CN115293519A - 公交线路排班的处理方法、装置、设备及可读存储介质 - Google Patents
公交线路排班的处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115293519A CN115293519A CN202210827674.3A CN202210827674A CN115293519A CN 115293519 A CN115293519 A CN 115293519A CN 202210827674 A CN202210827674 A CN 202210827674A CN 115293519 A CN115293519 A CN 115293519A
- Authority
- CN
- China
- Prior art keywords
- bus
- gene
- preset
- genes
- fitness
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 108090000623 proteins and genes Proteins 0.000 claims description 538
- 230000007614 genetic variation Effects 0.000 claims description 68
- 238000000034 method Methods 0.000 claims description 47
- 238000012216 screening Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 26
- 101150012509 sub gene Proteins 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003500 gene array Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 206010064571 Gene mutation Diseases 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于智慧交通技术领域,提供了一种公交线路排班的处理方法、装置、计算机设备及计算机可读存储介质,为了解决公交线路的排班效果较差的问题,通过获取不同类型的公交因素,将公交因素进行组合,得到初始公交基因,评估初始公交基因的适应度,根据适应度的大小,将初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,获取公交基因变异迭代变量并判断其是否满足预设公交基因变异终止条件,若满足,筛选出满足预设第一适应度条件的自然选择公交基因,并根据筛选出的自然选择公交基因所对应的发车班次,得到公交线路的排班表,能够提高基于多种公交因素排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
Description
技术领域
本申请涉及智慧交通技术领域,尤其涉及一种公交线路排班的处理方法、装置、计算机设备及计算机可读存储介质。
背景技术
目前,公交线路的调度主要依据由人工经验预先设计好的排班表。排班表在设计时,过度依赖于调度人员的主观感受,并且公交调度时,除了考虑发车时间,还会考虑其它因素。例如,为了适应不同的公共交通运输情况所需,在同一线路上会配置不同的发车类型与发车车型等多种因素。在发车类型上,在同一线路上除了正线车外,为了适应短途客流与长途客流等不同情形下较为集中的客流情况,还会存在大站快线车或者区间线车。在发车车型上,为了适应公共交通的高峰期与非高峰期不同的客流情况,在同一线路上,除了在高峰期安排大型车,还会在非高峰期安排中型车或者小型车等多种类型的车型。
公交线路的上述多种因素,给公交调度的排班表设计带来了难度。因此,根据传统技术中设计的公交排班表,公交线路的调度在实际运营中往往效果较差,要么客流拥挤,要么浪费了公交资源。
发明内容
本申请提供了一种公交线路排班的处理方法、装置、计算机设备及计算机可读存储介质,能够解决传统技术中公交线路的排班效果较差的技术问题。
第一方面,本申请提供了一种公交线路排班的处理方法,包括:获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述初始的发车班次;计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
第二方面,本申请还提供了一种公交线路排班的处理装置,包括:第一获取单元,用于获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述初始的发车班次;第一筛选单元,用于计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;第一判断单元,用于获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;第二筛选单元,用于若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;第一获取单元,用于根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
第三方面,本申请还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述公交线路排班的处理方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行所述公交线路排班的处理方法的步骤。
本申请提供了一种公交线路排班的处理方法、装置、计算机设备及计算机可读存储介质。所述处理方法通过获取不同类型的公交因素,并将公交因素进行组合,得到初始公交基因,然后评估初始公交基因的适应度,并根据适应度的大小,将初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,再获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件,若所述公交基因变异迭代变量满足预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,并根据筛选出的自然选择公交基因所对应的发车班次,得到公交线路的排班表,从而将公交线路的排班所涉及的多种不同类型的公交因素进行组合,来构建初始公交基因,并基于遗传算法的适应性筛选,将所述初始公交基因通过适应度进行优胜劣汰的自然选择,进而得到符合预设第一适应度条件的组合型公交基因,并根据公交基因对应的发车班次,得到公交线路的排班,从而使公交线路的排班更符合需要将多种公交因素进行组合考虑的实际所需,能够提高基于多种公交因素排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
附图说明
为了更清楚地说明本申请实施例技术方案,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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的公交线路排班的处理方法的一个流程示意图;
图2为本申请实施例提供的公交线路排班的处理方法的第一个子流程示意图;
图3为本申请实施例提供的公交线路排班的处理方法的第二个子流程示意图;
图4为本申请实施例提供的公交线路排班的处理方法的第三个子流程示意图;
图5为本申请实施例提供的公交线路排班的处理方法的第四个子流程示意图;
图6为本申请实施例提供的公交线路排班的处理装置的一个示意性框图;
图7为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例提供了一种公交线路排班的处理方法,所述处理方法可以应用于台式机或者服务器等计算机设备中,并可以运用于智慧公交中基于多种公交因素进行公交线路的排班中,例如基于发车时间、发车类型及发车型号等多种公交因素,对公交线路的发车班次进行排班时,可以采用本申请实施例提供的公交线路排班的处理方法。
