CN114839984A - 一种班车路径规划方法、装置、设备及存储介质 - Google Patents
一种班车路径规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114839984A CN114839984A CN202210445240.7A CN202210445240A CN114839984A CN 114839984 A CN114839984 A CN 114839984A CN 202210445240 A CN202210445240 A CN 202210445240A CN 114839984 A CN114839984 A CN 114839984A
- Authority
- CN
- China
- Prior art keywords
- passenger
- station
- path planning
- target
- class
- 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 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010845 search algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 4
- 239000003016 pheromone Substances 0.000 description 13
- 241000257303 Hymenoptera Species 0.000 description 11
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009191 jumping Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种班车路径规划方法、装置、设备和存储介质,获取所有乘客的起点和目的地;将所述目的地相同的乘客划分为一类,得到若干乘客集合;对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。本发明实施例能够通过根据目的地将乘客进行分类,针对每一类乘客,根据乘客的起点来生成若干乘车站点,并在乘车站点的基础上,基于蚁群算法获取目标路径规划方案,实现了班车的站点以及路线的合理设计。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种班车路径规划方法、装置、设备及存储介质。
背景技术
随着经济和社会的快速发展,城市人口和交通流量不断增加,大中城市的交通拥堵问题日益严重,使得城市中上班一族的通勤时间不断增长。现有技术中,传统的班车规划大多以司机的经验为主,行车路线一般不易变更,更无法根据需求的变化做出及时高效的改变,因此,如何合理地设置班车的站点以及路线,对班车路径进行更好的规划为亟需解决的难题。
发明内容
本发明实施例的目的是提供一种班车路径规划方法、装置、设备及存储介质,通过根据乘客的起点来为同一目的地的乘客生成乘车站点,并基于乘车站点,利用蚁群算法搜索得到目标路径规划方案,以实现合理设置班车的站点以及路线的目的。
为实现上述目的,本发明实施例提供了一种班车路径规划方法,包括:
获取所有乘客的起点和目的地;
将所述目的地相同的乘客划分为一类,得到若干乘客集合;
对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
作为上述方案的改进,还包括:
以所述目标路径规划方案为初始最优解,基于邻域搜索算法,计算得到最优路径规划方案。
作为上述方案的改进,对于每一所述乘客集合,通过以下方式生成若干乘客站点:
将每一乘客初始化为一个乘客类;
寻找最近起点距离最小的两个乘客类分别作为第一乘客类、第二乘客类,并将所述第一乘客类合并到所述第二乘客类中以形成新的乘客类,直到所述第一乘客类中存在至少一个乘客与所述第二乘客类的类中心的距离大于预设的距离阈值;其中,所述第一乘客类的乘客人数小于或等于所述第二乘客类的乘客人数;
筛选出目标乘客类以生成乘车站点;其中,所述目标乘客类为乘客人数大于或等于预设的站点最小需求人数的乘客类。
作为上述方案的改进,所述两个乘客类的最近起点距离通过以下方式计算得到:
其中,or表示乘客类r,ok表示乘客类k,ou表示乘客类r中的乘客u,ov表示乘客类k中的乘客v,S表示乘客集合S。
作为上述方案的改进,所述适应度函数具体为:
fitness(t)=NV(t)+arctan(TD(T))/π+AccumulateBypassRate(t)
其中,fitness(t)表示第t个规划方案的适应度,NV(t)表示第t个的规划方案的车辆数,TD(t)为第t个规划方案的车辆行驶总距离;AccumulateBypassRate(t)为第t个规划方案的所有车辆的绕行率超出量的累加量。
