CN115034522A - 基于员工下班时间及下车站点的通勤班车动态调度方法 - Google Patents

基于员工下班时间及下车站点的通勤班车动态调度方法 Download PDF

Info

Publication number
CN115034522A
CN115034522A CN202210953233.8A CN202210953233A CN115034522A CN 115034522 A CN115034522 A CN 115034522A CN 202210953233 A CN202210953233 A CN 202210953233A CN 115034522 A CN115034522 A CN 115034522A
Authority
CN
China
Prior art keywords
vehicle
station
site
time
shift
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
Application number
CN202210953233.8A
Other languages
English (en)
Other versions
CN115034522B (zh
Inventor
吴立辉
王雄
但志平
鲍海
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.)
Shenzhen Segi Information Technology Co ltd
Original Assignee
Shenzhen Segi Information Technology 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 Shenzhen Segi Information Technology Co ltd filed Critical Shenzhen Segi Information Technology Co ltd
Priority to CN202210953233.8A priority Critical patent/CN115034522B/zh
Publication of CN115034522A publication Critical patent/CN115034522A/zh
Application granted granted Critical
Publication of CN115034522B publication Critical patent/CN115034522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • 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
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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

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

Abstract

本发明实施例公开了一种基于员工下班时间及下车站点的通勤班车动态调度方法，包括如下步骤：S1：采集员工乘车需求数据；S2：确定每个班次可调度使用的可载客空车辆名单；S3：确定每个班次可乘车的员工名单；S4：对同班次的下车站点进行优化；S5：将站点集合中各站点的位置进行调整优化；S6：采用蚁群算法对乘客进行车辆分配及线路规划；S7：上报车辆回程时间，并进行下一班次的调度安排。本发明能够更自动化、更高效、更经济的解决员工下班的通勤问题。

