CN114092176A - 一种基于公交车的城市通勤班车规划方法 - Google Patents
一种基于公交车的城市通勤班车规划方法 Download PDFInfo
- Publication number
- CN114092176A CN114092176A CN202111258389.6A CN202111258389A CN114092176A CN 114092176 A CN114092176 A CN 114092176A CN 202111258389 A CN202111258389 A CN 202111258389A CN 114092176 A CN114092176 A CN 114092176A
- Authority
- CN
- China
- Prior art keywords
- bus
- customized
- bus stop
- members
- stop
- 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 46
- 238000013461 design Methods 0.000 claims abstract description 11
- 230000008520 organization Effects 0.000 claims abstract description 11
- 230000002093 peripheral effect Effects 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 239000003016 pheromone Substances 0.000 description 14
- 241000257303 Hymenoptera Species 0.000 description 9
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- 238000003032 molecular docking Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- 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"
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于公交车的城市通勤班车规划方法,属于城市通勤规划领域。所述方法包括:获取某组织机构的单位地址及各成员家庭住址;根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点;根据定制公交停靠站点规划结果,采用启发式算法设计定制公交运行线路;根据运行线路设计结果,从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。采用本发明,能够解决当前通勤效率低下以及交通拥堵的现状,同时优化营运成本实现经济高效的城市通勤。
Description
技术领域
本发明涉及城市通勤规划领域,特别是指一种基于公交车的城市通勤班车规划方法。
背景技术
近年来,一些企业、学校以及其他组织机构陆续开通了班车接送服务。肖赟等人提出了一种基于GIS的通勤班车线路优化方法[肖赟,段园煜,王志辉,张成哲.基于GIS的通勤班车线路优化研究[J].黑龙江工业学院学报(综合版),2020,20(06):76-82],采用python大数据挖掘技术分析手机信令数据,确定合肥某单位的员工居住地分布;而后以20公里半径为研究范围,划分交通小区;最终建立通勤班车线路优化模型,设立优化目标和约束条件,以先点后线的方式,规划3条通勤班车路线。该研究利用手机信令数据为客流分析提供了思路与途径,能够有效地反映通勤客流需求规模和地理空间分布,对于优化通勤班车线路有着重要意义。但是该研究以员工居住地为通勤车站点,无法适应于大规模的路径规划;且对于班车路线的规划还是依靠人工经验,并根据客流需求规模进行实时的调整和优化,调度难度高且结果缺乏理论模型的支持,极易造成资源浪费,车辆运行总路程及乘客等待时间较长等问题。不仅如此,班车的购置、运行、和维护成本较高,且除早晚高峰时间段外多为闲置状态,给这些组织机构造成了不小的负担。
因此,如何为通勤人群提供一种更优的出行方式,保证通勤人群的便捷出行、缓解交通拥堵现状,同时优化营运成本成为当前亟待解决的问题。
发明内容
本发明实施例提供了基于公交车的城市通勤班车规划方法,能够解决当前通勤效率低下以及交通拥堵的现状,同时优化营运成本实现经济高效的城市通勤。所述技术方案如下:
一方面,提供了一种基于公交车的城市通勤班车规划方法,该方法应用于电子设备,该方法包括:
获取某组织机构的单位地址及各成员家庭住址;
根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点;