作为上述方案的改进,对于每一车辆,所述绕行率超出量通过以下方式计算得到:
将每一目标站点的规划时间除以直接时间得到每一目标站点的绕行系数;
将所有目标站点的绕行系数相加后再除以所述目标站点的总数,得到绕行率;
将所述绕行率减去预设的绕行率阈值得到绕行率超出量;
其中,所述目标站点为车辆所在规划路线上的乘车站点,所述目标目的地为车辆所在规划路线的目的地,所述规划时间表示车辆按照车辆所在规划路线从所述目标站点到所述目标目的地所用时间,所述直接时间为车辆直接前往所述目标目的地所用时间。
作为上述方案的改进,所述以所述目标路径规划方案为初始最优解,基于邻域搜索算法,计算得到最优路径规划方案,具体包括:
以上一迭代轮次的最优路径规划方案作为当前迭代轮次的初始最优解;其中,第一迭代轮次的初始最优解为所述目标路径规划方案;
从所述当前迭代轮次的初始最优解中随机选取一辆车作为第一车辆,随机选取所述第一车辆的一个乘车站点作为第一待测站点,随机选取另一辆车作为第二车辆;其中,所述第一待测站点不为所述目的地所在的乘车站点,所述第二车辆的乘车站点包括所述第一待测站点;
当经过所述第一待测站点时所述第二车辆的空位数小于所述第一待测站点时的乘车人数时,执行站点交换操作以更新所述当前迭代轮次的最优路径规划;当经过所述第一待测站点时所述第二车辆的空位数大于或等于所述第一待测站点时的乘车人数时,执行站点插入操作以更新所述当前迭代轮次的最优路径规划;
当所述当前迭代轮次满足预设的邻域搜索次数阈值时,结束邻域搜索算法迭代。
为实现上述目的,本发明实施例还提供了一种班车路径规划装置,包括:
地点获取模块,用于获取所有乘客的起点和目的地;
乘客分类模块,用于将所述目的地相同的乘客划分为一类,得到若干乘客集合;
站点生成模块,用于对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
方案生成模块,用于对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
为实现上述目的,本发明实施例还提供了一种班车路径规划设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例所述的班车路径规划方法。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例所述的班车路径规划方法。
与现有技术相比,本发明实施例公开的班车路径规划方法、装置、设备和计算机可读存储介质,首先,获取所有乘客的起点和目的地;然后将所述目的地相同的乘客划分为一类,得到若干乘客集合;接着,对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;最后,对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。本发明实施例能够通过根据目的地将乘客进行分类,针对每一类乘客,根据乘客的起点来生成若干乘车站点,并在乘车站点的基础上,基于蚁群算法获取目标路径规划方案,实现了班车的站点以及路线的合理设计。
附图说明
图1是本发明实施例提供的一种班车路径规划方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例提供的一种班车路径规划方法的流程图,所述班车路径规划方法包括步骤S1~S4:
S1、获取所有乘客的起点和目的地;
S2、将所述目的地相同的乘客划分为一类,得到若干乘客集合;
S3、对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
S4、对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
具体地,针对于划定区域,为乘客进行班车的路线规划,获取所有乘客的目的地,根据目的地将乘客进行分类,得到若干乘客集合,其中,乘客集合的数量由乘客的目的地的数量决定;对于每一个乘客集合,获取该乘客集合中每一乘客的起点,调用层次聚类算法,根据起点进一步对乘客进行分类,得到若干乘客类以生成乘车站点;在每一乘客集合确定了乘车站点之后,调用蚁群算法,对最小化车辆数、最小化车辆行驶总距离以及车辆绕行率进行优化处理,搜索得到目标路径规划方案。
与现有技术相比,本发明实施例能够通过获取所有乘客的目的地来对乘客进行分类;针对每一类乘客,基于聚类算法,根据乘客的起点来生成若干乘车站点;并在乘车站点的基础上,基于蚁群算法获取目标路径规划方案,实现了班车的站点以及路线的合理设计。
在一种实施方式中,还包括:
以所述目标路径规划方案为初始最优解,基于邻域搜索算法,计算得到最优路径规划方案。
具体地,在步骤S4之后,调用邻域搜索算法优化规划结果,获得最优的规划路线(最优路径规划方案)。
在一种实施方式中,对于每一所述乘客集合,通过以下方式生成若干乘客站点:
将每一乘客初始化为一个乘客类;
寻找最近起点距离最小的两个乘客类分别作为第一乘客类、第二乘客类,并将所述第一乘客类合并到所述第二乘客类中以形成新的乘客类,直到所述第一乘客类中存在至少一个乘客与所述第二乘客类的类中心的距离大于预设的距离阈值;其中,所述第一乘客类的乘客人数小于或等于所述第二乘客类的乘客人数;
筛选出目标乘客类以生成乘车站点;其中,所述目标乘客类为乘客人数大于或等于预设的站点最小需求人数的乘客类。
具体地,对于每一乘客集合,通过以下方式生成乘车站点:
1、取分类好的一个乘客集合S(乘客集合S),设S={o1,o2,...,on}共有n个乘客;
2、初始化乘客集合,置每个乘客oi为一个类,共形成n个乘客类:o1,o2,...,on;
3、寻找乘客起点距离相距最近的两个乘客类,根据经纬度坐标求得球面上两点间的距离,从而从现有所有类中找出距离最近的两个类or和ok;
4、判断乘客类是否可以进行合并,若两个乘客类的类中心距离小于等于预设的距离阈值r,则尝试将类or和ok合并,否则跳转步骤6,进行终止判断;其中,其中距离阈值r表征乘客能容忍的最大步行距离,可根据实际情况进行设置;
5、合并乘客类,将乘客少的类合并到乘客多的类,当or的乘客数(乘客人数)小于或等于ok,且or中所有乘客到ok类中心点的距离均在预设的距离阈值r范围内,则将or的所有乘客合并到ok,然后移除or,否则跳转到步骤6,进行终止判断;
6、进行终止判断,若当前所有的类之间均无法继续合并,则将满足站点最小需求人数max_set_number的聚类结果写入数据库并终止本算法;否则,返回步骤3寻找最近的两个乘客集合;其中,聚类结果中每一个乘客类对应一个乘车站点;其中,考虑到成本问题(包括时间成本、车辆相关成本等),乘车站点的设置需对站点的人数进行考虑。
在一种实施方式中,所述两个乘客类的最近起点距离通过以下方式计算得到:
其中,or表示乘客类r,ok表示乘客类k,ou表示乘客类r中的乘客u,ov表示乘客类k中的乘客v,S表示乘客集合S。
具体地,对于任意两个在集合S中的乘客类r和k,在两个乘客类中找到相距距离最短的两个点以计算得到乘客类r与k的最近起点距离。
在一种实施方式中,对于每一所述乘客集合,通过以下方式搜索得到所述目标路径规划方案:
在当前迭代轮次中,随机为蚁群算法中的每只蚂蚁指派一个乘车站点作为起始站点,基于轮盘赌算法,获取每只蚂蚁的站点访问顺序,并根据硬约束条件构造可行解;其中,所述硬约束条件根据实际应用进行设置;
对最小化车辆数、最小化车辆行驶总距离以及车辆绕行率进行优化处理,计算每只蚂蚁的适应度并进行蚂蚁排序以筛选出预设数量的精英蚂蚁;其中,精英蚂蚁的数量可根据实际应用进行设置;
根据所述精英蚂蚁更新路径的信息素浓度,并记录所述当前迭代轮次中的最优解;
当所述当前迭代轮次满足预设的蚁群次数阈值时,以所述当前迭代轮次的最优解作为目标路径规划方案,结束蚁群算法迭代。
具体地,蚁群算法开始时,随机为每只蚂蚁指派一个起始站点(起始的乘车站点),根据以下公式计算从该站点到达其他剩余站点的转移概率,并根据轮盘赌算法选择下一个站点,直至蚂蚁访问完所有站点,获得一个完整的站点访问顺序,根据硬约束条件构建可行解;
其中,τij是边(i,j)的信息素浓度,α为信息素影响因子;θij是边(i,j)的可见度(i到j路程的倒数),β为可见度影响因子;Ω是已服务城市的集合,Cj代表剩余站点j的集合。
系统对最小化车辆数、最小化行驶总距离以及尽可能满足车辆绕行率在maxBypassRate(算法开始时自动初始化)的范围三个目标进行优化处理,然后计算每只蚂蚁的适应度;根据计算得到的适应度对蚂蚁进行降序排列,并选取预设数量的排序后排名靠前的蚂蚁作为精英蚂蚁。
更新路径的信息素浓度,并记录本轮迭代的最优解;其中,对精英蚂蚁系统信息素进行更新的方法为:
蚂蚁访问完所有站点后,根据以下公式对信息素矩阵进行更新:
其中,τij是边(i,j)的信息素浓度;ρ是信息素挥发因子;е是精英蚂蚁的数量,是本轮迭代排名第t位的精英蚂蚁在边(i,j)残留的信息素浓度;是本轮迭代后排名第1位的精英蚂蚁在边(i,j)残留的信息素浓度;q1、q2分别是两种信息素的增强权重。
信息素浓度以下公式进行计算:
在一种实施方式中,所述适应度函数具体为:
fitness(t)=NV(t)+arctan(TD(T))/π+AccumulateBypassRate(t)
其中,fitness(t)表示第t个规划方案的适应度,NV(t)表示第t个的规划方案的车辆数,TD(t)为第t个规划方案的车辆行驶总距离;AccumulateBypassRate(t)为第t个规划方案的所有车辆的绕行率超出量的累加量。
具体地,适应度通过以下公式计算得到:
fitness(t)=NV(t)+arctan(TD(T))/π+AccumulateBypassRate(t);其中,NV(t)为第t个蚂蚁规划方案所需车辆数;TD(t)为第t个蚂蚁规划方案的行驶总距离;AccumulateBypassRate(t)为第t个蚂蚁规划方案中所有车辆的绕行率超出量的累加量,车辆的绕行率超出量为绕行率超出maxBypassRate的部分,其中,maxBypassRate是算法开始时的自动初始化的参数。
在一种实施方式中,对于每一车辆,所述绕行率超出量通过以下方式计算得到:
将每一目标站点的规划时间除以直接时间得到每一目标站点的绕行系数;
将所有目标站点的绕行系数相加后再除以所述目标站点的总数,得到绕行率;
将所述绕行率减去预设的绕行率阈值得到绕行率超出量;
其中,所述目标站点为车辆所在规划路线上的乘车站点,所述目标目的地为车辆所在规划路线的目的地,所述规划时间表示车辆按照车辆所在规划路线从所述目标站点到所述目标目的地所用时间,所述直接时间为车辆直接前往所述目标目的地所用时间。
具体地,绕行率的计算方式以车辆1路线(e→b→P)为例,参见以下公式:
bypassRate(e,b,p)=[Time(e,b,P)/Time(e,P)+Time(b,P)/Time(e,P)]/2;其中,Time(e,b,P)是指从站点e出发途径站点b最后到达站点P的在途时间,Time(e,P)和Time(b,P)同理;各站点按规划线路到达目的地的耗时与从该站点出发直接前往目的地的耗时的比值累加后求平均,即该条规划线路的绕行率。
可选的,当车辆行驶的时间仅与行驶的路径长度相关时,对于每一车辆,所述绕行率超出量可以通过以下方式计算得到:
将每一目标站点的规划路径除以直接路径得到每一目标站点的绕行系数;
将所有目标站点的绕行系数相加后再除以所述目标站点的总数,得到绕行率;
将所述绕行率减去预设的绕行率阈值得到绕行率超出量;
其中,所述目标站点为车辆所在规划路线上的乘车站点,所述目标目的地为车辆所在规划路线的目的地,所述规划路径表示车辆按照车辆所在规划路线从所述目标站点到所述目标目的地所行驶的路径长度,所述直接路径为车辆沿着路网的最短路径直接前往所述目标目的地的路径长度。
在一种实施方式中,所述以所述目标路径规划方案为初始最优解,基于邻域搜索算法,计算得到最优路径规划方案,具体包括:
以上一迭代轮次的最优路径规划方案作为当前迭代轮次的初始最优解;其中,第一迭代轮次的初始最优解为所述目标路径规划方案;
从所述当前迭代轮次的初始最优解中随机选取一辆车作为第一车辆,随机选取所述第一车辆的一个乘车站点作为第一待测站点,随机选取另一辆车作为第二车辆;其中,所述第一待测站点不为所述目的地所在的乘车站点,所述第二车辆的乘车站点包括所述第一待测站点;
当经过所述第一待测站点时所述第二车辆的空位数小于所述第一待测站点时的乘车人数时,执行站点交换操作以更新所述当前迭代轮次的最优路径规划;
当经过所述第一待测站点时所述第二车辆的空位数大于或等于所述第一待测站点时的乘车人数时,执行站点插入操作以更新所述当前迭代轮次的最优路径规划;
当所述当前迭代轮次满足预设的邻域搜索次数阈值时,结束邻域搜索算法迭代。
具体地,调用邻域搜索算法来进行方案的优化:
1、初始化,将精英蚂蚁系统算法(蚁群算法)生成的规划方案(目标路径规划方案)作为初始最优解输入本算法;
2、选取vehicle1,从当前最优解中随机选取一辆车vehicle1经过的随机站点i(不包括公司站点),获取此站点的人数pi以及该车辆的空座数emptySeatNum1;在本实施例中,路径规划是针对用于企业的班车路径规划的,所以此“公司站点”指的是企业所在位置,即路径规划目的地所在的站点;
3、选取vehicle2,从规划方案中随机选取另一辆车vehicle2,获取该车辆的空位数emptySeatNum2,其中,空位数emptySeatNum2为经过站点i时vehicle2的空座数;
4、进行优化操作判断,如果emptySeatNum2<pi,则进入步骤5执行站点交换操作;否则跳转到步骤6执行站点插入操作;
5、站点交换操作,遍历vehicle2的站点,如果遍历到一个站点j(不包括公司站点),满足pj+emptySeatNum2≥pi且pj≤pi+emptySeatNum1,则进行交换两个站点,若出现更优解,则停止遍历,替换当前最优解;跳转到步骤7;其中,pj表示站点j的人数;
6、插入操作,将站点i逐一插入到vehicle2的经过的站点之间,若出现更优解,则停止遍历,替换当前最优解;跳转到步骤7;
7、进行终止判断,如果迭代次数到达预设的邻域搜索次数阈值,则终止算法,并返回当前最优解;否则返回步骤2。
本发明实施例采用层次聚类生成站点,并加入其它约束条件对乘客进行分类的聚类过程进行干预,对具有相同目的地的同类乘客数据根据参数生成站点;采用精英蚂蚁系统算法进行路径规划,在算法中加入信息素重置机制进行改进,将精英蚂蚁系统算法构造的解作为邻域搜索的初始解输入算法,做进一步优化,取得最优的规划结果返回,适用于处理大规模多线路的路径规划系统。
本发明实施例还提供一种班车路径规划装置,包括:
地点获取模块,用于获取所有乘客的起点和目的地;
乘客分类模块,用于将所述目的地相同的乘客划分为一类,得到若干乘客集合;
站点生成模块,用于对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
方案生成模块,用于对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
值得说明的是,具体的所述班车路径规划装置的工作过程可参考上述实施例中所述班车路径规划方法的工作过程,在此不再赘述。
本发明实施例提供的装置能够通过获取所有乘客的目的地来对乘客进行分类;针对每一类乘客,基于聚类算法,根据乘客的起点来生成若干乘车站点;并在乘车站点的基础上,基于蚁群算法获取目标路径规划方案,实现了班车的站点以及路线的合理设计。
本发明实施例还提供一种班车路径规划设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述班车路径规划方法实施例中的步骤,例如图1中所述的步骤S1~S4;或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能,例如地点获取模块。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述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,该指令段用于描述所述计算机程序在所述班车路径规划设备中的执行过程。例如,所述计算机程序可以被分割成多个模块,各模块具体功能如下:
地点获取模块,用于获取所有乘客的起点和目的地;
乘客分类模块,用于将所述目的地相同的乘客划分为一类,得到若干乘客集合;
站点生成模块,用于对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
方案生成模块,用于对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
各个模块具体的工作过程可参考上述实施例所述的班车路径规划装置的工作过程,在此不再赘述。
所述班车路径规划设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述班车路径规划设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是班车路径规划设备的示例,并不构成对班车路径规划设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述班车路径规划设备还可以包括输入输出设备、网络接入设备、总线等。
所述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,所述处理器是所述班车路径规划设备的控制中心,利用各种接口和线路连接整个班车路径规划设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述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,实现所述班车路径规划设备的各种功能。所述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等;存储数据区可存储根据手机的使用所创建的数据等。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。
其中,所述班车路径规划设备集成的模块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方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述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 Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种班车路径规划方法,其特征在于,包括:
获取所有乘客的起点和目的地;
将所述目的地相同的乘客划分为一类,得到若干乘客集合;
对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
2.如权利要求1所述的班车路径规划方法,其特征在于,还包括:
以所述目标路径规划方案为初始最优解,基于邻域搜索算法,计算得到最优路径规划方案。
3.如权利要求1所述的班车路径规划方法,其特征在于,对于每一所述乘客集合,通过以下方式生成若干乘客站点:
将每一乘客初始化为一个乘客类;
寻找最近起点距离最小的两个乘客类分别作为第一乘客类、第二乘客类,并将所述第一乘客类合并到所述第二乘客类中以形成新的乘客类,直到所述第一乘客类中存在至少一个乘客与所述第二乘客类的类中心的距离大于预设的距离阈值;其中,所述第一乘客类的乘客人数小于或等于所述第二乘客类的乘客人数;
