CN116187495A - 基于多模型耦合的慢行交通站点选址方法、装置和设备 - Google Patents
基于多模型耦合的慢行交通站点选址方法、装置和设备 Download PDFInfo
- Publication number
- CN116187495A CN116187495A CN202211470920.0A CN202211470920A CN116187495A CN 116187495 A CN116187495 A CN 116187495A CN 202211470920 A CN202211470920 A CN 202211470920A CN 116187495 A CN116187495 A CN 116187495A
- Authority
- CN
- China
- Prior art keywords
- demand
- data
- model
- determining
- point
- 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 50
- 230000008878 coupling Effects 0.000 title claims abstract description 32
- 238000010168 coupling process Methods 0.000 title claims abstract description 32
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000010187 selection method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 239000000427 antigen Substances 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 210000003719 b-lymphocyte Anatomy 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011284 combination treatment Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000028804 PERCHING syndrome Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000005065 mining Methods 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
- 230000035755 proliferation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多模型耦合的慢行交通站点选址方法、装置和设备，属于交通站点选址技术领域，该方法、装置和设备，通过多模型耦合的方式将两步移动搜索模型、免疫优化算法模型、投资分配模型、单一判断模型进行松散耦合，从而构建选址模型；通过模型耦合的方式运用综合分析技术，改进了两步移动搜索模型，并通过该模型增加了空间要素选址指标，进而借助投资分配模型与单一判断模型优化了免疫优化算法选址结果；最终，通过多模型耦合的方式优化了因影响因素考虑过少或过多所带来的选址片面性与标度工作量过大等问题，能够得到比较合理的选址结果。
Description
技术领域
本发明涉及交通站点选址技术领域，具体涉及一种基于多模型耦合的慢行交通站点选址方法、装置和设备。
背景技术
国外内对低碳慢行交通领域的研究也越来越多。在慢行交通站点选址方面，国内外学者围绕选址方法进行了研究，为确定慢行交通站点的需求量与供给量关系提供依据。
传统技术中通常通过层次分析法、重心法、网络覆盖模型和模拟仿真法等几种GIS选址方法进行选址。但是传统的选址方法采用单一模型，通过增加不同选址指标来确定最终选址，而选址指标过多会导致费时、费力，选址指标过少会导致选址结果不合理。
发明内容
有鉴于此，本发明的目的在于提供一种基于多模型耦合的慢行交通站点选址方法、装置和设备，以克服目前采用单一模型，通过增加不同选址指标来确定最终选址，而选址指标过多会导致费时、费力，选址指标过少会导致选址结果不合理的问题。
为实现以上目的，本发明采用如下技术方案：
一方面，一种基于多模型耦合的慢行交通站点选址方法，包括：
确定目标区域的设施可达范围数据；所述设施可达范围数据包括各出行方式直线距离对应最大范围内的公交站点数据；
将所述设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比；其中，所述供需比为各个公交站点的服务供给与潜在需求人数的比值；
确定所述目标区域的共享单车的用车需求，根据所述用车需求与所述轨道公交可达性，确定预估需求点；
确定所述目标区域的统计数据相关指标，根据所述统计数据相关指标计算得到需求量；
确定慢行交通现有网点数据，确定现行需求点；
将所述预估需求点、需求量和现行需求点，输入至免疫优化算法模型中，得到新需求量；
将所述新需求量输入组合模型中，得到最佳交通站点分配量；其中，所述组合模型为投资分配模型和单一判断模型的组合模型；
根据所述目标区域的城市路网数据和城市建筑轮廓数据、所述最佳交通站点分配量，计算得到最优选址位置。
可选的，所述确定目标区域的设施可达范围数据，包括：
