CN114186146A - 带容量限制的网约车服务网点选址方法及系统 - Google Patents
带容量限制的网约车服务网点选址方法及系统 Download PDFInfo
- Publication number
- CN114186146A CN114186146A CN202111525998.3A CN202111525998A CN114186146A CN 114186146 A CN114186146 A CN 114186146A CN 202111525998 A CN202111525998 A CN 202111525998A CN 114186146 A CN114186146 A CN 114186146A
- Authority
- CN
- China
- Prior art keywords
- service
- network
- appointment
- site
- traffic
- 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.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000032823 cell division Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种带容量限制的网约车服务网点选址方法,该方法包括:利用网约车上装配的GPS采集订单数据;采用K‑means与FCM相结合的改进算法划分交通小区;建立预测模型预测各个交通小区网约车停车需求量;确定备选服务网点的数量和位置;建立带容量限制的网约车服务网点选址问题的数学模型;利用遗传算法对模型进行编码求解。通过上述方法,可确定某区域内应布设的服务网点数量和位置,标准化、规范化网约车服务网点的管理,提高网约车运营效率。
Description
技术领域
本发明涉及服务网点选址领域,尤其涉及一种带容量限制的网约车服务网点选址方法及系统。
背景技术
随着移动互联网的蓬勃发展,滴滴等网约车成为人们出行不可或缺的一种选择,但是由于网约车公司缺乏对于旗下网约车的规范管理,导致其服务水平不断降低,这不仅给网约车公司带来极大的管理挑战,也对市民的生活出行产生了不利的影响,因此合理地选择网约车服务站点对网约车站点标准化、规范化管理,提高运营效率,促进资源的合理分配尤为重要。
发明内容
本发明主要目的在于提供一种可提高运营效率,促进资源的合理分配的带容量限制的网约车服务网点选址方法及系统。
本发明所采用的技术方案是:
提供一种带容量限制的网约车服务网点选址方法,包括步骤:
S1、利用网约车上装配的GPS采集订单数据;
S2、利用K-means与FCM相结合的改进算法划分交通小区;
S3、利用各个交通小区的高峰停车数与网约车出发地的O点数目、高峰停车数与网约车目的地的D点数目进行一元线性回归和二次多项式回归分析并拟合函数,依据拟合函数的拟合优度R方,选择最优的拟合函数建立停车需求预测模型;
S4、根据停车需求预测模型确定的各个交通小区停车需求量,以及服务网点的容量限制得到各个交通小区应设置的备选服务网点个数,并结合服务网点选址主要遵循的原则确定备选服务网点的位置;
S5、根据备选服务网点个数和选址位置,并以到达、接受服务、离去3个过程时间和目的地交通小区的乘客需求量为主要影响因素,以网约车到达服务站点的总行驶时间最短为目标,建立带容量限制的优化选址模型;
S6、利用遗传算法对带容量限制的优化选址模型进行编码求解。
接上述技术方案,步骤S1具体为:根据车辆上安装的定位GPS定位仪检测车辆的标识信息、经纬度信息和时间信息,并将检测到的信息发送给服务器,服务器将接收到的车辆定位发送过来的信息进行筛选过滤处理,去除无用属性、去除日期格式,最终得到车辆的起点和终点信息。
接上述技术方案,步骤S2具体包括以下分步骤:
S21、基于模糊C均值聚类(Fuzzy C-means,FCM)选取值在0,1之间的随机数初始化网约车起讫点的隶属矩阵U;
S22、根据隶属矩阵U计算交通小区的个数c及中心;
S23、代入隶属矩阵U、交通小区个数c、网约车起讫点的距离计算代价函数,如果代价函数相较于上一次运算的结果差别小于给定阈值,则转至步骤S25,否则进行步骤S24;
S24、更新网约车起讫点的隶属度矩阵U,并返回步骤S22;
S25、将计算得到的交通小区的个数c及中心作为K-means的初始化参数,利用K-means精细划分各个交通小区。
接上述技术方案,服务网点选址原则为:(1)在城市干道50米范围内;(2)距离学校周围200m外;(3)公共停车场周围100m外;(4)在配建停车场主体周围200m~300m范围内。
