CN116432887A - 一种动态需求响应式公交的线路优化方法、设备和介质 - Google Patents

一种动态需求响应式公交的线路优化方法、设备和介质 Download PDF

Info

Publication number
CN116432887A
CN116432887A CN202310705862.3A CN202310705862A CN116432887A CN 116432887 A CN116432887 A CN 116432887A CN 202310705862 A CN202310705862 A CN 202310705862A CN 116432887 A CN116432887 A CN 116432887A
Authority
CN
China
Prior art keywords
route
representing
vehicle
passenger
line
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
CN202310705862.3A
Other languages
English (en)
Other versions
CN116432887B (zh
Inventor
王靖
李会东
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 CN202310705862.3A priority Critical patent/CN116432887B/zh
Publication of CN116432887A publication Critical patent/CN116432887A/zh
Application granted granted Critical
Publication of CN116432887B publication Critical patent/CN116432887B/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
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种动态需求响应式公交的线路优化方法、设备和介质，涉及智慧交通技术领域。这种线路优化方法包含步骤S1和步骤S2。S1、获取当前时刻的乘车请求，以及动态需求响应式公交的行驶路线。其中，乘车请求包含上车站点和下车站点。S2、将乘车请求和行驶路线输入动态需求响应式公交的线路优化模型进行求解，获取加入上车站点和下车站点的最优路线。其中，线路优化模型通过将完全灵活的动态需求响应式公交运营模式下的线路优化问题建模为基于路线的马尔可夫决策过程模型得到。完全灵活的动态需求响应式公交运营模式为车辆没有固定的初始线路和时刻表。本发明的线路优化方法能够快速的将乘车请求和行车线路进行匹配，大大提高了乘客的服务效率。