Description

基于员工下班时间及下车站点的通勤班车动态调度方法
技术领域
本发明涉及班车调度及线路规划技术领域，尤其涉及一种基于员工下班时间及下车站点的通勤班车动态调度方法。
背景技术
在大企业中，随着企业发展，企业会越来越关注员工的通勤效率及便利性，为有需要的员工提供上下班的通勤班车福利。
为了更便捷满足员工乘车需求及更规范的进行车辆、司机的管理，企业通常需要通过信息化的手段来进行通勤业务的管理。通勤班车系统把车辆、司机、员工乘客紧密连接起来，实现通勤业务的流程规范化管理。
当前市面上提供的班车管理系统，更多针对长期固定周期的排班计划，主要应用在具有规律性的上下班通勤需求。但在面对员工临时加班等原因造成下班时间不同的零散通勤需求，企业往往通过人力统计或限制申请线路、时间、人数的方式来应急处理，这就无法灵活、最大化的满足这部分员工群体的下班通勤需求。
中国专利申请号201810778237.0公开了一种线路规划方法，重点在于对班车线路的规划，不涉及关联员工下班时间以及对车辆的调度。
中国专利申请号201910449484.0公开了一种班车管理系统，主要包括了整个平台系统的各接口模块的构建，在线路规划上采用员工推荐的统计方式来进行线路优化，不涉及线路规划及调度算法。
中国专利申请号201910261103.6公开了一种根据员工住址进行线路规划的方法，侧重采用限定性聚类算法进行线路规划，目的在于达到线路规划的最优行程及车辆数，但不涉及员工下班乘车时间、多车多班次的调度问题的设计。
中国专利申请号201910929954.3公开了一种根据员工下班时间进行动态调整班车的方法，该专利侧重通过统计线路乘客人数是否达到车辆载客数来判断是否增加班次，并不涉及线路规划的具体算法以及车辆调度的具体规则方法。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于员工下班时间及下车站点的通勤班车动态调度方法，以使更自动化、更高效、更经济的解决员工下班的通勤问题。
为了解决上述技术问题，本发明实施例提出了一种基于员工下班时间及下车站点的通勤班车动态调度方法，包括如下步骤：
S1：采集员工乘车需求数据，所述员工乘车需求数据包括员工工号、上车站点、下车站点、上车时间；
S2：确定每个班次可调度使用的可载客空车辆名单；
S3：确定每个班次可乘车的员工名单；
S4：对同班次的下车站点进行聚类算法优化，将相近的几个下车地点收敛为1个站点，获得优化后的站点集合；
S5：将站点集合中各站点的位置进行调整优化，得到符合实际情况的各站点实际位置；
S6：根据得到的站点实际位置、可载客空车辆名单、员工名单，采用蚁群算法对乘客进行车辆分配及线路规划；
S7：上报车辆回程时间，并进行下一班次的调度安排。
进一步地，步骤S2中采用动态排班模式，以班次发车时间点预设阈值内可调度的空车辆作为本班次的最大排班车辆，其中，每个班次的可调度空车辆来源于当前静态空车辆及动态在途回程空车辆。
进一步地，步骤S2中采用以下步骤获取可调度使用的可载客空车辆名单：
S2-1：获取运营车辆的任务状态；
S2-2：若车辆为静态空闲，则将车辆列为可载客空车辆；
S2-3：若车辆为任务中，且车辆未完成载客任务，则剔除该车辆；
S2-4：若车辆为回程中，且车辆的预计返回到达时间小于预设的阈值，车辆列为可载客空车辆；
S2-5：重复以上S2-1至S2-4步骤，直至所有车辆处理完毕；
S2-6：获得所有可载客空车辆名单。
进一步地，步骤S3中，根据获得的可载客空车辆数及每辆车对应的座位，确定本班次的最大载客数；若报名该班次的员工数量小于超过最大载客数且在安排车辆后仍有空车辆，则该空车辆可作为下一班次的车辆使用；若报名该班次的员工数量超过最大载客数，则按照员工报名先后顺序安排座位，未排上座位的员工将通知其选择下一班次或自行使用其他交通工具。
进一步地，步骤S4中采用DBSCAN算法对站点进行聚类优化，步骤S4包括以下步骤：
S4-1：以各站点的经纬度为输入数据，利用第三方地图服务平台，输出各点互相之间的地理通行距离；
S4-2：设定Eps、MinPts参数值；其中，Eps为站点的密度可达邻域半径， MinPts为核心点阈值，即某站点Eps距离内的其他站点数量达到核心点阈值，则该站点将作为核心点，未达到核心点阈值但该站点落在其他核心站点的邻域内，则该站点为边缘点，既不是核心点也不是边缘点则为噪音点；
S4-3：从所有站点中任意选取一个站点p，如果对于参数 Eps 和 MinPts，所选取的站点p为核心点，则找出所有从p密度可达的其他站点，这些站点集形成一个簇；
S4-4：如果选取的站点p是边缘点，则选取另一个站点；
S4-5：重复S4-3、S4-4步，直到所有点被处理；
S4-6：通过以上步骤获得优化后的站点集合。
进一步地，步骤S6包括以下步骤：
S6-1：建立通勤班车路径问题的数学模型；
假定企业用K辆车对L个站点的员工进行接送，每个车辆乘客数为
Figure 100002_DEST_PATH_IMAGE001
,每个站点的人数为
Figure 505428DEST_PATH_IMAGE002
，站点i到站点j的行驶距离为
Figure DEST_PATH_IMAGE003
， 设
Figure 360252DEST_PATH_IMAGE004
为第k辆车通过的站点数，用集合
Figure DEST_PATH_IMAGE005
表示第k条路径，其中的元素
