CN114240180A - 一种基于混合蚁群算法的多企业共享单车联合调度方法 - Google Patents

一种基于混合蚁群算法的多企业共享单车联合调度方法 Download PDF

Info

Publication number
CN114240180A
CN114240180A CN202111565486.XA CN202111565486A CN114240180A CN 114240180 A CN114240180 A CN 114240180A CN 202111565486 A CN202111565486 A CN 202111565486A CN 114240180 A CN114240180 A CN 114240180A
Authority
CN
China
Prior art keywords
enterprise
vehicle
ant colony
scheduling
colony algorithm
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
Application number
CN202111565486.XA
Other languages
English (en)
Inventor
赵达
石宇良
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.)
Beijing University of Technology
Original Assignee
Beijing University 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111565486.XA priority Critical patent/CN114240180A/zh
Publication of CN114240180A publication Critical patent/CN114240180A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/0645—Rental transactions; Leasing transactions
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合蚁群算法的多企业共享单车联合调度方法，包括以下步骤：共享单车停放站点数据集建立；影响共享单车借还需求量特征分析；各个企业的共享单车借还需求量预测；基于混合蚁群算法的多企业联合调度；本发明从多个共享单车企业的全局角度入手，联合调度解决共享单车整体资源分配失衡所造成的问题，支持多企业联合调度同时也支持适用于传统的单个企业共享单车调度，不仅能够整体提高所有企业的共享单车利用率，还能够提高城市街道形象。本发明使用混合蚁群算法进行调度方案求解，比传统蚁群算法，迭代速度快，且结果更优。