例如,在智慧公交中,基于公交系统的仿真系统对公交线路进行排班时,可以由人工在仿真系统的配置页面上预先配置不同类型的公交因素,配置的公交因素可以包括如下的至少任意两种:发车时间、发车类型及发车型号,仿真系统进行如下运算:获取发车时间、发车类型及发车型号等公交因素,并将不同类型的公交因素进行组合,得到初始公交基因,所述初始公交基因描述初始的发车班次;计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。其中,公交系统的仿真系统为采用仿真模型模拟公交线路涉及的地图路线、公交站点、发车车辆、乘客流量等公交的交通情景的系统。
请参阅图1,图1为本申请实施例提供的公交线路排班的处理方法的流程示意图。如图1所示,该方法包括以下步骤S11-S16:
S11、获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述产生的初始的发车班次。
具体地,随着公交运输的发展,对公交线路进行公交车辆的排班时,除了考虑公交车辆的发车时间,还会考虑发车类型及发车型号等多种类型的公交因素,其中,所述发车类型包括正线车、大站快线车及区间线车,所述发车型号包括大型车、中型车及小型车等。对公交线路的公交车辆进行排班时,需要将多种类型的公交因素进行组合优化,得到每一组合对应的发车班次,将运营日内的所有发车班次按照发车时间进行排序,实现对公交线路的排班,从而尽可能使得在乘客平均等车时间不增加的情况下,降低公交线路的运输成本。
本申请实施例,考虑多种类型的公交因素,对公交线路进行排班时,可以将每种类型的公交因素设置为对应的预设公交因素集合,每个所述预设公交因素集合包含同一类的公交因素的不同因素对象。例如,公交车辆的发车时间,可以以1分钟为粒度,将公交车辆的运营时间段内的发车时间组合成预设公交发车时间集合,可以描述为{t1,t2,…tn},其中,t1,t2,…tn为发车时间,取值范围为0-1440之间的任意整数,用于描述一个公交线路的运营日内24小时的分钟计数,例如,第395分钟等同于06:30,t1描述首班车的发车时间,tn描述末班车的发车时间,当然,公交车辆的发车时间,也可以以2分钟或者其它预设时间单位为粒度进行划分,并且,还可以不以24小时内的时间组合成预设公交发车时间集合,仅以该公交线路在运营日内最长运营时间范围内的时间组合成预设公交发车时间集合,例如,对一条公交线路,若该公交线路的首班车时间为6:00,末班车时间为晚上23:00,所述预设公交发车时间集合包含的发车时间可以为运营日内6:00--23:00内的时间。对于发车类型,可以将所述公交线路采用的公交车辆的发车类型组合成预设公交车辆类型集合,可以描述为{正线车(英文为Normal),区间线车(英文为Shuttle)},也可以描述为{正线车(英文为Normal),大站快线车(英文为Express),区间线车(英文为Shuttle)},其中,正线车、大站快线车、区间线车为发车类型的具体类型对象,此外,随着公交运输的发展,若产生其它的发车类型,也可以包含进预设公交车辆类型集合。对于发车型号,可以将所述公交线路采用的公交车辆的车辆型号组合成预设公交车辆发车型号集合,可以描述为{大型车(英文为Big),小型车(英文为Small)},也可以描述为{大型车(英文为Big),中型车(英文为Medium),小型车(英文为Small)},其中,大型车、中型车、小型车为公交车辆的具体车辆型号,此外,随着公交车辆的发展,若产生其它的发车型号,也可以包含进预设公交车辆发车型号集合中。此外,还可以根据公交车辆的动力系统为燃油车、油电混动车、电动车等不同的动力类型,并根据公交路线中采用的公交车辆的动力系统,构建预设公交车辆动力类型集合{燃油车,电动车},或者构建预设公交车辆动力类型集合{燃油车,油电混动车,电动车}等不同的集合。需要说明的是,上述每种类型的预设公交因素集合示例仅用于解释多种类型的公交因素所可能存在的不同集合情形,并不用于限定公交因素的集合形式,随着公交运输的发展,完全可以将更多种类型的公交因素组合成各自对应的预设公交因素集合,并运用到本申请实施例中来。
然后,从每个预设公交因素集合中,抽取每个所述预设公交因素集合包含的具体公交因素,并将抽取的公交因素进行组合,从而获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,为了便于后续将初始公交基因进行基因变异,还可以采用初始公交基因初始化预设公交种群,从而将所述预设公交种群进行初始化,所述预设公交种群包含初始公交基因的数量可以为预设第一数量,所述预设第一数量可以为超参数。其中,所述公交因素描述公交线路的排班所涉及的因素,所述公交因素除了包括发车时间,还可以包括公交车辆的发车类型和发车型号中的至少一种,所述发车类型包括正线车、大站快线车和区间线车中的至少一种,所述发车型号包括大型车、中型车与小型车中的至少一种。所述初始公交基因描述在得到所述公交线路的排班过程中产生的初始的发车班次。例如,根据上述预设公交发车时间集合、预设公交车辆类型集合及预设公交车辆发车型号集合,分别从中抽取390、正线车及中型车所对应的公交因素,组合成初始公交基因(390,正线车,中型车),用于描述在06:30使用中型车发出一班正线车。尤其当结合上述描述的发车时间、发车类型与发车型号对公交线路的进行排班时,能使公交线路的排班充分描述公交车辆排班的实际因素,提高基于发车时间、发车类型与发车型号所对应的综合因素的公交线路排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
进一步地,为了更加准确地体现遗传算法的随机性,可以随机抽取每个所述预设公交因素集合包含的具体因素对象,从而随机获取不同类型的公交因素,并将所述公交因素进行组合,进而随机性地得到初始公交基因。
通过获取不同类型的公交因素,并将多种所述公交因素进行组合,实现对公交线路的排班优化时,能够综合考虑多种公交因素,提高公交线路排班的客观性性与有效性,从而在不增加乘客平均等车时间的前提下,降低公交公司的成本。
进一步地,所述得到初始公交基因之后,还包括:
判断所述初始公交基因是否满足预设公交业务规则;
若所述初始公交基因满足所述预设公交业务规则,保留所述初始公交基因;
若所述初始公交基因不满足所述预设公交业务规则,不保留所述初始公交基因。
具体地,获取所述初始公交基因后,为了使产生的公交基因能够满足实际公交线路的需要,判断所述初始公交基因是否满足预设公交业务规则,所述预设公交业务规则可以包括如下内容中的一条或多条:1)首尾班车必须为正线;
2)相邻两班车至少有一班为正线;3)同一线路的子线类型数量不能超过3种;4)相邻两班正线的发车时间间隔不能超过指定的最大发车间隔;5)每种车型都有相应的数量约束。若所述初始公交基因满足所述预设公交业务规则,保留所述初始公交基因,并可以将保留的初始公交基因添加至预设公交种群,从而将所述预设公交种群进行初始化,若所述初始公交基因不满足所述预设公交业务规则,不保留所述初始公交基因,不将所述初始公交基因添加至所述预设公交种群,可以将所述初始公交基因丢弃或者淘汰掉,从而将产生的不符合预设公交业务规则的公交基因过滤掉,并且直至得到超参数所对应的预设第一数量的初始公交基因,作为基于遗传算法的公交基因的变异基础,能够提高基于初始公交基因的基因变异得到的后代公交基因的可行性,从而进一步地提高基于发车时间、发车类型与发车型号的公交线路排班的客观性。其中,超参数是机器学习在学习之前预先设置好的参数。
S12、计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度。
