CN116401896A - 城际客运的在线调度匹配方法、装置、设备和存储介质 - Google Patents

城际客运的在线调度匹配方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116401896A
CN116401896A CN202310551391.5A CN202310551391A CN116401896A CN 116401896 A CN116401896 A CN 116401896A CN 202310551391 A CN202310551391 A CN 202310551391A CN 116401896 A CN116401896 A CN 116401896A
Authority
CN
China
Prior art keywords
vehicle
city
order
journey
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
Application number
CN202310551391.5A
Other languages
English (en)
Inventor
王成
戴泽众
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202310551391.5A priority Critical patent/CN116401896A/zh
Publication of CN116401896A publication Critical patent/CN116401896A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供城际客运的在线调度匹配方法、装置、设备和存储介质，涉及城际客运规划技术领域。在线调度匹配方法包括S1构建混合整数规划模型。S2获取道路网络信息、拼车订单信息和车辆信息。S3初始化算法的初始参数。S4根据道路网络信息、拼车订单信息、车辆信息和混合整数规划模型，选择插入算子为订单匹配车辆行程，获取当前解。S5根据初始参数，按照自适应权重选择移除算子对当前解进行移除操作，然后选择插入算子进行插入操作，获得新解。S6根据混合整数规划模型的目标，判断新解是否优于当前解。若新解较优则接受。否则以模拟退火概率接受。S8判断是否达到最大迭代次数。若达到最大迭代次数则停止迭代，并调度匹配规划。否则继续迭代。

Description

城际客运的在线调度匹配方法、装置、设备和存储介质
技术领域
本发明涉及城际客运规划技术领域，具体而言，涉及一种城际客运的在线调度匹配方法、装置、设备和存储介质。
背景技术
随着绿色出行的理念越来越深入人心，客运车辆的拼车模式被人们所接受。拼车不仅能缓解道路交通的出行压力，有效利用客运车辆的运力，还能让乘客的出行费用降低，从而达到共赢局面。目前，城际客运拼车正在逐渐兴起，它通过网约车辆对每一位拼车乘客进行门对门服务，缓解了坐短途高铁的不便和打的城际出行的费用贵的问题。
针对城际客运单侧动态拼车在线实时优化问题，属于多阶段动态实时优化下的大规模复杂VRP问题。其具有以下特点：一部分订单信息是提前预定的，一部分订单信息是在线实时出现的，且一天内订单数量的规模大；上下车点分别分布在不同城市，分布区域广；行程距离较远、时间较长、路线属于开放式，车辆拼车路径的绕路程度有约束；车辆无固定的集散中心，每辆车均有各自的配送中心。
目前，业界现有的动态拼车调度算法都集中在城内拼车，而城际拼车暂未有较好的解决方案。
有鉴于此，申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种城际客运的在线调度匹配方法、装置、设备和存储介质，以改善上述技术问题中的至少一个。
第一方面、
本发明实施例提供了一种城际客运的在线调度匹配方法，其包含步骤S1至步骤S6，以及步骤S8。
S1、基于道路网络信息、乘客出行订单和城际车辆行程，构建混合整数规划模型。其中，混合整数规划模型的目标为最大化总利润，混合整数规划模型的约束包括硬时间窗、线路路线、时长和绕路系数。
S2、获取当前时刻的道路网络信息、乘客城际拼车订单信息和网约车辆信息。
S3、初始化自适应大规模邻域搜索算法的初始参数。其中，初始参数包括迭代次数、最大迭代次数、初始温度和温度变化率。
S4、根据当前时刻的道路网络信息、乘客城际拼车订单信息、网约车辆信息和混合整数规划模型，按照自适应权重选择插入算子为订单匹配车辆行程，获取车辆行程路径作为当前解。
S5、根据初始参数，按照自适应权重选择移除算子对当前解进行移除操作，然后选择插入算子进行插入操作，获得新解。
S6、根据混合整数规划模型的目标，判断新解是否优于当前解。若新解优于当前解，则接受新解。否则，以模拟退火概率接受新解。