接上述技术方案,步骤S6具体包括以下步骤:
S61、获取带容量限制的优化选址模型的数据;
S62、采用0-1编码对带容量限制的优化选址模型中的决策变量进行编码处理;
S63、对特定的选址个数w进行遗传操作①选择操作:依据概率进行基因集的选择与复制;②交叉操作:设定交叉概率随机变换解集编码位信息;③变异操作:依概率选择个体进行变异操作;
S64、判断最优个体的适应度是否到达到给定的阈值,如果是,对确定的选址个数w输出计算结果,包括选址布局方案、服务网点的容量、最优化时间,并令w=w+1;否则,执行步骤S63;
S65、比较选址个数w与备选服务网点个数M的大小,如果w≤M,则执行步骤S63;否则,算法结束;
S66、比较不同的选址方案的时间,取时间最短的为最佳选址方案。
接上述技术方案,网约车服务站点优化选址模型为:
M≤P
xik≥0,ykj≥0
其中,A为交通小区个数,Ai为交通小区i的网约车服务需求量,N为备选站点集合,M为从备选服务站点集合N中选择的服务站点的个数,Dj小区j的网约车乘客需求量,tk为网约车在服务站点接受服务的时间,xik为从小区i到服务站点k的网约车服务需求量,tik为从小区i到服务站点k的行驶时间,ykj为从服务站点k到交通小区j的网约车数量,tkj为从服务站点k到交通小区j的行驶时间,P为网约车服务网点允许建设个数的上限,为服务站点k的最大、最小规模限制,
本发明还提供了一种带容量限制的网约车服务网点选址系统,包括:
数据采集模块,用于利用网约车上装配的GPS采集订单数据;
交通小区划分模块,用于利用K-means与FCM相结合的改进算法划分交通小区;
停车需求预测模型构建模块,用于利用各个交通小区的高峰停车数与网约车出发地的O点数目、高峰停车数与网约车目的地的D点数目进行一元线性回归和二次多项式回归分析并拟合函数,依据拟合函数的拟合优度R方,选择最优的拟合函数建立停车需求预测模型;
服务网点确定模块,用于根据停车需求预测模型确定的各个交通小区停车需求量,以及服务网点的容量限制得到各个交通小区应设置的备选服务网点个数,并结合服务网点选址主要遵循的原则确定备选服务网点的位置;
优化选址模型构建模块,用于根据备选服务网点个数和选址位置,并以到达、接受服务、离去3个过程时间和目的地交通小区的乘客需求量为主要影响因素,以网约车到达服务站点的总行驶时间最短为目标,建立带容量限制的优化选址模型;
模型求解模块,用于利用遗传算法对带容量限制的优化选址模型进行编码求解。
接上述技术方案,模型求解模块具体用于实现以下步骤:
S61、获取带容量限制的优化选址模型的数据;
S62、采用0-1编码对带容量限制的优化选址模型中的决策变量进行编码处理;
S63、对特定的选址个数w进行遗传操作①选择操作:依据概率进行基因集的选择与复制;②交叉操作:设定交叉概率随机变换解集编码位信息;③变异操作:依概率选择个体进行变异操作;
S64、判断最优个体的适应度是否到达到给定的阈值,如果是,对确定的选址个数w输出计算结果,包括选址布局方案、服务网点的容量、最优化时间,并令w=w+1;否则,执行步骤S63;
S65、比较选址个数w与备选服务网点个数M的大小,如果w≤M,则执行步骤S63;否则,算法结束;
S66、比较不同的选址方案的时间,取时间最短的为最佳选址方案。
接上述技术方案,网约车服务站点优化选址模型为:
M≤P
xik≥0,ykj≥0
其中,A为交通小区个数,Ai为交通小区i的网约车服务需求量,N为备选站点集合,M为从备选服务站点集合N中选择的服务站点的个数,Dj小区j的网约车乘客需求量,tk为网约车在服务站点接受服务的时间,xik为从小区i到服务站点k的网约车服务需求量,tik为从小区i到服务站点k的行驶时间,ykj为从服务站点k到交通小区j的网约车数量,tkj为从服务站点k到交通小区j的行驶时间,P为网约车服务网点允许建设个数的上限,为服务站点k的最大、最小规模限制,
本发明还提供了一种计算机存储介质,其可被处理器执行,且其内存储有计算机程序,该计算机程序执行上述技术方案所述的带容量限制的网约车服务网点选址方法。
本发明产生的有益效果是:本发明带容量限制的网约车服务网点选址方法综合考虑了网约车接受服务过程中前往站点、接受服务、离去3个过程的行驶时间,在此基础上考虑服务网点建设的容量限制,建立了优化选址模型,目的是使得网约车接受服务过程的总行驶时间最短,很好地平衡了服务站点的运营特性和交通特性,为城市网约车服务站点的选址规划提供了有益的指导和参考。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例带容量限制的网约车服务网点选址方法流程图;
