CN114566037B - 一种基于多源数据的柔性公交多车型车队配置方法 - Google Patents
一种基于多源数据的柔性公交多车型车队配置方法 Download PDFInfo
- Publication number
- CN114566037B CN114566037B CN202210060750.2A CN202210060750A CN114566037B CN 114566037 B CN114566037 B CN 114566037B CN 202210060750 A CN202210060750 A CN 202210060750A CN 114566037 B CN114566037 B CN 114566037B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- passenger
- running
- bus
- time
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据的柔性公交多车型车队配置方法,包括:根据区域行驶信息生成车辆行驶地图,并计算各停靠站点之间行走信息,生成各站点区域间实时行走信息集;采集多种类型车辆所述实时行走信息,生成实时行走信息总集;采集乘客出行信息,生成乘客出行信息集;基于所述乘客出行信息集和所述实时行走信息总集建立组合优化模型,实现多车型车队配置优化。在满足乘客出行需求的前提下,利用有限车辆提供更好的水平的公共交通服务,对现有的公交车队配置排班方式进行优化,从而优化公交系统的运营,提高运行乘坐的满座率,提高车辆的实用效率,节约公交系统的运行成本。
Description
技术领域
本发明涉及公交车队配置方案技术领域,尤其涉及一种基于多源数据的柔性公交多车型车队配置方法。
背景技术
近年来大运量合乘交通模式是城市居民常规出行的重要方式,各类型柔性公交服务模式可以满足不同类别的公交出行需求,为传统公交的集中化运输模式提供有效补充,发展潜力巨大。随着城市的发展进程,交通拥堵、环境污染、出行者职住分离及人口老龄化等交通和社会问题日益突出,柔性公交系统的应用和推广倍受关注。
目前,在纯电动公交的实际运营中,不同类型的公交车辆载客能力也不同,在很多路段由于人流量的限制,会出现入座率低下的空载现象,提高车辆使用效率低下,浪费公共交通系统的资源。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:目前,在纯电动公交的实际运营中,不同类型的公交车辆载客能力也不同,在很多路段由于人流量的限制,会出现入座率低下的空载现象,提高车辆使用效率低下,浪费公共交通系统的资源。
为解决上述技术问题,本发明提供如下技术方案:一种基于多源数据的柔性公交多车型车队配置方法,包括:根据区域行驶信息生成车辆行驶地图,并计算各停靠站点之间行走信息,生成各站点区域间实时行走信息集;采集多种类型车辆所述实时行走信息,生成实时行走信息总集;采集乘客出行信息,生成乘客出行信息集;基于所述乘客出行信息集和所述实时行走信息总集建立组合优化模型,实现多车型车队配置优化。
作为本发明所述的基于多源数据的柔性公交多车型车队配置方法的一种优选方案,其中:将所述车辆行驶地图上入出发地站和目的地站点定作为起终点,通过导航获取所述为起终点之间车辆行驶的行走信息,所述行走信息包括车辆行驶距离和行驶时间。
作为本发明所述的基于多源数据的柔性公交多车型车队配置方法的一种优选方案,其中:所述实时行走信息总集区域间包括不同时段的实时走行距离和时间信息矩阵。
所述乘客出行信息包括乘客上下站起终点信息,非换乘与换乘乘客的起终点,常规公交乘客出行起终点,柔性公交乘客预约起终点和柔性公交乘客出行起终点。
作为本发明所述的基于多源数据的柔性公交多车型车队配置方法的一种优选方案,其中:所述柔性公交乘客起终点,计算公式如下:
QFBUS=QFBUSbooking+QBUS*P
其中,QFBUS表示柔性公交需求矩阵,QFBUSbooking表示柔性公交预约需求矩阵,QBUS表示现状常规公交需求矩阵,P表示常规公交乘客至柔性公交方式的转移概率矩阵。
建立乘客出行信息集和所述实时行走信息总集建立组合优化模型,所述实时行走信息总集和乘客出行信息集通过α1和α2权重系数组合:
其中,M表示公交车辆类型集合,以m表示索引,Km表示m型公交车辆集合,以k表示索引,S表示柔性公交站点集合,以i,j表示索引,表示0-1变量,表示若m型车辆k依次途径站点i和j表示1,否则表示0,Dij表示站点i到j直达所需时间,根据区域间实时走行时间信息矩阵获取,Iij表示站点i到j实际走行时间,表示车辆走行路径中各个站点间的走行时间与站点停靠时间之和。