Figure 858098DEST_PATH_IMAGE006
,表示站点在路径 k中的顺序为i；令
Figure DEST_PATH_IMAGE007
=0表示起点，以运行总里程最短为目标函数，建立通勤班车路径问题 的数学模型为：
Figure 627209DEST_PATH_IMAGE008
（1）
s.t.
Figure DEST_PATH_IMAGE009
（2）
Figure 316947DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
（3）
Figure 404989DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
（4）
Figure 45924DEST_PATH_IMAGE014
（5）
Figure DEST_PATH_IMAGE015
（6）
其中，式（1）为目标函数，即要求行驶总里程最短；式（2）保证每条路径上的各站点的总人数不超过通勤车的最大承载能力；式（3）保证每条路径上的站点数不超过总站点数；式（4）要求每个站点都得到车辆的接送服务且每个乘客仅能乘坐一辆车；式（5）表示每条路径的站点组成；式（6）表示第 k辆车是否接送员工；
S6-2：采用蚁群算法对目标函数进行优化，从而获得优化后的乘客车辆分配及线路规划；
设m为蚁群中蚂蚁的总数目，n表示站点数，蚂蚁k在运动过程中，根据各条路径上 的信息量决定其转移方向，用禁忌表tabuk记录蚂蚁k当前所走过的站点 ，集合随着tabuk 做动态调整；
Figure 385769DEST_PATH_IMAGE016
表示t时刻蚂蚁k由站点i转移到站点j的状态转移概率；
Figure DEST_PATH_IMAGE017
（7）
式中
Figure 428549DEST_PATH_IMAGE018
：蚂蚁k下一步允许选择的站点；
α：信息启发式因子；
β：期望启发式因子；
Figure DEST_PATH_IMAGE019
：t时刻路径(i,j)上残留的信息量；
Figure 140022DEST_PATH_IMAGE020
：启发函数，其表达式为：
Figure 100002_DEST_PATH_IMAGE021
（8）
式（8）中，
Figure 832035DEST_PATH_IMAGE022
表示相邻两个站点之间的距离；在每只蚂蚁完成对所有n个站点的循 环后，对残留信息进行更新处理；由此，t+n时刻在路径(i,j)上的信息量按如下规则进行调 整：
Figure 100002_DEST_PATH_IMAGE023
（9）
Figure 959260DEST_PATH_IMAGE024
（10）
式(9)、(10)中，ρ：信息素挥发因素，则1-ρ表示信息素残留因素；ρ的取值范围为
Figure 100002_DEST_PATH_IMAGE025
;
Figure 263071DEST_PATH_IMAGE026
：本次循环中路径(i.j)上的信息素增量，初始时刻
Figure 100002_DEST_PATH_IMAGE027
；
Figure 66817DEST_PATH_IMAGE028
：第k只蚂蚁在本次循环中留在路径(i,j)上的信息量；
所有路径上的信息量设为最大值
Figure 100002_DEST_PATH_IMAGE029
，每次迭代后，按挥发系数p减少信息量，只 有最佳路径允许增加信息量；同时为避免发生早熟现象，将各条路径上的信息素值域限制 在
Figure 918229DEST_PATH_IMAGE030
区间内，采用下式确定
Figure 100002_DEST_PATH_IMAGE031
和
Figure 636697DEST_PATH_IMAGE032
：
Figure 100002_DEST_PATH_IMAGE033
；
Figure 185228DEST_PATH_IMAGE034
。
进一步地，当步骤S6中采用蚁群算法对乘客进行车辆分配及线路规划完成后，若有剩余未安排到任务的空车辆，则剩余空车辆将列为静态车辆，作为下一个邻近班次的可载客空车辆。
进一步地，步骤S5中，将站点集合中各站点的经纬度输入第三方地图平台，获得各站点在地图中的显示坐标点；根据各站点坐标点是否处于可安全停车的位置、道路是否在维护的因素，将需要挪移的站点在预设距离范围内进行挪移，获得各站点符合实际情况的站点位置。
进一步地，步骤S7中，根据以下方式获取车辆的回程时间：（1）司机在每次完成出车任务，回程时主动上报任务状态及预计返回到达时间；（2）根据第三方地图服务平台及车载GPS设备实时获取车辆地理位置，判断车辆预计返回时间到达；
其中，在获得车辆的回程到达时间后，若车辆在设定的阈值内可到达发车站点，则将该车辆作为下个班次的可载客空车辆。
进一步地，步骤S1中，采取报名的方式，从员工在加班申请中提出班车乘车需求中获取员工工号；上车站点固定为对应的企业办公地址，若企业有多个办公地点则由员工选择其中一个作为上车站点；下车站点为由员工自行选择当前已规划的站点或离居住地一定距离范围内的任意地址；乘车时间为员工的下班时间，以预设的1个时间单位为周期，并针对每个班次设有截止报名时间。
本发明的有益效果为：