图2为本发明实施例K-means与FCM相结合的改进算法划分交通小区流程图;
图3为本发明实施例提供的最优解的生成流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例带容量限制的网约车服务网点选址方法,具体包括以下步骤:
S1、利用网约车上装配的GPS采集订单数据;
S2、利用K-means与FCM相结合的改进算法划分交通小区;
S3、建立预测模型预测各个交通小区网约车停车需求量;
S4、确定备选服务网点的数量和位置;
S5、建立带容量限制的网约车服务网点选址问题的数学模型;
S6、利用遗传算法对模型进行编码求解。
步骤S1具体为:根据车辆上安装的定位GPS定位仪检测车辆的标识信息、经纬度信息和时间信息,并将检测到的信息发送给服务器,服务器将接收到的车辆定位发送过来的信息进行筛选过滤处理,去除无用属性、去除日期格式,最终得到车辆的起点和终点信息,包括:
其中,vidi表示第i辆车辆的标识,表示第i辆车辆的起点经度信息,表示第i辆车辆的终点经度信息,表示第i辆车辆的起点纬度信息,表示第i辆车辆的终点纬度信息,表示第i辆车辆的起点时间信息,表示第i辆车辆的终点时间信息。
如图2所示,步骤S2具体包括以下分步骤:
S21、基于模糊C均值聚类算法(Fuzzy C-means,FCM)选取值在0,1之间的随机数初始化网约车起讫点的隶属矩阵U;
S22、根据隶属矩阵U计算交通小区的个数c及中心;
S23、代入隶属矩阵U、交通小区个数c、网约车起讫点的距离计算代价函数,如果代价函数相较于上一次运算的结果差别小于给定阈值,则转至步骤S25,否则进行步骤S24;
S24、更新网约车起讫点的隶属度矩阵U,并返回步骤S22;
S25、将计算得到的交通小区的个数c及中心作为K-means的初始化参数,利用K-means精细划分各个交通小区。
分步骤S21中隶属矩阵U为:
(uij)c×n
其中,n为数据集样本个数;c为指定划分的交通小区的个数;uij为隶属度,取0到1间的任意实数。
分步骤S22中根据隶属矩阵U计算交通小区个数的计算公式为:
其中,dij为样本j到交通小区i中心的距离;ni为第i个交通小区内起讫点的个数;Ri第i个交通小区的平均半径;Rinner对按通行量的加权平均,用于描述小区内部起讫点的紧密度,表征小区内交通的相似性;pij为小区i中心与小区j中心的距离;Router是全部交通小区中心两两距离之和,用于描述各交通小区间的分离度,表征小区间交通的差异性。
在同一小区内,交通特性应有很强的相似性,即Rinner要小;同时,不同小区间的交通特性应有足够的差异性,即Router要大,因此“划分系数”S越小,表征所对应的划分结果越优秀。
分步骤S22中根据隶属矩阵U计算交通小区中心的计算公式为:
其中,m为模糊聚类指数,xj为第j个数据样本。
分步骤S23中代价函数的计算公式为:
分步骤S24中更新网约车起讫点的隶属度矩阵U计算公式为:
U=(uij)c×n
分步骤S25中基于K-means精细划分各个交通小区的公式为;
其中,rij的含义为即根据样本与各小区中心的距离判定其所属的交通小区,rij取1代表属于该交通小区,否则不属于。
步骤S3具体为:选择某个交通小区作为研究对象,分别利用高峰停车数与O点数目、高峰停车数与D点数目进行一元线性回归和二次多项式回归分析,判断是否可建立模型,如果能,则得到拟合函数,然后依据拟合函数的拟合优度R方,选择最优的拟合函数作为停车需求预测模型,通过预测模型进行停车需求预测,从而实现对研究区域各个交通小区的停车需求预测。
更进一步地,高峰停车数为早高峰(7:00-10:00)和晚高峰(17:00-20:00)的停车数量不同类型停车场的停车数;
更进一步地,高峰停车数与O点数目的一元线性回归模型为:
更进一步地,高峰停车数与O点数目的二次多项式回归模型为:
更进一步地,高峰停车数与D点数目的一元线性回归模型为:
更进一步地,高峰停车数与D点数目的二次多项式回归模型为:
其中,表示停车小区f的停车需求预测值,xoi表示停车小区i的O点数目,ao表示高峰停车数与O点数目进行一元线性回归的回归系数,bo,co表示高峰停车数与O点数目进行二次多项式回归的回归系数,xdi表示交通小区i的D点数目,ad表示高峰停车数与D点数目进行一元线性回归的回归系数,bd,cd表示高峰停车数与D点数目进行二次多项式回归的回归系数。
