CN114781267B - 基于多源大数据的职住接驳动态公交管理方法及系统 - Google Patents

基于多源大数据的职住接驳动态公交管理方法及系统 Download PDF

Info

Publication number
CN114781267B
CN114781267B CN202210470645.6A CN202210470645A CN114781267B CN 114781267 B CN114781267 B CN 114781267B CN 202210470645 A CN202210470645 A CN 202210470645A CN 114781267 B CN114781267 B CN 114781267B
Authority
CN
China
Prior art keywords
reservation
bus
target
solution
place
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
CN202210470645.6A
Other languages
English (en)
Other versions
CN114781267A (zh
Inventor
张皞
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.)
Hangzhou Branch Of China Mobile Group Zhejiang Co ltd
Original Assignee
Hangzhou Branch Of China Mobile Group Zhejiang Co ltd
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 Hangzhou Branch Of China Mobile Group Zhejiang Co ltd filed Critical Hangzhou Branch Of China Mobile Group Zhejiang Co ltd
Priority to CN202210470645.6A priority Critical patent/CN114781267B/zh
Publication of CN114781267A publication Critical patent/CN114781267A/zh
Application granted granted Critical
Publication of CN114781267B publication Critical patent/CN114781267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多源大数据的职住接驳动态公交管理方法及系统，该方法包括：实时接收公交预约请求，并获取公交预约请求目标集合，基于目标集合中的所有预约地点进行公交路线规划；基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；在车辆发车前基于公交路线规划结果和动态排班表，将出行信息分别推送到公交运营端和公交预约请求端。本发明有效提高公交乘坐人群的覆盖率、大幅减少公交单线的运营时间、提高公交出行效率、提升公交分担率，从而缓解交通拥堵情况。