1、因员工加班下班时间具有不固定的特点，即各时间段的乘客数量是不一致的，且夜间加班往往越晚越少人，因此班车应重点照顾下班早的员工，本发明以静态空车辆加动态空车辆作为报名乘车的人数上限，空车辆数有很大程度受前面班次的乘客数量影响，即前面乘客多则下一班次可提供的座位可能就少，前面乘客少则下一班次可提供的座位可能就多，同时引入在途车辆作为车辆调度的参考因素，这种方法既能符合员工普遍的下班作息习惯，也能更充分高效地利用班车资源，减少车辆空置时间；
2、本发明为对初始站点的聚类优化采用了DBSCAN算法，该算法可以在聚类的同时发现异常点，即可发现偏离核心站点的边缘站点和噪音站点。这有利于为后期对固定站点的优化提供参考依据，即可优先考虑为将核心站点列为通勤班车的固定站点，满足更多员工的通勤需求。
附图说明
图1是本发明实施例的基于员工下班时间及下车站点的通勤班车动态调度方法的流程示意图。
图2是本发明实施例的确定每个班次可调度使用的空车辆名单的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
请参照图1，本发明实施例的基于员工下班时间及下车站点的通勤班车动态调度方法包括如下步骤：
S1：采集员工乘车需求数据
需求数据可从企业的OA系统中的加班模块获取或由员工自行填报，数据主要包括员工工号、上车站点、下车站点、上车时间。
员工工号：采取报名的方式，需员工在加班申请中提出班车乘车需求。
上车站点：上车站点固定为公司地址，若企业有多个办公地点则由员工选择其中一个作为上车站点。
下车站点：下车站点可由员工自行选择当前已规划的站点或离居住地一定距离范围内的任意地址。
乘车时间：即员工的下班时间，以30分钟为1个发车时间班次，并针对每个班次设有截止报名时间，系统将以该时间点内的乘车需求为基础数据进行站点线路规划及车辆调度。
S2：确定每个班次可调度使用的可载客空车辆名单
企业单次排班能调度的车辆数量、总可载客数是有限的，不可能无限满足员工的乘车需求，同时班车的调度具有时间连续上的动态性，即早出发的车辆可折返回来再载客。因此，本发明方法在车辆调度安排采用动态排班模式，以班次发车时间点前30分钟可调度的可载客空车辆作为本班次的最大排班车辆，每个班次的可载客空车辆来源于当前静态空车辆及动态在途回程空车辆。请参照图2，关于可载客空车辆名单的获取，包括以下步骤：
S2-1：获取运营车辆的任务状态；
S2-2：若车辆为静态空闲，则将车辆列为可载客空车辆；
S2-3：若车辆为任务中，且车辆未完成载客任务，则剔除该车辆；
S2-4：若车辆为回程中，且车辆的预计返回到达时间（可通过司机主动上报或根据第三方地图服务平台及车载GPS设备实时）小于设定的阈值内，车辆列为可载客空车辆；
S2-5：重复以上S2-1至S2-4步骤，直至所有车辆处理完毕；
S2-6：获得所有可载客空车辆名单。
S3：确定每个班次可乘车的员工名单
依据步骤二中的可载客空车辆数及每辆车的座位，确定本班次的最大载客数。若报名该班次的员工数量小于超过最大载客数且在安排车辆后仍有空车辆，则剩余空车辆可作为下一班次的车辆使用；若报名该班次的员工数量超过最大载客数，则按照员工报名先后顺序安排座位，未排上座位的员工将通知其选择下一班次或自行使用其他交通工具。
S4：对同班次的下车站点进行聚类算法优化
此步骤对员工选择的下车地点进行聚类优化，将相近的几个下车地点收敛为1个站点，从而缩减下车站点数量，达到减少车辆绕路及停车次数的目的。
本发明采用DBSCAN算法对站点进行聚类优化。此算法应用处理流程如下：
S4-1：以各站点经纬度为输入数据，利用第三方地图服务平台，输出各点互相之间的地理通行距离。
S4-2：设定Eps、MinPts参数值。这2个参数的说明如下：Eps为站点的密度可达邻域半径，用于判断B站点是否可纳入A站点的密度可达邻域内，即若B到A的地理距离小于Eps，则B在A的密度可达邻域内，该参数应用于聚类优化后的站点是在员工原先站点可接受的步行道路距离内；MinPts为核心点阈值，即某站点Eps距离内的其他站点数量达到MinPts阈值，则该点将作为核心点，未达到阈值但该站点落在其他核心站点的邻域内，则该站点为边缘点，既不是核心点也不是边缘点则为噪音点。
S4-3：从所有站点中任意选取一个站点p，如果对于参数 Eps 和 MinPts，所选取的站点p为核心点，则找出所有从p密度可达的其他站点，这些站点集形成一个簇；
S4-4：如果选取的站点p是边缘点，则选取另一个站点；
S4-5：重复S4-3、S4-4步，直到所有点被处理。
S4-6：通过以上步骤获得优化后的站点集合。
S5：人工优化站点
因实际道路情况可能与第三方地图平台存在偏差，需要人工对站点进行挪移调整，将步骤四中获得的站点经纬度输入第三方地图平台，获得各站点在地图中的显示坐标点。基于人工经验判断，需要考虑站点是否处于可安全停车的位置、道路是否在维护等因素，将需要挪移的站点在一定距离范围内进行挪移，从而获得更符合实际情况的站点位置。
S6：车辆分配及线路规划
班车的分配采取的原则为：保证安排在同一时间班次的车辆在出发时均为满载的情况下（最多允许1辆车不满员），用尽可能少的车辆数、尽可能短的总路程距离完成上诉步骤S3获得的所有站点的员工乘客送达。 本发明通过建立通勤班车路径问题的数学模型及采用蚁群算法对目标函数进行优化，从而获得优化后的乘客车辆分配及线路规划。包括以下步骤：
S6-1：建立通勤班车路径问题的数学模型
假定企业用K辆车对L个站点的员工进行接送，每个车辆乘客数为
Figure 100002_DEST_PATH_IMAGE035
,每个站点的人数为
Figure 894295DEST_PATH_IMAGE036