作为本发明所述的基于多源数据的柔性公交多车型车队配置方法的一种优选方案,其中:不同车型的乘客容量也不同,车型对所述乘客容量的约束关系表达式为:
车辆需要对全部停靠站点进行停靠:
所述乘客容量对停靠站点乘客客流约束,其关系表达式为:
其中,qw表示第w个起终点对的客流需求,根据柔性公交乘客出行起终点获取,流量守恒约束关系表达式:
避免线路运行时间过长,对站点停靠的站点数进行约束,其关系表达式为:
Nmk≤Nmax
其中,Nmk表示m型车辆k停靠站点数量,Nmax表示车辆最多停靠的站点数量。
作为本发明所述的基于多源数据的柔性公交多车型车队配置方法的一种优选方案,其中:基于所述组合优化模型根据Inver-Over交叉变异混合的遗传算法获取多车型车队配置方案;通过将个体编码运用自然数编码,将每个染色体看做由辆车的站点走行序列即多行数字组成,每一行中自然数的先后顺序即为车辆路径站点顺序;利用排列组合方式随机生成车辆路径站点顺序,并进行是否满足出行需求的判断,满足则保留;进行基因逆转操作,所述基因逆转操作指对种群中个体进行循环倒置操作,使得生成的解大部分来自于群体中其他个体,小部分来自于随机产生,其具体操作过程如下:
随机选择站点,定义初始值i=0,对于种群中每一个站点Si,赋值于S',随机选择S'中站点a;产生随机数p,生成站点b,生成随机数p,若p大于变异概率Pm,进行下一步;若p小于变异概率Pm,从S'中任意选取站点b;选择新站点S",标记站点b,从种群中随机选择一个站点S",将站点S"中a的下一个站点标记为站点b;判断站点b与站点a是否为相邻站点,若站点b与站点a在S'中为相邻站点,进行下一步;进行逆转操作,将站点S'中站点a下一个站点至站点b间的所有站点进行倒序排列;判断是否更新站点Si,计算新站点S'和站点Si的适应度函数值f(S')和f(Si),若f(S')>f(Si),则以更优质的站点S'替换站点Si,否则将站点b赋值于a,i=i+1,转至初始步骤,重新计算,直到达到预定迭代次数,停止运算,得到柔性公交不同时段各个车型车辆的配置方案。
本发明的有益效果:本发明的基于多源数据的柔性公交多车型车队配置方法,在通过多源数据可获取城市区域间动态交通需求的背景下,使用多容量车队进行公交系统设计,形成多车型车辆配置方案,在满足乘客出行需求的前提下,利用有限车辆提供更好的水平的公共交通服务,对现有的公交车队配置排班方式进行优化,从而优化公交系统的运营,提高运行乘坐的满座率,提高车辆的实用效率,节约公交系统的运行成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于多源数据的柔性公交多车型车队配置方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于多源数据的柔性公交多车型车队配置方法中研究区域的街道划分。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于多源数据的柔性公交多车型车队配置方法,包括:
S1:根据区域行驶信息生成车辆行驶地图,并计算各停靠站点之间行走信息,生成各站点区域间实时行走信息集;将车辆行驶地图上入出发地站和目的地站点定作为起终点,通过导航获取为起终点之间车辆行驶的行走信息,行走信息包括车辆行驶距离和行驶时间。地图软件驾车路径规划API调用,是整理好用户唯一标识、出发点坐标、目的地坐标及返回结果控制等必填参数,调用地图软件以HTTP形式提供的驾车行驶方案、行驶距离及最短行程时间等数据的计算接口,以返回查询数据。
S2:采集多种类型车辆实时行走信息,生成实时行走信息总集;实时行走信息总集区域间包括不同时段的实时走行距离和时间信息矩阵。
行驶方案数据自动爬取,是以行程时间最短为路径规划策略,输入出发地小区和目的地小区的中心坐标作为路径起终点,调试好程序提取全天各个时段的驾车路径规划信息,返回数据包括时间最短路径的车辆行驶距离、行驶时间等。
S3:采集乘客出行信息,生成乘客出行信息集;乘客出行信息包括乘客上下站起终点信息,非换乘与换乘乘客的起终点,常规公交乘客出行起终点,柔性公交乘客预约起终点和柔性公交乘客出行起终点。
区域间实时行走信息集生成,是基于爬取的车辆行驶距离、行驶时间数据,生成区域间不同时段的实时走行距离和时间信息矩阵。
常规公交乘客上下车站点识别,是通过关联分析常规公交IC卡数据、公交GPS数据及静态公交站点数据,利用乘客交易时间、车辆车牌号、车辆位置及站点位置的经纬度信息,匹配得到乘客上下车站点。针对上下车刷卡机制,可直接匹配获取;针对单次刷卡机制,上车站点直接匹配获取,下车站点根据出行链准则判断:①对于两条连续出行记录,前一次出行下车位置是沿线1000米内最靠近后一次出行上车站点的公交站;②当日末次出行的下车站点为沿线1000米范围内距离当日首次出行出发站点最近的公交站;③若末条记录未与首条记录相匹配,则将当日末条记录与次日首条记录以同样方法进行匹配;④对于其他未识别记录,通过历史记录,以规律性目的地附近站点为下车站点。