根据定制公交停靠站点规划结果,采用启发式算法设计定制公交运行线路;
根据运行线路设计结果,从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。
进一步地,所述获取某组织机构的单位地址及各成员家庭住址包括:
收集某组织机构的单位地址及各成员家庭住址;
对收集的单位地址及各成员家庭住址信息进行数据清洗;
调用现有的地图服务平台,输入经过清洗的单位地址及各成员家庭住址,获取单位地址及各成员家庭住址的经纬度。
进一步地,所述根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点包括:
采用聚类方法对成员家庭住址进行聚类,并选取聚类中心作为定制公交停靠站点,各成员根据所划分的簇选择对应的定制公交停靠站点乘车;
根据现有路网和公交站点,对聚类所得到的定制公交停靠站点进行优化,使得定制公交停靠站点位于开放道路上并与原有公交站点重合。
进一步地,所述聚类方法包括:K-means聚类、HAC层次凝聚聚类法或最大最小距离聚类算法。
进一步地,所述采用聚类方法对成员家庭住址进行聚类,并选取聚类中心作为定制公交停靠站点,各成员根据所划分的簇选择对应的定制公交停靠站点乘车包括:
设置成员到站点的最大可接受距离;
根据成员到站点的最大可接受距离,初始化定制公交停靠站点位置,确定定制公交停靠站点个数,并进行初步的成员归属划分;
采用优化策略,不断更新迭代定制公交停靠站点位置以及成员划分,得到最优定制公交停靠站点分布与成员划分。
进一步地,所述根据成员到站点的最大可接受距离,初始化定制公交停靠站点位置,确定定制公交停靠站点个数,并进行初步的成员归属划分包括:
A1,在所有成员家庭住址中,随机选取一成员家庭住址作为一个初始站点;
A2,以选取的初始站点为簇心,计算各成员到该初始站点的距离,将距离该初始站点小于最大可接受距离的成员归为以该初始站点为簇心的一个簇;
A3,将上述成员加入禁忌表中,不再供选择,若剩下的成员数不为0,在剩下的成员中随机选取成员家庭住址作为新的初始站点,返回步骤A2继续执行,直到所有成员都有归属的定制公交停靠站点。
进一步地,所述采用优化策略,不断更新迭代定制公交停靠站点位置以及成员划分,得到最优定制公交停靠站点分布与成员划分包括:
B1,计算每个簇的中心位置,并将该中心位置作为新的站点选址,替换先前的站点;
B2,以新站点为簇心,计算各成员到各站点的距离,将成员分配到距离最近的站点中;
B3,判定预设的准则函数是否收敛或簇心不再发生变化,若准则函数不收敛且簇心有变化,则返回步骤B1继续执行,直至预设的准则函数收敛于某值或者簇心不再发生变化。
进一步地,所述根据现有路网和公交站点,对聚类所得到的定制公交停靠站点进行优化,使得定制公交停靠站点位于开放道路上并与原有公交站点重合包括:
基于地图服务平台,将聚类所得到的定制公交停靠站点结果,挪到开放道路上;
根据开放道路上定制公交停靠站点的定制结果,若定制公交停靠站点距离现有公交站点小于设定距离,则将定制公交停靠站点移至与现有公交站点重合的位置。
进一步地,所述启发式算法包括:蚁群算法、遗传算法或模拟退火算法。
进一步地,所述根据运行线路设计结果,从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务包括:
根据运行线路设计结果,确定每条运行路线所覆盖的区域;
统计每条运行路线所覆盖区域的现有公交线路;
选择与该区域重合度最高的公交线路,作为借调对象,在早晚高峰期间执行对应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于公交车的城市通勤班车规划方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于公交车的城市通勤班车规划方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,获取某组织机构的单位地址及各成员家庭住址;根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点;根据定制公交停靠站点规划结果,采用启发式算法设计定制公交运行线路;根据运行线路设计结果,从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。这样,能够解决当前通勤效率低下以及交通拥堵的现状,同时优化营运成本实现经济高效的城市通勤。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于公交车的城市通勤班车规划方法的流程示意图;
图2为本发明实施例提供的基于聚类的站点规划与成员划分流程示意图;
图3为本发明实施例提供的基于最大最小蚁群算法的定制公交运行线路规划流程示意图;
图4为本发明实施例提供的为某中学提供的定制公交车路径规划方案示意图;
图5为本发明实施例提供的公交车调度策略流程示意图;