具体地,对于得到的多个所述初始公交基因,评估每个所述初始公交基因的适应度,所述适应度描述所述初始公交基因的优劣程度,即所述适应度用于描述所述初始公交基因符合预设目标要求的程度,所述适应度符合预设目标要求的程度越高,表明所述初始公交基因越值得保留,所述适应度符合预设目标要求的程度越低,表明所述初始公交基因越不值得保留,所述初始公交基因被淘汰掉的概率越大,并可以将所有所述初始公交基因按照所述适应度由大到小的顺序进行排序,得到公交基因排序序列,并从所述公交基因排序序列中筛选适应度靠前的若干个自然选择公交基因,从而根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,完成初始公交基因的自然选择,保留优秀的初始公交基因(即精英基因),淘汰掉不适应的初始公交基因,从而得到若干个自然选择公交基因,例如,所述自然选择公交基因的数量可以为预设第二数量,其中,所述预设第二数量小于所述预设第一数量,所述预设第二数量也可以为超参数。其中,所述适应度的计算公式可以采取如下计算方式:
公交基因的适应度=-(公交车辆成本+乘客平均等车时间*惩罚系数);
其中,取负数是为了便于理解,因为一般公交基因的适应度越高,代表公交基因越好、越值得保留。公交车辆成本为公交车辆运营产生的成本,公交车辆成本包括公交车辆的购车成本、司乘人员的成本、车辆油耗及车辆损耗等公交车辆运营过程中产生的各种成本,针对不同车辆型号,可以统计公交车辆的成本。乘客等车时间为乘客到达公交站点的到站时间与下一班车次到达该公交站点的到站时间的时间差。乘客平均等车时间为所述公交线路的所有乘客的等车时间的平均值。对于所述公交线路的单个公交站点的乘客平均等车时间,可以采取如下处理过程获取:
1)对于该条公交线路的每个OD对,在预设时间内,基于公交车辆上安装的摄像头,收集该OD对的出发站点的上车人数,并且得到该OD对的上车乘客的上车时间,上车时间可以为该公交车辆达到该出发站点的车辆到站时间,其中,所述OD对为所述公交线路中乘客出行的出发站点与目的站点所组成的公交站点对;
2)以所述上车时间为基准,随机产生每个上车乘客的乘客到站时间,所述乘客到站时间为所述上车乘客到达该出发站点的时间,所述乘客到站时间早于所述上车时间;
3)根据所述初始公交基因包含的公交车辆的预设发车时间及公交车辆在每两个相邻公交站点之间的运行时间,统计该公交车辆到达该出发站点的车辆预估达到时间;
4)将所述车辆预估到达时间减去乘客到站时间,得到该上车乘客的等车时间,将所有所述上车乘客的等车时间进行相加并求平均值,即得到该出发站点的所有乘客的等车时间的平均值,即乘客平均等车时间。
例如,若公交站点A为一个OD对中的出发站点,在预设时间内,若该公交站点A的上车乘客为A1、A2、A3、A4与A5,上车时间为t,以上车时间t为基准,随机产生每个上车乘客的到站时间,可以以t1描述A1的到站时间,t2描述A2的到站时间,t3描述A3的到站时间,t4描述A4的到站时间,t5描述A5的到站时间,其中,t1、t2、t3、t4及t5均早于t。若根据所述初始公交基因包含的公交车辆的预设发车时间及公交车辆在每两个相邻公交站点之间的运行时间,得到公交车辆到达该出发站点的车辆预估达到时间为T,则A1的等车时间为T-t1,A2的等车时间为T-t2,A3的等车时间为T-t3,A4的等车时间为T-t4,A5的等车时间为T-t5,乘客平均等车时间可以采取如下计算公式:Tv={(T-t1)+(T-t2)+(T-t3)+(T-t4)+(T-t5)}/5,Tv即为上车乘客A1、A2、A3、A4与A5的平均等车时间。
进一步地,根据上述单个出发站点的乘客平均等车时间,可得到该条公交线路中所有OD对各自的出发站点的乘客平均等车时间,并将所有出发站点的乘客平均等车时间求均值,得到该条公交线路的乘客平均等车时间。上述过程,可以基于公交系统的仿真系统进行处理。
在另一实施例中,对于每个上车乘客的乘客到站时间,也可以采取如下方式进行统计:针对一条公交线路,在每个公交站点设置站点摄像头,对每个乘客的到达时间通过视频采集进行监测,得到乘客到达出发站点的到站视频,并对到站视频进行人脸识别,以识别出每个初始乘客,并根据采集的到站视频记录该初始乘客到达公交站点的到站时间。另外,针对每辆公交车辆的上车乘客,基于公交车辆内的车辆摄像头采集上车乘客的上车视频,并对上车视频进行人脸识别,以得到上车的目标乘客,并将目标乘客与初始乘客各自的人脸识别结果进行比对,从而将目标乘客与初始乘客对应起来,并根据初始乘客的到站时间,确定目标乘客的到站时间,即为上车乘客的乘客到站时间。相比上述以所述上车时间为基准,随机产生每个上车乘客的乘客到站时间,能更加准确的反映乘客达到出发站点的到站时间。
惩罚系数为超参数,惩罚系数可以为:
其中,公交线路的公交车辆总成本为运营日内所有公交车辆的成本之和,公交线路的平均等车时间为公交线路的运营日内乘客的平均等车时间,常系数为预设的固定值,为经验值,常系数初始化可以为0.5。
上述公交基因的适应度的统计方式及惩罚系数的设置,充分考虑了公交线路排班过程中需要考虑的两个主要目的,即乘客平均等车时间尽可能短且公交车辆成本尽可能低,从而在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
S13、获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;
S14、若所述公交基因变异迭代变量不满足所述预设公交基因变异终止条件,不筛选出满足预设第一适应度条件的自然选择公交基因;
S15、若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;
S16、根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
具体地,预先设置公交基因变异迭代变量,所述公交基因变异迭代变量用于描述初始公交基因的变异情况,采用所述公交基因变异迭代变量来统计初始公交基因的变异情况,所述公交基因变异迭代变量可以通过变量名访问,所述公交基因变异迭代变量可以采用键值对形式描述,所述键值对的关键词(即变量名)用于描述公交基因变异迭代变量,所述键值对的值(变量的值,即变量名对应的值)用于描述初始公交基因的变异具体数值,所述键值对的值可以通过键值对的关键词进行访问,所述公交基因变异迭代变量可以为所述初始公交基因的变异迭代次数,或者所述公交基因变异迭代变量可以为公交种群的平均种群适应度连续保持不变的种群代数(即公交基因迭代的数量)。
基于公交基因变异迭代变量,对于初始公交基因的每一次迭代,获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件,所述预设公交基因变异终止条件描述公交基因基于遗传算法的基因变异与自然选择的终结条件(即基因变异与自然选择的完成条件),所述预设公交基因变异终止条件可以为达到公交基因的最大变异迭代次数,或者所有公交基因组成的公交种群的平均种群适应度连续S轮保持不变(S为预设常数),其中,所述平均种群适应度为公交种群中所有公交基因的适应度的平均值。若所述公交基因变异迭代变量不满足所述预设公交基因变异终止条件,不筛选出满足预设第一适应度条件的自然选择公交基因,若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因,其中,所述预设第一适应度条件可以为适应度较大的若干个公交基因,或者,对于发车时间相同的多个公交基因,采取择一方式确定一个公交基因,例如随机选取其中的一个公交基因,或者选取排在首位的公交基因。例如,由于不同的公交基因对应的发车班次不同,在实际发车时,不可能在同一分钟发出多于一个班次的公交车辆,因此,相邻的两个或者多个公交基因的发车时间虽然可以相同,但当存在多个相同发车时间的公交基因时,可以只考虑其中一个公交基因,而忽略掉其它相同发车时间的公交基因。例如,对于发车时间相同的公交基因[(390,normal,medium),(395,normal,big),(395,express,medium)],可以默认等价于[(390,normal,medium),(395,normal,big)]。