S8、判断迭代次数是否达到最大迭代次数。若迭代次数达到最大迭代次数，则停止迭代，并输出当前迭代次数的调度匹配规划。否则，以当前迭代次数的新解作为当前解继续迭代。
第二方面、
本发明实施例提供了一种城际客运的在线调度匹配装置，其包含：
模型构建模块，用于基于道路网络信息、乘客出行订单和城际车辆行程，构建混合整数规划模型。其中，混合整数规划模型的目标为最大化总利润，混合整数规划模型的约束包括硬时间窗、线路路线、时长和绕路系数。
信息获取模块，用于获取当前时刻的道路网络信息、乘客城际拼车订单信息和网约车辆信息。
初始化模块，用于初始化自适应大规模邻域搜索算法的初始参数。其中，初始参数包括迭代次数、最大迭代次数、初始温度和温度变化率。
当前解获取模块，用于根据当前时刻的道路网络信息、乘客城际拼车订单信息、网约车辆信息和混合整数规划模型，按照自适应权重选择插入算子为订单匹配车辆行程，获取车辆行程路径作为当前解。
新解获取模块，用于根据初始参数，按照自适应权重选择移除算子对当前解进行移除操作，然后选择插入算子进行插入操作，获得新解。
新解接受模块，用于根据混合整数规划模型的目标，判断新解是否优于当前解。若新解优于当前解，则接受新解。否则，以模拟退火概率接受新解。
迭代模块，用于判断迭代次数是否达到最大迭代次数。若迭代次数达到最大迭代次数，则停止迭代，并输出当前迭代次数的调度匹配规划。否则，以当前迭代次数的新解作为当前解继续迭代。
第三方面、
本发明实施例提供了一种城际客运的在线调度匹配设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段所说的城际客运的在线调度匹配方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段所说的城际客运的在线调度匹配方法。
通过采用上述技术方案，本发明可以取得以下技术效果：
本发明实施例的在线调度匹配方法针对带有硬时间窗、跨城、多配送中心和开放式的单侧大规模动态拼车问题，建立了混合整数规划模型，采用的自适应大邻域搜索算法进行求解，不仅速度快、而且精度更高，能够取得更高的利润。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是在线调度匹配方法的流程示意图。
图2是步骤S6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，都属于本发明保护的范围。
实施例一、
请参阅图1和图2，本发明第一实施例提供一种城际客运的在线调度匹配方法，其可由城际客运的在线调度匹配设备来执行（以下简称：在线调度匹配设备）。特别地，由在线调度匹配设备中的一个或多个处理器来执行，以实现步骤S1至步骤S6，以及步骤S8。
S1、基于道路网络信息、乘客出行订单和城际车辆行程，构建混合整数规划模型。其中，混合整数规划模型的目标为最大化总利润，混合整数规划模型的约束包括硬时间窗、线路路线、时长和绕路系数。
可以理解的是，所述在线调度匹配设备可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。
具体的，构建一个以最大化总利润为目标，考虑了硬时间窗、线路路线、时长和绕路等约束，并且决策车辆路径、线路时间点和司乘匹配的混合整数规划模型。
在上述实施例的基础上，本发明的一个可选地实施例中，混合整数规划模型包括目标函数和约束条件。
目标函数为：
Figure SMS_1
约束条件为：
Figure SMS_2
Figure SMS_3
其中，式(1)为该模型的目标函数，表示最大化平台总利润；式(2)~式(11)为该模型的约束条件。
式(2)确保订单的被平台决策时间不超过最晚容忍出行时间。
式(3)确保乘客只能在最早容忍出行时间和最晚容忍出行时间之间上车。
式(4)确保每位乘客订单最多只能被一个行程的一辆车服务。
式(5)确保乘客在对应的上车点被接上车，并且在对应的下车点被送下车。
式(6)确保行程的车辆载客数量不能超过最大载客量。
式(7)确保车辆在任意点的离开时间大于等于该点到达时间。
式(8)确保已服务的乘客上下车点被成对加入对应行程的车辆路径中。
式(9)确保网约车按行程的车辆路径顺序提供服务，即先访问上车点再访问下车点，上车点在起始城市出入口点前，下车点在终点城市出入口点后。
式(10)确保行程的车辆路径中，首位乘客上车点到始发城市出入口点之间的时间和终点城市出入口点到最后一位乘客下车点之间的时间不超过最大限制时间。
式(11)确保行程的车辆路径中，上下车绕行系数不能大于对应城市的最大限制绕行系数。
在上述实施例的基础上，本发明的一个可选地实施例中，定义每个行程的车辆路径可表示为：
Figure SMS_4
优选的，每个行程的车辆路径中的任一行程
Figure SMS_11
，其上车绕行系数/>
Figure SMS_7