Description

一种动态需求响应式公交的线路优化方法、设备和介质
技术领域
本发明涉及智慧交通技术领域，具体而言，涉及一种动态需求响应式公交的线路优化方法、设备和介质。
背景技术
传统的公共交通服务主要是为高密度的城市地区提供服务，这些地区的出行方式集中，使用固定的线路和时间表。在低密度地区和中等密度地区，固定线路和时刻表的运输方式既不具有成本效益，也不能为乘客提供适当水平的服务。
近年，随着城市郊区的发展，人口和就业机会的地理位置的变化以及社会经济的趋势导致了需要更加灵活的交通服务。这种需求在中低密度地区尤表现的尤为重要。为了解决这一问题，目前出现了各种不同名称的现代公共交通服务，例如按需公交、拨号乘车、需求响应式公交、灵活公交等一系列的现代公共交通服务。
这类的公共交通服务被统称为需求响应式公交，其为公共汽车规划提供了一种更灵活的方法。根据调查显示，目前国内多地已经在实施需求响应式公交服务，其可以为乘客带来更加舒适的乘车体验的同时，也可以节省一定的成本。
需求响应式公交服务的模型设计较为复杂，且目前尚未形成统一的方法体系。现有技术大多数都集中于将传统公共交通服务的特征和需求响应式服务的特征结合在一起，从而建立起“半灵活”的需求响应式公交服务，缺少考虑不结合固定的初始线路和时刻表来建立“完全灵活”的需求响应式公交模型。
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
本发明提供了一种动态需求响应式公交的线路优化方法、设备和介质，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动态需求响应式公交的线路优化方法，其包含步骤S1和步骤S2。
S1、获取当前时刻的乘车请求，以及动态需求响应式公交的行驶路线。其中，乘车请求包含上车站点、下车站点，以及请求的时间。
S2、将乘车请求和行驶路线输入动态需求响应式公交的线路优化模型进行求解，获取加入上车站点和下车站点的最优路线。其中，线路优化模型通过将完全灵活的动态需求响应式公交运营模式下的线路优化问题建模为基于路线的马尔可夫决策过程模型得到。完全灵活的动态需求响应式公交运营模式为车辆没有固定的初始线路和时刻表。
第二方面、
本发明实施例提供了一种动态需求响应式公交的线路优化设备，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一种动态需求响应式公交的线路优化方法。
第三方面、
本发明实施例提供了一种计算机可读存储介质。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一种动态需求响应式公交的线路优化方法。
通过采用上述技术方案，本发明可以取得以下技术效果：
本发明实施例的一种动态需求响应式公交的线路优化方法能够快速的将乘车请求和行车线路进行匹配，响应需求的速度快，大大提高了乘客的服务效率。并且能够节省车辆的行驶时间，具有很好的实际意义。
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是一种动态需求响应式公交的线路优化方法的流程示意图。
图2是动态需求响应式公交的运营示意图。
图3是线路优化模型的训练流程图。
图4是线路优化模型的训练流程框架图。
图5是行车路线的更新示意图。
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至图5，本发明第一实施例提供一种动态需求响应式公交的线路优化方法，其可由动态需求响应式公交的线路优化设备来执行（以下简称：线路优化设备）。特别地，由线路优化设备中的一个或多个处理器来执行，以实施步骤S1和步骤S2。
S1、获取当前时刻的乘车请求，以及动态需求响应式公交的行驶路线。其中，所述乘车请求包含上车站点、下车站点，以及请求的时间。
可以理解的是，所述线路优化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。
S2、将所述乘车请求和所述行驶路线输入动态需求响应式公交的线路优化模型进行求解，获取加入所述上车站点和所述下车站点的最优路线。其中，所述线路优化模型通过将完全灵活的动态需求响应式公交运营模式下的线路优化问题建模为基于路线的马尔可夫决策过程模型得到。所述完全灵活的动态需求响应式公交运营模式为车辆没有固定的初始线路和时刻表。
本发明实施例的一种动态需求响应式公交的线路优化方法能够快速的将乘车请求和行车线路进行匹配，响应需求的速度快，大大提高了乘客的服务效率。并且能够节省车辆的行驶时间，具有很好的实际意义。
在上述实施例的基础上，本发明的一个可选地实施例中，动态需求响应式公交的数量大于等于2时，步骤S2具体为：
分别将各辆车的行驶路线和所述乘车请求输入动态需求响应式公交的线路优化模型进行求解，获取各个车辆承载所述乘车请求的最优路线；
动态需求响应式公交的数量大于等于2时，线路优化方法还包括步骤S3。
S3、选取总成本增量最小的最优路线作为承载乘车请求的路线。
本发明实施例的一种动态需求响应式公交的线路优化方法考虑的因素较为全面，实用性较强，计算精度高，响应需求的速度快，可以在数秒内对乘客需求进行响应，提高乘客的服务效率。
本发明实施例的动态需求响应式公交的线路优化方法能够有效降低乘客总时间成本以及车辆行驶时间。以及，减少超出最长等待时间限制和旅行时间限制的人数，并降低目标函数的总成本。
在上述实施例的基础上，本发明的一个可选地实施例中，动态需求响应式公交的运营模式为“完全灵活”的运营模式。区别于结合固定路线和时刻表的“半灵活”的需求响应式公交运营模式，“完全灵活”的动态需求响应式公交，包括了按需运行的公共巴士，巴士有固定的容量，它为覆盖区域中的任何乘客需求点提供实时服务。其中，公共巴士的数量可以为多辆，本发明对此不做具体限定。
下面对完全灵活的动态需求响应式公交运营模式进行定义和解释说明。
在所述完全灵活的动态需求响应式公交运营模式中车辆没有固定的初始线路和时刻表。路线从零开始构建。此外车辆具有固定的容量限制。
在所述完全灵活的动态需求响应式公交运营模式中乘客的乘车需求都是实时在线的需求。即乘客的需求都是事先未知的，乘客在规定的服务区域内的任何时间提出乘客需求，同时乘客可以在任何位置提出他们的上下车位置。此外每位乘客都具有等待时间和旅行时间限制。
本发明实施例的动态需求响应式公交的线路优化方法用于处理请求，将乘客和车辆进行匹配，并实时更新车辆的路线。乘客根据匹配的结果进行乘车，并且每位乘客只能由一辆进行服务。
在任何时候车辆一般处于空闲或旅行中的状态。空闲的车辆保持在初始位置或最后一次接送乘客的位置，直到与新的请求相匹配。旅行中的车辆匹配有乘客队列，车辆在各自的行驶路线上行驶，直到为队列中的所有乘客提供完服务，变为空闲状态。
当新的乘车请求进入时，根据乘客需求的上车位置、下车位置以及车辆中当前的现有乘客的上下车位置，将乘客插入到现有的路线中，并且选择最佳的路线。同时，车辆每达到一个需求站点时，都会停留一段时间以便乘客能够顺利的上下车。
在上述实施例的基础上，本发明的一个可选地实施例中，将动态需求响应式公交线路优化问题建模为基于路线的马尔可夫决策过程。该建模过程需要明确决策点、动作、状态、状态转移以及奖励函数和价值函数的定义，以建立基于马尔可夫决策过程的线路优化模型。