图6为本发明实施例提供的某中学的某一条定制公交车运行线路的公交车调度方案示意图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种基于公交车的城市通勤班车规划方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器,该方法包括:
S1,获取某组织机构的单位地址及各成员家庭住址,具体可以包括以下步骤:
S11,收集某组织机构的单位地址及各成员家庭住址;
本实施例中,所述组织机构包括:企业、学校、政府部门、事业单位等一切社会团体,随着信息化技术的发展,许多社会团体已具备独立的数据中心,积累了大量的团体成员信息,可将其中的家庭住址信息筛选出来,供通勤规划使用。若某些社会团体尚不具备数据中心,可通过表格等现代化办公工具,收集成员家庭住址信息,供通勤规划使用。
S12,对收集的单位地址及各成员家庭住址信息进行数据清洗;
本实施例中,为保证通勤规划的有效性及可靠性,需采用大数据平台对收集的单位地址及各成员家庭住址信息进行数据清洗,包括噪声数据的清洗、空值数据的清洗、非法数据的清洗以及自定义清洗;其中,
噪声数据的清洗是指对于家庭住址明显超出单位所在省市范围或单位自定义区域范围的数据,应再次同成员进行确认,若地址无误,则整体的通勤规划不考虑该成员,由其自行解决通勤问题;若地址有误,则进行地址勘误;
空值数据的清洗是指对于家庭住址缺省的成员,同样再次与成员进行确认,获取其家庭住址信息;
非法数据的清洗是指对于出现拼写错误或地址解析无效的数据,应当及时确认,进行更正;
自定义清洗是指删除距离单位过近的成员,该部分成员可自行步行到达单位,不需要乘坐交通工具。
S13,调用现有的地图服务平台,输入经过清洗的单位地址及各成员家庭住址,获取单位地址及各成员家庭住址的经纬度。
本实施例中,通过接口调用现有的地图服务平台,例如,百度地图、高德地图、谷歌地图等,输入经过清洗的单位地址及各成员家庭住址,获取单位地址及各成员家庭住址对应的经纬度。
S2,根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点,具体可以包括以下步骤:
S21,采用聚类方法(例如,K-means聚类、HAC层次凝聚聚类法或最大最小距离聚类算法)对成员家庭住址进行聚类,并选取聚类中心作为定制公交停靠站点,各成员根据所划分的簇选择对应站点乘车,如图2所示,具体可以包括以下步骤:
S211,设置成员到站点的最大可接受距离;
S212,根据成员到站点的最大可接受距离,初始化定制公交停靠站点位置,确定定制公交停靠站点个数,并进行初步的成员归属划分,具体可以包括以下步骤:
A1,在所有成员家庭住址中,随机选取一成员家庭住址作为一个初始站点;
A2,以选取的初始站点为簇心,计算各成员到该初始站点的距离,将距离该初始站点小于最大可接受距离的成员归为以该初始站点为簇心的一个簇;
本实施例中,由于地球为椭圆形,在计算经纬度坐标之间的距离需考虑到弧度对其的影响,因此采用球面余弦定理,计算各成员到该站点的距离。假设某成员家庭住址和站点的经纬度坐标分别为A(x1,y1)和B(x2,y2),两者之间距离dist(A,B)的具体计算公式如下:
dist(A,B)=arccos(d1+d2)×6371×1.61 (2-3)
A3,将上述成员加入禁忌表中,不再供选择,若剩下的成员数不为0,在剩下的成员中随机选取成员家庭住址作为新的初始站点,返回步骤A2继续执行,直到所有成员都有归属的定制公交停靠站点,此时初始化完成,执行S213进行优化。
S213,采用优化策略,不断更新迭代定制公交停靠站点位置以及成员划分,得到最优定制公交停靠站点分布与成员划分,具体可以包括以下步骤:
B1,计算每个簇的中心位置,并将该中心位置作为新的站点选址,替换先前的站点;
B2,以新站点为簇心,计算各成员到各站点的距离,将成员分配到距离最近的站点中;
B3,判定预设的准则函数是否收敛或簇心不再发生变化,若准则函数不收敛且簇心有变化,则返回步骤B1继续执行,直至预设的准则函数收敛于某值或者簇心不再发生变化。
本实施例中,准则函数选取误差平方和SSE,其计算公式如下:
其中,N(Ci)是第i个簇类的个数,xij为第i个簇类的第j个元素,Ci则为第i个簇类的簇心坐标。
S22,根据现有路网和公交站点,对聚类所得到的定制公交停靠站点进行优化,使得定制公交停靠站点位于开放道路上并与原有公交站点重合,具体可以包括以下步骤:
S221,基于地图服务平台,将聚类所得到的定制公交停靠站点结果,挪到开放道路上;
S222,根据开放道路上定制公交停靠站点的定制结果,若定制公交停靠站点距离现有公交站点小于设定距离,则将定制公交停靠站点移至与现有公交站点重合的位置。
S3,根据定制公交停靠站点规划结果,采用启发式算法设计定制公交运行线路;
本实施例中,所述启发式算法包括:蚁群算法、遗传算法或模拟退火算法。