的计算模型为：
Figure SMS_17
。式中，/>
Figure SMS_8
为行程/>
Figure SMS_10
的订单数、/>
Figure SMS_13
为上车点的编号、/>
Figure SMS_16
为两个点之间的距离、/>
Figure SMS_12
为行程/>
Figure SMS_15
中车辆经过的第/>
Figure SMS_6
个上车点、/>
Figure SMS_9
为行程/>
Figure SMS_14
中车辆经过的第
Figure SMS_20
个上车点、/>
Figure SMS_18
为行程/>
Figure SMS_19
中车辆经过的第1个上车点、/>
Figure SMS_5
为城市A的城际出入口点编号。
优选的，每个行程的车辆路径中的任一行程
Figure SMS_21
，其下车绕行系数/>
Figure SMS_22
的计算模型为：
Figure SMS_23
式中，
Figure SMS_24
为行程/>
Figure SMS_30
的订单数、/>
Figure SMS_33
为上车点的编号、/>
Figure SMS_26
为两个点之间的距离、/>
Figure SMS_29
为行程/>
Figure SMS_32
中车辆经过的第/>
Figure SMS_35
个下车点、/>
Figure SMS_25
为行程/>
Figure SMS_28
中车辆经过的第/>
Figure SMS_34
个下车点、/>
Figure SMS_36
为城市B的城际出入口点编号、/>
Figure SMS_27
为行程/>
Figure SMS_31
中车辆经过的第1个下车点。
具体的，令城际客运的两个城市分别命名为城市A和城市B，以下描述以城市A到城市B为例。
定义一个有向图
Figure SMS_37
，/>
Figure SMS_38
表示两城道路网路上所有点的编号集合，/>
Figure SMS_39
表示点与点的边集。
设乘客拼车订单编号集合
Figure SMS_40
，/>
Figure SMS_41
代表乘客拼车订单数，车辆编号集合/>
Figure SMS_42
，/>
Figure SMS_43
代表车辆数。
平台调度决策的时刻编号集合记为
Figure SMS_44
。其中，/>
Figure SMS_45
表示初始收集乘客拼车订单的时刻，/>
Figure SMS_46
表示第/>
Figure SMS_47
个调度决策时刻，/>
Figure SMS_48
表示决策时刻个数，任意
Figure SMS_49
的间隔时间相等。
平台将在任一
Figure SMS_50
时刻根据当前时刻的车辆情况调度决策/>
Figure SMS_51
中产生的乘客拼车新订单和/>
Figure SMS_52
中未匹配成功且未拒单的乘客拼车旧订单。
定义1：行程。指车辆从城市A到城市B的一次单边载客。每一辆车对应一个行程，每个行程只能被由一辆车服务。
行程的编号集合设为
Figure SMS_53
，/>
Figure SMS_54
代表行程总数。
定义2：绕行系数。指在行程中车辆路径的绕路倍数。绕行系数分为上车绕行系数和下车绕行系数。上车绕行系数表示为首位乘客上车点到城市A出入口点的实际车辆行驶里程与首位乘客上车点到城市A出入口点的最近道路里程之比。下车绕行系数表示为城市B出入口点到末尾乘客下车点的实际车辆行驶里程与城市B出入口点到末尾乘客下车点的最近道路里程之比。
混合整数规划模型中所用到的参数的含义如下表所示
表1 变量定义
Figure SMS_55
Figure SMS_56
S2、获取当前时刻的道路网络信息、乘客城际拼车订单信息和网约车辆信息。
具体的，道路网络信息包括城市内任意两经纬度点的线路、距离及预估时间。乘客城际拼车订单信息包括下单时间、预约上车时间、上车点信息、下车点信息、同行人数及价格等。网约车辆信息包括车辆信息和GPS信息等。
在本实施例中，网约车辆是指在城中非满载的可载客车辆。
S3、初始化自适应大规模邻域搜索算法的初始参数。其中，初始参数包括迭代次数、最大迭代次数、初始温度和温度变化率。
S4、根据当前时刻的道路网络信息、乘客城际拼车订单信息、网约车辆信息和混合整数规划模型，按照自适应权重选择插入算子为订单匹配车辆行程，获取车辆行程路径作为当前解。
S5、根据初始参数，按照自适应权重选择移除算子对当前解进行移除操作，然后选择插入算子进行插入操作，获得新解。
在上述实施例的基础上，本发明的一个可选地实施例中，移除算子设计了三种，分别为随机移除、最坏移除和相似移除。随机移除为：随机移除若干个在车辆行程路径中的拼车订单。最坏移除为：移除在车辆行程路径中插入成本最高的拼车订单。相似移除为：先进行随机移除一个订单，再移除与该订单最相似的订单。
优选的，订单的相似程度为订单上车点之间、下车点之间和出发时间之间的接近值。具体的，订单