获取轨道交通站点数据，并进行预设距离的缓冲处理；
确定慢行交通站点数据，慢行交通站点数据包括：起始点和目的点；其中，所述起始点为轨道交通站点数据，所述目标点为手机信令数据、停车场、公交站点数据；
计算最大接驳能力范围内轨道交通站点到慢行交通站点的直线距离；其中，所述最大接驳能力范围包括：步行距离1km，骑行距离2km和公交行驶距离5km；
确定各出行方式直线距离对应的最大接驳能力范围内的公共交通站点数据，将所述各出行方式直线距离对应的最大接驳能力范围内的公共交通站点数据作为所述设施可达范围数据。
可选的，所述将所述设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比，包括：
确定当前已存在的各个公交站点的服务供给与潜在需求人数的比值，作为供需比；
确定能为轨道站点提供公交服务的公交站点，基于所述供需比和所述公交站点，计算得到轨道公交可达性。
可选的，所述确定所述目标区域的共享单车的用车需求，根据所述用车需求与所述轨道公交可达性，确定预估需求点，包括：
获取所述目标区域的共享单车的用车需求数据，对所述用车需求数据进行密度聚类，得到聚类点；将每个聚类点与现有站点进行合并，作为预选需求点；
将所述轨道公交可达性与预选需求点进行对比筛选，将轨道公交可达性低于预设阈值的预选需求点忽略，得到预估需求点。
可选的，所述确定所述目标区域的统计数据相关指标，根据所述统计数据相关指标计算得到需求量，包括：
确定所述目标区域的统计数据相关指标，所述统计数据相关指标包括：年龄、收入、出行规模、教育水平和共享出行经历；
计算每个统计数据相关指标的权重；
计算每个统计数据相关指标的系数与对应权重的乘积，并求所有乘积的和，将所有乘积的和乘以所述目标区域的人口数量，得到需求群体数据；
根据所述需求群体数据，计算得到所述需求量。
可选的，所述确定慢行交通现有网点数据，确定现行需求点，包括：
基于开放平台获取所述慢行交通现有网点数据；
根据实际路网情况以及政府城市规划政策，删除所述慢行交通现有网点数据中不需要的站点，得到现行需求点。
可选的，所述组合模型为以0.62和0.38分别作为投资分配模型权重和单一判断模型权重，作为组合权重，构建的组合模型。
又一方面，一种基于多模型耦合的慢行交通站点选址装置，包括：
预处理模块，用于确定目标区域的设施可达范围数据；所述设施可达范围数据包括各出行方式直线距离对应最大范围内的公交站点数据；
两步移动搜索模块，用于将所述设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比；其中，所述供需比为各个公交站点的服务供给与潜在需求人数的比值；
第一确定模块，用于确定所述目标区域的共享单车的用车需求，根据所述用车需求与所述轨道公交可达性，确定预估需求点；
第二确定模块，用于确定所述目标区域的统计数据相关指标，根据所述统计数据相关指标计算得到需求量；
第三确定模块，用于确定慢行交通现有网点数据，确定现行需求点；
免疫优化模块，用于将所述预估需求点、需求量和现行需求点，输入至免疫优化算法模型中，得到新需求量；
分配模块，用于将所述新需求量输入组合模型中，得到最佳交通站点分配量；其中，所述组合模型为投资分配模型和单一判断模型的组合模型；
计算模块，用于根据所述目标区域的城市路网数据和城市建筑轮廓数据、所述最佳交通站点分配量，计算得到最优选址位置。
又一方面，一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述任一项所述的基于多模型耦合的慢行交通站点选址方法。
又一方面，一种基于多模型耦合的慢行交通站点选址设备，包括处理器和存储器，所述处理器与存储器相连：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储所述程序，所述程序至少用于执行上述任一项所述的基于多模型耦合的慢行交通站点选址方法。
本发明提供的技术方案至少包括以下有益效果：
通过多模型耦合的方式将两步移动搜索模型、免疫优化算法模型、投资分配模型、单一判断模型进行松散耦合，从而构建选址模型；通过模型耦合的方式运用综合分析技术，改进了两步移动搜索模型，并通过该模型增加了空间要素选址指标，进而借助投资分配模型与单一判断模型优化了免疫优化算法选址结果；最终，通过多模型耦合的方式优化了因影响因素考虑过少或过多所带来的选址片面性与标度工作量过大等问题，能够得到比较合理的选址结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多模型耦合的慢行交通站点选址方法的流程示意图；
图2为本发明实施例提供的一种免疫优化算法的收敛曲线示意图；
图3为本发明验证实施例提供的一种优化前区域的网点示意图，其中，方框为现有网点；
图4为本发明实施例提供的图3优化后区域的网点示意，其中，圆点为优化后网点；
图5为本发明实施例提供的一种多模型耦合的慢行交通站点选址装置的结构示意图；
图6为本发明实施例提供的一种基于多模型耦合的慢行交通站点选址设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
在成熟慢行交通数据挖掘与分析方面，海量交通运行数据挖掘不充分，造成一定程度上的数据资源浪费。时空数据、交通态势数据与统计数据的融合深度不够，数据的应用分析多集中在层次分析法、重心法、网络覆盖模型和模拟仿真法等方面进行选址。