Description

一种基于混合蚁群算法的多企业共享单车联合调度方法
技术领域
本发明属于共享资源调度技术领域，对于共享资源除了通过提前规划自然造成资源调度，还可以通过人工调度来提高资源的使用率，减少资源的浪费，避免资源过度堆积或者没有资源可用的情况。
背景技术
共享经济给人们的生活带来的前所未有的遍历，极大地提高了消费体验和资源的使用率。随着共享经济的到来，我国共享单车发展迅速，极大程度地改变了我国居民出行方式，目前共享单车已经成为居民出行的重要交通工具。虽然我国城市共享单车资源配置大体稳定，但是还存在一定的不合理之处，需要进行共享单车调度进行资源合理分配。
共享单车的调度分为两种，一种自然调度，另一种是人工调度。自然调度是通过对共享单车系统提前做出合理的规划，对停放站点地点设置、布局，共享单车借还量做出精准预测，利用人们出行规律实现共享单车资源自然平衡。人工调度干预分为两个方向：第一个方向就是干预共享单车用户，通过使用现金红包等奖励机制，激励用户停放在指定地点，或者设置不可停放共享单车区域来限制用户骑行的终点。第二个方向就是通过企业各地区的调度中心工作人员使用交通运输工具从各停放站点之间和停放站点与调度中心之间运输共享单车，从而使共享单车资源再度达到平衡。
目前主流的共享单车调度研究方向都是针对企业和用户的，很少有针对第三方联合调度多企业使用的方案，我国应该充分利用公共资源，来提高人们出行水平并让企业履行社会责任。由于共享单车企业只能看到自己管理的共享单车位置和行程信息，企业和企业由于竞争关系导致数据不互通，容易造成恶性竞争，通过投放大量的共享单车来提高自己的市场份额，这样不仅会造成公共资源浪费，也会造成一些高峰停放站点堆积超额的单车造成交通拥堵，城市街道形象被破坏。所以本发明是一个适用于多企业共享单车联合调度的方法，第三方管控方可以使用该方法作为城市的所有共享单车企业联合调度的总指挥。
发明内容
多企业共享单车资源联合调度要从全局考虑整个城市所有企业的共享单车，除了要保证调度量的准确性和时效性，还要保证企业之间的公平性。针对现在大部分方法都没有区分不同企业进行调度，所以无法保证调度的公平。由于共享单车停放站点很多，规划调度中心调度各地的共享单车，同时为了保证时效性，运输路径和车的数量要尽量最低，控制企业调度成本，这属于车辆路径问题(VRP)，这种问题属于NP-hard问题，为了保证在分钟级别时间内算出结果，不能使用传统的精确算法进行最优解求取，而是需要使用现代启发式算法-蚁群算法求得近似最优解，为了保证蚁群算法在本应用场景下的准确度和计算速度，需要使用遗传算法对蚁群算法初始状态进行优化，从而加快蚁群算法计算速度，降低结果路线的运输成本。
本发明适用于第三方管控多企业共享单车联合调度的方法。包括以下步骤：
步骤1，共享单车停放站点数据集建立
我国共享单车类型是无桩式共享单车，为了方便第三方管控部门和企业在一些特殊地区管理共享单车，会设立规划的停放站点，但是还有大部分区域都是自主停放站点。这些自主停放站点需要我们进行数据处理分析出自主停放站点的位置。本发明采用mean-shift聚类算法对各个企业共享单车骑行起点和终点进行聚类，从而确立共享单车自主停放站点的位置，最后将规划站点与自主站点进行合并去重，建立共享单车停放站点数据集，并且统计每个时间段共享单车站点净需求量，根据站点面积规定每个站点可容纳共享单车的数量。
步骤2，影响共享单车借还需求量特征分析
第三方管控部门要对企业共享单车进行合理的调度，就需要提前对共享单车的借还需求量进行分析，预测之前需要先计算出影响共享单车特征都有哪些。本发明通过时间、空间、气候三个维度，整合时空大数据和天气大数据，对共享单车骑行量做分析，观察分析得出影响共享单车借还需求量的维度有：休息日和工作日；上下班高峰；活动密集地点，如商场、地铁、学校等；气候特征，如温度、风速共计5个特征。
步骤3，各个企业的共享单车借还需求量预测
根据步骤2分析得出影响共享单车借还需求量的特征，使用这些特征的值来预测共享单车借还需求量。本发明结合各个企业历史骑行订单数据，各个企业分别使用随机森林算法进行借还需求预测，由于影响借还需求特征值关系有强弱之分，不能按照随机森林原有的计算过程去随机采样特征。而是引入Pearson系数量化特征关联性强弱，多选取强相关特征选取，减少冗余特征，提高预测精确性。
步骤3.1，计算各个需求特征和所有企业的骑行总量之间的Pearson系数ρ
步骤3.2，将ρ值作为每个特征需求的权值，然后我们根据步骤2分析出的n 个特征计算出每个特征所占的权重比wi。
步骤3.3，分别对各个企业单车数据集使用随机森林算法预测借还需求量，并且建立决策树中特征子集选取时，多选取wi高的特征，从而保证预测结果更准确。最后根据生成的决策树构建出随机森林模型。
步骤3.4，根据随机森林模型预测各个企业所有的停放站点的净需求量，最后计算出每个企业整体需求权值比重。
步骤4，基于混合蚁群算法的多企业联合调度