Figure SMS_57
与/>
Figure SMS_58
的相似程度定义为：
Figure SMS_59
式中，
Figure SMS_70
相似度权重，/>
Figure SMS_61
表示订单/>
Figure SMS_64
的上车点/>
Figure SMS_74
到订单/>
Figure SMS_78
的上车点/>
Figure SMS_79
的归一化距离，/>
Figure SMS_81
表示订单/>
Figure SMS_69
的下车点/>
Figure SMS_72
到订单/>
Figure SMS_62
的下车点/>
Figure SMS_65
的归一化距离，
Figure SMS_75
表示对应行程/>
Figure SMS_77
到达/>
Figure SMS_80
点的归一化时间，/>
Figure SMS_82
表示对应行程/>
Figure SMS_63
到达/>
Figure SMS_66
点的归一化时间，/>
Figure SMS_68
表示对应行程/>
Figure SMS_73
到达/>
Figure SMS_60
点的归一化时间，/>
Figure SMS_67
表示对应行程/>
Figure SMS_71
到达/>
Figure SMS_76
点的归一化时间。
优选的，距离和时间的量纲采用归一化方法进行统一。距离和时间的归一化模型为：
Figure SMS_83
式中，/>
Figure SMS_84
为样本数据，/>
Figure SMS_85
为样本最小值，/>
Figure SMS_86
为样本最大值。
在上述实施例的基础上，本发明的一个可选地实施例中，插入算子设计了四种，分别为随机插入、最近插入、最佳成本插入和最大满载率插入。随机插入为：将拼车订单随机插入至满足约束条件的车辆行程中。最近插入为：将拼车订单插入距离该订单上车点距离最近的车辆的行程中。最佳成本插入为：将拼车订单插入最低插入里程成本的车辆行程中。最大满载率插入为：将拼车订单插入最大满载率的车辆行程中。
S6、根据混合整数规划模型的目标，判断新解是否优于当前解。若新解优于当前解，则接受新解。否则，以模拟退火概率接受新解。
具体的，设
Figure SMS_87
为当前解/>
Figure SMS_88
经过算子移除和插入后得到的新解，经过评价函数计算后，利润分别为/>
Figure SMS_89
和/>
Figure SMS_90
。
令初始温度为
Figure SMS_91
，温度变化率为/>
Figure SMS_92
，退火的温度/>
Figure SMS_93
每次迭代的更新公式如下：
Figure SMS_94
模拟退火概率
Figure SMS_95
的计算公式如下：
Figure SMS_96
在上述实施例的基础上，本发明的一个可选地实施例中，在步骤S8前，还包括步骤S7。S7、更新算子的权重和模拟退火的温度，并将迭代次数加一。
算子权重的更新规则为：初始时，所有移除算子之间和插入算子之间各具有相同的权重与0分值。每迭代100次后，根据算子的得分更新算子的权重。
算子的得分计算规则为：移除/插入后得到比当前解更好的新解，增加2分。移除/插入后虽得到比当前解更差的新界，但新解在模拟退火准则下接受，增加1分。除了以上两种情况外，得分不变。
算子权重的自适应更新模型为：
Figure SMS_97
式中：
Figure SMS_98
为算子权重、/>
Figure SMS_99
为算子的使用次数、/>
Figure SMS_100
为权重更新系数、/>
Figure SMS_101
为算子分数。
退火的温度的更新模型为：
Figure SMS_102
式中，/>
Figure SMS_103
为更新后的温度、/>
Figure SMS_104
为温度变化率、/>
Figure SMS_105
为初始温度。
S8、判断迭代次数是否达到最大迭代次数。若迭代次数达到最大迭代次数，则停止迭代，并输出当前迭代次数的调度匹配规划。否则，以当前迭代次数的新解作为当前解继续迭代。
本发明实施例的在线调度匹配方法通过实时获得乘客城际拼车订单信息、网约车辆信息和道路网络信息，然后对乘客和车辆进行单侧的多阶段在线调度匹配，使其在满足设定的一系列出行约束的情况下，达到平台利润最大化。针对带有硬时间窗、跨城、多配送中心和开放式的单侧大规模动态拼车问题，建立了混合整数规划模型，采用的自适应大邻域搜索算法进行求解，不仅速度快、而且精度更高，能够取得更高的利润。
实施例二、
本发明实施例提供了一种城际客运的在线调度匹配装置，其包含：
模型构建模块，用于基于道路网络信息、乘客出行订单和城际车辆行程，构建混合整数规划模型。其中，混合整数规划模型的目标为最大化总利润，混合整数规划模型的约束包括硬时间窗、线路路线、时长和绕路系数。
信息获取模块，用于获取当前时刻的道路网络信息、乘客城际拼车订单信息和网约车辆信息。