本实施例中,根据规划的定制公交停靠站点,以最大最小蚁群算法为例,设计定制公交运行路线。在该规划中,以最小化定制公交车数量和最小化定制公交车行驶距离为路径优化目标。根据定制公交车站点的成员是否可以来自多个不同的单位,路径规划问题可分为多目标不可拆分车辆路径规划问题(Vehicle Routing Problem,VRP)与可拆分车辆路径规划问题(Split Demand Vehicle Routing Problem,SDVRP)。
首先,建立车辆路径规划模型,定制公交车路径规划可定义为一个无向图G=(V,E),其中,V={0,1,...,K},0表示起始点和终点,其他值为车辆停靠站点序号;E={(i,j),0≤i,j≤K}表示站点之间的路径。现有P辆车辆从单位出发,访问所有K个站点,车辆在不超过承载量以及行驶路程不超过规定值的前提下,根据站点选择规则选择下一个站点,直到无法承载下一个站点的成员时,返回单位。
为了简化该车辆路径规划模型的复杂度,便于使用最大最小蚁群算法进行解的构建,进行以下假设:
①每辆车辆的容量均相等,设定最大容纳人数为40人;
②某一站点的成员均能在车辆经过该站点时到达站点并等候;
③车辆以单位为起始站点出发,经过规划好的站点后,回到单位(终点);
④车辆的容量有装载能力限制,且承载人数不得超过最大载重量。
VRP问题与SDVRP问题的主要区别在于车辆站点的需求是否拆分,因此两者在模型中约束条件是不同的。
VRP问题的约束条件:
在上述VRP问题的约束条件中,式(3-1)表示每条车辆行驶路线的所载成员数不超过车辆的最大容量C;式(3-2)表示每个停靠站点只能被一辆车辆服务;式(3-3)表示停靠站点j只能有一辆车辆服务一次;式(3-4)表示每辆车辆离开停靠站点的次数不能多于1;式(3-5)表示车辆从单位出发,最终回到单位,形成闭合回路;式(3-6)表示每辆车辆的行驶时间不超过车辆最大行驶时间Tmax;式(3-7)表示车辆经过某个站点后,该站点的所有成员全部上车,具体参数的含义见表1。
SDVRP问题的约束条件:
在上述SDVRP问题的约束条件中,式(3-8)表示在每个停靠站点上车的人数不大于该站点的人数;式(3-9)表示每个停靠站点的所有成员都会上车;式(3-10)表示每条车辆路径的车载成员数小于等于车辆的最大容量;式(3-11)表示车辆进入停靠站点后,一定会离开该停靠站点;式(3-12)表示每辆车辆从单位出发,最终回到单位;式(3-13)表示每辆车辆回到单位的行驶时间小于等与车辆最大行驶时间,具体参数的含义见表1。
表1数学模型相关符号物理意义说明
符号 | 物理含义 |
S | 表示单位与乘车站点集合。 |
V | 表示路径优化后所需车辆集合。 |
C | 表示单个车辆可承载最大容量 |
i,j | 表示车辆站点序号 |
v | 表示车辆序号 |
p | 表示车辆行驶的速度 |
T<sub>max</sub> | 表示车辆行驶的最长时间 |
q<sub>i</sub> | 表示站点i等候成员人数 |
y<sub>iv</sub> | 表示车辆v是否经过站点i |
W<sub>iv</sub> | 表示在车辆站点i上车的人数 |
D<sub>ij</sub> | 表示站点i到站点j之间的距离 |
Q<sub>iv</sub> | 表示车辆v经过站点i后的容量 |
Q<sub>jv</sub> | 表示车辆v经过站点j后的容量 |
x<sub>ijv</sub> | 表示车辆v是否由站点i到站点j |
x<sub>0jv</sub> | 表示车辆v是否由起始点/终点到站点j |
x<sub>j0v</sub> | 表示车辆v是否经由站点j返回起点/终点 |
q<sub>j</sub> | 表示站点j的等候成员人数 |
本实施例中,针对最小化定制公交车数量,建立最小车辆数量的目标函数:
针对最小化定制公交车行驶距离,建立最小化车辆行驶距离的目标函数:
采用线性规划将上述的多目标函数转换成单目标函数,得到所述车辆路径规划模型的目标函数表示为:
其中,fpath表示车辆路径规划模型的目标函数,Dij表示站点i到站点j之间的距离,xijv表示车辆v是否由站点i到站点j,x0jv表示车辆v是否由起始点/终点到站点j,如公式(3-17)所示:
基于上述建立的模型,采用最大最小蚁群算法进行设计,参照图3所示,包括以下步骤:
S31,构造初始解。
在本实施例中,采用最近距离插入算法构造初始解,具体步骤如下:
C1,构造初始子路径。从单位出发,在停靠站点中寻找距离单位最近的站点i,构建一条由单位至站点i,再返回单位的闭合子路径0→i→0;
C2,更新可选站点列表。根据车辆容量以及最大行驶时间的限制,生成可选站点列表。
C3,选择插入站点j。计算可选站点列表中各个站点与子路径中各个站点的距离,并选取距离最小的站点作为插入站点。
C4,选择具体插入位置。找到被插入子路中的路径弧段(m,n)。根据式(3-17)计算衡量指标dj,即将站点j插入到某弧段中增加的距离,选取使dj最小的路径弧段作为站点j的插入位置。
dj=d(m,j)+d(n,j)-d(m,n) (3-17)
其中,d(m,j)表示站点m到站点j的行驶距离,d(n,j)表示站点n到站点j的行驶距离,d(m,n)表示站点m到站点n的行驶距离;