优选的，所述线路优化模型的总目标函数为：总成本
Figure SMS_1
。
Figure SMS_2
Figure SMS_3
Figure SMS_4
Figure SMS_5
Figure SMS_6
Figure SMS_7
式中，
Figure SMS_16
表示加权总成本、/>
Figure SMS_10
表示全部的乘客需求总数、/>
Figure SMS_12
表示每一位乘客、/>
Figure SMS_11
表示乘客等待时间的权重参数、/>
Figure SMS_13
表示乘客的等待时间、/>
Figure SMS_17
表示乘客的旅行时间、
Figure SMS_22
表示车辆的行驶时间、/>
Figure SMS_18
表示超出最长等待时间和旅行时间的惩罚系数、/>
Figure SMS_21
表示超出旅行时间的人数、/>
Figure SMS_9
表示超出最长等待时间的人数、/>
Figure SMS_15
表示乘客上车的时间、/>
Figure SMS_20
表示乘客提出需求的时间、/>
Figure SMS_23
表示乘客下车的时间、/>
Figure SMS_24
表示车辆从站点/>
Figure SMS_26
到站点/>
Figure SMS_8
的行驶时间、/>
Figure SMS_14
为行驶路线的站点集合、/>
Figure SMS_19
表示了乘客的最长旅行时间限制、
Figure SMS_25
表示乘客最长等待时间限制。
优选的，所述线路优化模型的决策点
Figure SMS_27
为：当收到了新的乘车请求时。
具体的，决策时期或决策点
Figure SMS_28
出现在每个时间步长/>
Figure SMS_29
。即当收到了新的乘客乘车请求时；这表示，乘客提出请求的时间会出现在整个服务时间范围内的任何时刻。在模拟真实世界环境的过程中，乘客会在不同的时间点提出乘车需求，乘客提出需求的时间点就是决策点。
优选的，所述线路优化模型的动作
Figure SMS_30
为：将乘车请求的上车站点和下车站点加入车辆剩余行驶路线，以对车辆剩余行驶路线进行更新。
具体的，动作指将乘客新的请求分配给车辆剩余路线的动作。即：当接收到新的乘客需求时（即决策点
Figure SMS_31
），对车辆当前的路线进行更新的动作用/>
Figure SMS_32
表示。所选车辆/>
Figure SMS_33
的剩余线路/>
Figure SMS_34
在执行动作/>
Figure SMS_35
后修改为/>
Figure SMS_36
。
对线路的更新是指，当接收到乘客的乘车请求时(乘车请求包括上站点、下车站点和请求时间等信息)，将乘客的上下车站点插入到现有的车辆线路中，然后再随机交换两个点顺序，从而搜索不同的线路。
优选的，由于状态空间很大，执行动作后的状态一般都是基于手动设计的特征进行聚合和表示。在设计状态表示时，重要的是找出利用问题结构的特征，提出合理的状态表示。因此，本发明实施例针对动态需求响应的公交问题，创新性的提出了由当前的时间、所有车辆剩余路线成本和惩罚成组成的状态表示。所述线路优化模型的状态
Figure SMS_37
为：
Figure SMS_38
Figure SMS_39
Figure SMS_40
式中，
Figure SMS_53
为决策点/>
Figure SMS_58
的时间、/>
Figure SMS_62
为决策点/>
Figure SMS_41
的车辆剩余路线成本、
Figure SMS_45
为决策点/>
Figure SMS_48
的车辆剩余路线的惩罚成本、/>
Figure SMS_52
表示车辆/>
Figure SMS_42
在决策点/>
Figure SMS_46
的剩余路线状况、/>
Figure SMS_51
表示全部的乘客需求总数、/>
Figure SMS_54
表示每一位乘客、/>
Figure SMS_56
表示乘客等待时间的权重参数、/>
Figure SMS_66
表示乘客的等待时间、/>
Figure SMS_68
表示车辆/>
Figure SMS_72
在决策点/>
Figure SMS_59
的剩余路线状况的乘客的等待时间、/>
Figure SMS_61
表示乘客的旅行时间、/>
Figure SMS_64
表示车辆/>
Figure SMS_71
在决策点/>
Figure SMS_44
的剩余路线状况的乘客的旅行时间、/>
Figure SMS_47
表示车辆的行驶时间、/>
Figure SMS_50
表示车辆/>
Figure SMS_55
在决策点/>
Figure SMS_57
的剩余路线状况的车辆的行驶时间、/>
Figure SMS_60
表示超出最长等待时间和旅行时间的惩罚系数、/>
Figure SMS_63
表示超出旅行时间的人数、/>
Figure SMS_67
表示车辆/>
Figure SMS_65
在决策点/>
Figure SMS_69
的剩余路线状况的超出旅行时间的人数、/>
Figure SMS_70
表示超出最长等待时间的人数、/>
Figure SMS_73
表示车辆/>
Figure SMS_43
在决策点/>
Figure SMS_49
的剩余路线状况的超出最长等待时间的人数。
具体的，车辆剩余路线成本主要由当前车上所有乘客的等待时间、旅行时间以及车辆行驶时间组成，乘客等待时间通过乘客实际的上车时间和提出需求的时间之间的差值确定，乘客的旅行时间则是通过预估乘客下车时间和乘客实际上车时间之间的差值确定。车辆行驶时间是车辆按照剩余路线行驶所需要花费的时间。惩罚成本则是指乘客的等待时间和旅行时间超出了最长时间限制所带来的惩罚时间成本。
状态
Figure SMS_74
为深度强化学习模型（即DQN算法）的输入。通过对DQN算法进行训练，得到评估网络，将状态输入评估网络即可得出状态对应的价值函数的值。具体的，对DQN（doubleQ-fuciton network）算法进行训练得到评估网络为现有技术，本发明在此不再赘述。
优选的，所述线路优化模型的状态转移为：执行动作
Figure SMS_76
前的状态/>
Figure SMS_79
过渡为执行动作/>
Figure SMS_82
后的状态/>
Figure SMS_75
，以及执行动作/>
Figure SMS_80
后的状态/>
Figure SMS_83
过渡到接收到新的乘车请求时的状态
Figure SMS_84
。在其它实施例中，可以不设置状态/>
Figure SMS_77
或者直接将状态/>
Figure SMS_78
复制给状态/>
Figure SMS_81
，从而减少对状态的更新次数，减少计算量。
优选的，所述线路优化模型的奖励函数为：状态
Figure SMS_85
的行驶路线执行动作/>
Figure SMS_86
后的总成本增量/>
Figure SMS_87
。其中，
Figure SMS_88
Figure SMS_89
式中，
Figure SMS_101
为决策点/>
Figure SMS_104
状态/>
Figure SMS_107
时执行动作/>
Figure SMS_92
后的总成本、/>
Figure SMS_94
为上一决策点/>
Figure SMS_96
执行动作后的总成本（即决策点/>
Figure SMS_100