由于公交基因对应发车班次,由此,确定所述第一目标公交基因后,即可确定所述第一目标公交基因所对应的发车班次,并可以将所述第一目标公交基因所对应的发车班次,按照发车时间的时间先后顺序进行排序,从而得到所述公交线路的排班表。若不满足所述预设公交基因变异终止条件,不筛选出满足预设第一适应度条件的自然选择公交基因,继续进行公交基因的变异与自然选择,直至满足预设公交基因变异终止条件,不再进行公交基因的变异与自然选择。
本申请实施例,通过获取不同类型的公交因素,并将公交因素进行组合,得到初始公交基因,然后评估初始公交基因的适应度,并根据适应度的大小,将初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,再获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件,若所述公交基因变异迭代变量满足预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,并根据筛选出的自然选择公交基因所对应的发车班次,得到公交线路的排班表,从而将公交线路的排班所涉及的多种不同类型的公交因素进行组合,来构建初始公交基因,并基于遗传算法的适应性筛选,将所述初始公交基因通过适应度进行优胜劣汰的自然选择,进而得到符合预设第一适应度条件的组合型公交基因,并根据公交基因对应的发车班次,得到公交线路的排班,从而使公交线路的排班更符合需要将多种公交因素进行组合考虑的实际所需,能够提高基于多种公交因素排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
请参阅图2,图2为本申请实施例提供的公交线路排班的处理方法的第一个子流程示意图。如图2所示,所述得到初始公交基因之后,还包括:
将所述初始公交基因添加至预设公交种群;
所述判断是否满足预设公交基因变异终止条件之后,还包括:
S21、若不满足所述预设公交基因变异终止条件,从所述预设公交种群中获取满足预设第二适应度条件的公交基因,作为第二目标公交基因;
S22、将所述第二目标公交基因进行基因变异,得到后代公交基因,并将所述后代公交基因添加至所述预设公交种群;
S23、计算所述后代公交基因的适应度,并根据所述预设公交种群包含的每个公交基因的适应度,将所述预设公交种群包含的公交基因进行优胜劣汰的筛选;
S24、再次判断是否满足所述预设公交基因变异终止条件;
S25、若仍不满足所述预设公交基因变异终止条件,迭代所述从所述预设公交种群中获取满足预设第二适应度条件的公交基因、作为第二目标公交基因所对应的公交基因的基因变异过程,直至满足所述预设公交基因变异终止条件;
S26、若满足所述预设公交基因变异终止条件,执行所述筛选出满足预设第一适应度条件的自然选择公交基因的步骤。
具体地,将所述初始公交基因添加至预设公交种群,所述预设公交种群描述进行基因变异的公交基因的群体,基于所述预设公交种群进行公交基因的变异迭代,并将所述预设公交种群包含的公交基因进行优胜劣汰的自然选择。
若不满足所述预设公交基因变异终止条件,不筛选出满足预设第一适应度条件的自然选择公交基因之后,从所述预设公交种群中获取满足预设第二适应度条件的公交基因,所述预设第二适应度条件的公交基因可以为适应度较大的预设第三数量的公交基因,作为第二目标公交基因,并将所述第二目标公交基因进行基因变异,得到后代公交基因,再将所述后代公交基因添加至所述预设公交种群,以更新所述预设公交种群。
由于初始公交基因的每一次迭代变异,均根据公交基因的适应度的大小,将公交基因进行优胜劣汰的筛选,从而使所述预设公交种群保留了适应度较高的可行解所对应的精英公交基因,尤其地,所述预设第二适应度条件为以预设采样概率从所述预设公交种群中获取公交基因,且所述预设采样概率与所述预设公交种群包含的公交基因所对应的公交车辆成本大小成反比,从而使所述预设公交种群保持一定比例的可行解,使所述预设公交种群不至于偏离可行区域太远。
计算所述后代公交基因的适应度,得到所述预设公交种群包含的每个公交基因的适应度,并根据所述预设公交种群包含的每个公交基因的适应度,将所述预设公交种群包含的公交基因再次进行优胜劣汰的自然选择,并再次判断是否满足所述预设公交基因变异终止条件,若仍不满足所述预设公交基因变异终止条件,继续迭代从所述预设公交种群中获取满足预设第二适应度条件的公交基因,并将获取的公交基因进行基因变异,直至满足所述预设公交基因变异终止条件,若满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,并将筛选出的自然选择公交基因转换为公交线路的排班,得到所述公交线路的排班表,从而基于遗传算法,利用适应度较大的公交基因进行迭代的基因变异,最终得到综合多种公交因素的公交排班,能够提高基于多种公交因素排班的客观性,从而在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
在一实施例中,请参阅图3,图3为本申请实施例提供的公交线路排班的处理方法的第二个子流程示意图。如图3所示,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,在该实施例中,所述将所述第二目标公交基因进行基因变异,得到后代公交基因,包括:
S31、获取两个公交基因元素,并在两个所述公交基因元素的相同位置进行截取,得到相对应位置的子基因元素对;
S32、将所述子基因元素对包含的两个子基因元素采取交叉方式进行互相替换,得到后代公交基因。
具体地,一条公交线路的所有发车班次采用数组描述,即采用公交基因数组描述一组公交基因,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,每个所述公交基因节点存储一个类型的公交因素,尤其所述公交基因元素可以包含多个公交基因节点,一个所述公交基因元素描述多个类型的公交因素,从而将公交线路的排班所涉及的多个因素组合起来,实现对公交线路进行综合多种因素的排班。
进行基因变异时,获取两个公交基因元素,两个所述公交基因元素包含相同数量的公交基因节点,即两个所述公交基因元素包含的公交基因节点的结构是相同的,在两个所述公交基因元素的若干个相同位置进行截取,即均在两个所述公交基因元素的第n个公交基因节点的位置进行截取,得到相对应位置的子公交基因元素对,然后将所述子公交基因元素对包含的两个子公交基因元素采取交叉方式进行互相替换,得到后代公交基因。例如,若存在两个公交基因元素a和b,其中,公交基因元素a为【a1,a2,a3,…an】,公交基因元素b为【b1,b2,b3,…bn】,其中,an描述公交基因元素a的第n个公交基因节点,bn描述公交基因元素b的第n个公交基因节点,公交基因元素a和b的每个公交基因节点描述一个类型的公交因素。至少可以采取以下方式进行基因变异,得到后代基因:
1)单点交叉。例如,对于上述两个公交基因元素a和b,可以选取公交基因元素a的第3个公交基因节点a3,可以将公交基因元素a为【a1,a2,a3,…an】截取为子基因元素【a1,a2,a3】与【a4,…an】两部分,选取公交基因元素b的第3个公交基因节点b3,可以将公交基因元素b为【b1,b2,b3,…bn】截取为子基因元素【b1,b2,b3】与【b4,…bn】两部分,其中,相对应位置的子基因元素【a1,a2,a3】与【b1,b2,b3】为子基因元素对,相对应位置的子基因元素【a4,…an】与【b4,…bn】为子基因元素对,并可以选取子基因元素对【a4,…an】与【b4,…bn】,将【a4,…an】与【b4,…bn】采取交叉方式进行互相替换,可以得到后代公交基因【a1,a2,a3,b4,…bn】与【b1,b2,b3,a4,…an】,从而将公交基因元素进行变异,产生后代公交基因。