根据各个企业的单车需求量来进行分开调度，如果相同站点，有多个共享单车企业需要调入或者掉出共享单车，先判断是否可以近似优化，如果调度数量小于Dmin最小调度量，可以不参与此次调度，从而降低各个企业需要调度的站点数量。调度使用混合蚁群算法，就是首先利用遗传算法计算出结果产生蚁群算法的初始信息素分布，加快蚁群算法迭代速度，之后采用蚁群算法对问题进行求解。
步骤4.1，根据步骤3确定各个企业需要调度的站点及共享单车数量。
步骤4.2，使用遗传算法对各个企业调度路径进行求解，将求得调度方案作为蚁群算法初始信息素分布。
步骤4.3，使用蚁群算法对调度方案进行最终求解，直到蚁群迭代收敛到路径固定。
步骤4.4，将各个企业的调度方案分发给各个调度企业中心分别来执行。与现有技术相比，本发明的有以下优点：
(1)本发明从多个共享单车企业的全局角度入手，联合调度解决共享单车整体资源分配失衡所造成的问题，支持多企业联合调度同时也支持适用于传统的单个企业共享单车调度，不仅能够整体提高所有企业的共享单车利用率，还能够提高城市街道形象。
(2)本发明使用混合蚁群算法进行调度方案求解，比传统蚁群算法，迭代速度快，且结果更优。
附图说明
图1为基于混合蚁群算法的多企业联合调度流程图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
本发明是多企业联合调度，在最小的成本下，从城市全局对共享单车资源进行调度，提高共享单车利用率，提高人民出行水平，防止过度堆放所造成城市道路拥堵，提升城市街道形象。蚁群算法属于现代启发式算法，可以在可接受的时间内求解NP-Hard问题，但是传统的蚁群算法本身具有迭代速度慢，如果为了加快迭代速度很容易陷入局部最优解，所以在实际的调度领域应用需要对蚁群算法进行改进。
本发明采用的技术方案为一种基于混合蚁群算法的多企业共享单车联合调度方法，实施方式包括以下步骤：
步骤S1，共享单车停放站点数据集建立；
步骤S2，影响共享单车借还需求量特征分析；
步骤S3，各个企业的共享单车借还需求量预测；
步骤S4，基于混合蚁群算法的多企业联合调度；
实施方式的各个企业的共享单车借还需求步骤S3包括以下步骤：
步骤S30，计算各个需求特征和所有企业的骑行总量之间的Pearson系数ρ。
步骤S31，将ρ值作为每个特征需求的权值，然后我们根据步骤S2分析出的 n个特征计算出每个特征所占的权重比wi，由于ρ的取值范围为[-1,1]，正数代表正相关，负数代表负相关。使用|ρ根据公式3.1计算各个特征值所占权重比例wi。
Figure BDA0003421621960000041
步骤S32，对各个企业单车数据集使用随机森林算法预测借还需求量，在采取k(k<n)个特征值时，我们使用轮盘赌的方式选取特征值建立决策树，wi越高越能说明需求量和特征关系越强，选中这个特征作为特征子集的概率也就越高。根据生成的决策树构建出随机森林模型。
步骤S33，根据随机森林模型预测各个企业所有的停放站点的净需求量
Figure BDA0003421621960000042
其中有P个企业，Q个共享单车停放站点，
Figure BDA0003421621960000043
表示第i(i<P)个企业在第j(j<Q) 个共享单车停放站点的净需求量，第i个企业的共享单车在该城市的需求总量为 Di。最后根据公式3.2计算出每个企业整体需求权值比重Qi。
Figure BDA0003421621960000051
实施方式的基于混合蚁群算法的多企业联合调度步骤S4的流程图如图1所示，具体包括以下步骤:
步骤S40，定义遗传算法目标函数为染色体群落迭代后三次，优秀群落没有变化，适应度函数为运输成本反比，运输成本越高，适应度越低。随机生成x 个由n个调度节点编码的染色体群落，其中调度中心节点可以多次参与编码；
步骤S41，对当前群落进行基因序列互换，基因序列随机变异的步骤生成y 个新的染色体子代群落。
步骤S42，父代群落和子代群一共z个染色体，选出其中适应度最高的x个染色体作为下一代染色体新的父代群落。
步骤S43，步骤S42输出作为步骤S41输入直到满足目标函数，获得遗传算法计算出的优化解。
步骤S44，初始化蚁群算法的参数α佛洛蒙浓度，β能见度权重的控制系数，根据步骤S43的优化解生成信息素初始分布。
步骤S45，将m只蚂蚁放在n个节点；定义禁忌表，允许蚂蚁重复到达调度中心，停放站点只能经过一次。
步骤S46，根据AS算法计算蚂蚁移动到每个可到达下个节点的概率，根据轮盘赌移动每只蚂蚁到下一节点，并且在蚂蚁经过的路径留下信息素增量，m只蚂蚁遍历n个节点后，计算每条路径的信息素增量，更新信息素分布表。
步骤S47，重复步骤S46步骤，直到结果收敛，输出的解为最终调度方案。
下面给出应用本发明的实验结果
表1给出了本发明的方法在2018年7月共享单车骑行数据集下的测试结果。实验将7月1日至7月15日作为训练需求模型和调整混合蚁群算法参数的数据集，将7月16日至7月31日作为测试数据集。由表可知混合蚁群算法能更好的求解问题，对于多个企业联合调度问题发现迭代次数显著降低，且不易陷入局部最优解，求解效率和精度大幅提升。
表1算法结果和性能对比
算法 基本蚁群算法 混合蚁群算法(遗传算法+蚁群算法)
平均调度成本 37.2 34.1
平均迭代次数 158 78[38+40]