现有技术中，关于慢行交通网点选址问题的研究大多通过建立慢行交通站点评价体系进行选址决策，部分研究通过建立目标模型或者双层规划模型进行网点布局，但模型构建过程中空间要素考虑较少。即，传统技术中通常通过层次分析法、重心法、网络覆盖模型和模拟仿真法等几种GIS选址方法进行选址。但是传统的选址方法采用单一模型，通过增加不同选址指标来确定最终选址，而选址指标过多会导致费时、费力，选址指标过少会导致选址结果不合理。
基于此，本发明将两步移动搜索模型、免疫优化算法模型、投资分配模型、单一判断模型进行耦合，从而进行慢行交通站点选址。
图1为本发明实施例提供的一种多模型耦合的慢行交通站点选址方法的流程示意图，参阅图1，本发明实施例提供的方法，可以包括以下步骤：
步骤S1、确定目标区域的设施可达范围数据；设施可达范围数据包括各出行方式直线距离对应最大范围内的公共交通站点数据。
具体的，可以进行两步移动搜索模型前预处理，具体可以包括以下步骤：
步骤(1)、通过python技术获取高德开放平台轨道交通站点数据，进行200m范围内缓冲处理(即以轨道交通站点为圆心，半径200m内辐照交通设施)。
步骤(2)、选择慢行交通站点数据。此处慢行交通站点分为起始点与目的点，起始点为轨道交通站点数据，目的点为手机信令数据(例如，可以由数据科技有限公司提供)、停车场、公交站点数据(停车场、公交站点数据可以来自高德开放平台)。
步骤(3)、通过构建OD(origin-destination，起点-终点)矩阵得到在最大接驳能力范围(步行距离1km,骑行距离2km，公交行驶距离5km)内轨道交通站点到慢行交通站点的直线距离。
其中，OD矩阵以所有交通分区按行(起点区)与列(终点区)排序，以任意两分区之间的出行量(OD量)为元素的矩阵。本申请中对OD矩阵的建立不做赘述，请参阅现有技术。
步骤(4)、利用SQL语言分别筛选出各出行方式直线距离对应范围内的公交站点数据，得到设施可达范围数据，以便进行两步移动搜索法计算。
步骤S2、将设施可达范围数据，输入至两步移动搜索模型中，得到街道供给可达性、服务供给与供求之比。
具体的，可以根据已获取的数据，进行两步移动搜索算法。以公交站点与轨道交通站点为例，对两步移动搜索模型的运行进行说明，可选的，可以包括以下具步骤：
步骤(1)、确定当前已存在的各个公交站点的服务供给与潜在需求人数的比值，作为供需比。
第一次搜寻用于确定当前已存在公交站点的繁忙程度。即各个公交站点在服务域内的供需占比，对公交站点搜索距离阈值(d0，服务半径)范围内轨道站点，并从worldpop网站(全球人口数据网站)中获取的人口分布栅格数据以确定站点人口Pk，然后应用高斯方程G(dk,j,d0)Pk加权，加权计算人口求和即为区域内潜在需求人群，计算公交站点服务供给与潜在需求人群之比Rj，如公式(1)-(3)所示。
在公式(1)中，Pk为轨道车站的人口数；dk,j是位置k,j之间的直线距离；G(dk,j,d0)Pk是考虑到空间摩擦问题的高斯方程，本发明的设置方式在一定程度上克服搜索半径内可达性均等、与实际随距离递减的规律不符的问题。高斯方程计算方法如公式(2)。
步骤(2)确定能为轨道站点提供公交服务的公交站点，基于供需比和公交站点，计算得到轨道公交可达性。
第二次搜寻用于计算各个轨道站点的可达性，搜索能为该轨道站点提供公交服务的站点取位，并将第一次搜寻得到供需比Rj利用高斯方程赋权相加求和，对每个轨道交通站点搜索所有距离阈值内的公交站点，将赋权供需比加在一起得到轨道公交可达性，计算方法如公式(3)：
其中，Aj为轨道公交的可达性，当Aj值越大，则代表轨道公交的可达性越好，在需求点应用中可达性低的地方可以忽略其原有的需求点。
步骤S3、确定目标区域的共享单车的用车需求，根据用车需求与轨道公交可达性，确定预估需求点。
具体的，步骤S3的具体实现过程可以包括以下步骤：
获取目标区域的共享单车的用车需求数据，对用车需求数据进行密度聚类，得到聚类点；将每个聚类点与现有站点进行合并，作为预选需求点；
将轨道公交可达性与预选需求点进行对比筛选，将轨道公交可达性低于预设阈值的预选需求点忽略，得到预估需求点。
例如，可以加载共享单车用车需求数据(如，数据可以来自2021数字中国创新大赛大数据赛道题目数据)，之后对数据进行密度聚类，得到聚类点。之后通过模型构建器，去除噪声点。最后将聚类中心点与现有站点进行合并，作为预选需求点。然后将预选需求点与两步移动搜索法计算得到的街道供给可达性进行对比筛选，对可达性较低的地方忽略，最终得到预估需求点，作为参数三。
步骤S4、确定目标区域的统计数据相关指标，根据统计数据相关指标计算得到需求量。
在一些具体的实施例中，步骤S4可以通过以下步骤实现：
确定目标区域的统计数据相关指标，统计数据相关指标包括：年龄、收入、出行规模、教育水平和共享出行经历；
计算每个统计数据相关指标的权重；
计算每个统计数据相关指标的系数与对应权重的乘积，并求所有乘积的和，将所有乘积的和乘以目标区域的人口数量，得到需求群体数据；
根据需求群体数据，计算得到需求量。
例如，查阅相关论文设计构建需求预测指标体系，得到目标区域的统计数据相关指标，如表1所示：
表1目标区域的统计数据相关指标
| 指标 | 含义 |
| 年龄 | 表示符合国家机动车驾驶证的年龄，且对共享出行使用意愿强烈的潜在用户年龄范围 |
| 收入 | 表示经济收入足以长时间支撑共享单车租赁成本的收入范围 |
| 出行规模 | 表示共享单车潜在用户经常出行人口数量 |
| 教育水平 | 表示共享单车用户的学历范围 |
| 共享出行经历 | 表示曾经使用过共享出行方式的人群 |