状态/>
Figure SMS_93
时的总成本）、/>
Figure SMS_95
表示车辆总数、/>
Figure SMS_98
表示所选车辆、/>
Figure SMS_102
表示全部的乘客需求总数、/>
Figure SMS_105
表示每一位乘客、/>
Figure SMS_108
表示乘客等待时间的权重参数、/>
Figure SMS_112
表示乘客的等待时间、/>
Figure SMS_114
表示执行动作/>
Figure SMS_116
后车辆/>
Figure SMS_118
要访问和已经访问的路线情况、/>
Figure SMS_120
表示执行动作/>
Figure SMS_122
后车辆/>
Figure SMS_90
要访问和已经访问的路线情况的乘客的等待时间、/>
Figure SMS_103
表示乘客的旅行时间、/>
Figure SMS_106
表示执行动作/>
Figure SMS_110
后车辆/>
Figure SMS_115
要访问和已经访问的路线情况的乘客的旅行时间、/>
Figure SMS_123
表示车辆的行驶时间、/>
Figure SMS_125
表示执行动作/>
Figure SMS_126
后车辆/>
Figure SMS_117
要访问和已经访问的路线情况的车辆的行驶时间、/>
Figure SMS_119
表示超出最长等待时间和旅行时间的惩罚系数、/>
Figure SMS_121
表示超出旅行时间的人数、/>
Figure SMS_124
表示执行动作/>
Figure SMS_91
后车辆/>
Figure SMS_97
要访问和已经访问的路线情况的超出旅行时间的人数、/>
Figure SMS_99
表示超出最长等待时间的人数、/>
Figure SMS_109
表示执行动作/>
Figure SMS_111
后车辆/>
Figure SMS_113
要访问和已经访问的路线情况的超出最长等待时间的人数。
具体的，在使用线路优化模型优化线路的过程中，每当接受到新的乘客请求，需要将新的乘车请求安排进车辆的行驶路线中。因此会产生总成本的增量，本发明实施例将总成本的增量定义为“奖励”。
优选的，所述价值函数为
Figure SMS_127
，由基于DQN算法构建的评估网络进行求解，无具体的表达式。其中，价值函数近似满足以下贝尔曼方程：
Figure SMS_128
式中，
Figure SMS_130
表示上一次执行动作后状态/>
Figure SMS_133
下的价值函数的值、/>
Figure SMS_135
表示动作、
Figure SMS_131
为所有可能采取的动作集合、/>
Figure SMS_132
为执行动作后的总成本增量、/>
Figure SMS_134
表示折扣系数、/>
Figure SMS_136
为当前执行动作后状态/>
Figure SMS_129
下的价值函数的值。
具体的，所述线路优化模型的价值函数以最小化规划范围内的预期未来成本为目标。价值函数主要考虑尚未发生的乘客请求的预期总奖励。换一句话说当给定一个状态
Figure SMS_137
然后根据状态/>
Figure SMS_138
去预测尚未发生的乘客请求的预期总的奖励。即：当给定了一个状态/>
Figure SMS_139
，则会选择使得/>
Figure SMS_140
最小的动作/>
Figure SMS_141
。价值函数的值/>
Figure SMS_142
将主要考虑尚未发生的乘客请求的预期总回报。通过价值函数/>
Figure SMS_143
可以评估当前所做决策的好坏，从而可以确定当前的最优策略。
即：在接收到新的乘车请求，对所选车辆的行驶路线进行修改时，会产生不同的线路状态。根据不同的线路状态，价值函数会预测来自尚未实现的动态事件的预期未来回报，将使得价值函数值最小的线路规划作为当前的最优决策。
在多辆车的情况下，对每辆车都尝试插入接收到的新乘客请求，然后根据价值函数
Figure SMS_144
确定最优的策略。在确定最优的策略之后，根据执行动作后所产生的奖励值的大小来确定具体将乘客分配给那一辆车。需要说明的是，本发明实施例采用价值函数而不是动作价值函数（Q-function），是因为在对车辆剩余线路所做的动作不仅仅是将现有的需求点插入，还包括对现已有的站点进行交换，因而指定出每个动作所对应的Q值是不可能的。
在上述实施例的基础上，本发明的一个可选地实施例中，所述线路优化模型的约束包括四个。
约束一、车辆容量约束。
具体的，车辆需要满足车辆容量的硬约束限制条件。在车辆实际运行的过程中，车辆承载乘客的数量是有限的，对于由多辆车组成的车队规模来说，每辆车应该在任何时刻都满足车辆容量的限制。因此，每当接受乘客新的请求时，在将乘车请求的站点插入行驶路线之前，都要先判断是否满足车容量的限制，满足后再输入线路优化模型进行求解。
约束二、乘客的最长等待时间和乘客的最长旅行时间。
具体的，考虑到乘客等候车辆以及乘车时候的心理因素，每位乘客的等候车辆和乘车的时间都不应该过长。同时考虑到乘客相对于乘车时间可能更希望等候车辆的时间更短，因此本发明实施例中设定了等待时间和乘车时间的软约束条件，以及给乘客的等待时间赋予一定比例的权重
Figure SMS_145
。在本实施例中，乘客最长等待时间为300s、乘客最长旅行时间为600s。在其它实施例中，可以设置为其它数值，或不设置该约束，本发明对此不做具体限定。
约束三、在线路中同一乘车请求的上车站点排在下车站点之前。
约束四、每位乘客只能由一辆车进行服务。
在上述实施例的基础上，本发明的一个可选地实施例中，求解线路优化模型具体包括步骤A1至步骤A4。
A1、通过插入式启发算法，将所述上车站点和所述下车站点插入所述行驶路线，获取初始路线。
具体的，通过启发式算法将站点插入现有的路线为现有技术，本发明在此不再赘述。在其它实施例中，也可以采用随机插入的方式将乘车需求的上下车站点插入到现有的行驶线路中。需要说明的是，通过插入启发式算法，可以得一个比较好的初始解。好的初始解可以让模拟退火算法更快的找到最优路线。
A2、根据所述初始路线，获取车辆的初始状态。
具体的，根据插入后的行驶路线，计算出当前车辆上乘客的等待时间
Figure SMS_146
、乘客的旅行时间/>
Figure SMS_147
以及车辆的行驶时间/>
Figure SMS_148
，从而得到当前车辆剩余路线成本。同时计算出超出最长等待时间和旅行时间所带来的惩罚成本。根据当前车辆剩余路线成本和惩罚成本获取整体车辆的状态。
A3、根据所述初始状态，通过基于DQN算法构建的评估网络，获取所述初始路线的初始价值。
具体的，将初始状态输入评估网络，评估网络输出初始状态的价值函数的数值，记为value。
A4、根据所述初始路线和所述初始价值，通过模拟退火算法对所述初始线路进行优化，获取最优路线。在上述实施例的基础上，本发明的一个可选地实施例中，步骤A4具体包括步骤A41至步骤A46。
A41、随机选择待优化线路上的两个站点进行交换，以获取新路线。其中，第一次优化时，以所述初始线路作为待优化线路。
A42、根据所述新的路线，获取车辆的新状态。
A43、根据所述新状态，通过基于DQN算法构建的评估网络，获取新价值，并判断所述新价值是否优于所述待优化线路的价值。
A44、若新价值优于所述待优化线路的价值，则接受新结果，否则计算接受新解的概率