，站点i到站点j的行驶距离为
Figure 100002_DEST_PATH_IMAGE037
， 设
Figure 764162DEST_PATH_IMAGE038
为第k辆车通过的站点数（若=0，表示未启用第k辆车），用集合
Figure 100002_DEST_PATH_IMAGE039
表示第k条路径，其 中的元素
Figure 357824DEST_PATH_IMAGE040
,表示站点在路径k中的顺序为i（不包含起始点）。令
Figure 100002_DEST_PATH_IMAGE041
=0表示起点，以运行总 里程最短为目标函数，从而建立通勤班车路径问题的数学模型为：
Figure 731167DEST_PATH_IMAGE042
（1）
s.t.
Figure DEST_PATH_IMAGE043
（2）
Figure 142295DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
（3）
Figure 968299DEST_PATH_IMAGE046
Figure DEST_PATH_IMAGE047
（4）
Figure 490285DEST_PATH_IMAGE048
（5）
Figure DEST_PATH_IMAGE049
（6）
其中，式（1）为目标函数，即要求行驶总里程最短；式（2）保证每条路径上的各站点的总人数不超过通勤车的最大承载能力；式（3）保证每条路径上的站点数不超过总站点数；式（4）要求每个站点都得到车辆的接送服务且每个乘客仅能乘坐一辆车；式（5）表示每条路径的站点组成；式（6）表示第 k辆车是否接送员工。
S6-2：采用蚁群算法求解通勤车路径优化问题
采用蚁群算法解决车辆路径优化问题时，设m为蚁群中蚂蚁的总数目，n表示站点 数，蚂蚁k在运动过程中，根据各条路径上的信息量决定其转移方向，用禁忌表tabuk记录蚂 蚁k当前所走过的站点 ，集合随着tabuk做动态调整。
Figure 983715DEST_PATH_IMAGE050
表示t时刻蚂蚁k由站点i转移 到站点j的状态转移概率。
Figure DEST_PATH_IMAGE051
（7）
式中
Figure 34585DEST_PATH_IMAGE052
：蚂蚁k下一步允许选择的站点
α：信息启发式因子
β：期望启发式因子
Figure DEST_PATH_IMAGE053
：t时刻路径(i,j)上残留的信息量
Figure 675782DEST_PATH_IMAGE054
：启发函数。其表达式为：
Figure DEST_PATH_IMAGE055
（8）
式（8）中，
Figure 204721DEST_PATH_IMAGE056
表示相邻两个站点之间的距离。为了避免残留信息素过多引发残留 信息淹没启发信息，在每只蚂蚁完成对所有n个站点的循环后，要对残留信息进行更新处 理。由此，t+n时刻在路径(i,j)上的信息量可按如下规则进行调整：
Figure DEST_PATH_IMAGE057
（9）
Figure 129821DEST_PATH_IMAGE058
（10）
式(9)、(10)中，ρ：信息素挥发因素，则1-ρ表示信息素残留因素。为了反之信息素 的无限积累，ρ的取值范围为
Figure DEST_PATH_IMAGE059
;
Figure 321899DEST_PATH_IMAGE060
：本次循环中路径(i.j)上的信息素增量，初始时刻
Figure DEST_PATH_IMAGE061
；
Figure 621031DEST_PATH_IMAGE062
：第k只蚂蚁在本次循环中留在路径(i,j)上的信息量。
基本的蚁群算法中路径上信息素量不受限制，导致一些路径上的信息量远高于其 他路径，从而蚂蚁都沿着同条路径移动，阻止了进一步搜索较优解的行为。因此算法初始 时，所有路径上的信息量设为最大值
Figure DEST_PATH_IMAGE063
，每次迭代后，按挥发系数p减少信息量，只有最 佳路径允许增加信息量；同时为避免发生早熟现象，将各条路径上的信息素值域限制在
Figure 579760DEST_PATH_IMAGE064
区间内，采用下式确定
Figure DEST_PATH_IMAGE065
和
Figure 156103DEST_PATH_IMAGE066
：
Figure DEST_PATH_IMAGE067
（11）
Figure 581400DEST_PATH_IMAGE068
（12）
这样可以有效地避免某条路径上的信息量远大于其余路径，使得所有的蚂蚁都集中到同一条路径上，从而使算法不再扩散。根据算法的特性 ，为了加强算法搜索较优解的能力，对各参数ρ、α、β进行动态设置，加强算法搜索较优解的能力，同时，在算法中混入局部优算方法【2-opt方法】，对每代最优解进行改进，从而进 一步缩短解路线的长度，以加快蚁群算法的收敛速度。
S7：车辆回程时间上报及下一班次调度安排
车辆的回程时间上报有2种途径获取：一是司机在每次完成出车任务，回程时主动上报任务状态及预计返回到达时间；二是根据第三方地图服务平台及车载GPS设备实时获取车辆地理位置，判断车辆预计返回时间到达。在获得车辆的回程到达时间后，若车辆在设定的阈值内可到达发车站点，则将该车辆作为下个班次的可调度可载客空车辆。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (10)