2)双点交叉。例如,对于上述两个公交基因元素a和b,可以选取公交基因元素a的第3个公交基因节点a3与第5个公交基因节点a5,可以将公交基因元素a为【a1,a2,a3,…an】截取为子基因元素【a1,a2,a3】、【a4,a5】与【a6,…an】三部分,选取公交基因元素b的第3个公交基因节点b3与第5个公交基因节点b5,可以将公交基因元素b为【b1,b2,b3,…bn】截取为子基因元素【b1,b2,b3】、【b4,b5】与【b6,…bn】三部分,其中,相对应位置的子基因元素对共包括:【a1,a2,a3】与【b1,b2,b3】,【a4,a5】与【b4,b5】,及【a6,…an】与【b6,…bn】,并可以选取子基因元素对【a1,a2,a3】与【b1,b2,b3】,【a4,a5】与【b4,b5】,或者【a6,…an】与【b6,…bn】采取交叉方式进行互相替换,例如可以得到后代公交基因【a1,a2,a3,a4,a5,b6,…bn】与【b1,b2,b3,b4,b5,a6,…an】,从而将公交基因元素进行变异,产生后代公交基因。
3)多点交叉。与上述单点交叉和双点交叉相似,尤其在包含多个公交基因节点时,只是选取了公交基因元素3个或者3个以上的公交基因节点,并将两个公交基因元素分别截取为四部分或者四部分以上段的子基因元素,并得到四对或者四对以上的子基因元素对,然后选取子基因元素对采取交叉方式进行互相替换,从而将公交基因进行变异,产生后代公交基因。
上述公交基因进行变异的方式,能够充分体现基于遗传算法的公交基因变异的随机性与多样性,使产生的后代公交基因更加形式多样,从而进一步尽可能提高基于多种公交因素排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
在一实施例中,请参阅图4,图4为本申请实施例提供的公交线路排班的处理方法的第三个子流程示意图。一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,如图4所示,在该实施例中,所述将所述第二目标公交基因进行基因变异,得到后代公交基因,包括:
S41、获取公交基因元素,选取所述公交基因元素包含的公交基因节点;
S42、将所述公交基因节点的公交因素采用相同类型的其它公交因素进行替换,得到后代公交基因。
具体地,进行基因变异时,获取一个公交基因元素,并选取所述公交基因元素包含的公交基因节点,尤其可以随机选取所述公交基因元素包含的公交基因节点,从而可以更好的描述基因变异的随机性,并将所述公交基因节点的公交因素采用相同类型的其它公交因素进行替换,得到后代公交基因。例如,若存在公交基因元素a为【a1,a2,a3,…an】,可以随机选取公交基因元素a包含的第m个公交基因节点am,其中,1<m<n,并将am替换为同类型的其它公交因素,例如,若am为发车型号中的大型车,可以随机采用发车型号中的中型车或者小型车替换大型车,从而得到后代公交基因,这种公交基因的变异方式可以称为单点突变。上述公交基因进行变异的方式,更加丰富了公交基因变异的方式,能够充分体现基于遗传算法的公交基因变异的随机性与多样性,使产生的后代公交基因更加形式多样,从而进一步尽可能提高基于多种公交因素排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
进一步地,将所述第二目标公交基因进行基因变异,得到后代公交基因时,可以将上述描述的图3与图4的基因变异方式结合起来,将所述第二目标公交基因进行基因变异,例如,随机选取上述描述的单点交叉、双点交叉、多点交叉或者单点突变,将具体的第二目标公交基因进行基因变异,能够更加突出的体现基于遗传算法的基因变异的随机性,使产生的后代公交基因更加丰富多样,从而进一步提高基于多种公交因素排班的客观性,在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
在一实施例中,请参阅图5,图5为本申请实施例提供的公交线路排班的处理方法的第四个子流程示意图。如图5所示,在该实施例中,所述得到所述公交线路的排班表之后,还包括:
S51、将所述初始公交基因进行基因变异迭代n次,并统计每次迭代得到的所述公交线路的排班表所对应的预估平均等车时间,其中,n≥2,n为整数;
S52、根据所述公交线路的单次历史排班,获取所述公交线路的历史平均等车时间;
S53、判断所述预估平均等车时间是否小于或者等于所述历史平均等车时间;
S54、若所述预估平均等车时间大于所述历史平均等车时间,不将所述预估平均等车时间作为目标预估平均等车时间;
S55、若所述预估平均等车时间小于或者等于所述历史平均等车时间,将所述预估平均等车时间作为目标预估平均等车时间;
S56、计算所有所述目标预估平均等车时间的数量在所有所述预估平均等车时间的数量中所占的比例;
S57、判断所述比例是否小于或者等于预设第一比例阈值;
S58、若所述比例小于或者等于所述预设第一比例阈值,将所述惩罚系数增大;
S59、若所述比例大于所述预设第一比例阈值,判断所述比例是否大于或者等于预设第二比例阈值;
S60、若所述比例大于或者等于所述预设第二比例阈值,将所述惩罚系数减小,其中,所述预设第一比例阈值小于所述预设第二比例阈值;
S61、若所述比例小于所述预设第二比例阈值,不将所述惩罚系数减小。
具体地,由于公交基因的适应度为-(公交车辆成本+乘客平均等车时间*惩罚系数),同时,公交车辆成本越高,意味着需要使用更多的公交车辆安排更多的发车班次,相对应的乘客的等车时间就越低,相反,公交车辆成本越低,意味着需要使用更少的公交车辆安排更少的发车班次,乘客的等车时间相对越高。由此,基于上述公交基因的适应度,当惩罚系数高时,公交基因的适应度更侧重乘客平均等车时间,从而产生更多乘客等待时间低、但公交车辆成本偏高的公交车辆排班,当惩罚系数低时,公交基因的适应度更侧重公交车辆成本,从而产生更多公交车辆成本低、但乘客等待时间高的公交车辆排班。由此,采用高惩罚系数,能够获取乘客等待时间不高于原有排班下的乘客平均等车时间,通过降低惩罚系数,能够获取公交车辆成本较低的公交车辆排班,从而可以通过动态调整惩罚系数,在乘客平均等车时间与公交车辆成本取得一种较为理想的平衡状态,从而实现在不增加乘客平均等车时间的前提下,降低公交公司的成本。
将所述初始公交基因进行基因变异,所述初始公交基因每变异一代,即所述初始公交基因进行基因变异迭代1次,即可得到相对应的一代公交种群,并可以得到该代公交种群所对应的排班表,根据得到的排班表,获取所述排班表对应的预估平均等车时间,所述预估平均等车时间为每次迭代得到的所述公交线路的排班表的平均等车时间,再根据所述公交线路的单次历史排班,获取所述公交线路的历史平均等车时间,所述单次历史排班可以为所述公交线路当前正在使用的排班表。
判断所述预估平均等车时间是否小于或者等于所述历史平均等车时间,即比较所述预估平均等车时间与所述历史平均等车时间的大小,若所述预估平均等车时间小于或者等于所述历史平均等车时间,表明所述预估平均等车时间所对应的排班表优于所述历史平均等车时间所对应的排班表,将所述预估平均等车时间作为目标预估平均等车时间,将所述预估平均等车时间所对应的排班表作为所述公交线路的排班的可行性解。
计算所有所述目标预估平均等车时间的数量在所有所述预估平均等车时间的数量中所占的比例,并判断所述比例是否小于或者等于预设第一比例阈值,若所述比例小于所述预设第一比例阈值,将所述惩罚系数增大,若所述比例大于所述预设第一比例阈值,再判断所述比例是否大于或者等于预设第二比例阈值,若所述比例大于或者等于所述预设第二比例阈值,将所述惩罚系数减小,其中,所述预设第一比例阈值小于所述预设第二比例阈值,若所述比例小于所述预设第二比例阈值,不将所述惩罚系数减小。其中,将所述惩罚系数进行增大或者减小的数量,可以为预先设定的值,并且该值可以为经验值。例如,统计最近五代公交种群中可行性解的占比,若该占比小于0.2,表明公交种群中存在很多不可行的解,此时可将惩罚系数增大为原来的1.2倍,从而更侧重于等车时间,,能尽可能地找到更多可行性解,若该占比大于0.8,表明公交种群中存在很多的可行性解,此时将惩罚系数减小为原来的0.8倍,从而更侧重于成本,尽可能找到更多较低成本的排班的可行性解。通过惩罚系数的动态调整,能够动态的在公交车辆成本与乘客平均等车时间之间取得较优的权衡,尽可能找到更多较低成本的排班的可行性解,能够进一步提高基于多种公交因素排班的客观性,从而在不增加乘客平均等车时间的前提下,降低公交线路的运营成本。