将获取到的指标数据利用SPSS软件进行AHP判断矩阵计算，得出指标权重，其中，具体的计算过程本申请中不做赘述，参阅现有计算方法。之后构建函数模型得到需求群体数据,如公式(4)所示，其中，hi表示第i个区域内的共享单车需求群体数，wj表示第j个统计数据相关指标权重，fj表示第j个统计数据相关指标系数，∑iwjfj表示共享单车使用潜力指数，Zj表示第i个区域的社会人口数量。其中，统计数据相关指标权重、统计数据相关指标系数可由用户根据需求设定。
hi＝zi∑jwjfj (4)
将需求群体数据根据各项权重指标进行需求量预测，得到需求量，作为参数二。
L＝S’-C (5)
T＝(s+L) (6)
gi＝hiT (7)
其中，gi表示第i个区域内的新能源汽车需求量，s’表示现有条件下不愿意使用共享源汽车的人口比例，s表示愿意使用的人口比例，c表示新能源汽车条件改变后，仍然不会使用的人数，L表示条件改变时可能会使用的人口比例，T表示实际需求人口比例。
可以根据需求，使用不同的需求量。
步骤S5、确定慢行交通现有网点数据，确定现行需求点。
在一些实施例中，步骤S5可以包括以下具体执行过程：
基于开放平台获取慢行交通现有网点数据；
根据实际路网情况以及政府城市规划政策，删除慢行交通现有网点数据中不需要的站点，得到现行需求点。
例如，将从高德开放平台获取的慢行交通现有网点数据，根据实际路网情况以及政府城市规划政策，删除不需要的站点，得到现行需求点(二)，作为参数一。
步骤S6、将预估需求点、需求量和现行需求点，输入至免疫优化算法模型中，得到新需求量。
在得到预估需求点、需求量和现行需求点后，将三个参数输入到MATLAB软件中，通过调整种群规模、记忆库容量、迭代次数、交叉概率、变异概率、多样性评价参数、备选网点数量等参数优化免疫优化算法输出结果，通过迭代处理并结合备选网点，得到新的站点需求量数据，记为新需求量。
本申请中，对免疫优化算法模型进行说明：
以共享新能源租赁网点在免疫优化算法模型中应用为例，以站点优化问题代替抗原；以选址位置的可行解的解集代替抗体(B细胞)；可行解的质量代替亲和度，通过评价个体的期望繁殖概率P来确定最优解，带入免疫优化算法流程即可进行求解。
本申请中对从evcard平台中获取的某市共享新能源汽车现有租赁网点数据进行综合分析。可以从高德开放平台获取的某市POI点数据、OSM平台获取的某市街道数据与某市路网数据、国家统计局获取的某市第六次人口普查数据以及biendata竞赛获取的某市热门出行数据等作为研究基础。
注：由于抗体是由B细胞产生的，在免疫算法中对抗体和B细胞不作区分，都对应为优化问题的可行解。
表2免疫优化算法参数设置
参阅表2，本申请中，可以设置种群规模sizepop＝50、记忆库容量overbest＝20、迭代次数为MAXGEN＝170、交叉概率pcross＝0.95、变异概率pmutation＝0.55、多样性评价参数ps＝0.95、备选网点数量length＝106为基准，借助MATLAB软件，带入免疫优化算法模型中进行求解，得到最优网点分布区间。
免疫优化算法具体实现步骤，参阅以下步骤①—⑦：
①分析问题。对问题及其解的特征进行分析，设计解的合适表达形式；
②产生初始抗体群。随机产生N个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量；
③对上述群体中各个抗体进行评价。在算法中对个体的评价是以个体的期望繁殖率P为标准；
④形成父代群体。将初始群体按期望繁殖率P进行降序排列，并取前N个个体构造成父代群体；同时取出m个个体存入记忆库中；
⑤判断是否满足结束条件，是则结束；反之，则继续下一步操作；
⑥新群体的产生。对抗体群体进行选择、交叉、变异操作得到新群体；同时记忆库中取出记忆的个体，共同构成新一代群体；
转去执行步骤③。
免疫优化算法解的多样性评价如下步骤：
抗体与抗原间的亲和力计算公式,如公式(8)记载。其中，Fv表示目标函数；分母中第二项表示对违反距离约束的解给予惩罚；C取一个比较大的正数。
抗体与抗体间亲和力计算公式，如公式(9)。其中，Kv,s表示抗体与抗体s中相同的位数；L表示抗体的长度。
抗体浓度计算公式，如公式(10)。其中，N表示抗体总数；
期望繁殖概率公式，如公式(11)。其中，α表示常数；Av表示抗体与抗原间的亲和力；Cv表示抗体浓度。
图2为本发明实施例提供的一种免疫优化算法的收敛曲线示意图。参阅图2，实线表示最优适应度值,虚线表示的是平均适应度值。计算得出最优适应度值低于平均适应度值。两者在迭代20次时偏差比较大，曲线幅度也比较大；在20-60次时变化偏差较小，曲线幅度比较明显；60-160次时偏差和曲线幅度都比较小，双方趋于平衡。通过收敛曲线看出免疫优化算法在迭代次数为170次后收敛到最优解。
步骤S7、将新需求量输入组合模型中，得到最佳交通站点分配量；其中，组合模型为投资分配模型和单一判断模型的组合模型。
在一些实施例中，组合模型为以0.62和0.38分别作为投资分配模型权重和单一判断模型权重，作为组合权重，构建的组合模型。
本申请中，对投资分配模型进行说明：
在公式12-公式16中，V表示优化后的网点集合，既V＝{1,2……,v}；u表示第u网点；Ru为u网点服务人口，Qf u为各网点的设施容量既停车位数表示；Bu表示u点的服务人口影响系数；Cu表示u点的单个停车位成本；k表示所有网点的总容量。
本申请中，对单一判断模型进行说明：
基于各网点的服务人口，构建汽车分配模型。首先，根据第u网点的有效使用客户，得到第u网点的有效使用客户指标权重vu；