Description

基于多源大数据的职住接驳动态公交管理方法及系统
技术领域
本发明涉及交通调度技术领域，具体涉及一种基于多源大数据的职住接驳动态公交管理方法及系统。
背景技术
随着城市建设的加快，正在变得越来越拥挤，尤其是上下班高峰时段，交通拥堵的状况日趋严重。近几年来通过海量数据源实现交通疏导和智慧调度等正在成为解决交通拥堵问题的新趋势。
公共交通分担率是指城市居民出行方式中选择公共交通(包括常规公交和轨道交通)的出行量占总出行量的比率，其中特大城市公共交通分担率需达到30％以上，大中城市公共交通分担率需在20％以上。
目前存在公共交通规划及排班的固定性导致公共交通分担率不足和道路交通拥堵等问题。
发明内容
针对上述现有技术存在的问题，本发明提供了一种基于多源大数据的职住接驳动态公交管理方法及系统，有效提高公交乘坐人群的覆盖率、大幅减少公交单线的运营时间、提高公交出行效率、提升公交分担率，从而缓解交通拥堵情况。
本发明提供了一种基于多源大数据的职住接驳动态公交管理方法，该方法包括如下步骤：
实时接收公交预约请求，并获取公交预约请求目标集合，所述目标集合中包括截止到当前时刻接收到的所有公交预约请求，所述公交预约请求包括预约时间和预约地点；
基于目标集合中的所有预约地点进行公交路线规划；
基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；
在车辆发车前基于公交路线规划结果和动态排班表，将对应排班信息、行车线路、停靠站点及停靠站点停靠时间信息分别推送到公交运营端和公交预约请求端。
在一些实施方式中，所述基于目标集合中的所有预约地点进行公交路线规划，包括：
确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
对目标规划区域进行地图网格化；
对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集。
在一些实施方式中，所述对目标规划区域进行地图网格化采用Geohash算法。
在一些实施方式中，所述对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点，包括：
(1)基于目标规划区域中的所有预约地点，随机选择一个预约地点，
(2)基于当前预约地点在所有预约地点的其余预约地点中获取与所述当前预约地点距离最近的下一预约地点，所述当前预约地点和下一预约地点形成一条支路；
(3)以所述下一预约地点作为新的当前预约地点，以所述当前预约地点作为新的上一预约地点，在所有预约地点的其余预约地点中获取与所述新的当前预约地点距离最近的下一预约地点，将所述下一预约地点添加到(1)中的支路上；
(4)判断所述下一预约地点和所述新的上一预约地点是否为相同预约地点，若是，则进入步骤(5)，否则，进入步骤(3)；
(5)判断目标规划区域中的所有预约地点是否均分配在支路上，若是，则停止算法，否则，在未分配的剩余预约地点中随机选择一个预约地点回到步骤(2)。
在一些实施方式中，所述通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集，包括：
(1)基于所有停靠站点初始化生成规划路线集，所述规划路线集中包含多条规划路线；
(2)基于当前最新解采用蚁群优化算法进行一次迭代更新获取一次更新解；
(3)基于所述更新解利用模拟退火算法的预设新解生成方法获取至少一个生成解；
(4)基于生成解以预设接受准则接受所述生成解，并获取最优解作为当前最新解；
(5)重复步骤(2)-(4)直至达到预设循环次数；
(6)降温；
(7)重复步骤(2)-(6)直至温度降至预设温度阈值，获取最新解中的规划线路集。
在一些实施方式中，所述动态排班表的获取方法，包括：
利用DeepQ learning神经网络算法，以车辆利用率最高为目标得出动态的排班表，获取不同线路的班次和每个班次车辆的停靠站点停靠时间。
在一些实施方式中，所述动态排班表的获取方法，包括：
基于确定的规划路线集和目标集合中的公交预约请求，获取每个路线上所有停靠站点的乘车总人数；
基于每个规划路径上的班次总数分配、班次间隔随机生成初始状态，并基于车辆利用率和乘客出行时间成本计算奖励函数；
基于当前状态输入到预设的神经网络中，选择一种动作，输出新的状态和奖励函数预测值；
基于神经网络输出的奖励函数输出值和奖励函数预测值的差异，对神经网络模型参数进行更新；
直至训练完成获取训练完成的DeepQ learning神经网络，基于DeepQ learning神经网络获取车辆利用率和乘客出行时间成本最优的公交动态排班方法。
本发明还提供了一种基于多源大数据的职住接驳动态公交管理系统，该系统包括：
预约请求获取单元，用于实时接收公交预约请求，并获取公交预约请求目标集合，所述目标集合中包括截止到当前时刻接收到的所有公交预约请求，所述公交预约请求包括预约时间和预约地点；
公交路线规划单元，用于基于目标集合中的所有预约地点进行公交路线规划；
公交排班单元，用于基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；
出行信息推送单元，用于在车辆发车前基于公交路线规划结果和动态排班表，将对应排班信息、行车线路、停靠站点及停靠站点停靠时间信息分别推送到公交运营端和公交预约请求端。