需要说明的是,图5所示的实施例中,步骤S57至步骤S59只是描述该实施例的处理流程所对应的一种示例,不是为了限定步骤S57与步骤S59的先后顺序,在另一实施例中,也可以先进行判断步骤S59的内容,再根据需要判断步骤S57的内容,并不影响该实施例的实施结果。
需要说明的是,上述各个实施例所述的公交线路排班的处理方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
请参阅图6,图6为本申请实施例提供的公交线路排班的处理装置的一个示意性框图。对应于上述所述公交线路排班的处理方法,本申请实施例还提供一种公交线路排班的处理装置。如图6所示,该公交线路排班的处理装置包括用于执行上述所述公交线路排班的处理方法的单元,该公交线路排班的处理装置可以被配置于计算机设备中。具体地,请参阅图6,该公交线路排班的处理装置60包括第一获取单元61、第一筛选单元62、第一判断单元63、第二筛选单元64及第一获取单元65。
其中,第一获取单元61,用于获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述初始的发车班次;
第一筛选单元62,用于计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;
第一判断单元63,用于获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;
第二筛选单元64,用于若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;
第一获取单元65,用于根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
在一实施例中,所述适应度采取如下计算方式:
公交基因的适应度=-(公交车辆成本+乘客平均等车时间*惩罚系数);
其中,公交车辆成本为公交车辆运营产生的成本,乘客平均等车时间为所述公交线路的所有乘客的等车时间的平均值,惩罚系数为超参数。
在一实施例中,所述公交线路排班的处理装置60还包括:
添加单元,用于将所述初始公交基因添加至预设公交种群,其中,所述预设公交种群描述进行基因变异的公交基因群体;
第二获取单元,用于若不满足所述预设公交基因变异终止条件,从所述预设公交种群中获取满足预设第二适应度条件的公交基因,作为第二目标公交基因;
基因变异单元,用于将所述第二目标公交基因进行基因变异,得到后代公交基因,并将所述后代公交基因添加至所述预设公交种群;
第三筛选单元,用于计算所述后代公交基因的适应度,并根据所述预设公交种群包含的每个公交基因的适应度,将所述预设公交种群包含的公交基因进行优胜劣汰的筛选;
第二判断单元,用于再次判断是否满足所述预设公交基因变异终止条件;
迭代单元,用于若仍不满足所述预设公交基因变异终止条件,迭代所述从所述预设公交种群中获取满足预设第二适应度条件的公交基因、作为第二目标公交基因所对应的公交基因的基因变异过程,直至满足所述预设公交基因变异终止条件;
执行单元,用于若满足所述预设公交基因变异终止条件,执行所述筛选出满足预设第一适应度条件的自然选择公交基因的步骤。
在一实施例中,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,所述基因变异单元包括:
截取子单元,用于获取两个公交基因元素,并在两个所述公交基因元素的相同位置进行截取,得到相对应位置的子基因元素对;
交叉互换子单元,用于将所述子基因元素对包含的两个子基因元素采取交叉方式进行互相替换,得到后代公交基因。
在一实施例中,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述基因变异单元包括:
第一获取子单元,用于获取公交基因元素,选取所述公交基因元素包含的公交基因节点;
替换子单元,用于将所述公交基因节点的公交因素采用相同类型的其它公交因素进行替换,得到后代公交基因。
在一实施例中,所述公交线路排班的处理装置60还包括:
第一统计单元,用于将所述初始公交基因进行基因变异迭代n次,并统计每次迭代得到的所述公交线路的排班表所对应的预估平均等车时间,其中,n≥2,n为整数;
第三获取单元,用于根据所述公交线路的单次历史排班,获取所述公交线路的历史平均等车时间;
第三判断单元,用于判断所述预估平均等车时间是否小于或者等于所述历史平均等车时间;
确定单元,用于若所述预估平均等车时间小于或者等于所述历史平均等车时间,将所述预估平均等车时间作为目标预估平均等车时间;
计算单元,用于计算所有所述目标预估平均等车时间的数量在所有所述预估平均等车时间的数量中所占的比例;
第四判断单元,用于判断所述比例是否小于或者等于预设第一比例阈值;
增大单元,用于若所述比例小于或者等于所述预设第一比例阈值,将所述惩罚系数增大;
第五判断单元,用于判断所述比例是否大于或者等于预设第二比例阈值
减小单元,用于若所述比例大于或者等于所述预设第二比例阈值,将所述惩罚系数减小,其中,所述预设第一比例阈值小于所述预设第二比例阈值。
在一实施例中,所述公交因素包括发车时间、发车类型及发车型号。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述公交线路排班的处理装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
同时,上述公交线路排班的处理装置中各个单元的划分和连接方式仅用于举例说明,在其他实施例中,可将公交线路排班的处理装置按照需要划分为不同的单元,也可将公交线路排班的处理装置中各单元采取不同的连接顺序和方式,以完成上述公交线路排班的处理装置的全部或部分功能。
上述公交线路排班的处理装置可以实现为一种计算机程序的形式,该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7,图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备,也可以是其他设备中的组件或者部件。
参阅图7,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504,所述存储器也可以为易失性存储介质。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种上述公交线路排班的处理方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种上述公交线路排班的处理方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图7所示实施例一致,在此不再赘述。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述初始的发车班次;计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
在一实施例中,所述处理器502在实现所述计算每个所述初始公交基因的适应度时,所述适应度为如下计算方式:
公交基因的适应度=-(公交车辆成本+乘客平均等车时间*惩罚系数);
其中,公交车辆成本为公交车辆运营产生的成本,乘客平均等车时间为所述公交线路的所有乘客的等车时间的平均值,惩罚系数为超参数。
在一实施例中,所述处理器502在实现所述得到初始公交基因之后,还实现以下步骤:
将所述初始公交基因添加至预设公交种群,其中,所述预设公交种群描述进行基因变异的公交基因群体;
所述判断是否满足预设公交基因变异终止条件之后,还包括:
若不满足所述预设公交基因变异终止条件,从所述预设公交种群中获取满足预设第二适应度条件的公交基因,作为第二目标公交基因;将所述第二目标公交基因进行基因变异,得到后代公交基因,并将所述后代公交基因添加至所述预设公交种群;计算所述后代公交基因的适应度,并根据所述预设公交种群包含的每个公交基因的适应度,将所述预设公交种群包含的公交基因进行优胜劣汰的筛选;再次判断是否满足所述预设公交基因变异终止条件;若仍不满足所述预设公交基因变异终止条件,迭代所述从所述预设公交种群中获取满足预设第二适应度条件的公交基因、作为第二目标公交基因所对应的公交基因的基因变异过程,直至满足所述预设公交基因变异终止条件;若满足所述预设公交基因变异终止条件,执行所述筛选出满足预设第一适应度条件的自然选择公交基因的步骤。