Claims (3)

1.一种基于混合蚁群算法的多企业共享单车联合调度方法，其特征在于：该方法包括如下步骤，
步骤S1，共享单车停放站点数据集建立；
步骤S2，影响共享单车借还需求量特征分析；
步骤S3，各个企业的共享单车借还需求量预测；
步骤S4，基于混合蚁群算法的多企业联合调度。
2.根据权利要求1所述的一种基于混合蚁群算法的多企业共享单车联合调度方法，其特征在于：步骤S3包括以下步骤，
步骤S30，计算各个需求特征和所有企业的骑行总量之间的Pearson系数ρ；
步骤S31，将ρ值作为每个特征需求的权值，然后根据步骤S2分析出的n个特征计算出每个特征所占的权重比wi，由于p的取值范围为[-1，1]，正数代表正相关，负数代表负相关；使用|ρ|计算各个特征值所占权重比例wi；
Figure FDA0003421621950000011
步骤S32，对各个企业单车数据集使用随机森林算法预测借还需求量，在采取k个特征值时，使用轮盘赌的方式选取特征值建立决策树，wi越高越能说明需求量和特征关系越强，选中这个特征作为特征子集的概率也就越高；根据生成的决策树构建出随机森林模型；
步骤S33，根据随机森林模型预测各个企业所有的停放站点的净需求量
Figure FDA0003421621950000012
其中有P个企业，Q个共享单车停放站点，
Figure FDA0003421621950000013
表示第i个企业在第j个共享单车停放站点的净需求量，第i个企业的共享单车在该城市的需求总量为Di；最后计算出每个企业整体需求权值比重Qi；
Figure FDA0003421621950000014
3.根据权利要求1所述的一种基于混合蚁群算法的多企业共享单车联合调度方法，其特征在于：步骤S4包括以下步骤，
步骤S40，定义遗传算法目标函数为染色体群落迭代后三次，优秀群落没有变化，适应度函数为运输成本反比，运输成本越高，适应度越低；随机生成x个由n个调度节点编码的染色体群落，调度中心节点多次参与编码；
步骤S41，对当前群落进行基因序列互换，基因序列随机变异的步骤生成y个新的染色体子代群落；
步骤S42，父代群落和子代群一共z个染色体，选出其中适应度最高的x个染色体作为下一代染色体新的父代群落；
步骤S43，步骤S42输出作为步骤S41输入直到满足目标函数，获得遗传算法计算出的优化解；
步骤S44，初始化蚁群算法的参数α佛洛蒙浓度，β能见度权重的控制系数，根据步骤S43的优化解生成信息素初始分布；
步骤S45，将m只蚂蚁放在n个节点；定义禁忌表，允许蚂蚁重复到达调度中心，停放站点只能经过一次；
步骤S46，根据AS算法计算蚂蚁移动到每个可到达下个节点的概率，根据轮盘赌移动每只蚂蚁到下一节点，并且在蚂蚁经过的路径留下信息素增量，m只蚂蚁遍历n个节点后，计算每条路径的信息素增量，更新信息素分布表；
步骤S47，重复步骤S46步骤，直到结果收敛，输出的解为最终调度方案。
CN202111565486.XA 2021-12-20 2021-12-20 一种基于混合蚁群算法的多企业共享单车联合调度方法 Pending CN114240180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111565486.XA CN114240180A (zh) 2021-12-20 2021-12-20 一种基于混合蚁群算法的多企业共享单车联合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111565486.XA CN114240180A (zh) 2021-12-20 2021-12-20 一种基于混合蚁群算法的多企业共享单车联合调度方法

Publications (1)