1.一种基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，包括如下步骤：
S1：采集员工乘车需求数据，所述员工乘车需求数据包括员工工号、上车站点、下车站点、上车时间；
S2：确定每个班次可调度使用的可载客空车辆名单；
S3：确定每个班次可乘车的员工名单；
S4：对同班次的下车站点进行聚类算法优化，将相近的几个下车地点收敛为1个站点，获得优化后的站点集合；
S5：将站点集合中各站点的位置进行调整优化，得到符合实际情况的各站点实际位置；
S6：根据得到的站点实际位置、可载客空车辆名单、员工名单，采用蚁群算法对乘客进行车辆分配及线路规划；
S7：上报车辆回程时间，并进行下一班次的调度安排。
2.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S2中采用动态排班模式，以班次发车时间点预设阈值内可调度的空车辆作为本班次的最大排班车辆，其中，每个班次的可调度空车辆来源于当前静态空车辆及动态在途回程空车辆。
3.如权利要求2所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S2中采用以下步骤获取可调度使用的可载客空车辆名单：
S2-1：获取运营车辆的任务状态；
S2-2：若车辆为静态空闲，则将车辆列为可载客空车辆；
S2-3：若车辆为任务中，且车辆未完成载客任务，则剔除该车辆；
S2-4：若车辆为回程中，且车辆的预计返回到达时间小于预设的阈值，车辆列为可载客空车辆；
S2-5：重复以上S2-1至S2-4步骤，直至所有车辆处理完毕；
S2-6：获得所有可载客空车辆名单。
4.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S3中，根据获得的可载客空车辆数及每辆车对应的座位，确定本班次的最大载客数；若报名该班次的员工数量小于超过最大载客数且在安排车辆后仍有空车辆，则该空车辆可作为下一班次的车辆使用；若报名该班次的员工数量超过最大载客数，则按照员工报名先后顺序安排座位，未排上座位的员工将通知其选择下一班次或自行使用其他交通工具。
5.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S4中采用DBSCAN算法对站点进行聚类优化，步骤S4包括以下步骤：
S4-1：以各站点的经纬度为输入数据，利用第三方地图服务平台，输出各点互相之间的地理通行距离；
S4-2：设定Eps、MinPts参数值；其中，Eps为站点的密度可达邻域半径， MinPts为核心点阈值，即某站点Eps距离内的其他站点数量达到核心点阈值，则该站点将作为核心点，未达到核心点阈值但该站点落在其他核心站点的邻域内，则该站点为边缘点，既不是核心点也不是边缘点则为噪音点；
S4-3：从所有站点中任意选取一个站点p，如果对于参数 Eps 和 MinPts，所选取的站点p为核心点，则找出所有从p密度可达的其他站点，这些站点集形成一个簇；
S4-4：如果选取的站点p是边缘点，则选取另一个站点；
S4-5：重复S4-3、S4-4步，直到所有点被处理；
S4-6：通过以上步骤获得优化后的站点集合。
6.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S6包括以下步骤：
S6-1：建立通勤班车路径问题的数学模型；
假定企业用K辆车对L个站点的员工进行接送，每个车辆乘客数为
Figure DEST_PATH_IMAGE001
, 每个站点的人数为
Figure 855701DEST_PATH_IMAGE002
，站点i到站点j的行驶距离为
Figure 612305DEST_PATH_IMAGE003
，设
Figure 697155DEST_PATH_IMAGE004
为第k辆车通 过的站点数，用集合
Figure 867105DEST_PATH_IMAGE005
表示第k条路径，其中的元素
Figure 652527DEST_PATH_IMAGE006
,表示站点在路径k中的顺序为i；令
Figure 325954DEST_PATH_IMAGE007
=0表示起点，以运行总里程最短为目标函数，建立通勤班车路径问题的数学模型为：
Figure 554941DEST_PATH_IMAGE009
（1）
s.t.
Figure 949538DEST_PATH_IMAGE011
（2）
Figure 804230DEST_PATH_IMAGE013
，
Figure 597743DEST_PATH_IMAGE015
（3）
Figure 778057DEST_PATH_IMAGE017
Figure 919670DEST_PATH_IMAGE019
（4）
Figure DEST_PATH_IMAGE021
（5）
Figure DEST_PATH_IMAGE023
（6）
其中，式（1）为目标函数，即要求行驶总里程最短；式（2）保证每条路径上的各站点的总人数不超过通勤车的最大承载能力；式（3）保证每条路径上的站点数不超过总站点数；式（4）要求每个站点都得到车辆的接送服务且每个乘客仅能乘坐一辆车；式（5）表示每条路径的站点组成；式（6）表示第 k辆车是否接送员工；
