辆调度模型包括：车辆调度状态模型、车辆调度动作模型、车辆调度奖励模型；
构建车辆调度模型步骤包括：
基于提前调度的车辆数据和空闲车辆数，采用强化学习方法分别构建所述车辆调度状态模型、所述车辆调度动作模型和所述车辆调度奖励模型。
2.根据权利要求1所述的基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，所述S1中将所述历史数据通过LightGBM算法得到所述预测数据。
3.根据权利要求1所述的基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，所述S3构建乘客合乘模型的方法包括：基于提前调度的车辆数据和客户的意愿信息，得到合乘前的合乘条件和合乘调度后的合乘结果，基于合乘条件和合乘结果构建所述乘客合乘模型。
4.根据权利要求3所述的基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，基于乘客合乘模型得到不同意愿下的车辆调度方法包括：
对于无合乘意愿的乘客，基于合乘模型得到无意愿车辆调度方法；
对于有合乘意愿的乘客，基于合乘模型得到有意愿车辆调度方法。
5.根据权利要求4所述的基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，基于无意愿车辆调度方法和有意愿车辆调度方法得到所述车辆调度结果。
6.根据权利要求1所述的基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，不同合乘意愿下出租车调度方法还包括通过仿真验证乘客对调度结果的影响度。
7.根据权利要求6所述的基于强化学习的不同合乘意愿下出租车调度方法，其特征在于，
采用Python进行车辆运行仿真，对调度结果的影响度进行验证。
CN202111360293.0A 2021-11-17 2021-11-17 一种基于强化学习的不同合乘意愿下出租车调度方法 Active CN114067597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111360293.0A CN114067597B (zh) 2021-11-17 2021-11-17 一种基于强化学习的不同合乘意愿下出租车调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111360293.0A CN114067597B (zh) 2021-11-17 2021-11-17 一种基于强化学习的不同合乘意愿下出租车调度方法

Publications (2)

Publication Number Publication Date
CN114067597A CN114067597A (zh) 2022-02-18
CN114067597B true CN114067597B (zh) 2023-01-31

Family

ID=80273374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111360293.0A Active CN114067597B (zh) 2021-11-17 2021-11-17 一种基于强化学习的不同合乘意愿下出租车调度方法

Country Status (1)

Country Link
CN (1) CN114067597B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003308596A (ja) * 2002-04-12 2003-10-31 Nec Corp 乗合タクシー予約・運行システム
CN102637359A (zh) * 2012-04-24 2012-08-15 广西工学院 基于复杂路网的出租车合乘集群优化系统及其优化方法
CN111861081A (zh) * 2019-12-23 2020-10-30 北京嘀嘀无限科技发展有限公司 一种订单分配方法、装置、电子设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10168167B2 (en) * 2017-01-25 2019-01-01 Via Transportation, Inc. Purposefully selecting longer routes to improve user satisfaction
CN109308574B (zh) * 2018-09-07 2022-03-29 华南理工大学 一种实时响应的互联网半灵活公交调度方法
CN109919354B (zh) * 2019-01-15 2022-04-22 深圳大学 一种基于社交大数据的拼车优化方法、索引结构及系统
JP7348735B2 (ja) * 2019-03-11 2023-09-21 株式会社デンソーテン 配車装置、配車システム、および配車方法
JP2020194366A (ja) * 2019-05-28 2020-12-03 株式会社バイタルリード 配車処理システム
CN111178724B (zh) * 2019-12-23 2022-03-04 华南理工大学 一种基于演化算法的拼车调度方法
CN111862579B (zh) * 2020-06-10 2021-07-13 深圳大学 一种基于深度强化学习的出租车调度方法及系统
CN113538067B (zh) * 2021-08-17 2023-05-05 华侨大学 一种基于机器学习的城际网约车需求预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003308596A (ja) * 2002-04-12 2003-10-31 Nec Corp 乗合タクシー予約・運行システム
CN102637359A (zh) * 2012-04-24 2012-08-15 广西工学院 基于复杂路网的出租车合乘集群优化系统及其优化方法
CN111861081A (zh) * 2019-12-23 2020-10-30 北京嘀嘀无限科技发展有限公司 一种订单分配方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于匹配条件与调度的出租车合乘模型的研究与分析;朱易等;《科学家》;20170708(第13期);全文 *
基于路径优化模式的出租车合乘调度;何胜学等;《长沙理工大学学报(自然科学版)》;20180928(第03期);全文 *

Also Published As

Publication number Publication date
CN114067597A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Shao et al. Electric vehicle‐routing problem with charging demands and energy consumption
May et al. The potential impacts of automated cars on urban transport: An exploratory analysis
Zhao et al. An integrated approach of train scheduling and rolling stock circulation with skip-stopping pattern for urban rail transit lines
Mei et al. Optimization of reservation parking space configurations in city centers through an agent-based simulation
Qian et al. A decision-making model using machine learning for improving dispatching efficiency in Chengdu Shuangliu airport
Häll et al. A modeling system for simulation of dial-a-ride services
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
Hamadneh et al. Potential travel time reduction with autonomous vehicles for different types of travellers
CN110415513B (zh) 一种公交专用道服务指数发布方法、系统及电子设备
Wang et al. Assessing the potential of the strategic formation of urban platoons for shared automated vehicle fleets
Liu et al. Optimal curbside pricing for managing ride-hailing pick-ups and drop-offs
CN115222251A (zh) 一种基于混合分层强化学习的网约车调度方法
CN112949987B (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
Huang et al. Eco-mobility-on-demand fleet control with ride-sharing
CN110910642A (zh) 一种考虑混合交通系统的公交线路分析方法
Cui et al. Dynamic pricing for fast charging stations with deep reinforcement learning
CN114067597B (zh) 一种基于强化学习的不同合乘意愿下出租车调度方法
Araldo et al. Implementation & policy applications of AMOD in multi-modal activity-driven agent-based urban simulator simmobility
CN113592419A (zh) 考虑客流和节能的轨道交通快慢车时刻表优化方法
Li et al. A Simulation-optimization framework of vehicle relocation for one-way electric carsharing systems
CN116739213A (zh) 基于代理模型辅助算法的地铁接驳公交优化方法
Bi et al. Multiobjective Optimization of Airport Ferry Vehicle Scheduling during Peak Hours Based on NSGA-II
Pöhler et al. Urban land use policies for efficient autonomous on-demand transportation–a case study on the japanese island of izu oshima
Liang et al. Sensitivity analysis of fleet size for dynamic headway-based control method performance in terms of passengers’ experience
Mei et al. Assessment and optimization of parking reservation strategy for Park-and-Ride system emissions reduction

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