Figure SMS_149
并判断所述概率是否大于预设值。其中，/>
Figure SMS_150
。式中，/>
Figure SMS_151
为新路线的新价值、/>
Figure SMS_152
为待优化线路的价值、/>
Figure SMS_153
为温度的变化率、/>
Figure SMS_154
为退火温度。
A45、若所述概率大于预设值，则接受新结果，否则不接受新结果。
A46、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最终的结果，获取最优线路。
具体的，将根据插入启发式算法所得到的当前车辆路径，作为初始路径，
通过模拟退火算法对其进行修改，即通过随机选择两个站点进行交换来改变当前车辆路径的访问顺序。因为随着当前车辆的路径发生变化，其剩余路线的成本、以及惩罚惩罚成本都会发生变化，从而整体车辆状态
Figure SMS_155
也随之会变化，同时也会产生不同的函数
Figure SMS_156
值记为newvalue。
紧接着计算新获得的价值函数值newvalue和value之间的差值
Figure SMS_157
。
当
Figure SMS_158
时接受新的解。
当
Figure SMS_159
时，计算接受新解的概率/>
Figure SMS_160
。
当
Figure SMS_161
则接受该新解，否则不接受该解。
随后继续探索新的访问路径，从而确定当前车辆的最终路径的访问顺序。
线路优化模型的训练主要是训练出用于计算价值函数值的评估网络。本发明采用了现有技术中的DQN算法来近似价值函数。该算法基于神经网络的时序差分算法和经验回放来近似价值函数。
具体的，训练数据主要包括车辆信息、需求信息以及当前的时间。车辆信息主要包括车辆的容量、车辆服务开始时间以及车内的乘客信息。需求信息主要包括了乘客提出需求的时间、起点、目的地和乘客的人数。
模型训练过程如下：
为了模拟真实的需求响应式公交运营模式，将训练数据中所有的乘客需求订单按照提出需求的时间进行排序，同时初始化所有车辆的状态，每天提供服务的时间从6点到24点。随着时间的迭代，在整个模拟过程中会以时间间隔为1秒的频率检测是否有乘客提出需求，同时更新车辆的位置，已经被服务过的乘客将会从订单中移除。
模拟过程中，首先获取新的乘客请求，同时获取车辆的当前状态
Figure SMS_162
。
再然后，通过基于神经网络的时间差分法（TD）和经验回放算法改进的DQN算法来逼近价值函数，以获取价值函数的值。原始的(Deep Q-Network, DQN)算法并不适用于求解此类“完全灵活的”动态需求响应式公交线路优化问题。因为，车辆线路的动作空间很大，无法指定每个动作对应的Q函数值（Q-function）。因此，本发明实施例使用的DQN算法基于神经网络的时间差分法（TD）和经验回放算法来逼近价值函数，而不是动作价值函数或Q函数。
再然后，根据价值函数的值，选取值最小的状态所对应的动作
Figure SMS_163
。
在执行完动作
Figure SMS_164
后，将状态小样本数据/>
Figure SMS_165
存入记忆池中；按照一定的批量大小从记忆池中随机抽取。利用基于DQN算法构建的目标网络和评估网络分别获取当前状态和上一个状态的价值函数值，同时使用小批量梯度下降法来最小化目标网络和评估网络之间的差值，从而来更新评估网络中的参数，最终获取用于计算价值函数的值。使用DQN算法构建用以计算价值函数值的评估网络为现有技术，本发明在此不再赘述。
具体的，基于Tensorflow采用全连接神经网络方式构建两个价值函数网络，分别为评估网络和目标网络。同时选用了Relu函数作为激活函数以及使用了小批量梯度下降法来对网络进行训练。
训练具体的过程步骤如下：
首先，初始化评估网络参数
Figure SMS_166
和目标网络的参数/>
Figure SMS_167
，以及初始化车辆状态，同时获取决策前的车辆状态/>
Figure SMS_168
，其中/>
Figure SMS_169
表示有乘客需求。通过比较当前时间和乘客提出需求的时间来判断是否收到乘客的请求。
其次，当检测到乘客提出的需求时，将需求站点插入到车辆的剩余路线中，根据概率随机选取动作
Figure SMS_170
，或通过模拟退火算法来选择决策。
Figure SMS_171
其中，
Figure SMS_172
表示当前所采取动作所产生的即时奖励，/>
Figure SMS_173
表示折扣系数，
Figure SMS_174
表示执行动作x后的价值函数的值。
即通过不断改变车辆剩余路线中站点的访问顺序，来创造不同的车辆状态，从而选取使得价值函数最小的动作决策
Figure SMS_175
，对车辆剩余路线的修改不止包括将新的乘客上下车站点插入到已有的线路中，还包括交换已有线路的站点顺序。对每一辆车都做同样的操作，根据执行动作后所产生的奖励值大小，将乘客和车辆进行匹配。
紧接着，将上次执行动作后的状态
Figure SMS_176
，当前决策后状态/>
Figure SMS_177
以及对应的“奖励”
Figure SMS_178
组成的三元组/>
Figure SMS_179
存储到经验池中，将三元组定义为transition,并将所有的transiton记为“经验”。
随后从中按照一定的批量随机抽取transition, 通过目标网络求解价值函数值，即
Figure SMS_180
。将/>
Figure SMS_181
称为TD target。传统的TD算法在使用了一次transition便会将其丢弃，这样的方式并不适用于本发明实施例的线路优化方法所处环境。因此这里结合了经验回放的方式，将使用过了的transition再次存储到经验池中，当经验池容量不足，才会用新获得的transition替换使用过的transition，同时采用了随机取样的方式。具体的，传统的DQN算法为：doubleQ-function network。本发明实施例用Value-function 替换了传统的DQN算法中间的Q-function。
最后，根据抽取的transition通过评估网络求解价值函数的值，记为
Figure SMS_182
。
随后采用小批量梯度下降法最小化评估网络和目标网络的差值，更新评估网络中的参数，即更新
Figure SMS_183
中的参数/>
Figure SMS_184
，并在每个步长/>
Figure SMS_185
中将评估网络和目标网络的参数更新为一致。
实施例二
本发明实施例提供了一种动态需求响应式公交的线路优化设备，其包括处理器、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，以实现如实施例二任意一段所说的一种动态需求响应式公交的线路优化方法。
实施例三
本发明实施例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实施例三任意一段所说的一种动态需求响应式公交的线路优化方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的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 (7)