步骤S4具体为:由步骤S3确定的各个交通小区停车需求量,结合服务网点的容量限制可得到各个交通小区应设置的服务网点个数,结合服务网点选址主要遵循的原则优先选择D点数目密集处作为备选服务网点的位置。
其中,服务网点选址原则为:(1)考虑到停车便利性,新建服务网点一般在城市干道50米范围内;(2)为避免造成学校周围交通拥堵、噪声以及尾气污染,不在学校周围200m内新建停车场;(3)为了避免与现有停车场服务范围重叠,降低原有停车场的利用率,因此一般不在现有公共停车场周围100m范围内修建;(4)如果是作为现有配建停车场的补充,新建公共停车场可在配建停车场主体周围200m~300m范围内靠近服务对象的区域修建。
步骤S5具体为:以到达、接受服务、离去3个过程时间和目的地交通小区的乘客需求量为主要影响因素,以网约车到达服务站点的总行驶时间最短为目标,建立了约束型的优化选址模型。
步骤S5的数学模型为:
M≤P
xik≥0,ykj≥0
其中,A为交通小区个数,Ai为交通小区i的网约车服务需求量,N为备选站点集合,M为从备选服务站点集合N中选择的服务站点的个数,Dj小区j的网约车乘客需求量,tk为网约车在服务站点接受服务的时间,xik为从小区i到服务站点k的网约车服务需求量,tik为从小区i到服务站点k的行驶时间,ykj为从服务站点k到交通小区j的网约车数量,tkj为从服务站点k到交通小区j的行驶时间,P为网约车服务网点允许建设个数的上限,为服务站点k的最大、最小规模限制,
如图3所示,步骤S6具体包括以下分步骤:
S61、获取带容量限制的优化选址模型的数据;
S62、采用0-1编码对带容量限制的优化选址模型中的决策变量进行编码处理;
S63、对特定的选址个数w进行遗传操作①选择操作:依据概率进行基因集的选择与复制;②交叉操作:设定交叉概率随机变换解集编码位信息;③变异操作:依概率选择个体进行变异操作;
S64、判断最优个体的适应度是否到达到给定的阈值,如果是,对确定的选址个数w输出计算结果,包括选址布局方案、服务网点的容量、最优化时间,并令w=w+1;否则,执行步骤S63;
S65、比较选址个数w与备选服务网点个数M的大小,如果w≤M,则执行步骤S63;否则,算法结束;
S66、比较不同的选址方案的时间,取时间最短的为最佳选址方案。
分步骤S61中获取的数据包括交通小区与网约车服务站点备选点的最短行驶时间矩阵以及服务站点需求量及乘客需求量,且假定各小区到网约车服务站点的往返最短时间相等,需要确定的服务站点需求量及乘客需求量可根据城市交通规划的调查或预测数据获得;分步骤S62中编码位串的长度为服务网点备选个数N,其中,1表示该备选站址选中,0表示未选中。
本发明还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质被处理器执行时实现方法实施例的带容量限制的网约车服务网点选址方法。
综上,本发明带容量限制的网约车服务网点选址方法,综合考虑了网约车接受服务过程中前往站点、接受服务、离去3个过程的行驶时间;在此基础上考虑服务网点建设的容量限制,建立了优化选址模型,目的是使得网约车接受服务过程的总行驶时间最短,很好地平衡了服务站点的运营特性和交通特性,为城市网约车服务站点的选址规划提供了有益的指导和参考。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种带容量限制的网约车服务网点选址方法,其特征在于,包括步骤:
S1、利用网约车上装配的GPS采集订单数据;
S2、利用K-means与FCM相结合的改进算法划分交通小区;
S3、利用各个交通小区的高峰停车数与网约车出发地的O点数目、高峰停车数与网约车目的地的D点数目进行一元线性回归和二次多项式回归分析并拟合函数,依据拟合函数的拟合优度R方,选择最优的拟合函数建立停车需求预测模型;
S4、根据停车需求预测模型确定的各个交通小区停车需求量,以及服务网点的容量限制得到各个交通小区应设置的备选服务网点个数,并结合服务网点选址主要遵循的原则确定备选服务网点的位置;
S5、根据备选服务网点个数和选址位置,并以到达、接受服务、离去3个过程时间和目的地交通小区的乘客需求量为主要影响因素,以网约车到达服务站点的总行驶时间最短为目标,建立带容量限制的优化选址模型;
S6、利用遗传算法对带容量限制的优化选址模型进行编码求解。
2.根据权利要求1所述的带容量限制的网约车服务网点选址方法,其特征在于,步骤S1具体为:根据车辆上安装的定位GPS定位仪检测车辆的标识信息、经纬度信息和时间信息,并将检测到的信息发送给服务器,服务器将接收到的车辆定位发送过来的信息进行筛选过滤处理,去除无用属性、去除日期格式,最终得到车辆的起点和终点信息。