初始化模块，用于初始化自适应大规模邻域搜索算法的初始参数。其中，初始参数包括迭代次数、最大迭代次数、初始温度和温度变化率。
当前解获取模块，用于根据当前时刻的道路网络信息、乘客城际拼车订单信息、网约车辆信息和混合整数规划模型，按照自适应权重选择插入算子为订单匹配车辆行程，获取车辆行程路径作为当前解。
新解获取模块，用于根据初始参数，按照自适应权重选择移除算子对当前解进行移除操作，然后选择插入算子进行插入操作，获得新解。
新解接受模块，用于根据混合整数规划模型的目标，判断新解是否优于当前解。若新解优于当前解，则接受新解。否则，以模拟退火概率接受新解。
迭代模块，用于判断迭代次数是否达到最大迭代次数。若迭代次数达到最大迭代次数，则停止迭代，并输出当前迭代次数的调度匹配规划。否则，以当前迭代次数的新解作为当前解继续迭代。
在上述实施例的基础上，本发明的一个可选地实施例中，在迭代模块之前，还包括更新模块。
更新模块用于更新算子的权重和模拟退火的温度，并将迭代次数加一。
实施例三、
本发明实施例提供了一种城际客运的在线调度匹配设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如实施例一任意一段所说的城际客运的在线调度匹配方法。
实施例四、
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如实施例一任意一段所说的城际客运的在线调度匹配方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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，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计算机设备（可以是个人计算机，电子设备，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种城际客运的在线调度匹配方法，其特征在于，包含：
基于道路网络信息、乘客出行订单和城际车辆行程，构建混合整数规划模型；其中，所述混合整数规划模型的目标为最大化总利润，所述混合整数规划模型的约束包括硬时间窗、线路路线、时长和绕路系数；
获取当前时刻的道路网络信息、乘客城际拼车订单信息和网约车辆信息；
初始化自适应大规模邻域搜索算法的初始参数；其中，所述初始参数包括迭代次数、最大迭代次数、初始温度和温度变化率；
根据所述当前时刻的道路网络信息、乘客城际拼车订单信息、网约车辆信息和所述混合整数规划模型，按照自适应权重选择插入算子为订单匹配车辆行程，获取车辆行程路径作为当前解；
根据所述初始参数，按照自适应权重选择移除算子对所述当前解进行移除操作，然后选择插入算子进行插入操作，获得新解；
根据所述混合整数规划模型的目标，判断所述新解是否优于所述当前解；若所述新解优于所述当前解，则接受所述新解；否则，以模拟退火概率接受所述新解；
判断迭代次数是否达到最大迭代次数；若迭代次数达到最大迭代次数，则停止迭代，并输出当前迭代次数的调度匹配规划；否则，以当前迭代次数的新解作为当前解继续迭代。
2.根据权利要求1所述的城际客运的在线调度匹配方法，其特征在于，所述混合整数规划模型包括目标函数和约束条件；
所述目标函数为：
Figure QLYQS_1
所述约束条件为：
Figure QLYQS_34
式中，/>
Figure QLYQS_36
为/>
Figure QLYQS_39
两点间的最近道路距离、/>
Figure QLYQS_42
为/>
Figure QLYQS_46
两点之间的行驶时间、/>
Figure QLYQS_49
为城市A的城际出入口点编号、/>
Figure QLYQS_52
为城市B的城际出入口点编号、/>
Figure QLYQS_3
为订单/>
Figure QLYQS_7
的下单时刻、/>
Figure QLYQS_11
为订单/>
Figure QLYQS_18
的预约上车时刻、/>
Figure QLYQS_22
为订单/>
Figure QLYQS_25
的上车点、/>
Figure QLYQS_28
为订单/>
Figure QLYQS_32
的下车点、/>
Figure QLYQS_5
为订单/>
Figure QLYQS_6
的同行人数、/>
Figure QLYQS_10
为订单/>
Figure QLYQS_14
的价格、/>
Figure QLYQS_16
为车辆/>
Figure QLYQS_20
的实时位置点、/>
Figure QLYQS_27
为车辆最大载客量、/>
Figure QLYQS_37
为平台决策时间间隔、/>
Figure QLYQS_40
为服务行程/>
Figure QLYQS_43
的车辆、/>