在一些实施方式中，权利要求8所述的基于多源大数据的职住接驳动态公交管理系统，其特征在于，所述公交路线规划单元，包括：
目标规划区域获取单元，用于确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
目标规划区域网格化单元，用于对目标规划区域进行地图网格化；
停靠站点获取单元，用于对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
规划线路集获取单元，用于通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集。
在一些实施方式中，所述公交排班单元，用于利用DeepQ learning神经网络算法，以车辆利用率最高为目标得出动态的排班表，获取不同线路的班次和每个班次车辆的停靠站点停靠时间。
本发明的一种基于多源大数据的职住接驳动态公交管理方法及系统，具备如下有益效果：对于职住接驳动态公交管理，采用动态预约，每次规划基于接收到的用户乘车请求，根据动态乘车需求、动态乘车人数和动态乘车地点实现动态规划公交路线和动态班车排班，相比于现有技术中仅仅对路线规划优化的方式，本发明的动态公交管理方法，有效提高公交乘坐人群的覆盖率、大幅减少公交单线的运营时间、提高公交出行效率、提升公交分担率，从而缓解交通拥堵情况。
附图说明
图1是本申请实施例中基于多源大数据的职住接驳动态公交管理方法的流程图；
图2是本申请实施例中获得规划路线集的方法流程图；
图3是本申请实施例中对预约地点分类的方法流程图；
图4是本申请实施例中规划路线集寻优流程图；
图5是本申请实施例中基于多源大数据的职住接驳动态公交管理系统的结构图；
图6是本申请实施例中公交路线规划单元的结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参见图1，本申请实施例提供了一种基于多源大数据的职住接驳动态公交管理方法，该方法包括如下步骤：
(1)实时接收公交预约请求，并获取公交预约请求目标集合，所述目标集合中包括截止到当前时刻接收到的所有公交预约请求，所述公交预约请求包括预约时间和预约地点；
(2)基于目标集合中的所有预约地点进行公交路线规划；
(3)基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；
(4)在车辆发车前基于公交路线规划结果和动态排班表，将对应排班信息、行车线路、停靠站点及停靠站点停靠时间信息分别推送到公交运营端和公交预约请求端。
现有技术中，对于路径规划一般是基于固定的多个出发点进行路径规划，具体可以基于固定的多个出发点确定停靠站点，并在多个停靠站点之间规划最优路线，本申请实施例中，对于职住接驳动态公交管理，采用动态预约，每次规划基于接收到的用户乘车请求，根据动态乘车需求、动态乘车人数和动态乘车地点实现动态规划公交路线和动态班车排班，相比于现有技术中仅仅对路线规划优化的方式，本申请实施例的动态公交管理方法，有效提高公交乘坐人群的覆盖率、大幅减少公交单线的运营时间、提高公交出行效率、提升公交分担率，从而缓解交通拥堵情况。
参见图2，在一些实施方式中，上述步骤(2)，基于目标集合中的所有预约地点进行公交路线规划，包括：
(21)确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
(22)对目标规划区域进行地图网格化，在一些实施方式中，该步骤中对目标规划区域进行地图网格化采用Geohash算法；
(23)对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
(24)通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集。
本申请实施例中，利用Geohash算法将地图网格化，通过Geohash的字符串长短来决定要划分区域的大小，将园区附近地图划分成矩形区域，以此进行有效的OD数据采集，为后续的公交路线规划提供可靠的数据来源。通过层次聚类算法将周边临近的住所汇聚到一个停靠点，再通过模拟退火算法在一个大的搜寻空间内(即OD公交线路内)找寻命题的最优解，逐步稳定线路集，最终得到满足客流、效率等要求的模板线路(及公交线路规划)。
参见图3，在一些实施方式中，上述步骤(23)，对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点，包括：
(231)基于目标规划区域中的所有预约地点，随机选择一个预约地点；
(232)基于当前预约地点在所有预约地点的其余预约地点中获取与所述当前预约地点距离最近的下一预约地点，所述当前预约地点和下一预约地点形成一条支路；
(233)以所述下一预约地点作为新的当前预约地点，以所述当前预约地点作为新的上一预约地点，在所有预约地点的其余预约地点中获取与所述新的当前预约地点距离最近的下一预约地点，将所述下一预约地点添加到(231)中的支路上；
(234)判断所述下一预约地点和所述新的上一预约地点是否为相同预约地点，若是，则进入步骤(235)，否则，进入步骤(233)；
(235)判断目标规划区域中的所有预约地点是否均分配在支路上，若是，则停止算法，否则，在未分配的剩余预约地点中随机选择一个预约地点回到步骤(232)重新建立新的支路。