循环上述步骤C2-C4直至可选站点列表为空或遍历所有站点。当可选站点为空时,跳转到步骤一进行下一辆车辆的路径构建,直至遍历所有站点,完成所有车辆的子路径构建。
S32,根据初始解,对道路的信息素进行初始化。
本实施例中,将信息素的初始值τ(0)设置成如下公式(3-18)所示。其中,f0为初始解的目标函数值。
S33,进行可行解的构造,依据道路信息素浓度,采取状态转移规则,构造满足约束要求的可行路径。
本实施例中,假设有m组蚂蚁,每一组蚂蚁所组成的子回路集合看成一个可行解,其中,每组蚂蚁中的任意一只蚂蚁所构造的路径为一辆车辆所走的路径,每组蚂蚁的个数即为车辆数,通过所有组蚂蚁共同协作搜索路径规划的最优解。在每组蚂蚁构造可行解过程中,为每只蚂蚁设置禁忌表记录其所行走的路径,即第a组蚂蚁的第b只蚂蚁在构造一辆车辆行驶路径的过程中,其从单位出发访问第一个停靠站点j采取的方法为随机选择,随后站点的选择采取状态转移规则,直到满足容量及时间限制的允许访问站点序列为空时,则回到单位,构成禁忌表当第a组蚂蚁遍历完所有停靠站点时,该可行解为m组蚂蚁则生成m组可行解。
在实施例中,每只蚂蚁在选取下一个站点时采用的状态转移规则如公式(3-19)、(3-20)所示。其中,q0为(0,1)之间的常量,q为在(0,1)区间内的随机数。当q≤q0时,采用确定的站点选择方式,即选取信息素浓度τij(t)与启发函数ηij(t)乘积中最大的一个站点作为下一停靠的站点。当q>q0时,运用式(3-20)计算当前站点i与所有未访问的站点之间的转移概率pij(t),并引入轮盘赌算法根据转移概率进行随机选择,确定下一个选择的站点。
其中,τij(t)为更新前路径(i,j)上的信息素浓度;α为信息素因子;β为启发因子;q0为预先设置的一个[0,1)的常量,表示选择确定的站点选择方式的概率;q为[0,1)区间的随机数,用于随机选择当前的下一站点选择策略,确定的站点选择方式或轮盘赌算法;allowed表示可以被选择为下一站点的候选站点集合;
S34,根据所构造的可行解,进行道路信息素的更新。
其中,表示经过此次更新,增加的信息素浓度;ρ取值为[0,1),表示信息素挥发因子,(1-ρ)为信息素残留因子,ρ的大小影响算法的全局搜索能力与收敛速度,τij(t)为更新前路径(i,j)上的信息素浓度,τij(t+n)为更新后信息素的浓度,fbest为本次迭代的最优目标函数值,Tourbest为本次迭代最优解对应的车辆路径规划集合。
S35,返回S33继续执行,构造可行解并迭代更新道路信息素,直至满足迭代停止条件,输出全局最优解,得到最优定制公交车路径规划。
图4是为某中学提供的定制公交车路径规划方案,图4中展示了其中一辆定制公交车的运行路线,红色图标表示起点和终点,蓝色图标表示停靠站点,绿色折线表示运行轨迹,详细路线描述见图右侧。
S4,根据运行线路设计结果,制定公交调度方案,即:从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务,如图5所示,具体可以包括以下步骤:
S41,根据运行线路设计结果,确定每条运行路线所覆盖的区域;
本实施例中,首先获取每条线路的起始点和途经点;然后将起始点和途经点连接成多边形区域,作为每条运行路线覆盖的区域。
S42,统计每条运行路线所覆盖区域的现有公交线路;
本实施例中,根据生成的多边形区域,统计此区域内的所有公交站点;根据所得到的公交站点,统计经停各个公交站点的公交线路,由此得到每条运行路线所覆盖区域的现有公交线路。
S43,选择与该区域重合度最高的公交线路,作为借调对象,在早晚高峰期间执行对应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。
本实施例中,根据所得到的每条运行路线所覆盖区域的现有公交线路,计算每条公交线路在该区域内经停的总公交站数;根据在该区域内经停的总公交站数,对公交线路进行排序;选出在该区域内经停站数最多的前三路公交线路,供选择使用;与公交车运营公司进行洽谈,结合其实际公交线路排期,日常乘客流量等因素,从经停站数最多的前三路公交线路中选择合适的公交车,执行对应的定制公交线路。这样,能够解决当前通勤效率低下以及交通拥堵的现状,同时优化营运成本实现经济高效的城市通勤。
图6为某中学的某一条定制公交车运行线路的公交车调度方案。
本发明实施例提供的基于公交车的城市通勤班车规划方法,至少具有以下有益效果:
1)利用公共交通资源,为社会团体提供定制化的公交出行服务,解决城市日常通勤问题,缓解交通压力,放大资源效能,这将是未来城市公共交通发展的重要方向之一;
2)适用范围广,可用于企业、学校、政府部门、事业单位等一切社会团体进行通勤班车路线的规划,并指派现有公交车执行所规划的路线,为该团体成员提供高效便捷的通勤方式;
3)通过合理的站点规划、路线规划以及公交调度,在提高通勤人群通勤效率的同时也最大程度地降低了定制公交的营运成本,具有高度可行性;