根据使用指标权重vu，构建单一判断模型，
Qu d为单一判断模型下u网点的共享新能源汽车分配量。
组合投资分配模型与单一判断模型,如公式(19)：
将分配模型和单一判断模型的两组网点分配结果进行综合计算，根据查询论文资料，默认值采用的是黄金分割点值0.618作为组合权重，可以根据实际需求对比值进行调整，构建线性加权函数，如下为综合分配算法，QU为模型组合后分配量数据，Qu d为分配量(二)，Qu f为分配量(一)。
步骤S8、根据目标区域的城市路网数据和城市建筑轮廓数据、最佳交通站点分配量，计算得到最优选址位置。
本发明以慢行低碳交通站点选址为例，将地铁站点数据、公交车站点数据、共享单车停放点数据、城市交通路网数据、100米精度规格人口分布点阵数据等输入两步移动搜索模型中，同时改进了两步移动搜索算法，将考虑到空间摩擦问题的高斯衰减函数加入到两步移动搜索算法中，克服一定搜索半径内可达性均等、与实际随距离递减的规律不符的问题。第一步计算得到服务供给与潜在人口需求之比，第二步基于第一步计算并与高斯方程赋值权重相加求和，得到城市各个街道可达性分布(即，轨道公交可达性)，最终得到城市慢行交通可达性对比数据。
将可达性结果与站点用车需求数据进行对比筛选，依据可达性低的地方忽略其需求点规则，得到处理后的站点需求点，作为免疫优化算法模型的输入参数之一(参数三)；将城市区域统计数据进行指标权重处理，得到站点需求量数据，作为免疫优化算法模型的输入参数之一(参数二)；将城市慢行交通现有网点进行删除停用点处理，得到需求点数据，作为免疫优化算法模型的输入参数之一(参数一)；然后将三个参数输入MATLAB软件中，通过调整种群规模、记忆库容量、迭代次数、交叉概率、变异概率、多样性评价参数、备选网点数量等参数优化免疫优化算法输出结果，通过迭代处理并结合备选网点，得到新的站点需求量数据。
再借助投资分配模型与单一判断模型优化站点需求量数据。其中，投资分配模型处理得到站点分配量(一)，即为各网点以建设投资成本以及车辆需求量为分配目标得到的分配量；各交通站点将需求量数据结合建设费用数据，进行单一判断模型处理，最终得到站点分配量(二)，即各个网点基于服务人口的车辆分配量。将站点分配量(一)与站点分配量(二)进行模型组合处理，组合处理采用的是近似黄金分割点值0.62作为组合权重，构建线性加权函数最终得到最佳交通站点分配量，然后借助城市路网数据与城市建筑轮廓数据，通过ArcMap软件进行可视化处理得到最优选址位置。
为了对本发明实施例提供的多模型耦合的慢行交通站点选址方法进行效果验证，本申请还提供一种验证实施例。
以某市的栖霞区、鼓楼区、秦淮区以及三区周边区域为研究范围进行分析研究，以共享新能源汽车停放点为例，通过原有技术方案与耦合模型后的技术方案分别进行分析处理。
图3为本发明验证实施例提供的一种优化前区域的网点示意图，其中，方框为现有网点。图4为本发明实施例提供的图3优化后区域的网点示意，其中，圆点为优化后网点。
参阅图3，为某市夫子庙街道范围，其占地面积2.94平方千米，经济实力在秦淮区排名第九，非中心经济区域，现有网点需求量较少。而该街道内原有网点数量高达6个，与其网点需求量并不匹配。参阅图4，经过免疫优化算法后的研究区域内网点的重叠率为42.85％，其中在夫子庙街道内仅有2个重复网点，优化后的网点数量则只有2个。可得出：多模型耦合后的选址模型相较于单一模型处理后，选址结果更为科学、合理。
基于一个总的发明构思，本发明实施例还提供一种多模型耦合的慢行交通站点选址装置。
图5为本发明实施例提供的一种多模型耦合的慢行交通站点选址装置的结构示意图，参阅图5，本发明实施例提供的装置，可以包括以下结构：
预处理模块51，用于确定目标区域的设施可达范围数据；设施可达范围数据包括各出行方式直线距离对应最大范围内的公交站点数据；
两步移动搜索模块52，用于将设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比；其中，供需比为各个公交站点的服务供给与潜在需求人数的比值；
第一确定模块53，用于确定目标区域的共享单车的用车需求，根据用车需求与轨道公交可达性，确定预估需求点；
第二确定模块54，用于确定目标区域的统计数据相关指标，根据统计数据相关指标计算得到需求量；
第三确定模块55，用于确定慢行交通现有网点数据，确定现行需求点；
免疫优化模块56，用于将预估需求点、需求量和现行需求点，输入至免疫优化算法模型中，得到新需求量；
分配模块57，用于将新需求量输入组合模型中，得到最佳交通站点分配量；其中，组合模型为投资分配模型和单一判断模型的组合模型；
计算模块58，用于根据目标区域的城市路网数据和城市建筑轮廓数据、最佳交通站点分配量，计算得到最优选址位置。
可选的，预处理模块，具体用于获取轨道交通站点数据，并进行预设距离的缓冲处理；
确定慢行交通站点数据，慢行交通站点数据包括：起始点和目的点；其中，起始点为轨道交通站点数据，目标点为手机信令数据、停车场、公交站点数据；
计算最大接驳能力范围内轨道交通站点到慢行交通站点的直线距离；其中，最大接驳能力范围包括：步行距离1km，骑行距离2km和公交行驶距离5km；
确定各出行方式直线距离对应的最大接驳能力范围内的公共交通站点数据，将各出行方式直线距离对应的最大接驳能力范围内的公共交通站点数据作为设施可达范围数据。
可选的，两步移动搜索模块，具体用于确定当前已存在的各个公交站点的服务供给与潜在需求人数的比值，作为供需比；
确定能为轨道站点提供公交服务的公交站点，基于供需比和公交站点，计算得到轨道公交可达性。