Figure QLYQS_47
为行程/>
Figure QLYQS_50
的订单数、/>
Figure QLYQS_53
为行程/>
Figure QLYQS_56
的开始可用时刻、/>
Figure QLYQS_58
为行程/>
Figure QLYQS_61
的起点出发时刻、/>
Figure QLYQS_31
为行程/>
Figure QLYQS_44
的终点到达时刻、/>
Figure QLYQS_48
为行程/>
Figure QLYQS_51
的车辆路径、/>
Figure QLYQS_54
为行程/>
Figure QLYQS_59
的上车绕行系数、/>
Figure QLYQS_60
为行程/>
Figure QLYQS_63
的下车绕行系数、/>
Figure QLYQS_2
为乘客最早上车时间约束、/>
Figure QLYQS_8
为乘客最晚上车时间约束、/>
Figure QLYQS_13
为首位乘客上车点到城市A出口点之间的最大限制时间、/>
Figure QLYQS_15
为城市B入口点到末位乘客下车点之间的最大限制时间、/>
Figure QLYQS_19
为城市/>
Figure QLYQS_23
的上车最大限制绕行系数、/>
Figure QLYQS_26
为城市/>
Figure QLYQS_29
的下车最大限制绕行系数、/>
Figure QLYQS_4
为每公里距离成本、/>
Figure QLYQS_9
为决策变量、/>
Figure QLYQS_12
为决策变量、/>
Figure QLYQS_17
为非负整数决策变量，行程/>
Figure QLYQS_21
中车辆经过的第/>
Figure QLYQS_24
个上车点、/>
Figure QLYQS_30
为非负整数决策变量，行程/>
Figure QLYQS_33
中车辆经过的第/>
Figure QLYQS_35
个下车点、/>
Figure QLYQS_38
为非负实数决策变量，行程/>
Figure QLYQS_41
中车辆到达/>
Figure QLYQS_45
点的时刻、/>
Figure QLYQS_55
为非负实数决策变量，行程/>
Figure QLYQS_57
中车辆离开/>
Figure QLYQS_62
点的时刻。
3.根据权利要求2所述的城际客运的在线调度匹配方法，其特征在于，
所述上车绕行系数
Figure QLYQS_65
的计算模型为：/>
Figure QLYQS_69
式中，/>
Figure QLYQS_75
为行程
Figure QLYQS_67
的订单数、/>
Figure QLYQS_68
为上车点的编号、/>
Figure QLYQS_70
为两个点之间的距离、/>
Figure QLYQS_73
为行程/>
Figure QLYQS_64
中车辆经过的第/>
Figure QLYQS_71
个上车点、/>
Figure QLYQS_76
为行程/>
Figure QLYQS_78
中车辆经过的第/>
Figure QLYQS_66
个上车点、/>
Figure QLYQS_72
为行程/>
Figure QLYQS_74
中车辆经过的第1个上车点、/>
Figure QLYQS_77
为城市A的城际出入口点编号；
所述下车绕行系数
Figure QLYQS_80
的计算模型为：/>
Figure QLYQS_83
式中，/>
Figure QLYQS_88
为行程
Figure QLYQS_82
的订单数、/>
Figure QLYQS_86
为上车点的编号、/>
Figure QLYQS_91
为两个点之间的距离、/>
Figure QLYQS_93
为行程/>
Figure QLYQS_79
中车辆经过的第/>
Figure QLYQS_84
个下车点、/>
Figure QLYQS_87
为行程/>
Figure QLYQS_90
中车辆经过的第/>
Figure QLYQS_81
个下车点、/>
Figure QLYQS_85
为城市B的城际出入口点编号、
Figure QLYQS_89
为行程/>
Figure QLYQS_92
中车辆经过的第1个下车点。
4.根据权利要求1至3任意一项所述的城际客运的在线调度匹配方法，其特征在于，所述移除算子包括随机移除、最坏移除和相似移除；
所述随机移除为：随机移除若干个在车辆行程路径中的拼车订单；
所述最坏移除为：移除在车辆行程路径中插入成本最高的拼车订单；
所述相似移除为：先进行随机移除一个订单，再移除与该订单最相似的订单。
5.根据权利要求4所述的城际客运的在线调度匹配方法，其特征在于，订单的相似程度为订单上车点之间、下车点之间和出发时间之间的接近值；其中，距离和时间的量纲采用归一化方法进行统一；距离和时间的归一化模型为：
Figure QLYQS_94
式中，/>