4)最小化公交车在早晚高峰定制通勤路线与常态化交通运输路线之间调度的代价,实现了经济高效的城市通勤。
图7是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述基于公交车的城市通勤班车规划方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述基于公交车的城市通勤班车规划方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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保护范围之内。
Claims (10)
1.一种基于公交车的城市通勤班车规划方法,其特征在于,包括:
获取某组织机构的单位地址及各成员家庭住址;
根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点;
根据定制公交停靠站点规划结果,采用启发式算法设计定制公交运行线路;
根据运行线路设计结果,从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。
2.根据权利要求1所述的基于公交车的城市通勤班车规划方法,其特征在于,所述获取某组织机构的单位地址及各成员家庭住址包括:
收集某组织机构的单位地址及各成员家庭住址;
对收集的单位地址及各成员家庭住址信息进行数据清洗;
调用现有的地图服务平台,输入经过清洗的单位地址及各成员家庭住址,获取单位地址及各成员家庭住址的经纬度。
3.根据权利要求1所述的基于公交车的城市通勤班车规划方法,其特征在于,所述根据获取的单位地址、各成员家庭住址以及周边现有公交站点,规划定制公交停靠站点,并划分各成员乘车的定制公交停靠站点包括:
采用聚类方法对成员家庭住址进行聚类,并选取聚类中心作为定制公交停靠站点,各成员根据所划分的簇选择对应的定制公交停靠站点乘车;
根据现有路网和公交站点,对聚类所得到的定制公交停靠站点进行优化,使得定制公交停靠站点位于开放道路上并与原有公交站点重合。
4.根据权利要求3所述的基于公交车的城市通勤班车规划方法,其特征在于,所述聚类方法包括:K-means聚类、HAC层次凝聚聚类法或最大最小距离聚类算法。
5.根据权利要求3所述的基于公交车的城市通勤班车规划方法,其特征在于,所述采用聚类方法对成员家庭住址进行聚类,并选取聚类中心作为定制公交停靠站点,各成员根据所划分的簇选择对应的定制公交停靠站点乘车包括:
设置成员到站点的最大可接受距离;
根据成员到站点的最大可接受距离,初始化定制公交停靠站点位置,确定定制公交停靠站点个数,并进行初步的成员归属划分;
采用优化策略,不断更新迭代定制公交停靠站点位置以及成员划分,得到最优定制公交停靠站点分布与成员划分。
6.根据权利要求4所述的基于公交车的城市通勤班车规划方法,其特征在于,所述根据成员到站点的最大可接受距离,初始化定制公交停靠站点位置,确定定制公交停靠站点个数,并进行初步的成员归属划分包括:
A1,在所有成员家庭住址中,随机选取一成员家庭住址作为一个初始站点;
A2,以选取的初始站点为簇心,计算各成员到该初始站点的距离,将距离该初始站点小于最大可接受距离的成员归为以该初始站点为簇心的一个簇;
A3,将上述成员加入禁忌表中,不再供选择,若剩下的成员数不为0,在剩下的成员中随机选取成员家庭住址作为新的初始站点,返回步骤A2继续执行,直到所有成员都有归属的定制公交停靠站点。
7.根据权利要求5所述的基于公交车的城市通勤班车规划方法,其特征在于,所述采用优化策略,不断更新迭代定制公交停靠站点位置以及成员划分,得到最优定制公交停靠站点分布与成员划分包括:
B1,计算每个簇的中心位置,并将该中心位置作为新的站点选址,替换先前的站点;
B2,以新站点为簇心,计算各成员到各站点的距离,将成员分配到距离最近的站点中;
B3,判定预设的准则函数是否收敛或簇心不再发生变化,若准则函数不收敛且簇心有变化,则返回步骤B1继续执行,直至预设的准则函数收敛于某值或者簇心不再发生变化。
8.根据权利要求3所述的基于公交车的城市通勤班车规划方法,其特征在于,所述根据现有路网和公交站点,对聚类所得到的定制公交停靠站点进行优化,使得定制公交停靠站点位于开放道路上并与原有公交站点重合包括:
基于地图服务平台,将聚类所得到的定制公交停靠站点结果,挪到开放道路上;
根据开放道路上定制公交停靠站点的定制结果,若定制公交停靠站点距离现有公交站点小于设定距离,则将定制公交停靠站点移至与现有公交站点重合的位置。
9.根据权利要求1所述的基于公交车的城市通勤班车规划方法,其特征在于,所述启发式算法包括:蚁群算法、遗传算法或模拟退火算法。
10.根据权利要求1所述的基于公交车的城市通勤班车规划方法,其特征在于,所述根据运行线路设计结果,从现有的公交线路中借调合适的车辆,在早晚高峰期间执行相应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务包括:
根据运行线路设计结果,确定每条运行路线所覆盖的区域;
统计每条运行路线所覆盖区域的现有公交线路;
选择与该区域重合度最高的公交线路,作为借调对象,在早晚高峰期间执行对应的定制公交线路,其他时间返回其原本线路执行常态的公共交通运输任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111258389.6A CN114092176A (zh) | 2021-10-27 | 2021-10-27 | 一种基于公交车的城市通勤班车规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111258389.6A CN114092176A (zh) | 2021-10-27 | 2021-10-27 | 一种基于公交车的城市通勤班车规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092176A true CN114092176A (zh) | 2022-02-25 |
Family
ID=80297898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111258389.6A Pending CN114092176A (zh) | 2021-10-27 | 2021-10-27 | 一种基于公交车的城市通勤班车规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092176A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898551A (zh) * | 2022-03-16 | 2022-08-12 | 深圳市综合交通与市政工程设计研究总院有限公司 | 一种城市常规公交交通线网交通量调查方法 |
CN115034522A (zh) * | 2022-08-10 | 2022-09-09 | 深圳市四格互联信息技术有限公司 | 基于员工下班时间及下车站点的通勤班车动态调度方法 |
CN115048590A (zh) * | 2022-05-31 | 2022-09-13 | 北京交通大学 | 一种面向隐私保护的基于联邦分析的班车定制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099674A (ja) * | 2004-09-30 | 2006-04-13 | Nikko Business Systems Co Ltd | 通勤経路演算システム及び演算方法 |
CN109764884A (zh) * | 2019-01-02 | 2019-05-17 | 北京科技大学 | 一种校车路径规划方法及规划装置 |
CN110245774A (zh) * | 2019-04-02 | 2019-09-17 | 上海钛捷信息科技有限公司 | 一种根据员工家庭住址进行班车线路优化的方法 |
-
2021
- 2021-10-27 CN CN202111258389.6A patent/CN114092176A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099674A (ja) * | 2004-09-30 | 2006-04-13 | Nikko Business Systems Co Ltd | 通勤経路演算システム及び演算方法 |
CN109764884A (zh) * | 2019-01-02 | 2019-05-17 | 北京科技大学 | 一种校车路径规划方法及规划装置 |
CN110245774A (zh) * | 2019-04-02 | 2019-09-17 | 上海钛捷信息科技有限公司 | 一种根据员工家庭住址进行班车线路优化的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898551A (zh) * | 2022-03-16 | 2022-08-12 | 深圳市综合交通与市政工程设计研究总院有限公司 | 一种城市常规公交交通线网交通量调查方法 |
CN115048590A (zh) * | 2022-05-31 | 2022-09-13 | 北京交通大学 | 一种面向隐私保护的基于联邦分析的班车定制方法 |
CN115034522A (zh) * | 2022-08-10 | 2022-09-09 | 深圳市四格互联信息技术有限公司 | 基于员工下班时间及下车站点的通勤班车动态调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
CN114092176A (zh) | 一种基于公交车的城市通勤班车规划方法 | |