本申请实施例中，对于所有预约地点的分类，以最终形成的同一支路上的所有预约地点作为一类，具体的，为了让每个支路上的预约地点数量分布平衡，上述步骤(235)之后，还包括：
基于当前所有支路，依次获取每个支路上的每个节点的路径长度，判断当前节点的路径长度是否大于预设长度阈值；若是，则从当前节点对所述当前节点所在支路进行分割形成2个新的支路，否则保留当前节点所在支路。
参见图4，在一些实施方式中，上述步骤(24)，通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集，包括：
(241)基于所有停靠站点初始化生成规划路线集，所述规划路线集中包含多条规划路线；
(242)基于当前最新解采用蚁群优化算法进行一次迭代更新获取一次更新解；
(243)基于所述更新解利用模拟退火算法的预设新解生成方法获取至少一个生成解；
(244)基于生成解以预设接受准则接受所述生成解，并获取最优解作为当前最新解；
(245)重复步骤(242)-(244)直至达到预设循环次数；
(246)降温；
(247)重复步骤(242)-(246)直至温度降至预设温度阈值，获取最新解中的规划线路集。
本申请实施例中，可以理解，对目标集合中包括截止到当前时刻接收到的所有公交预约请求，基于所有公交预约请求的预约地址，通过模拟退火算法获得多个规划路线，对每个规划路线可以分别安排班车。在初始化生成规划路线集时，包括多个规划路线，每个路线基于所有公交预约请求的预约地址的部分预约地址形成，在本申请实施例中，采用模拟退火算法获得最优规划线路集，在该寻优过程中，结合了蚁群优化算法，每次迭代过程中，采用模拟退火算法的预设新解生成方法获得生成解，该生成方法速度快生成解的精度低，且该生成解可能是更优解，也可能不是更优解，在此基础上，利用蚁群优化算法在当前解的基础上通过迭代更新过程生成的更新解精度高，生成方法速度慢，且该更新解是更优解，通过两种解的迭代更新方法相结合，实现快速获得最优规划线路集，提高了求解速度和求解精度。具体来说，上述模拟退火算法的预设新解生成方法，包括：第一种，基于在原解中随机选择两个位置，将选择的两个位置之间的数据位置反序调换得到生成解，第二种，基于在原解中随机选择三个位置，将前两个位置之间的数据调换到第三个位置之后得到生成解，第三种，基于在原解中随机选择两个位置，将选择的两个位置的数据相互调换位置得到生成解。
在一些实施方式中，上述步骤(3)的动态排班表的获取方法，包括：
利用DeepQ learning神经网络算法，以车辆利用率最高为目标得出动态的排班表，获取不同线路的班次和每个班次车辆的停靠站点停靠时间。
本申请实施例中，利用DeepQ learning神经网络算法，同时基于动态规划，每次决策依赖于当前状态(即截止当前公交预约情况)，形成决策序列后，以车辆利用率最高为目标得出动态的智能排班表，并在车辆发车前把确定最终停靠园区的行车线路推送给公交运营企业和乘客。司机在发车之前以及乘客在坐车之前，可以查看自己当日的所有行程，包括停靠站点，要求的到站时间等等。
具体来说，上述步骤(3)的动态排班表的获取方法，包括：
(31)基于确定的规划路线集和目标集合中的公交预约请求，获取每个路线上所有停靠站点的乘车总人数；
(32)基于每个规划路径上的班次总数分配、班次间隔随机生成初始状态，并基于车辆利用率和乘客出行时间成本计算奖励函数；
(33)基于当前状态输入到预设的神经网络中，选择一种动作，输出新的状态和奖励函数预测值；
(34)基于神经网络输出的奖励函数输出值和奖励函数预测值的差异，对神经网络模型参数进行更新；
(35)直至训练完成获取训练完成的DeepQ learning神经网络，基于DeepQlearning神经网络获取车辆利用率和乘客出行时间成本最优的公交动态排班方法。
本申请实施例中，乘客出行时间成本主要基于乘客在停靠站点等待时间和乘客从上车开始到达目的地的时间，则车辆单次出行的时间基于站点之间的运行时长和每个停靠站点的停靠时长确定；其中，对神经网络模型参数进行更新，具体包括：基于第一子网络输出的奖励函数输出值和奖励函数预测值的差异，基于第一损失函数对第一子网络进行参数更新，同时，间隔预设时间段后将第一子网络的参数复制到第二子网络中，其中，第一损失函数为：
其中，θ为网络参数，s,s′是状态参数，a,a′是采取的动作参数，Q(x)是状态动作价值参数，r是获得的奖赏，γ是奖励衰减因子。
基于上述基于多源大数据的职住接驳动态公交管理方法，参见图5，本申请实施例还提供了一种基于多源大数据的职住接驳动态公交管理系统，该系统包括：
预约请求获取单元51，用于实时接收公交预约请求，并获取公交预约请求目标集合，所述目标集合中包括截止到当前时刻接收到的所有公交预约请求，所述公交预约请求包括预约时间和预约地点；
公交路线规划单元52，用于基于目标集合中的所有预约地点进行公交路线规划；
公交排班单元53，用于基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；
出行信息推送单元54，用于在车辆发车前基于公交路线规划结果和动态排班表，将对应排班信息、行车线路、停靠站点及停靠站点停靠时间信息分别推送到公交运营端和公交预约请求端。
在一些实施方式中，参见图6，上述公交路线规划单元，包括：
目标规划区域获取单元521，用于确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