1.一种动态需求响应式公交的线路优化方法，其特征在于，包含：
获取当前时刻的乘车请求，以及动态需求响应式公交的行驶路线；其中，所述乘车请求包含上车站点、下车站点，以及请求的时间；
将所述乘车请求和所述行驶路线输入动态需求响应式公交的线路优化模型进行求解，获取加入所述上车站点和所述下车站点的最优路线；其中，所述线路优化模型通过将完全灵活的动态需求响应式公交运营模式下的线路优化问题建模为基于路线的马尔可夫决策过程模型得到；所述完全灵活的动态需求响应式公交运营模式为车辆没有固定的初始线路和时刻表；
所述线路优化模型的总目标函数为：总成本
Figure QLYQS_1
；
Figure QLYQS_2
Figure QLYQS_3
Figure QLYQS_4
Figure QLYQS_5
Figure QLYQS_6
Figure QLYQS_7
式中，
Figure QLYQS_16
表示加权总成本、/>
Figure QLYQS_10
表示全部的乘客需求总数、/>
Figure QLYQS_12
表示每一位乘客、/>
Figure QLYQS_8
表示乘客等待时间的权重参数、/>
Figure QLYQS_13
表示乘客的等待时间、/>
Figure QLYQS_17
表示乘客的旅行时间、/>
Figure QLYQS_20
表示车辆的行驶时间、/>
Figure QLYQS_19
表示超出最长等待时间和旅行时间的惩罚系数、/>
Figure QLYQS_23
表示超出旅行时间的人数、/>
Figure QLYQS_11
表示超出最长等待时间的人数、/>
Figure QLYQS_14
表示乘客上车的时间、/>
Figure QLYQS_18
表示乘客提出需求的时间、/>
Figure QLYQS_22
表示乘客下车的时间、/>
Figure QLYQS_25
表示车辆从站点/>
Figure QLYQS_26
到站点/>
Figure QLYQS_9
的行驶时间、/>
Figure QLYQS_15
为行驶路线的站点集合、/>
Figure QLYQS_21
表示了乘客的最长旅行时间限制、/>
Figure QLYQS_24
表示乘客最长等待时间限制。
2.根据权利要求1所述的一种动态需求响应式公交的线路优化方法，其特征在于，
所述线路优化模型的决策点
Figure QLYQS_27
为：当收到了新的乘车请求时；
所述线路优化模型的动作
Figure QLYQS_28
为：将乘车请求的上车站点和下车站点加入车辆剩余行驶路线，以对车辆剩余行驶路线进行更新；
所述线路优化模型的状态
Figure QLYQS_29
为：
Figure QLYQS_30
Figure QLYQS_31
Figure QLYQS_32
式中，
Figure QLYQS_51
为决策点/>
Figure QLYQS_54
的时间、/>
Figure QLYQS_57
为决策点/>
Figure QLYQS_36
的车辆剩余路线的成本、
Figure QLYQS_37
为决策点/>
Figure QLYQS_42
的车辆剩余路线的惩罚成本、/>
Figure QLYQS_45
表示车辆/>
Figure QLYQS_44
在决策点/>
Figure QLYQS_48
的剩余路线状况、/>
Figure QLYQS_55
表示全部的乘客需求总数、/>
Figure QLYQS_59
表示每一位乘客、/>
Figure QLYQS_61
表示乘客等待时间的权重参数、/>
Figure QLYQS_63
表示乘客的等待时间、/>
Figure QLYQS_64
表示车辆/>
Figure QLYQS_65
在决策点/>
Figure QLYQS_50
的剩余路线状况的乘客的等待时间、/>
Figure QLYQS_53
表示乘客的旅行时间、/>
Figure QLYQS_60
表示车辆/>
Figure QLYQS_62
在决策点/>
Figure QLYQS_34
的剩余路线状况的乘客的旅行时间、/>
Figure QLYQS_39
表示车辆的行驶时间、/>
Figure QLYQS_43
表示车辆/>
Figure QLYQS_46
在决策点/>
Figure QLYQS_35
的剩余路线状况的车辆的行驶时间、/>
Figure QLYQS_38
表示超出最长等待时间和旅行时间的惩罚系数、/>
Figure QLYQS_41
表示超出旅行时间的人数、/>
Figure QLYQS_47
表示车辆/>
Figure QLYQS_49
在决策点/>
Figure QLYQS_52
的剩余路线状况的超出旅行时间的人数、/>
Figure QLYQS_56
表示超出最长等待时间的人数、/>
Figure QLYQS_58
表示车辆/>
Figure QLYQS_33
在决策点/>
Figure QLYQS_40
的剩余路线状况的超出最长等待时间的人数；
所述线路优化模型的状态转移为：执行动作
Figure QLYQS_66
前的状态/>
Figure QLYQS_67
过渡为执行动作/>
Figure QLYQS_68
后的状态/>
Figure QLYQS_69
，以及执行动作/>
Figure QLYQS_70
后的状态/>
Figure QLYQS_71
过渡到接收到新的乘车请求时的状态/>
Figure QLYQS_72
；
所述线路优化模型的奖励为：状态
Figure QLYQS_73
的行驶路线执行动作/>
Figure QLYQS_74
后的总成本增量
Figure QLYQS_75
；其中，
Figure QLYQS_76
Figure QLYQS_77
式中，
Figure QLYQS_93
为决策点/>
Figure QLYQS_95
状态/>
Figure QLYQS_106
时执行动作/>
Figure QLYQS_80
后的总成本、/>
Figure QLYQS_83
为上一决策点/>
Figure QLYQS_85
执行动作后的总成本、/>
Figure QLYQS_90
表示车辆总数、/>
Figure QLYQS_81
表示所选车辆、/>
Figure QLYQS_82
表示全部的乘客需求总数、/>