非换乘与换乘乘客的站点起终点确定,是指针对两次乘坐记录间隔30分钟以上的乘客,认为是非换乘乘客,上下车站点即为起终点;针对相邻两次及多次乘坐记录的终点与起点站点一致或地理位置接近的乘客,认为是换乘乘客,相邻记录属于一次出行,取首次乘坐记录的起点和最后一次记录的终点为起终点。
常规公交乘客出行起终点生成,是根据交通小区划分中不同公交站点所属小区,将常规公交非换乘与换乘乘客的站点起终点转化为出行起终点。
柔性公交乘客预约起终点生成,是乘客通过柔性公交预约APP或网站选择出行的起终点,根据交通小区划分,将预约乘客的站点起终点转化为出行起终点。
柔性公交乘客出行起终点计算,是根据常规公交乘客向柔性公交转移意愿调查获取的转移概率信息,利用常规公交乘客出行起终点与柔性公交乘客预约起终点,计算柔性公交乘客出行起终点。
柔性公交乘客起终点,计算公式如下:
QFBUS=QFBUSbooking+QBUS*P
其中,QFBUS表示柔性公交需求矩阵,QFBUSbooking表示柔性公交预约需求矩阵,QBUS表示现状常规公交需求矩阵,P表示常规公交乘客至柔性公交方式的转移概率矩阵。
S4:基于乘客出行信息集和实时行走信息总集建立组合优化模型,实现多车型车队配置优化,实时行走信息总集和乘客出行信息集通过α1和α2权重系数组合:
其中,M表示公交车辆类型集合,以m表示索引,Km表示m型公交车辆集合,以k表示索引,S表示柔性公交站点集合,以i,j表示索引,表示0-1变量,表示若m型车辆k依次途径站点i和j表示1,否则表示0,Dij表示站点i到j直达所需时间,根据区域间实时走行时间信息矩阵获取,Iij表示站点i到j实际走行时间,表示车辆走行路径中各个站点间的走行时间与站点停靠时间之和。
不同车型的乘客容量也不同,车型对乘客容量的约束关系表达式为:
车辆需要对全部停靠站点进行停靠:
乘客容量对停靠站点乘客客流约束,其关系表达式为:
其中,qw表示第w个起终点对的客流需求,根据柔性公交乘客出行起终点获取,流量守恒约束关系表达式:
避免线路运行时间过长,对站点停靠的站点数进行约束,其关系表达式为:
Nmk≤Nmax
其中,Nmk表示m型车辆k停靠站点数量,Nmax表示车辆最多停靠的站点数量。
基于组合优化模型根据Inver-Over交叉变异混合的遗传算法获取多车型车队配置方案;通过将个体编码运用自然数编码,将每个染色体看做由辆车的站点走行序列即多行数字组成,每一行中自然数的先后顺序即为车辆路径站点顺序;利用排列组合方式随机生成车辆路径站点顺序,并进行是否满足出行需求的判断,满足则保留;进行基因逆转操作,基因逆转操作指对种群中个体进行循环倒置操作,使得生成的解大部分来自于群体中其他个体,小部分来自于随机产生,其具体操作过程如下:
随机选择站点,定义初始值i=0,对于种群中每一个站点Si,赋值于S',随机选择S'中站点a;产生随机数p,生成站点b,生成随机数p,若p大于变异概率Pm,进行下一步;若p小于变异概率Pm,从S'中任意选取站点b;选择新站点S",标记站点b,从种群中随机选择一个站点S",将站点S"中a的下一个站点标记为站点b;判断站点b与站点a是否为相邻站点,若站点b与站点a在S'中为相邻站点,进行下一步;进行逆转操作,将站点S'中站点a下一个站点至站点b间的所有站点进行倒序排列;判断是否更新站点Si,计算新站点S'和站点Si的适应度函数值f(S')和f(Si),若f(S')>f(Si),则以更优质的站点S'替换站点Si,否则将站点b赋值于a,i=i+1,转至初始步骤,重新计算,直到达到预定迭代次数,停止运算,得到柔性公交不同时段各个车型车辆的配置方案。
在通过多源数据可获取城市区域间动态交通需求的背景下,使用多容量车队进行公交系统设计,形成多车型车辆配置方案,为系统应用推广和规划分析提供决策依据,柔性公交车辆逐渐替代传统出行方式过程中,公交车辆规模决定了运营商的车辆购置成本投入。在满足乘客出行需求的前提下,利用有限车辆提供更好的水平的公共交通服务,对现有的公交车队配置排班方式进行优化,从而优化公交系统的运营,提高运行乘坐的满座率,节约公交系统的运行成本。
实施例2
参照图2,为本发明另一个实施例,该实施例不同于第一个实施例的是,提供了一种基于多源数据的柔性公交多车型车队配置方法,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