筛选出目标乘客类以生成乘车站点;其中,所述目标乘客类为乘客人数大于或等于预设的站点最小需求人数的乘客类。
5.如权利要求1所述的班车路径规划方法,其特征在于,所述蚁群算法的适应度函数为:
fitness(t)=NV(t)+arctan(TD(T))/π+AccumulateBypassRate(t)
其中,fitness(t)表示第t个规划方案的适应度,NV(t)表示第t个的规划方案的车辆数,TD(t)为第t个规划方案的车辆行驶总距离;AccumulateBypassRate(t)为第t个规划方案的所有车辆的绕行率超出量的累加量。
6.如权利要求1所述的班车路径规划方法,其特征在于,对于每一车辆,所述绕行率超出量通过以下方式计算得到:
将每一目标站点的规划时间除以直接时间得到每一目标站点的绕行系数;
将所有目标站点的绕行系数相加后再除以所述目标站点的总数,得到绕行率;
将所述绕行率减去预设的绕行率阈值得到绕行率超出量;
其中,所述目标站点为车辆所在规划路线上的乘车站点,所述目标目的地为车辆所在规划路线的目的地,所述规划时间表示车辆按照车辆所在规划路线从所述目标站点到所述目标目的地所用时间,所述直接时间为车辆直接前往所述目标目的地所用时间。
7.如权利要求2所述的班车路径规划方法,其特征在于,所述以所述目标路径规划方案为初始最优解,基于邻域搜索算法,计算得到最优路径规划方案,具体包括:
以上一迭代轮次的最优路径规划方案作为当前迭代轮次的初始最优解;其中,第一迭代轮次的初始最优解为所述目标路径规划方案;
从所述当前迭代轮次的初始最优解中随机选取一辆车作为第一车辆,随机选取所述第一车辆的一个乘车站点作为第一待测站点,随机选取另一辆车作为第二车辆;其中,所述第一待测站点不为所述目的地所在的乘车站点,所述第二车辆的乘车站点包括所述第一待测站点;
当经过所述第一待测站点时所述第二车辆的空位数小于所述第一待测站点的乘车人数时,执行站点交换操作以更新所述当前迭代轮次的最优路径规划;
当经过所述第一待测站点时所述第二车辆的空位数大于或等于所述第一待测站点的乘车人数时,执行站点插入操作以更新所述当前迭代轮次的最优路径规划;
当所述当前迭代轮次满足预设的邻域搜索次数阈值时,结束邻域搜索算法迭代。
8.一种班车路径规划装置,其特征在于,包括:
地点获取模块,用于获取所有乘客的起点和目的地;
乘客分类模块,用于将所述目的地相同的乘客划分为一类,得到若干乘客集合;
站点生成模块,用于对于每一所述乘客集合,基于聚类算法,根据所述起点生成若干乘车站点;
方案生成模块,用于对于每一所述乘客集合,在所述乘车站点的基础上,基于蚁群算法,以总耗量最小为优化目标,搜索得到目标路径规划方案,其中,所述总耗量分别与车辆数、车辆行驶总距离、所有车辆的绕行率超出量的累加量呈正相关关系。
9.一种班车路径规划设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的班车路径规划方法。
10.一种计算机可读存储介质,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的班车路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445240.7A CN114839984A (zh) | 2022-04-26 | 2022-04-26 | 一种班车路径规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445240.7A CN114839984A (zh) | 2022-04-26 | 2022-04-26 | 一种班车路径规划方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114839984A true CN114839984A (zh) | 2022-08-02 |
Family
ID=82566192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210445240.7A Pending CN114839984A (zh) | 2022-04-26 | 2022-04-26 | 一种班车路径规划方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839984A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115454070A (zh) * | 2022-09-15 | 2022-12-09 | 安徽工程大学 | 一种K-Means蚁群算法多机器人路径规划方法 |
-
2022