Publication Number Publication Date
CN114240180A true CN114240180A (zh) 2022-03-25

Family

ID=80759585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111565486.XA Pending CN114240180A (zh) 2021-12-20 2021-12-20 一种基于混合蚁群算法的多企业共享单车联合调度方法

Country Status (1)

Country Link
CN (1) CN114240180A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936240A (zh) * 2022-12-23 2023-04-07 暨南大学 共享单车需求预测与投放调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882171A (zh) * 2020-07-06 2020-11-03 湖北合纵科创能源科技有限公司 一种基于需求预测的景区观光车智能调度系统及方法
CN113807662A (zh) * 2021-08-24 2021-12-17 广东工业大学 共享单车企业的合作调度方法、装置、设备以及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882171A (zh) * 2020-07-06 2020-11-03 湖北合纵科创能源科技有限公司 一种基于需求预测的景区观光车智能调度系统及方法
CN113807662A (zh) * 2021-08-24 2021-12-17 广东工业大学 共享单车企业的合作调度方法、装置、设备以及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAITAO XU ET AL: ""Dynamic bicycle scheduling problem based on short-term demand prediction"", 《APPLIED INTELLIGENCE》, no. 49, 19 December 2018 (2018-12-19), pages 1968 *
冯麟博: ""基于需求预测的共享单车动态调度问题研究"", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》, no. 06, 15 June 2021 (2021-06-15), pages 034 - 688 *
杨义先;李丽香;彭海朋;袁静;陈永刚;张浩;: "群体智能算法及其在信息安全中的应用探索", 信息安全学报, no. 01, 15 January 2016 (2016-01-15), pages 39 - 49 *
赵达: ""基于共享单车大数据的智能调度平台的研究与应用 "", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》, no. 03, 15 March 2024 (2024-03-15), pages 034 - 877 *
钟业俊: ""共享单车需求量预测及调度优化算法的研究与应用"", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》, no. 02, 15 February 2021 (2021-02-15), pages 034 - 730 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936240A (zh) * 2022-12-23 2023-04-07 暨南大学 共享单车需求预测与投放调度方法
CN115936240B (zh) * 2022-12-23 2024-03-15 暨南大学 共享单车需求预测与投放调度方法

Similar Documents

Publication Publication Date Title
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN107766994B (zh) 一种共享自行车调度方法与调度系统
CN105719083A (zh) 一种基于多层次分区的公共自行车高峰期调度方法
CN102044149B (zh) 一种基于时变客流的城市公交运营协调方法与装置
CN110929925B (zh) 基于环境温度与用户行为的电动汽车充电站规划方法
CN105426997A (zh) 城市公共自行车智能调度与运用管理系统及其实现方法
Wang et al. A two-stage charging facilities planning method for electric vehicle sharing systems
CN114550482B (zh) 一种基于低碳目标的导航方法及停车场导航方法
CN115936240B (zh) 共享单车需求预测与投放调度方法
CN106228275A (zh) 基于蚁群算法定制公交线路的方法
CN112347596B (zh) 一种城市公交线网优化方法
CN105427001A (zh) 地区中小学校校车最优路线与配置方法
CN112418514B (zh) 一种运用蚁群系统优化校园公交线路规划的方法
CN113792989B (zh) 一种需求驱动的共享观光车区域间并行优化调度方法
CN114511143A (zh) 基于组团划分的城市轨道交通线网生成方法
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
CN115344653A (zh) 一种基于用户行为的电动汽车充电站选址方法
CN112949987A (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
Wilbur et al. An online approach to solve the dynamic vehicle routing problem with stochastic trip requests for paratransit services
CN115049144A (zh) 基于时空大数据的共享单车多目标优化调度方法
CN115239004A (zh) 一种基于充电需求预测的充电停车场选址定容优化方法
CN114240180A (zh) 一种基于混合蚁群算法的多企业共享单车联合调度方法
CN112926800B (zh) 一种考虑复杂路网的物流配送区域划分方法
Hasnine et al. Mode shift impacts of optimal time-dependent congestion pricing in large networks: A simulation-based case study in the greater toronto area
Zhao et al. Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm.

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