在本实施例中,研究时段为工作日早高峰小时(8:00—9:00)和平峰小时(13:00—14:00),研究区域为某市A、B、C、D四个行政区,以街道区划作为出行小区划分,小区中心点作为柔性公交站点所在位置,利用该发明的方法进行研究区域共32个小区的柔性公交系统多车型车辆配置情况计算。
首先进行区域行驶信息采集,包括:地图软件驾车路径规划API调用;行驶方案数据自动爬取;区域间实时行走信息集生成。
然后进行乘客需求起终点获取,包括:常规公交乘客上下车站点识别;非换乘与换乘乘客的站点起终点确定;常规公交乘客出行起终点生成;柔性公交乘客预约起终点生成;柔性公交乘客出行起终点计算。
在本实施例中,利用为期一周的深圳市公交刷卡数据、公交GPS数据及静态公交站点数据等进行公交乘客上下车站点的推断后,集计得到以街道区划为交通小区的深圳市常规公交起终点需求数据,并提取研究区域内的常规公交起终点,假设当柔性公交线路规划完成时,乘坐常规公交的乘客有较大意愿乘坐柔性公交,全部向柔性公交转移,形成稳定客流,即以现状常规公交起终点需求矩阵为柔性公交起终点需求矩阵,计算时取研究时段的小时平均值。
接着为多车型车队规模计算模型构建,包括以乘客出行成本和公交运营成本综合利益最小为目标的组合优化模型建立。
最后为多车型车队规模计算算法设计,包括基于Inver-Over交叉变异混合的遗传算法流程设计,输出研究区域内柔性公交多车型车队配置方案结果。
请参考表1显示了柔性公交系统中不同时段的出行需求与不同方案的各车型车辆数量结果,可得出对于两个研究时段,均是多车型方案的车辆数最少。在早高峰小时内,小区间出行需求量普遍较高,需要1,886辆大巴和31辆中巴来满足接近14万人次的乘客需求;方案二采用单车型50座大巴的车辆数量为1,920辆,与多车型方案的车辆总数接近;方案三则需配备3,447辆20座中巴,数量太多,不适用于需求量较高的高峰时期,会造成平峰时期车辆空闲、资源浪费的现象。
在平峰时段,小区间需求量大大降低,相对于高峰期多车型方案的中巴车辆数增多,需要208辆,而大巴车需要1,001辆,以满足6万多人次的乘客需求;方案二单车型50座大巴的车辆数量为1,211辆,同样与多车型方案的车辆总数接近;方案三为1,581辆20座中巴,比前两个方案增加约370辆。
从车辆总数上来看,柔性公交系统车队在早高峰小时和平峰小时两个研究时段内,均适合采取多车型的车辆配置方案,可以实现常规公交和出租车的有效替代,满足所有出行需求,同时减少环境污染,缓解交通拥堵。
表1:多车型与单车型车辆配置结果。
统计不同方案的最优目标函数值及车辆平均满载率,如表2所示。最优目标函数值为车辆数量和线路绕行系数的加权总和,高峰时段和平峰时段均是多车型方案函数值最小;对于车辆载客率,虽然方案三满载率最高,但购置大批单一车型车辆,会产生空闲浪费和较高的日常保养运营费用,多车型方案中大巴满载率均在85%以上,中巴满载率也在60%以上。综上,柔性公交系统的多车型车辆配置方案不仅可以减少车辆总数量,降低系统运营成本,减少道路环境污染,还可以保证较高的载客率,满足乘客不同时段的出行需求。
表2:不同方案的最优目标函数值及车辆平均满载率。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以权利要求为准。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时,本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于多源数据的柔性公交多车型车队配置方法,其特征在于,包括:
根据区域行驶信息生成车辆行驶地图,并计算各停靠站点之间行走信息,生成各站点区域间实时行走信息集;
采集多种类型车辆所述实时行走信息集,生成实时行走信息总集;
采集乘客出行信息,生成乘客出行信息集;
基于所述乘客出行信息集和所述实时行走信息总集建立组合优化模型,实现多车型车队配置优化;
所述实时行走信息总集包括不同时段的区域间实时走行距离和时间信息矩阵;
所述实时行走信息总集和乘客出行信息集通过α1和α2权重系数组合:
其中,M表示公交车辆类型集合,以m表示索引,Km表示m型公交车辆集合,以k表示索引,S表示柔性公交站点集合,以i,j表示索引,表示0-1变量,表示若m型车辆k依次途径站点i和j表示1,否则表示0,Dij表示站点i到j直达所需时间,根据区域间实时走行距离和时间信息矩阵获取,Iij表示站点i到j实际走行时间,表示车辆走行路径中各个站点间的走行时间与站点停靠时间之和;
不同车型的乘客容量也不同,车型对所述乘客容量的约束关系表达式为:
车辆需要对全部停靠站点进行停靠:
所述乘客容量对停靠站点乘客客流约束,其关系表达式为:
其中,qw表示第w个起终点对的客流需求,根据柔性公交乘客出行起终点获取,流量守恒约束关系表达式:
避免线路运行时间过长,对站点停靠的站点数进行约束,其关系表达式为:
Nmk≤Nmax
其中,Nmk表示m型车辆k停靠站点数量,Nmax表示车辆最多停靠的站点数量。
2.如权利要求1所述的基于多源数据的柔性公交多车型车队配置方法,其特征在于:将所述车辆行驶地图上出发地站点和目的地站点定作为起终点,通过导航获取所述起终点之间车辆行驶的行走信息,所述行走信息包括车辆行驶距离和行驶时间。
3.如权利要求1所述的基于多源数据的柔性公交多车型车队配置方法,其特征在于:所述乘客出行信息包括乘客上下站起终点信息,非换乘与换乘乘客的起终点,常规公交乘客出行起终点,柔性公交乘客预约起终点和柔性公交乘客出行起终点。
4.如权利要求3所述的基于多源数据的柔性公交多车型车队配置方法,其特征在于:所述柔性公交乘客出行起终点,计算公式如下:
QFBUS=QFBUSbooking+QBUS*P
其中,QFBUS表示柔性公交需求矩阵,QFBUSbooking表示柔性公交预约需求矩阵,QBUS表示现状常规公交需求矩阵,P表示常规公交乘客至柔性公交方式的转移概率矩阵。
5.如权利要求1所述的基于多源数据的柔性公交多车型车队配置方法,其特征在于:基于所述组合优化模型根据Inver-Over交叉变异混合的遗传算法获取多车型车队配置方案;
通过将个体编码运用自然数编码,将每个染色体看做由车辆的站点走行序列即多行数字组成,每一行中自然数的先后顺序即为车辆路径站点顺序;
利用排列组合方式随机生成车辆路径站点顺序,并进行是否满足出行需求的判断,满足则保留;
进行基因逆转操作,所述基因逆转操作指对种群中个体进行循环倒置操作,使得生成的解大部分来自于群体中其他个体,小部分来自于随机产生,其具体操作过程如下:
随机选择站点,定义初始值i=0,对于种群中每一个站点Si,赋值于S',随机选择S'中站点a;
产生随机数p,生成站点b,生成随机数p,若p大于变异概率Pm,进行下一步;若p小于变异概率Pm,从S'中任意选取站点b;
选择新站点S",标记站点b,从种群中随机选择一个站点S",将站点S"中a的下一个站点标记为站点b;
判断站点b与站点a是否为相邻站点,若站点b与站点a在S'中为相邻站点,进行下一步;
进行逆转操作,将站点S'中站点a下一个站点至站点b间的所有站点进行倒序排列;
判断是否更新站点Si,计算新站点S'和站点Si的适应度函数值f(S')和f(Si),若f(S')>f(Si),则以更优质的站点S'替换站点Si,否则将站点b赋值于a,i=i+1,转至初始步骤,重新计算,直到达到预定迭代次数,停止运算,得到柔性公交不同时段各个车型车辆的配置方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060750.2A CN114566037B (zh) | 2022-01-19 | 2022-01-19 | 一种基于多源数据的柔性公交多车型车队配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060750.2A CN114566037B (zh) | 2022-01-19 | 2022-01-19 | 一种基于多源数据的柔性公交多车型车队配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114566037A CN114566037A (zh) | 2022-05-31 |
CN114566037B true CN114566037B (zh) | 2023-06-30 |
Family
ID=81712401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060750.2A Active CN114566037B (zh) | 2022-01-19 | 2022-01-19 | 一种基于多源数据的柔性公交多车型车队配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114566037B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239484B (zh) * | 2014-09-05 | 2017-09-05 | 浙江工业大学 | 一种基于多模式公交组合调度的时刻表编制方法 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
CN108053062B (zh) * | 2017-12-11 | 2022-04-29 | 北京航空航天大学 | 一种基于多源数据的定制公交线路生成方法 |