Figure QLYQS_95
为样本数据，
Figure QLYQS_96
为样本最小值，/>
Figure QLYQS_97
为样本最大值。
6.根据权利要求1至3任意一项所述的城际客运的在线调度匹配方法，其特征在于，所述插入算子包括随机插入、最近插入、最佳成本插入和最大满载率插入；
所述随机插入为：将拼车订单随机插入至满足约束条件的车辆行程中；
所述最近插入为：将拼车订单插入距离该订单上车点距离最近的车辆的行程中；
所述最佳成本插入为：将拼车订单插入最低插入里程成本的车辆行程中；
所述最大满载率插入为：将拼车订单插入最大满载率的车辆行程中。
7.根据权利要求1至3任意一项所述的城际客运的在线调度匹配方法，其特征在于，在判断迭代次数是否达到最大迭代次数之前，还包括：
更新算子的权重和模拟退火的温度，并将迭代次数加一；
算子权重的更新规则为：初始时，所有移除算子之间和插入算子之间各具有相同的权重与0分值；每迭代100次后，根据算子的得分更新算子的权重；
算子的得分计算规则为：移除/插入后得到比当前解更好的新解，增加2分；移除/插入后虽得到比当前解更差的新界，但新解在模拟退火准则下接受，增加1分；除了以上两种情况外，得分不变；
算子权重的自适应更新模型为：
Figure QLYQS_98
式中：/>
Figure QLYQS_99
为算子权重、/>
Figure QLYQS_100
为算子的使用次数、/>
Figure QLYQS_101
为权重更新系数、/>
Figure QLYQS_102
为算子分数；
退火的温度的更新模型为：
Figure QLYQS_103
式中，/>
Figure QLYQS_104
为更新后的温度、/>
Figure QLYQS_105
为温度变化率、/>
Figure QLYQS_106
为初始温度；
模拟退火概率
Figure QLYQS_107
的计算模型为：
Figure QLYQS_108
式中，/>
Figure QLYQS_109
为当前解的利润、/>
Figure QLYQS_110
为新解的利润。
8.一种城际客运的在线调度匹配装置，其特征在于，包含：
模型构建模块，用于基于道路网络信息、乘客出行订单和城际车辆行程，构建混合整数规划模型；其中，所述混合整数规划模型的目标为最大化总利润，所述混合整数规划模型的约束包括硬时间窗、线路路线、时长和绕路系数；
信息获取模块，用于获取当前时刻的道路网络信息、乘客城际拼车订单信息和网约车辆信息；
初始化模块，用于初始化自适应大规模邻域搜索算法的初始参数；其中，所述初始参数包括迭代次数、最大迭代次数、初始温度和温度变化率；
当前解获取模块，用于根据所述当前时刻的道路网络信息、乘客城际拼车订单信息、网约车辆信息和所述混合整数规划模型，按照自适应权重选择插入算子为订单匹配车辆行程，获取车辆行程路径作为当前解；
新解获取模块，用于根据所述初始参数，按照自适应权重选择移除算子对所述当前解进行移除操作，然后选择插入算子进行插入操作，获得新解；
新解接受模块，用于根据所述混合整数规划模型的目标，判断所述新解是否优于所述当前解；若所述新解优于所述当前解，则接受所述新解；否则，以模拟退火概率接受所述新解；
迭代模块，用于判断迭代次数是否达到最大迭代次数；若迭代次数达到最大迭代次数，则停止迭代，并输出当前迭代次数的调度匹配规划；否则，以当前迭代次数的新解作为当前解继续迭代。
9.一种城际客运的在线调度匹配设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至7任意一项所述的城际客运的在线调度匹配方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任意一项所述的城际客运的在线调度匹配方法。
CN202310551391.5A 2023-05-17 2023-05-17 城际客运的在线调度匹配方法、装置、设备和存储介质 Pending CN116401896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310551391.5A CN116401896A (zh) 2023-05-17 2023-05-17 城际客运的在线调度匹配方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310551391.5A CN116401896A (zh) 2023-05-17 2023-05-17 城际客运的在线调度匹配方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116401896A true CN116401896A (zh) 2023-07-07

Family