Figure QLYQS_86
表示每一位乘客、/>
Figure QLYQS_89
表示乘客等待时间的权重参数、/>
Figure QLYQS_92
表示乘客的等待时间、/>
Figure QLYQS_96
表示执行动作/>
Figure QLYQS_99
后车辆/>
Figure QLYQS_102
要访问和已经访问的路线情况、/>
Figure QLYQS_101
表示执行动作/>
Figure QLYQS_104
后车辆/>
Figure QLYQS_107
要访问和已经访问的路线情况的乘客的等待时间、/>
Figure QLYQS_109
表示乘客的旅行时间、/>
Figure QLYQS_78
表示执行动作/>
Figure QLYQS_88
后车辆/>
Figure QLYQS_94
要访问和已经访问的路线情况的乘客的旅行时间、/>
Figure QLYQS_98
表示车辆的行驶时间、/>
Figure QLYQS_97
表示执行动作/>
Figure QLYQS_100
后车辆/>
Figure QLYQS_103
要访问和已经访问的路线情况的车辆的行驶时间、/>
Figure QLYQS_105
表示超出最长等待时间和旅行时间的惩罚系数、
Figure QLYQS_108
表示超出旅行时间的人数、/>
Figure QLYQS_110
表示执行动作/>
Figure QLYQS_111
后车辆/>
Figure QLYQS_112
要访问和已经访问的路线情况的超出旅行时间的人数、/>
Figure QLYQS_79
表示超出最长等待时间的人数、/>
Figure QLYQS_84
表示执行动作/>
Figure QLYQS_87
后车辆/>
Figure QLYQS_91
要访问和已经访问的路线情况的超出最长等待时间的人数；
所述线路优化模型的所述价值函数为
Figure QLYQS_113
，由基于DQN算法构建的评估网络进行求解；价值函数以最小化规划范围内的预期未来成本为目标；其中，
Figure QLYQS_114
式中，
Figure QLYQS_115
表示上一次执行动作后状态/>
Figure QLYQS_119
下的价值函数的值、/>
Figure QLYQS_120
表示动作、/>
Figure QLYQS_117
为所有可能采取的动作集合、/>
Figure QLYQS_118
为执行动作后的总成本增量、/>
Figure QLYQS_121
表示折扣系数、
Figure QLYQS_122
为当前执行动作后状态/>
Figure QLYQS_116
的价值函数的值。
3.根据权利要求1所述的一种动态需求响应式公交的线路优化方法，其特征在于，求解线路优化模型具体包括：
通过插入式启发算法，将所述上车站点和所述下车站点插入所述行驶路线，获取初始路线；
根据所述初始路线，获取车辆的初始状态；
根据所述初始状态，通过基于DQN算法构建的评估网络，获取所述初始路线的初始价值；
根据所述初始路线和所述初始价值，通过模拟退火算法对所述初始线路进行优化，获取最优路线。
4.根据权利要求3所述的一种动态需求响应式公交的线路优化方法，其特征在于，其特征在于，根据所述初始路线和所述初始价值，通过模拟退火算法对初始线路进行优化，获取最优路线，具体包括：
随机选择待优化线路上的两个站点进行交换，以获取新路线；其中，第一次优化时，以所述初始线路作为待优化线路；
根据所述新的路线，获取车辆的新状态；
根据所述新状态，通过基于DQN算法构建的评估网络，获取新价值，并判断所述新价值是否优于所述待优化线路的价值；其中，第一次优化时，以所述初始价值作为所述待优化线路的价值；
若新价值优于所述待优化线路的价值，则接受新结果，否则计算接受新解的概率
Figure QLYQS_123
并判断所述概率是否大于预设值；其中，/>
Figure QLYQS_124
；式中，/>
Figure QLYQS_125
为新路线的新价值、/>
Figure QLYQS_126
为待优化线路的价值、/>
Figure QLYQS_127
为温度的变化率、/>
Figure QLYQS_128
为退火温度；
若所述概率大于预设值，则接受新结果，否则不接受新结果；
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最终的结果，获取最优线路。
5.根据权利要求1至4任意一项所述的一种动态需求响应式公交的线路优化方法，动态需求响应式公交的数量大于等于2时，将所述乘车请求和所述行驶路线输入动态需求响应式公交的线路优化模型进行求解，获取加入所述上车站点和所述下车站点的最优路线，具体为：
分别将所述乘车请求和各辆动态需求响应式公交的行驶路线输入动态需求响应式公交的线路优化模型进行求解，获取各辆动态需求响应式公交承载所述乘车请求的最优路线；
动态需求响应式公交的数量大于等于2时，线路优化方法还包括：
选取总成本增量最小的最优路线作为承载乘车请求的路线。
6.一种动态需求响应式公交的线路优化设备，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5任意一项所述的一种动态需求响应式公交的线路优化方法。
7.一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5任意一项所述的一种动态需求响应式公交的线路优化方法。
CN202310705862.3A 2023-06-15 2023-06-15 一种动态需求响应式公交的线路优化方法、设备和介质 Active CN116432887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310705862.3A CN116432887B (zh) 2023-06-15 2023-06-15 一种动态需求响应式公交的线路优化方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310705862.3A CN116432887B (zh) 2023-06-15 2023-06-15 一种动态需求响应式公交的线路优化方法、设备和介质