3.根据权利要求1所述的带容量限制的网约车服务网点选址方法,其特征在于,步骤S2具体包括以下分步骤:
S21、基于模糊C均值聚类算法选取值在0,1之间的随机数初始化网约车起讫点的隶属矩阵U;
S22、根据隶属矩阵U计算交通小区的个数c及中心;
S23、代入隶属矩阵U、交通小区个数c、网约车起讫点的距离计算代价函数,如果代价函数相较于上一次运算的结果差别小于给定阈值,则转至步骤S25,否则进行步骤S24;
S24、更新网约车起讫点的隶属度矩阵U,并返回步骤S22;
S25、将计算得到的交通小区的个数c及中心作为K-means的初始化参数,利用K-means精细划分各个交通小区。
4.根据权利要求1所述的带容量限制的网约车服务网点选址方法,其特征在于,服务网点选址原则为:(1)在城市干道50米范围内;(2)距离学校周围200m外;(3)公共停车场周围100m外;(4)在配建停车场主体周围200m~300m范围内。
5.根据权利要求1所述的带容量限制的网约车服务网点选址方法,其特征在于,步骤S6具体包括以下步骤:
S61、获取带容量限制的优化选址模型的数据;
S62、采用0-1编码对带容量限制的优化选址模型中的决策变量进行编码处理;
S63、对特定的选址个数w进行遗传操作①选择操作:依据概率进行基因集的选择与复制;②交叉操作:设定交叉概率随机变换解集编码位信息;③变异操作:依概率选择个体进行变异操作;
S64、判断最优个体的适应度是否到达到给定的阈值,如果是,对确定的选址个数w输出计算结果,包括选址布局方案、服务网点的容量、最优化时间,并令w=w+1;否则,执行步骤S63;
S65、比较选址个数w与备选服务网点个数M的大小,如果w≤M,则执行步骤S63;否则,算法结束;
S66、比较不同的选址方案的时间,取时间最短的为最佳选址方案。
7.一种带容量限制的网约车服务网点选址系统,其特征在于,包括:
数据采集模块,用于利用网约车上装配的GPS采集订单数据;
交通小区划分模块,用于利用K-means与FCM相结合的改进算法划分交通小区;
停车需求预测模型构建模块,用于利用各个交通小区的高峰停车数与网约车出发地的O点数目、高峰停车数与网约车目的地的D点数目进行一元线性回归和二次多项式回归分析并拟合函数,依据拟合函数的拟合优度R方,选择最优的拟合函数建立停车需求预测模型;
服务网点确定模块,用于根据停车需求预测模型确定的各个交通小区停车需求量,以及服务网点的容量限制得到各个交通小区应设置的备选服务网点个数,并结合服务网点选址主要遵循的原则确定备选服务网点的位置;
优化选址模型构建模块,用于根据备选服务网点个数和选址位置,并以到达、接受服务、离去3个过程时间和目的地交通小区的乘客需求量为主要影响因素,以网约车到达服务站点的总行驶时间最短为目标,建立带容量限制的优化选址模型;
模型求解模块,用于利用遗传算法对带容量限制的优化选址模型进行编码求解。
8.根据权利要求7所述的带容量限制的网约车服务网点选址系统,其特征在于,模型求解模块具体用于实现以下步骤:
S61、获取带容量限制的优化选址模型的数据;
S62、采用0-1编码对带容量限制的优化选址模型中的决策变量进行编码处理;
S63、对特定的选址个数w进行遗传操作①选择操作:依据概率进行基因集的选择与复制;②交叉操作:设定交叉概率随机变换解集编码位信息;③变异操作:依概率选择个体进行变异操作;
S64、判断最优个体的适应度是否到达到给定的阈值,如果是,对确定的选址个数w输出计算结果,包括选址布局方案、服务网点的容量、最优化时间,并令w=w+1;否则,执行步骤S63;
S65、比较选址个数w与备选服务网点个数M的大小,如果w≤M,则执行步骤S63;否则,算法结束;
S66、比较不同的选址方案的时间,取时间最短的为最佳选址方案。
10.一种计算机存储介质,其特征在于,其可被处理器执行,且其内存储有计算机程序,该计算机程序执行权利要求1-6所述的带容量限制的网约车服务网点选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525998.3A CN114186146B (zh) | 2021-12-14 | 2021-12-14 | 带容量限制的网约车服务网点选址方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525998.3A CN114186146B (zh) | 2021-12-14 | 2021-12-14 | 带容量限制的网约车服务网点选址方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114186146A true CN114186146A (zh) | 2022-03-15 |