S6-2：采用蚁群算法对目标函数进行优化，从而获得优化后的乘客车辆分配及线路规划；
设m为蚁群中蚂蚁的总数目，n表示站点数，蚂蚁k在运动过程中，根据各条路径上的信 息量决定其转移方向，用禁忌表tabuk记录蚂蚁k当前所走过的站点 ，集合随着tabuk做动 态调整；
Figure 813939DEST_PATH_IMAGE024
表示t时刻蚂蚁k由站点i转移到站点j的状态转移概率；
Figure DEST_PATH_IMAGE025
（7）
式中
Figure 607099DEST_PATH_IMAGE026
：蚂蚁k下一步允许选择的站点；
α：信息启发式因子；
β：期望启发式因子；
Figure DEST_PATH_IMAGE027
：t时刻路径(i,j)上残留的信息量；
Figure 738741DEST_PATH_IMAGE028
：启发函数，其表达式为：
Figure DEST_PATH_IMAGE029
（8）
式（8）中，
Figure 904668DEST_PATH_IMAGE030
表示相邻两个站点之间的距离；在每只蚂蚁完成对所有n个站点的循环 后，对残留信息进行更新处理；由此，t+n时刻在路径(i,j)上的信息量按如下规则进行调 整：
Figure DEST_PATH_IMAGE031
（9）
Figure 504758DEST_PATH_IMAGE032
（10）
式(9)、(10)中，ρ：信息素挥发因素，则1-ρ表示信息素残留因素；ρ的取值范围为
Figure DEST_PATH_IMAGE033
;
Figure 456884DEST_PATH_IMAGE034
：本次循环中路径(i.j)上的信息素增量，初始时刻
Figure DEST_PATH_IMAGE035
；
Figure 838055DEST_PATH_IMAGE036
：第k只蚂蚁在本次循环中留在路径(i,j)上的信息量；
所有路径上的信息量设为最大值
Figure DEST_PATH_IMAGE037
，每次迭代后，按挥发系数p减少信息量，只有 最佳路径允许增加信息量；同时为避免发生早熟现象，将各条路径上的信息素值域限制在
Figure 412649DEST_PATH_IMAGE038
区间内，采用下式确定
Figure DEST_PATH_IMAGE039
和
Figure 537469DEST_PATH_IMAGE040
：
Figure DEST_PATH_IMAGE041
；
Figure 750626DEST_PATH_IMAGE042
。
7.如权利要求6所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，当步骤S6中采用蚁群算法对乘客进行车辆分配及线路规划完成后，若有剩余未安排到任务的空车辆，则剩余空车辆将列为静态车辆，作为下一个邻近班次的可载客空车辆。
8.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S5中，将站点集合中各站点的经纬度输入第三方地图平台，获得各站点在地图中的显示坐标点；根据各站点坐标点是否处于可安全停车的位置、道路是否在维护的因素，将需要挪移的站点在预设距离范围内进行挪移，获得各站点符合实际情况的站点位置。
9.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S7中，根据以下方式获取车辆的回程时间：（1）司机在每次完成出车任务，回程时主动上报任务状态及预计返回到达时间；（2）根据第三方地图服务平台及车载GPS设备实时获取车辆地理位置，判断车辆预计返回时间到达；
其中，在获得车辆的回程到达时间后，若车辆在设定的阈值内可到达发车站点，则将该车辆作为下个班次的可载客空车辆。
10.如权利要求1所述的基于员工下班时间及下车站点的通勤班车动态调度方法，其特征在于，步骤S1中，采取报名的方式，从员工在加班申请中提出班车乘车需求中获取员工工号；上车站点固定为对应的企业办公地址，若企业有多个办公地点则由员工选择其中一个作为上车站点；下车站点为由员工自行选择当前已规划的站点或离居住地一定距离范围内的任意地址；乘车时间为员工的下班时间，以预设的1个时间单位为周期，并针对每个班次设有截止报名时间。
CN202210953233.8A 2022-08-10 2022-08-10 基于员工下班时间及下车站点的通勤班车动态调度方法 Active CN115034522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953233.8A CN115034522B (zh) 2022-08-10 2022-08-10 基于员工下班时间及下车站点的通勤班车动态调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953233.8A CN115034522B (zh) 2022-08-10 2022-08-10 基于员工下班时间及下车站点的通勤班车动态调度方法