Publications (2)

Publication Number Publication Date
CN116432887A true CN116432887A (zh) 2023-07-14
CN116432887B CN116432887B (zh) 2023-09-05

Family

ID=87087664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310705862.3A Active CN116432887B (zh) 2023-06-15 2023-06-15 一种动态需求响应式公交的线路优化方法、设备和介质

Country Status (1)

Country Link
CN (1) CN116432887B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299177A1 (en) * 2009-05-22 2010-11-25 Disney Enterprises, Inc. Dynamic bus dispatching and labor assignment system
US20130158846A1 (en) * 2010-08-26 2013-06-20 Yukang Zhang Intelligent urban public transportation system oriented to passenger travel and implementation method thereof
CN103942948A (zh) * 2014-04-10 2014-07-23 中南大学 基于分段拼接的城市公交线路网络的生成方法
CN104318758A (zh) * 2014-11-05 2015-01-28 东南大学 基于多层次多模式的公交线网规划方法
CN107330547A (zh) * 2017-06-15 2017-11-07 重庆交通大学 一种城市公交动态调度优化方法及系统
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN111105141A (zh) * 2019-11-23 2020-05-05 同济大学 一种需求响应型公交调度方法
CN113723715A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 公交线网自动匹配道路网络方法、系统、设备及存储介质
CN115641704A (zh) * 2022-12-26 2023-01-24 东风悦享科技有限公司 一种智能公交调度方法及系统
CN115879620A (zh) * 2022-12-08 2023-03-31 华南理工大学 一种需求响应公交前瞻调度方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299177A1 (en) * 2009-05-22 2010-11-25 Disney Enterprises, Inc. Dynamic bus dispatching and labor assignment system
US20130158846A1 (en) * 2010-08-26 2013-06-20 Yukang Zhang Intelligent urban public transportation system oriented to passenger travel and implementation method thereof
CN103942948A (zh) * 2014-04-10 2014-07-23 中南大学 基于分段拼接的城市公交线路网络的生成方法
CN104318758A (zh) * 2014-11-05 2015-01-28 东南大学 基于多层次多模式的公交线网规划方法
CN107330547A (zh) * 2017-06-15 2017-11-07 重庆交通大学 一种城市公交动态调度优化方法及系统
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN111105141A (zh) * 2019-11-23 2020-05-05 同济大学 一种需求响应型公交调度方法
CN113723715A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 公交线网自动匹配道路网络方法、系统、设备及存储介质
CN115879620A (zh) * 2022-12-08 2023-03-31 华南理工大学 一种需求响应公交前瞻调度方法
CN115641704A (zh) * 2022-12-26 2023-01-24 东风悦享科技有限公司 一种智能公交调度方法及系统

Also Published As

Publication number Publication date
CN116432887B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
Huang et al. A two-phase optimization model for the demand-responsive customized bus network design
CN112074845A (zh) 用于优化拼车策略的深度强化学习
Wang et al. Public preferences of shared autonomous vehicles in developing countries: a cross-national study of Pakistan and China
CN112700034B (zh) 一种联程联运路径选择方法、装置、设备及可读存储介质
Li et al. Towards smart transportation system: A case study on the rebalancing problem of bike sharing system based on reinforcement learning
CN114254837A (zh) 一种基于深度强化学习的旅游路线定制方法及系统
CN110956296A (zh) 一种用户流失概率预测方法及装置
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
Weiss et al. A joint RP-off-SP survey to understand the impacts of autonomous vehicle on travel mode choices in the Greater Toronto Area
CN111932341A (zh) 一种确定拼车订单的方法和系统
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
Yu et al. Optimal operations planning of electric autonomous vehicles via asynchronous learning in ride-hailing systems
CN115311860A (zh) 一种交通流量预测模型的在线联邦学习方法
CN112106021B (zh) 提供车辆导航模拟环境的方法和装置
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
CN116432887B (zh) 一种动态需求响应式公交的线路优化方法、设备和介质
JP2023013012A5 (zh)
CN113408833A (zh) 一种公共交通重点区域识别方法、装置及电子设备
Hamadneh et al. Evaluation of the impacts of autonomous vehicles on the mobility of user groups by using agent-based simulation
CN116562574A (zh) 城际定制客运的协同优化方法、装置、设备和存储介质
CN115713206A (zh) 一种公交个体出行决策模型
CN113743767B (zh) 基于时间和安全性的车辆派单方法、系统、计算机及介质
Liu et al. Bi-objective bus scheduling optimization with passenger perception in mind
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
Adamo et al. A multi-modal tourist trip planner integrating road and pedestrian networks

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