在一实施例中,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,所述处理器502在实现所述将所述第二目标公交基因进行基因变异,得到后代公交基因时,具体实现以下步骤:
获取两个公交基因元素,并在两个所述公交基因元素的相同位置进行截取,得到相对应位置的子基因元素对;
将所述子基因元素对包含的两个子基因元素采取交叉方式进行互相替换,得到后代公交基因。
在一实施例中,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,所述处理器502在实现所述将所述第二目标公交基因进行基因变异,得到后代公交基因时,具体实现以下步骤:
获取公交基因元素,选取所述公交基因元素包含的公交基因节点;
将所述公交基因节点的公交因素采用相同类型的其它公交因素进行替换,得到后代公交基因。
在一实施例中,所述处理器502在实现所述得到所述公交线路的排班表之后,还实现以下步骤:
将所述初始公交基因进行基因变异迭代n次,并统计每次迭代得到的所述公交线路的排班表所对应的预估平均等车时间,其中,n≥2,n为整数;根据所述公交线路的单次历史排班,获取所述公交线路的历史平均等车时间;判断所述预估平均等车时间是否小于或者等于所述历史平均等车时间;若所述预估平均等车时间小于或者等于所述历史平均等车时间,将所述预估平均等车时间作为目标预估平均等车时间;计算所有所述目标预估平均等车时间的数量在所有所述预估平均等车时间的数量中所占的比例;判断所述比例是否小于或者等于预设第一比例阈值;若所述比例小于或者等于所述预设第一比例阈值,将所述惩罚系数增大;或者,判断所述比例是否大于或者等于预设第二比例阈值若所述比例大于或者等于所述预设第二比例阈值,将所述惩罚系数减小,其中,所述预设第一比例阈值小于所述预设第二比例阈值。
在一实施例中,所述处理器502在实现所述获取不同类型的公交因素时,所述公交因素包括发车时间、发车类型及发车型号。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行如下步骤:
一种计算机程序产品,当其在计算机上运行时,使得计算机执行以上各实施例中所描述的所述公交线路排班的处理方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的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,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,终端,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种公交线路排班的处理方法,其特征在于,包括:
获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述初始的发车班次;
计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;
获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;
若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;
根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
2.根据权利要求1所述公交线路排班的处理方法,其特征在于,所述公交因素包括发车时间、发车类型及发车型号。
3.根据权利要求1所述公交线路排班的处理方法,其特征在于,所述适应度采取如下计算方式:
公交基因的适应度=-(公交车辆成本+乘客平均等车时间*惩罚系数);
其中,公交车辆成本为公交车辆运营产生的成本,乘客平均等车时间为所述公交线路的所有乘客的等车时间的平均值,惩罚系数为超参数。
4.根据权利要求1所述公交线路排班的处理方法,其特征在于,所述得到初始公交基因之后,还包括:
将所述初始公交基因添加至预设公交种群,其中,所述预设公交种群描述进行基因变异的公交基因群体;
所述判断是否满足预设公交基因变异终止条件之后,还包括:
若不满足所述预设公交基因变异终止条件,从所述预设公交种群中获取满足预设第二适应度条件的公交基因,作为第二目标公交基因;
将所述第二目标公交基因进行基因变异,得到后代公交基因,并将所述后代公交基因添加至所述预设公交种群;
计算所述后代公交基因的适应度,并根据所述预设公交种群包含的每个公交基因的适应度,将所述预设公交种群包含的公交基因进行优胜劣汰的筛选;
再次判断是否满足所述预设公交基因变异终止条件;
若仍不满足所述预设公交基因变异终止条件,迭代所述从所述预设公交种群中获取满足预设第二适应度条件的公交基因、作为第二目标公交基因所对应的公交基因的基因变异过程,直至满足所述预设公交基因变异终止条件;
若满足所述预设公交基因变异终止条件,执行所述筛选出满足预设第一适应度条件的自然选择公交基因的步骤。
5.根据权利要求4所述公交线路排班的处理方法,其特征在于,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,所述将所述第二目标公交基因进行基因变异,得到后代公交基因,包括:
获取两个公交基因元素,并在两个所述公交基因元素的相同位置进行截取,得到相对应位置的子基因元素对;
将所述子基因元素对包含的两个子基因元素采取交叉方式进行互相替换,得到后代公交基因。
6.根据权利要求4所述公交线路排班的处理方法,其特征在于,一组公交基因采用公交基因数组描述,所述公交基因数组包含公交基因元素,每个所述公交基因元素描述一个公交基因所对应的发车班次,所述公交基因元素包含公交基因节点,所述公交基因节点存储一个类型的公交因素,所述将所述第二目标公交基因进行基因变异,得到后代公交基因,包括:
获取公交基因元素,选取所述公交基因元素包含的公交基因节点;
将所述公交基因节点的公交因素采用相同类型的其它公交因素进行替换,得到后代公交基因。
7.根据权利要求1所述公交线路排班的处理方法,其特征在于,所述得到所述公交线路的排班表之后,还包括:
将所述初始公交基因进行基因变异迭代n次,并统计每次迭代得到的所述公交线路的排班表所对应的预估平均等车时间,其中,n≥2,n为整数;
根据所述公交线路的单次历史排班,获取所述公交线路的历史平均等车时间;
判断所述预估平均等车时间是否小于或者等于所述历史平均等车时间;
若所述预估平均等车时间小于或者等于所述历史平均等车时间,将所述预估平均等车时间作为目标预估平均等车时间;
计算所有所述目标预估平均等车时间的数量在所有所述预估平均等车时间的数量中所占的比例;
判断所述比例是否小于或者等于预设第一比例阈值;
若所述比例小于或者等于所述预设第一比例阈值,将所述惩罚系数增大;
或者,判断所述比例是否大于或者等于预设第二比例阈值
若所述比例大于或者等于所述预设第二比例阈值,将所述惩罚系数减小,其中,所述预设第一比例阈值小于所述预设第二比例阈值。
8.一种公交线路排班的处理装置,其特征在于,包括:
第一获取单元,用于获取不同类型的公交因素,并将所述公交因素进行组合,得到初始公交基因,其中,所述公交因素描述公交线路的排班所涉及的因素,所述初始公交基因描述初始的发车班次;
第一筛选单元,用于计算每个所述初始公交基因的适应度,并根据所述适应度的大小,将所述初始公交基因进行优胜劣汰的筛选,得到自然选择公交基因,其中,所述适应度描述所述初始公交基因的优劣程度;
第一判断单元,用于获取公交基因变异迭代变量,并判断所述公交基因变异迭代变量是否满足预设公交基因变异终止条件;
第二筛选单元,用于若所述公交基因变异迭代变量满足所述预设公交基因变异终止条件,筛选出满足预设第一适应度条件的自然选择公交基因,作为第一目标公交基因;