可选的，第一确定模块，具体用于获取目标区域的共享单车的用车需求数据，对用车需求数据进行密度聚类，得到聚类点；将每个聚类点与现有站点进行合并，作为预选需求点；
将轨道公交可达性与预选需求点进行对比筛选，将轨道公交可达性低于预设阈值的预选需求点忽略，得到预估需求点。
可选的，第二确定模块，具体用于确定目标区域的统计数据相关指标，统计数据相关指标包括：年龄、收入、出行规模、教育水平和共享出行经历；
计算每个统计数据相关指标的权重；
计算每个统计数据相关指标的系数与对应权重的乘积，并求所有乘积的和，将所有乘积的和乘以目标区域的人口数量，得到需求群体数据；
根据需求群体数据，计算得到需求量。
可选的，第三确定模块，具体用于基于开放平台获取慢行交通现有网点数据；
根据实际路网情况以及政府城市规划政策，删除慢行交通现有网点数据中不需要的站点，得到现行需求。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于一个总的发明构思，本发明实施例还提供一种基于多模型耦合的慢行交通站点选址设备。
图6为本发明实施例提供的一种基于多模型耦合的慢行交通站点选址设备的结构示意图，参阅图6，本实施例提供的设备可以包括：处理器61和存储器62，处理器61与存储器62相连。其中，处理器61用于调用并执行存储器62中存储的程序；存储器62用于存储程序，程序至少用于执行以上实施例中的基于多模型耦合的慢行交通站点选址方法。
本申请实施例提供的基于多模型耦合的慢行交通站点选址设备的具体实施方案可以参考以上任意实施例的基于多模型耦合的慢行交通站点选址方法的实施方式，此处不再赘述。
基于一个总的发明构思，本发明实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述任一项的基于多模型耦合的慢行交通站点选址方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于多模型耦合的慢行交通站点选址方法，其特征在于，包括：
确定目标区域的设施可达范围数据；所述设施可达范围数据包括各出行方式直线距离对应最大范围内的公交站点数据；
将所述设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比；其中，所述供需比为各个公交站点的服务供给与潜在需求人数的比值；
确定所述目标区域的共享单车的用车需求，根据所述用车需求与所述轨道公交可达性，确定预估需求点；
确定所述目标区域的统计数据相关指标，根据所述统计数据相关指标计算得到需求量；
确定慢行交通现有网点数据，确定现行需求点；
将所述预估需求点、需求量和现行需求点，输入至免疫优化算法模型中，得到新需求量；
将所述新需求量输入组合模型中，得到最佳交通站点分配量；其中，所述组合模型为投资分配模型和单一判断模型的组合模型；
根据所述目标区域的城市路网数据和城市建筑轮廓数据、所述最佳交通站点分配量，计算得到最优选址位置。
2.根据权利要求1所述的方法，其特征在于，所述确定目标区域的设施可达范围数据，包括：
获取轨道交通站点数据，并进行预设距离的缓冲处理；
确定慢行交通站点数据，慢行交通站点数据包括：起始点和目的点；其中，所述起始点为轨道交通站点数据，所述目标点为手机信令数据、停车场、公交站点数据；
计算最大接驳能力范围内轨道交通站点到慢行交通站点的直线距离；其中，所述最大接驳能力范围包括：步行距离1km，骑行距离2km和公交行驶距离5km；
确定各出行方式直线距离对应的最大接驳能力范围内的公共交通站点数据，将所述各出行方式直线距离对应的最大接驳能力范围内的公共交通站点数据作为所述设施可达范围数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比，包括：
确定当前已存在的各个公交站点的服务供给与潜在需求人数的比值，作为供需比；
确定能为轨道站点提供公交服务的公交站点，基于所述供需比和所述公交站点，计算得到轨道公交可达性。
4.根据权利要求1所述的方法，其特征在于，所述确定所述目标区域的共享单车的用车需求，根据所述用车需求与所述轨道公交可达性，确定预估需求点，包括：
获取所述目标区域的共享单车的用车需求数据，对所述用车需求数据进行密度聚类，得到聚类点；将每个聚类点与现有站点进行合并，作为预选需求点；
将所述轨道公交可达性与预选需求点进行对比筛选，将轨道公交可达性低于预设阈值的预选需求点忽略，得到预估需求点。
5.根据权利要求1所述的方法，其特征在于，所述确定所述目标区域的统计数据相关指标，根据所述统计数据相关指标计算得到需求量，包括：
确定所述目标区域的统计数据相关指标，所述统计数据相关指标包括：年龄、收入、出行规模、教育水平和共享出行经历；
计算每个统计数据相关指标的权重；
计算每个统计数据相关指标的系数与对应权重的乘积，并求所有乘积的和，将所有乘积的和乘以所述目标区域的人口数量，得到需求群体数据；
根据所述需求群体数据，计算得到所述需求量。
6.根据权利要求1所述的方法，其特征在于，所述确定慢行交通现有网点数据，确定现行需求点，包括：
基于开放平台获取所述慢行交通现有网点数据；
根据实际路网情况以及政府城市规划政策，删除所述慢行交通现有网点数据中不需要的站点，得到现行需求点。
7.根据权利要求1所述的方法，其特征在于，所述组合模型为以0.62和0.38分别作为投资分配模型权重和单一判断模型权重，作为组合权重，构建的组合模型。
8.一种基于多模型耦合的慢行交通站点选址装置，其特征在于，包括：