ID=87018159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310551391.5A Pending CN116401896A (zh) 2023-05-17 2023-05-17 城际客运的在线调度匹配方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116401896A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557077A (zh) * 2024-01-12 2024-02-13 宁波安得智联科技有限公司 运力分配方法、运力分配设备以及存储介质
CN117556967A (zh) * 2024-01-11 2024-02-13 宁波安得智联科技有限公司 调度方法、装置、设备及存储介质
CN118551900A (zh) * 2024-07-24 2024-08-27 华侨大学 基于两阶段调度的城际动态拼车调度优化方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556967A (zh) * 2024-01-11 2024-02-13 宁波安得智联科技有限公司 调度方法、装置、设备及存储介质
CN117556967B (zh) * 2024-01-11 2024-05-03 宁波安得智联科技有限公司 调度方法、装置、设备及存储介质
CN117557077A (zh) * 2024-01-12 2024-02-13 宁波安得智联科技有限公司 运力分配方法、运力分配设备以及存储介质
CN117557077B (zh) * 2024-01-12 2024-04-26 宁波安得智联科技有限公司 运力分配方法、运力分配设备以及存储介质
CN118551900A (zh) * 2024-07-24 2024-08-27 华侨大学 基于两阶段调度的城际动态拼车调度优化方法及装置

Similar Documents

Publication Publication Date Title
CN116401896A (zh) 城际客运的在线调度匹配方法、装置、设备和存储介质
CN110047279B (zh) 一种基于订单数据确定共享单车调度量的方法
CN108765948B (zh) 一种弹性的公车调度方法和系统
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
CN116663811A (zh) 一种城际客运的往返动态拼车的调度匹配方法和装置
CN117151288A (zh) 一种城际车辆调度匹配优化方法、装置及设备
US20160025503A1 (en) Vehicle parking management
CN106781511B (zh) 一种基于gps数据和交通事故类型的拥堵时间预测方法
US9778658B2 (en) Pattern detection using probe data
JP6850249B2 (ja) 自動バレーパーキングシミュレーション装置、自動バレーパーキングシミュレーション方法、プログラム
CN105702035B (zh) 一种利用历史公交数据评估乘车难易程度的方法
CN111860558B (zh) 行程异常检测方法、装置及电子设备
CN110766937A (zh) 停车点识别方法、装置、电子设备以及可读存储介质
CN110782051A (zh) 一种提醒服务请求者的方法及系统
CN112562377A (zh) 一种基于随机机会约束的客运车辆实时调度方法
WO2021031636A1 (zh) 一种基于实时单行程车辆的实时单派单方法和装置
CN116109081A (zh) 一种基于物联网的动态公交调度优化方法和装置
CN111178559A (zh) 一种提醒服务请求者的方法及系统
CN110222892B (zh) 乘客的下车站点预测方法及装置
CN113379159B (zh) 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN113658433B (zh) 一种基于公交刷卡扫码数据提取客流特征的方法
CN113407871B (zh) 上车点推荐方法、装置、电子设备和可读存储介质
RU2631752C2 (ru) Способ управления движением транспортных средств, устройство и система для его реализации
CN113408833A (zh) 一种公共交通重点区域识别方法、装置及电子设备
CN110347937B (zh) 一种出租车智能寻客方法

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