-
2022
- 2022-01-19 CN CN202210060750.2A patent/CN114566037B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114566037A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lokhandwala et al. | Dynamic ride sharing using traditional taxis and shared autonomous taxis: A case study of NYC | |
Zhao et al. | Urban form, demographic and socio-economic correlates of walking, cycling, and e-biking: Evidence from eight neighborhoods in Beijing | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN108831149B (zh) | 一种基于历史od信息定制公交线路开行方法及系统 | |
CN102867408B (zh) | 一种公交出行路线的选择方法 | |
Dell'Olio et al. | Implementing bike-sharing systems | |
CN105719083A (zh) | 一种基于多层次分区的公共自行车高峰期调度方法 | |
CN108922178B (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
CN109034566A (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
Qu et al. | Location optimization for urban taxi stands based on taxi GPS trajectory big data | |
Klungboonkrong et al. | Potential performance of urban land use and transport strategies in reducing greenhouse gas emissions: Khon Kaen case study, Thailand | |
Duan et al. | Bi-level programming model for resource-shared parking lots allocation | |
Zhu et al. | Solar photovoltaic generation for charging shared electric scooters | |
CN111291321A (zh) | 基于大数据的城市交通模型构建方法 | |
Li et al. | Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
CN109977527B (zh) | 一种城市公共充电站网络的充电桩配置方法 | |
Hou et al. | Evaluation of urban public transport sustainability in China based on the driving force-pressure-state-impact-response (DPSIR) framework——A case study of 36 major cities | |
CN113380023B (zh) | 一种基于泊位选择行为的混合用地共享停车需求预测方法 | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测系统 | |
CN114566037B (zh) | 一种基于多源数据的柔性公交多车型车队配置方法 | |
CN113160600A (zh) | 一种用于城市微循环公交系统的车辆调度方法 | |
CN116502960A (zh) | 一种车站区域tod发展潜力评估方法、系统和电子设备 | |
CN111489039A (zh) | 共享单车总量预测方法及系统 | |
WO2003098556A1 (en) | A system for evaluating a vehicles usage within zones |
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 |