预处理模块，用于确定目标区域的设施可达范围数据；所述设施可达范围数据包括各出行方式直线距离对应最大范围内的公交站点数据；
两步移动搜索模块，用于将所述设施可达范围数据，输入至两步移动搜索模型中，得到轨道公交可达性和供需比；其中，所述供需比为各个公交站点的服务供给与潜在需求人数的比值；
第一确定模块，用于确定所述目标区域的共享单车的用车需求，根据所述用车需求与所述轨道公交可达性，确定预估需求点；
第二确定模块，用于确定所述目标区域的统计数据相关指标，根据所述统计数据相关指标计算得到需求量；
第三确定模块，用于确定慢行交通现有网点数据，确定现行需求点；
免疫优化模块，用于将所述预估需求点、需求量和现行需求点，输入至免疫优化算法模型中，得到新需求量；
分配模块，用于将所述新需求量输入组合模型中，得到最佳交通站点分配量；其中，所述组合模型为投资分配模型和单一判断模型的组合模型；
计算模块，用于根据所述目标区域的城市路网数据和城市建筑轮廓数据、所述最佳交通站点分配量，计算得到最优选址位置。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的基于多模型耦合的慢行交通站点选址方法。
10.一种基于多模型耦合的慢行交通站点选址设备，其特征在于，包括处理器和存储器，所述处理器与存储器相连：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储所述程序，所述程序至少用于执行权利要求1-7任一项所述的基于多模型耦合的慢行交通站点选址方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470920.0A CN116187495A (zh) | 2022-11-23 | 2022-11-23 | 基于多模型耦合的慢行交通站点选址方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470920.0A CN116187495A (zh) | 2022-11-23 | 2022-11-23 | 基于多模型耦合的慢行交通站点选址方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116187495A true CN116187495A (zh) | 2023-05-30 |
Family
ID=86446868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211470920.0A Pending CN116187495A (zh) | 2022-11-23 | 2022-11-23 | 基于多模型耦合的慢行交通站点选址方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187495A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634788A (zh) * | 2023-11-22 | 2024-03-01 | 艾迪普科技股份有限公司 | 一种数字城市的电气资源和交通监测管理方法、系统和介质 |
-
2022
- 2022-11-23 CN CN202211470920.0A patent/CN116187495A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634788A (zh) * | 2023-11-22 | 2024-03-01 | 艾迪普科技股份有限公司 | 一种数字城市的电气资源和交通监测管理方法、系统和介质 |
| CN117634788B (zh) * | 2023-11-22 | 2024-05-17 | 艾迪普科技股份有限公司 | 一种数字城市的电气资源和交通监测管理方法、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | MULTIMOORA based MCDM model for site selection of car sharing station under picture fuzzy environment | |
| Park et al. | The impacts of built environment characteristics of rail station areas on household travel behavior | |
| Zhang et al. | Incorporating polycentric development and neighborhood life-circle planning for reducing driving in Beijing: Nonlinear and threshold analysis | |
| Fierek et al. | Planning of an integrated urban transportation system based on macro–simulation and MCDM/A methods | |
| Akbari et al. | Empirical models of transit demand with walk access/egress for planning transit oriented developments around commuter rail stations in the Greater Toronto and Hamilton Area | |