目标规划区域网格化单元522，用于对目标规划区域进行地图网格化；
停靠站点获取单元523，用于对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
规划线路集获取单元524，用于通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集。
在一些实施方式中，上述公交排班单元，用于利用DeepQ learning神经网络算法，以车辆利用率最高为目标得出动态的排班表，获取不同线路的班次和每个班次车辆的停靠站点停靠时间。
关于职住接驳动态公交管理系统的具体限定可以参见上文中对于职住接驳动态公交管理方法的限定，在此不再赘述。上述职住接驳动态公交管理系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
在一些实施例中，本发明实施例提供的职住接驳动态公交管理系统可以采用软硬件结合的方式实现，作为示例，本发明实施例所提供的职住接驳动态公交管理系统可以直接体现为由处理器执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器，处理器读取存储器中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器以及连接到总线的其他组件)完成本发明实施例提供的职住接驳动态公交管理方法。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器(Read-Only Memory，ROM)，所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于多源大数据的职住接驳动态公交管理方法，其特征在于，包括：
实时接收公交预约请求，并获取公交预约请求目标集合，所述目标集合中包括截止到当前时刻接收到的所有公交预约请求，所述公交预约请求包括预约时间和预约地点；
基于目标集合中的所有预约地点进行公交路线规划；
基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；
在车辆发车前基于公交路线规划结果和动态排班表，将对应排班信息、行车线路、停靠站点及停靠站点停靠时间信息分别推送到公交运营端和公交预约请求端；
所述基于目标集合中的所有预约地点进行公交路线规划，包括：
确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
对目标规划区域进行地图网格化；
对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集；
所述对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点，包括：
(11)基于目标规划区域中的所有预约地点，随机选择一个预约地点，
(12)基于当前预约地点在所有预约地点的其余预约地点中获取与所述当前预约地点距离最近的下一预约地点，所述当前预约地点和下一预约地点形成一条支路；
(13)以所述下一预约地点作为新的当前预约地点，以所述当前预约地点作为新的上一预约地点，在所有预约地点的其余预约地点中获取与所述新的当前预约地点距离最近的下一预约地点，将所述下一预约地点添加到(11)中的支路上；
(14)判断所述下一预约地点和所述新的上一预约地点是否为相同预约地点，若是，则进入步骤(15)，否则，进入步骤(13)；
(15)判断目标规划区域中的所有预约地点是否均分配在支路上，若是，则停止算法，否则，在未分配的剩余预约地点中随机选择一个预约地点回到步骤(12)；
所述通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集，包括：
(21)基于所有停靠站点初始化生成规划路线集，所述规划路线集中包含多条规划路线；
(22)基于当前最新解采用蚁群优化算法进行一次迭代更新获取一次更新解；
(23)基于所述更新解利用模拟退火算法的预设新解生成方法获取至少一个生成解；模拟退火算法的预设新解生成方法，包括：第一种，基于在原解中随机选择两个位置，将选择的两个位置之间的数据位置反序调换得到生成解，第二种，基于在原解中随机选择三个位置，将前两个位置之间的数据调换到第三个位置之后得到生成解，第三种，基于在原解中随机选择两个位置，将选择的两个位置的数据相互调换位置得到生成解；
(24)基于生成解以预设接受准则接受所述生成解，并获取最优解作为当前最新解；
(25)重复步骤(22)-(24)直至达到预设循环次数；
(26)降温；
(27)重复步骤(22)-(26)直至温度降至预设温度阈值，获取最新解中的规划线路集。
2.根据权利要求1所述的一种基于多源大数据的职住接驳动态公交管理方法，其特征在于，所述对目标规划区域进行地图网格化采用Geohash算法。
3.根据权利要求1所述的一种基于多源大数据的职住接驳动态公交管理方法，其特征在于，所述动态排班表的获取方法，包括：
利用DeepQ learning神经网络算法，以车辆利用率最高为目标得出动态的排班表，获取不同线路的班次和每个班次车辆的停靠站点停靠时间。
4.根据权利要求3所述的一种基于多源大数据的职住接驳动态公交管理方法，其特征在于，所述动态排班表的获取方法，包括：