Publications (2)

Publication Number Publication Date
CN115034522A true CN115034522A (zh) 2022-09-09
CN115034522B CN115034522B (zh) 2022-11-25

Family

ID=83130041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953233.8A Active CN115034522B (zh) 2022-08-10 2022-08-10 基于员工下班时间及下车站点的通勤班车动态调度方法

Country Status (1)

Country Link
CN (1) CN115034522B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948902A (zh) * 2019-02-13 2019-06-28 广州拼吧信息科技有限公司 对班车报名乘客和司机车辆进行智能分配的方法
CN110033143A (zh) * 2019-05-30 2019-07-19 林增跃 一种智能多路线规划调度与管理方法和系统
CN110245774A (zh) * 2019-04-02 2019-09-17 上海钛捷信息科技有限公司 一种根据员工家庭住址进行班车线路优化的方法
CN111854786A (zh) * 2020-07-28 2020-10-30 深圳前海微众银行股份有限公司 班车路线规划的可视化方法、装置、设备及介质
CN112418535A (zh) * 2020-11-27 2021-02-26 福建诺诚数字科技有限公司 基于二叉树的校车调度规划方法
CN112580909A (zh) * 2019-09-29 2021-03-30 珠海格力电器股份有限公司 一种动态班车安排方法、计算机可读存储介质及终端
CN113361754A (zh) * 2021-05-26 2021-09-07 东南大学 一种基于dbscan算法的弹性公交站点布局方法
CN113450242A (zh) * 2021-06-25 2021-09-28 东北林业大学 一种路径偏离式公交调度系统及存储介质和设备
CN113592335A (zh) * 2021-08-09 2021-11-02 上海淞泓智能汽车科技有限公司 一种无人驾驶接驳车辆乘客需求匹配与车辆调度方法
CN114066009A (zh) * 2021-10-14 2022-02-18 南京海达智慧科技有限公司 一种基于用车需求的通勤车线路站点动态规划系统
CN114092176A (zh) * 2021-10-27 2022-02-25 北京科技大学 一种基于公交车的城市通勤班车规划方法
CN114240002A (zh) * 2022-01-11 2022-03-25 伦嘉铭 基于深度强化学习的公交发车时刻表动态优化算法
CN114331171A (zh) * 2021-12-31 2022-04-12 新开普电子股份有限公司 一种企业多类型车辆综合调度一体化管理方法及系统
CN114839984A (zh) * 2022-04-26 2022-08-02 广东外语外贸大学 一种班车路径规划方法、装置、设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948902A (zh) * 2019-02-13 2019-06-28 广州拼吧信息科技有限公司 对班车报名乘客和司机车辆进行智能分配的方法
CN110245774A (zh) * 2019-04-02 2019-09-17 上海钛捷信息科技有限公司 一种根据员工家庭住址进行班车线路优化的方法
CN110033143A (zh) * 2019-05-30 2019-07-19 林增跃 一种智能多路线规划调度与管理方法和系统
CN112580909A (zh) * 2019-09-29 2021-03-30 珠海格力电器股份有限公司 一种动态班车安排方法、计算机可读存储介质及终端
CN111854786A (zh) * 2020-07-28 2020-10-30 深圳前海微众银行股份有限公司 班车路线规划的可视化方法、装置、设备及介质
CN112418535A (zh) * 2020-11-27 2021-02-26 福建诺诚数字科技有限公司 基于二叉树的校车调度规划方法
CN113361754A (zh) * 2021-05-26 2021-09-07 东南大学 一种基于dbscan算法的弹性公交站点布局方法
CN113450242A (zh) * 2021-06-25 2021-09-28 东北林业大学 一种路径偏离式公交调度系统及存储介质和设备
CN113592335A (zh) * 2021-08-09 2021-11-02 上海淞泓智能汽车科技有限公司 一种无人驾驶接驳车辆乘客需求匹配与车辆调度方法
CN114066009A (zh) * 2021-10-14 2022-02-18 南京海达智慧科技有限公司 一种基于用车需求的通勤车线路站点动态规划系统
CN114092176A (zh) * 2021-10-27 2022-02-25 北京科技大学 一种基于公交车的城市通勤班车规划方法
CN114331171A (zh) * 2021-12-31 2022-04-12 新开普电子股份有限公司 一种企业多类型车辆综合调度一体化管理方法及系统
CN114240002A (zh) * 2022-01-11 2022-03-25 伦嘉铭 基于深度强化学习的公交发车时刻表动态优化算法
CN114839984A (zh) * 2022-04-26 2022-08-02 广东外语外贸大学 一种班车路径规划方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李宏光等: "考虑站点配置的企业通勤班车综合路径规划方法", 《电子科技大学学报(社科版)》 *
沈于蓝等: "企业班车管理系统的设计与实现", 《福建电脑》 *
马骏等: "智能交通系统中车辆调度问题的自适应蚁群算法", 《北京联合大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN115034522B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN111667086B (zh) 一种车辆共乘路径寻优方法及系统
CN110580546A (zh) 基于同种车辆运载人和货物的线路规划方法及系统
CN109657820B (zh) 一种可预约的出租车匹配方法
Bischoff et al. Proactive empty vehicle rebalancing for Demand Responsive Transport services
CN109948854B (zh) 一种基于多目标优化的城际网约车订单分配方法
CN111553530B (zh) 一种城际网约车包车出行运力预测与出行推荐方法及系统
CN107170282A (zh) 一种预约泊车的调度方法及系统
CN105761481A (zh) 面向出租车动态合乘的智能调度方法和系统
CN114723125B (zh) 一种结合深度学习和多任务优化的城际车订单分配方法
CN112085271B (zh) 一种基于众包模式的传统产业集群集货路径优化方法
CN110598908A (zh) 基于多任务多车辆的路径规划方法
CN113077162A (zh) 面向实时需求的多车型定制公交区域调度方法
CN113538886A (zh) 一种实时响应式定制公交递阶调度方法
Liu et al. An agent-based simulation model for shared autonomous taxi system
Grahle et al. Autonomous shuttles for urban mobility on demand applications–ecosystem dependent requirement elicitation
CN113919684A (zh) 一种多模式定制公交动态调度方法、系统及可读存储介质
CN115034522B (zh) 基于员工下班时间及下车站点的通勤班车动态调度方法
CN112949987A (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
CN113344336A (zh) 一种车辆调度方法、装置及存储介质
CN115641722B (zh) 一种基于动态等待时间的班车出行服务系统及方法
CN115730781A (zh) 一种基于大数据分析的公交线路优化系统
CN111738490A (zh) 柔性公交线路资源复用分配调度方法
Perera et al. Genetic algorithm based dynamic scheduling of EV in a demand responsive bus service for first mile transit
CN115879658A (zh) 定制公交路径优化方法、系统、存储介质及设备
CN110598985A (zh) 一种车辆路径规划方法

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