| Kumar et al. | Developing context sensitive planning criteria for transit oriented development (TOD): A fuzzy-group decision approach | |
| Zhang | Can transit-oriented development reduce peak-hour congestion? | |
| Jordán et al. | Using genetic algorithms to optimize the location of electric vehicle charging stations | |
| Cornet et al. | Giving current and future generations a real voice: a practical method for constructing sustainability viewpoints in transport appraisal | |
| CN116187495A (zh) | 基于多模型耦合的慢行交通站点选址方法、装置和设备 | |
| Ma et al. | Public transit network planning in small cites considering safety and convenience | |
| Young et al. | Mapping the demand and potential for cycling in Toronto | |
| Li et al. | A probability distribution prediction method for expressway traffic noise | |
| Bai et al. | Examining influencing factors of bicycle usage for dock-based public bicycle sharing system: A case study of Xi'an, China | |
| Ma et al. | An interpretable analytic framework of the relationship between carsharing station development patterns and built environment for sustainable urban transportation | |
| Wu et al. | Visiting probability model: a new method for tourist volume forecasting | |
| Huo et al. | Using fuzzy clustering of user perception to determine the number of level-of-service categories for bus rapid transit | |
| Parezanović et al. | Evaluation of sustainable mobility measures using fuzzy COPRAS method | |
| Xiao et al. | School travel inequity between students from public and private schools in the city of Shenzhen, China | |
| Ma et al. | Joint analysis of the commuting departure time and travel mode choice: role of the built environment | |
| Yu et al. | Optimization of urban bus operation frequency under common route condition with rail transit | |
| CN102663562A (zh) | 一种基于克隆选择算法的土地资源评价因子级别划分方法 | |
| Liang et al. | Optimizing bus stop spacing using the simulated annealing algorithm with spatial interaction coverage model | |
| Dash et al. | A piecewise linear multinomial logit model of private vehicle ownership behaviour of Indian households | |
| Musolino et al. | Freight distribution in urban area: estimating the impact of commercial vehicles on traffic congestion |
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 |