- 2022-04-26 CN CN202210445240.7A patent/CN114839984A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115454070A (zh) * | 2022-09-15 | 2022-12-09 | 安徽工程大学 | 一种K-Means蚁群算法多机器人路径规划方法 |
CN115454070B (zh) * | 2022-09-15 | 2024-04-05 | 安徽工程大学 | 一种K-Means蚁群算法多机器人路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101976294B1 (ko) | 주행 노선 매칭 방법, 장치 및 저장 매체 | |
Sander et al. | The potential of clustering methods to define intersection test scenarios: Assessing real-life performance of AEB | |
US9068852B2 (en) | Vehicle fleet routing system | |
CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
Yang et al. | Stochastic skyline route planning under time-varying uncertainty | |
CN109544929B (zh) | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 | |
CN114839984A (zh) | 一种班车路径规划方法、装置、设备及存储介质 | |
Qadir et al. | An optimal ride sharing recommendation framework for carpooling services | |
Asghari et al. | An on-line truthful and individually rational pricing mechanism for ride-sharing | |
CN110942198A (zh) | 一种用于轨道交通运营的乘客路径识别方法和系统 | |
CN113312760B (zh) | 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 | |
CN113627669B (zh) | 交通路线优化处理方法、装置及设备 | |
Kita et al. | A game theoretic analysis of merging-giveway interaction: a joint estimation model | |
Xing et al. | Time-varying analysis of traffic conflicts at the upstream approach of toll plaza | |
CN104024801A (zh) | 使用有界地理区域用于导航的方法和系统 | |
Luo et al. | Dynamic ridesharing in peak travel periods | |
Liu et al. | Recommending a personalized sequence of pick-up points | |
CN115493610A (zh) | 一种车道级导航方法及装置、电子设备、存储介质 | |
Ali et al. | Future connected vehicles: challenges and opportunities for spatio-temporal computing | |
JP2021190094A (ja) | 配送計画作成方法、装置、システムおよびコンピュータ読み取り可能な記憶媒体 | |
Han et al. | Exploiting beneficial information sharing among autonomous vehicles | |
Gökay et al. | A high-level category survey of dial-a-ride problems | |
CN116194935B (zh) | 用于确定地理区域中的车辆的导航简档的方法和设备 | |
CN114413923B (zh) | 一种行驶路线推荐方法、装置、存储介质及系统 | |
CN116030629A (zh) | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 |
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 |