CN114186146B CN114186146B (zh) | 2023-06-30 |
Family
ID=80543745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525998.3A Active CN114186146B (zh) | 2021-12-14 | 2021-12-14 | 带容量限制的网约车服务网点选址方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186146B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757549A (zh) * | 2022-04-24 | 2022-07-15 | 中交第二航务工程勘察设计院有限公司 | 内河干流航道水上服务区功能与规模决策方法 |
CN116702954A (zh) * | 2023-05-16 | 2023-09-05 | 苏州大学 | 可移动服务设施长时动态选址方法、装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020058769A (ko) * | 2000-12-30 | 2002-07-12 | 이계철 | 통신망 원격국 치국계획 지원장치 및 방법 |
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN109583611A (zh) * | 2018-11-19 | 2019-04-05 | 北京航空航天大学 | 基于网约车数据的定制公交站点选址方法 |
CN110232398A (zh) * | 2019-04-24 | 2019-09-13 | 广东交通职业技术学院 | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 |
WO2019174620A1 (en) * | 2018-03-14 | 2019-09-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Devices and methods for processing service request |
-
2021
- 2021-12-14 CN CN202111525998.3A patent/CN114186146B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020058769A (ko) * | 2000-12-30 | 2002-07-12 | 이계철 | 통신망 원격국 치국계획 지원장치 및 방법 |
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
WO2019174620A1 (en) * | 2018-03-14 | 2019-09-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Devices and methods for processing service request |
CN110276462A (zh) * | 2018-03-14 | 2019-09-24 | 北京嘀嘀无限科技发展有限公司 | 约车、约车订单处理方法及装置 |
CN109583611A (zh) * | 2018-11-19 | 2019-04-05 | 北京航空航天大学 | 基于网约车数据的定制公交站点选址方法 |
CN110232398A (zh) * | 2019-04-24 | 2019-09-13 | 广东交通职业技术学院 | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 |
Non-Patent Citations (2)
Title |
---|
王晓轩: "《基于聚类的城市交通路网分区和交通状态判别》", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
王晓轩: "《基于聚类的城市交通路网分区和交通状态判别》", 《中国优秀硕士学位论文全文数据库(电子期刊)》, 28 February 2018 (2018-02-28), pages 0013 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757549A (zh) * | 2022-04-24 | 2022-07-15 | 中交第二航务工程勘察设计院有限公司 | 内河干流航道水上服务区功能与规模决策方法 |