基于确定的规划路线集和目标集合中的公交预约请求，获取每个路线上所有停靠站点的乘车总人数；
基于每个规划路径上的班次总数分配、班次间隔随机生成初始状态，并基于车辆利用率和乘客出行时间成本计算奖励函数；
基于当前状态输入到预设的神经网络中，选择一种动作，输出新的状态和奖励函数预测值；
基于神经网络输出的奖励函数输出值和奖励函数预测值的差异，对神经网络模型参数进行更新；
直至训练完成获取训练完成的DeepQ learning神经网络，基于DeepQ learning神经网络获取车辆利用率和乘客出行时间成本最优的公交动态排班方法。
5.一种基于多源大数据的职住接驳动态公交管理系统，其特征在于，包括：
预约请求获取单元，用于实时接收公交预约请求，并获取公交预约请求目标集合，所述目标集合中包括截止到当前时刻接收到的所有公交预约请求，所述公交预约请求包括预约时间和预约地点；
公交路线规划单元，用于基于目标集合中的所有预约地点进行公交路线规划；
公交排班单元，用于基于公交路线规划结果及公交路线规划结果中各个停靠站点对应的公交预约请求用户总数，以车辆利用率最高为目标获得动态排班表；
出行信息推送单元，用于在车辆发车前基于公交路线规划结果和动态排班表，将对应排班信息、行车线路、停靠站点及停靠站点停靠时间信息分别推送到公交运营端和公交预约请求端；
所述公交路线规划单元，基于目标集合中的所有预约地点进行公交路线规划，包括：
确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
对目标规划区域进行地图网格化；
对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集；
所述对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点，包括：
(11)基于目标规划区域中的所有预约地点，随机选择一个预约地点，
(12)基于当前预约地点在所有预约地点的其余预约地点中获取与所述当前预约地点距离最近的下一预约地点，所述当前预约地点和下一预约地点形成一条支路；
(13)以所述下一预约地点作为新的当前预约地点，以所述当前预约地点作为新的上一预约地点，在所有预约地点的其余预约地点中获取与所述新的当前预约地点距离最近的下一预约地点，将所述下一预约地点添加到(11)中的支路上；
(14)判断所述下一预约地点和所述新的上一预约地点是否为相同预约地点，若是，则进入步骤(15)，否则，进入步骤(13)；
(15)判断目标规划区域中的所有预约地点是否均分配在支路上，若是，则停止算法，否则，在未分配的剩余预约地点中随机选择一个预约地点回到步骤(12)；
所述通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集，包括：
(21)基于所有停靠站点初始化生成规划路线集，所述规划路线集中包含多条规划路线；
(22)基于当前最新解采用蚁群优化算法进行一次迭代更新获取一次更新解；
(23)基于所述更新解利用模拟退火算法的预设新解生成方法获取至少一个生成解；模拟退火算法的预设新解生成方法，包括：第一种，基于在原解中随机选择两个位置，将选择的两个位置之间的数据位置反序调换得到生成解，第二种，基于在原解中随机选择三个位置，将前两个位置之间的数据调换到第三个位置之后得到生成解，第三种，基于在原解中随机选择两个位置，将选择的两个位置的数据相互调换位置得到生成解；
(24)基于生成解以预设接受准则接受所述生成解，并获取最优解作为当前最新解；
(25)重复步骤(22)-(24)直至达到预设循环次数；
(26)降温；
(27)重复步骤(22)-(26)直至温度降至预设温度阈值，获取最新解中的规划线路集。
6.根据权利要求5所述的基于多源大数据的职住接驳动态公交管理系统，其特征在于，所述公交路线规划单元，包括：
目标规划区域获取单元，用于确定目标规划区域，所述目标规划区域涵盖目标集合中的所有预约地点；
目标规划区域网格化单元，用于对目标规划区域进行地图网格化；
停靠站点获取单元，用于对目标规划区域中的所有预约地点进行分类，并获得类簇中的停靠站点；
规划线路集获取单元，用于通过模拟退火算法在所有停靠站点之间规划路线，获得规划线路集。
7.根据权利要求6所述的基于多源大数据的职住接驳动态公交管理系统，其特征在于，所述公交排班单元，用于利用DeepQ learning神经网络算法，以车辆利用率最高为目标得出动态的排班表，获取不同线路的班次和每个班次车辆的停靠站点停靠时间。
CN202210470645.6A 2022-04-28 2022-04-28 基于多源大数据的职住接驳动态公交管理方法及系统 Active CN114781267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210470645.6A CN114781267B (zh) 2022-04-28 2022-04-28 基于多源大数据的职住接驳动态公交管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210470645.6A CN114781267B (zh) 2022-04-28 2022-04-28 基于多源大数据的职住接驳动态公交管理方法及系统