Lai et al. | Urban traffic Coulomb’s law: A new approach for taxi route recommendation | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
Jäger et al. | Agent-based simulation of a shared, autonomous and electric on-demand mobility solution | |
CN113780808B (zh) | 基于柔性公交接驳系统线的车辆服务属性决策优化方法 | |
Chang et al. | A cooperative strategy for optimizing vehicle relocations and staff movements in cities where several carsharing companies operate simultaneously | |
CN112766614A (zh) | 一种基于两阶段启发式算法的动态车辆路径优化方法 | |
Yang et al. | Who is more likely to get a ride and where is easier to be picked up in ride-sharing mode? | |
Chen et al. | Reposition optimization in free-floating bike-sharing system: A case study in Shenzhen City | |
Lai et al. | Data-driven flexible vehicle scheduling and route optimization | |
CN107153891A (zh) | 区域转移调度方法、装置、设备及存储介质 | |
Wang et al. | A dynamic graph-based many-to-one ride-matching approach for shared autonomous electric vehicles | |
Wei et al. | Optimal routing design of feeder transit with stop selection using aggregated cell phone data and open source GIS tool | |
Yan et al. | Catcharger: Deploying in-motion wireless chargers in a metropolitan road network via categorization and clustering of vehicle traffic | |
CN112669603B (zh) | 基于大数据的城市交通协同方法及装置 | |
Yue et al. | Classification and determinants of high-speed rail stations using multi-source data: A case study in Jiangsu Province, China | |
Mei et al. | Optimizing the configuration of electric vehicle charging piles in public parking lots based on a multi-agent model | |
Díaz-Parra et al. | Editorial for Volume 11 Number 2: Electric School Bus Routing Problem for Smart Cities | |
Fang et al. | Estimating optimal substitution scale of urban gasoline taxis by electric taxis in the era of green energy: a case study of Zhengzhou City | |
Huang et al. | An analysis of the taxi-sharing organizing and pricing | |
CN112418535A (zh) | 基于二叉树的校车调度规划方法 | |
Jiang et al. | Cruising or waiting: A shared recommender system for taxi drivers | |
Tu et al. | Deep online recommendations for connected E-taxis by coupling trajectory mining and reinforcement learning |
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 |