CN116702954A (zh) * | 2023-05-16 | 2023-09-05 | 苏州大学 | 可移动服务设施长时动态选址方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114186146B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191896B (zh) | 个性化停车位推荐方法和系统 | |
US10160321B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
Rajabioun et al. | On-street and off-street parking availability prediction using multivariate spatiotemporal models | |
RU2406158C2 (ru) | Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира | |
CN114186146B (zh) | 带容量限制的网约车服务网点选址方法及系统 | |
Liu et al. | Exploiting heterogeneous human mobility patterns for intelligent bus routing | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
Tiedemann et al. | Concept of a data thread based parking space occupancy prediction in a berlin pilot region | |
CN109102114B (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
CN110766944A (zh) | 一种基于车辆轨迹大数据挖掘的停车位推荐方法 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN111581325B (zh) | 一种基于时空影响距离的K-means站点区域划分方法 | |
CN111931079A (zh) | 推荐网约车上车点的方法及系统 | |
CN115060278A (zh) | 基于多目标遗传算法的车辆智能换电导航方法和系统 | |
Pozo et al. | Prediction of on-street parking level of service based on random undersampling decision trees | |
Peng et al. | Searching parking spaces in urban environments based on non-stationary Poisson process analysis | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
Zhao et al. | Greenroute: a generalizable fuel-saving vehicular navigation service | |
Maric et al. | Parking search optimization in urban area | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN111429166B (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 | |
CN109146113B (zh) | 乘车需求量预测方法及系统 | |
CN112304326A (zh) | 出行路线规划方法、设备及存储介质 | |
Li et al. | Research on urban resident activity patterns and hotspot area based on GPS floating car data |
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 |