Publications (2)

Publication Number Publication Date
CN114781267A CN114781267A (zh) 2022-07-22
CN114781267B true CN114781267B (zh) 2023-08-29

Family

ID=82435308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210470645.6A Active CN114781267B (zh) 2022-04-28 2022-04-28 基于多源大数据的职住接驳动态公交管理方法及系统

Country Status (1)

Country Link
CN (1) CN114781267B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115472011B (zh) * 2022-08-23 2023-09-22 江苏交控智慧城市技术有限公司 基于预约数据的公交智能线路规划算法
CN115731734A (zh) * 2022-11-09 2023-03-03 支付宝(杭州)信息技术有限公司 基于交通出行量数据处理进行出行线路规划的方法及系统
CN115862823B (zh) * 2022-11-14 2024-04-05 深圳市索美医疗科技服务有限公司 一种基于移动网络的设备智能调度方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408099A (zh) * 2016-08-31 2017-02-15 广州地理研究所 一种基于乘客预约的公交车的动态调度方法和装置
CN111415048A (zh) * 2020-04-10 2020-07-14 大连海事大学 一种基于强化学习的车辆路径规划方法
CN112465178A (zh) * 2020-12-16 2021-03-09 福州物联网开放实验室有限公司 一种车辆规划方法及存储介质
CN113033928A (zh) * 2019-12-09 2021-06-25 南京行者易智能交通科技有限公司 一种基于深度强化学习的公交排班模型的设计方法、装置及系统
WO2022027144A1 (en) * 2020-08-07 2022-02-10 Blaise Transit Ltd. System and method for generating real-time routing for on-demand transportation

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299177A1 (en) * 2009-05-22 2010-11-25 Disney Enterprises, Inc. Dynamic bus dispatching and labor assignment system
US20190156254A1 (en) * 2017-11-21 2019-05-23 GM Global Technology Operations LLC Systems and methods for dynamically managing a shuttle fleet

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408099A (zh) * 2016-08-31 2017-02-15 广州地理研究所 一种基于乘客预约的公交车的动态调度方法和装置
CN113033928A (zh) * 2019-12-09 2021-06-25 南京行者易智能交通科技有限公司 一种基于深度强化学习的公交排班模型的设计方法、装置及系统
CN111415048A (zh) * 2020-04-10 2020-07-14 大连海事大学 一种基于强化学习的车辆路径规划方法
WO2022027144A1 (en) * 2020-08-07 2022-02-10 Blaise Transit Ltd. System and method for generating real-time routing for on-demand transportation
CN112465178A (zh) * 2020-12-16 2021-03-09 福州物联网开放实验室有限公司 一种车辆规划方法及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑需求起讫点及需求等级的响应型社区公交行车调度优化;赵靖;葛庆红;韩印;;公路交通科技(第06期);全文 *

Also Published As

Publication number Publication date
CN114781267A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114781267B (zh) 基于多源大数据的职住接驳动态公交管理方法及系统
CN110376594B (zh) 一种基于拓扑图的智能导航的方法和系统
US20230124864A1 (en) Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules
CN109241373B (zh) 用于采集数据的方法和装置
CN109902899B (zh) 信息生成方法和装置
CN112116806B (zh) 车流量特征提取方法及系统
CN111341136A (zh) 一种基于车路协同的代客泊车方法、系统及存储介质
CN109213153B (zh) 一种车辆自动驾驶方法及电子设备
CN114638148A (zh) 用于自动化交通工具的文化敏感驾驶的安全的并且可扩展的模型
CN112249009B (zh) 车速控制方法、装置、系统及电子设备
Shiwakoti et al. Investigating the state of connected and autonomous vehicles: A literature Review
CN109115220B (zh) 一种用于停车场系统路径规划的方法
CN107564328B (zh) 用于车辆的停车位确定方法和装置
CN114911804A (zh) 一种地图瓦片更新方法和装置
CN111337045A (zh) 车辆导航方法和装置
CN115493610A (zh) 一种车道级导航方法及装置、电子设备、存储介质
CN114863047A (zh) 路口虚拟线绘制方法、装置、电子设备及计算机程序产品
EP3789984A1 (en) System for optimising transient kerbside access
CN114839984A (zh) 一种班车路径规划方法、装置、设备及存储介质
Brandstätter et al. Performance analysis of a metaheuristic algorithm for the line-haul feeder vehicle routing problem
DE102018208150A1 (de) Verfahren und System zum Sicherstellen einer Echtzeitfähigkeit eines Fahrerassistenzsystems
CN112710316A (zh) 专注于构造和本地化技术领域的动态地图生成
CN117173361A (zh) 仿真实现方法、装置、设备及计算机可读存储介质
Tsai et al. An IoT based parking recommendation system considering distance and parking lot flow
JP2021524574A (ja) ナビゲーション情報を出力する装置及び方法並びに自動車

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