第一获取单元,用于根据所述第一目标公交基因所对应的发车班次,得到所述公交线路的排班表。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,以执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210827674.3A CN115293519A (zh) | 2022-07-14 | 2022-07-14 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
PCT/CN2022/142235 WO2024011864A1 (zh) | 2022-07-14 | 2022-12-27 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210827674.3A CN115293519A (zh) | 2022-07-14 | 2022-07-14 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293519A true CN115293519A (zh) | 2022-11-04 |
Family
ID=83823121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210827674.3A Pending CN115293519A (zh) | 2022-07-14 | 2022-07-14 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115293519A (zh) |
WO (1) | WO2024011864A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024011864A1 (zh) * | 2022-07-14 | 2024-01-18 | 深圳云天励飞技术股份有限公司 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737356B (zh) * | 2012-06-13 | 2016-01-20 | 西安理工大学 | 智能公交调度排班计算方法 |
US20200349485A1 (en) * | 2019-07-11 | 2020-11-05 | Beihang University | Optimization method for joint scheduling of manned buses and autonomous buses |
CN111340406B (zh) * | 2020-05-22 | 2020-10-13 | 广州交信投科技股份有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
CN113269475B (zh) * | 2021-06-28 | 2022-01-18 | 浩鲸云计算科技股份有限公司 | 一种基于遗传算法的公交排班调度方法及系统 |
CN115293519A (zh) * | 2022-07-14 | 2022-11-04 | 深圳云天励飞技术股份有限公司 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
-
2022
- 2022-07-14 CN CN202210827674.3A patent/CN115293519A/zh active Pending
- 2022-12-27 WO PCT/CN2022/142235 patent/WO2024011864A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024011864A1 (zh) * | 2022-07-14 | 2024-01-18 | 深圳云天励飞技术股份有限公司 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024011864A1 (zh) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ceder | Optimal multi-vehicle type transit timetabling and vehicle scheduling | |
CN112181971A (zh) | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 | |
Huang et al. | Optimization of the carpool service problem via a fuzzy-controlled genetic algorithm | |
CN104168318A (zh) | 一种资源服务系统及其资源分配方法 | |
Aalto et al. | On the Gittins index in the M/G/1 queue | |
CN110708259A (zh) | 自动调整队列阈值的信息无感知Coflow调度系统及其调度方法 | |
CN111510879A (zh) | 基于多约束效用函数的异构车联网网络选择方法及系统 | |
CN109948844A (zh) | 一种停机位分配鲁棒性的优化方法、装置、设备及介质 | |
CN111416774A (zh) | 网络拥塞控制方法、装置、计算机设备及存储介质 | |
CN115293519A (zh) | 公交线路排班的处理方法、装置、设备及可读存储介质 | |
CN114827021B (zh) | 一种基于sdn和机器学习的多媒体业务流量加速系统 | |
CN109976901A (zh) | 一种资源调度方法、装置、服务器及可读存储介质 | |
Mencía et al. | Evolutionary one-machine scheduling in the context of electric vehicles charging | |
Zheng et al. | Learning based task offloading in digital twin empowered internet of vehicles | |
CN116225649A (zh) | 一种细粒度电力任务云边协同优化调度方法 | |
Han et al. | Service-oriented distributionally robust lane reservation | |
CN108830486A (zh) | 一种用于电力通信的检修任务调度方法、装置及设备 | |
CN117540997A (zh) | 基于航空公司航班消减偏好的航班预先飞行计划优化方法 | |
CN108900804B (zh) | 一种基于视频熵的自适应视频流处理方法 | |
CN115392535A (zh) | 多条公交线路的排班表优化方法、装置及相关设备 | |
CN115409243A (zh) | 一种运营资源分配与任务调度方法和终端 | |
CN115423393A (zh) | 一种基于lstm的动态自适应调度周期的订单调度方法及装置 | |
Lu et al. | Efficient operation of demand-responsive transport (DRT) systems: Active requests rejection | |
Zhao et al. | A genetic approach to solving the vehicle routing problem with time-dependent travel times | |
CN113361984A (zh) | 基于互馈模型的空港客流与运力流动态耦合方法和系统 |
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 |