CN116562574A - 城际定制客运的协同优化方法、装置、设备和存储介质 - Google Patents
城际定制客运的协同优化方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116562574A CN116562574A CN202310551389.8A CN202310551389A CN116562574A CN 116562574 A CN116562574 A CN 116562574A CN 202310551389 A CN202310551389 A CN 202310551389A CN 116562574 A CN116562574 A CN 116562574A
- Authority
- CN
- China
- Prior art keywords
- station
- city
- uplink
- point
- boarding
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000002922 simulated annealing Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims description 22
- 238000004220 aggregation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000003780 insertion Methods 0.000 claims description 15
- 230000037431 insertion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 2
- 230000006798 recombination Effects 0.000 claims description 2
- 235000018185 Betula X alpestris Nutrition 0.000 claims 1
- 235000018212 Betula X uliginosa Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供城际定制客运的协同优化方法、装置、设备和存储介质,涉及城际客运规划技术领域。协同优化方法包含S1、基于站点、线路、时刻表和乘客数量,构建线路及排班优化模型。S2、获取网约车的历史订单数据。S3、根据历史订单数据,进行时空聚类,获取备选站点集合。S4、根据备选站点集合和线路及排班优化模型,用贪心算法求解得到模型的初始解。S5、随机选择扰动算子对当前解进行扰动,获取局部最优解。S6、根据模型的目标函数判断局部最优解是否优于当前解。若优于则接受局部最优解,否则以模拟退火概率接受新解。S7、判断迭代次数是否达到最大迭代次数。若达到则停止迭代并输出当前解,否则继续迭代。当前解包含线路及排班方案。
Description
技术领域
本发明涉及城际客运规划技术领域,具体而言,涉及一种城际定制客运的协同优化方法、装置、设备和存储介质。
背景技术
目前,传统的城际客运服务模式单一,选择乘坐城际客运出行的乘客往往需要多次换乘后到达目的地,出行效率难以保障,不能够满足绝大多数乘客的乘车需求。城际客运的乘客之间的出行存在较大差异,传统城际客运存在运力资源分配不均的问题,以及供给与需求的时空匹配度不高的问题。
作为连接城际间高频、小批量、多批次的运输工具,定制客运的出现有效缓解了交通出行压力,有利于提高城际间客流运输效率。城际定制客运与城内的定制公交虽有相似之处但不完全相同。不同之处在于定制公交全程在城内运行,无需考虑城际间高速路口的一系列约束。
相比于城内的定制公交,城际定制客运的距离长,运输范围广,乘客对于乘车的体验感要求更高。同时企业的盈利也不容忽视,在满足各项开行约束的前提下,如何平衡企业和乘客的双方利益,制定出灵活、方便快捷的城际定制服称为亟需解决的问题。
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定制客运的协同优化方法、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定制客运的协同优化方法,其包含步骤S1至步骤S7。
S1、基于站点、线路、时刻表和乘客数量,构建以最大化运营公司总收益为目标以最小化乘客的出行成本和满足开行条件为约束的线路及排班优化模型。
S2、获取网约车的历史订单数据。
S3、根据历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合。
S4、根据备选站点集合和线路及排班优化模型,用贪心算法进行求解,获取线路及排班优化模型的初始解。其中,贪心算法的目标位客服务人数最大。
S5、初始化变邻域搜索算法的初始参数,然后随机选择扰动算子对当前解进行扰动,获取局部最优解。其中,第一次扰动时以初始解作为当前解。
S6、根据线路及排班优化模型的目标函数判断局部最优解是否优于当前解。若局部最优解优于当前解则接受局部最优解,否则以模拟退火概率接受新解,从而更新当前解。
S7、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更新后的当前解,否则继续迭代。其中,输出的当前解包含线路及排班方案。
第二方面、
本发明实施例提供了一种城际定制客运的协同优化装置,其包含:
模型构建模块,用于基于站点、线路、时刻表和乘客数量,构建以最大化运营公司总收益为目标以最小化乘客的出行成本和满足开行条件为约束的线路及排班优化模型。
历史数据获取模块,用于获取网约车的历史订单数据。
聚类模块,用于根据历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合。
第一求解模块,用于根据备选站点集合和线路及排班优化模型,用贪心算法进行求解,获取线路及排班优化模型的初始解。其中,贪心算法的目标位客服务人数最大。
迭代模块,用于初始化变邻域搜索算法的初始参数,然后随机选择扰动算子对当前解进行扰动,获取局部最优解。其中,第一次扰动时以初始解作为当前解。
第一判断模块,用于根据线路及排班优化模型的目标函数判断局部最优解是否优于当前解。若局部最优解优于当前解则接受局部最优解,否则以模拟退火概率接受新解,从而更新当前解。
第二判断模块,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更新后的当前解,否则继续迭代。其中,输出的当前解包含线路及排班方案。
第三方面、
本发明实施例提供了一种城际定制客运的协同优化设备,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城际定制客运的协同优化方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质。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定制客运的协同优化方法。
通过采用上述技术方案,本发明可以取得以下技术效果:
本发明实施例的协同优化方法,能够根据历史乘客订单数据挖掘出行特点,优化得到满足城际客运开行条件的线路及时刻表,可以保证乘客的乘车体验感和舒适感得到有效保障,同时为运营企业提供决策支持。
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是城际定制客运的协同优化方法的流程示意图。
图2是城际定制客运的协同优化方法的逻辑图。
图3是进行时空聚类的逻辑图。
图4是贪心算法求解初始解的逻辑图。
图5是以模拟退火概率接受新解的逻辑图。
图6是城际定制客运的协同优化装置的结构示意图。
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城际定制客运的协同优化方法,其可由城际定制客运的协同优化设备来执行(以下简称:优化设备)。特别地,由优化设备中的一个或多个处理器来执行,以实现步骤S1至步骤S7。
S1、基于站点、线路、时刻表和乘客数量,构建以最大化运营公司总收益为目标以最小化乘客的出行成本和满足开行条件为约束的线路及排班优化模型。
具体的,本发明实施例的协同优化方法以制定出满处一系列开行约束为前提,能够在城际间设计出合理的站点、线路及时刻表。对于城市间的交通规划起到一定的指导作用。
在上述实施例的基础上,本发明的一个可选地实施例中,线路及排班优化模型包括目标函数和约束条件。
目标函数为:
式中,maxTP表示最大化运营公司总收益、为线路数量、/>为线路编号、||为出发日期的总数量、s为出发日期、||为发车时刻的总数量、t为发车时刻、/>表示上行线路/>在时刻t的发车情况、/>表示上行线路/>中出发时刻t出发日期s的可上车人数、P为票价。
约束条件为:
式中,为线路数量、/>为线路编号、/>表示站点i是否作为上行线路/>的站点、M+为起始城市的上车站点集合、M-为终点城市的下车站点集合、/>表示站点i+m是否作为上行线路/>的站点、/>表示上行线路/>的上车站点总数、/>表示线路/>是否从点i到点j经过、/>和表示上行线路/>在起始城市的第η个和第η+1个站点编号、/>和/>表示上行线路/>在终点城市的第η个和第η+1个站点编号、/>表示上行线路在起始城市/>的最后一个站点编号、vA表示高速路出口点的编号、vB表示高速路入口点的编号、/>表示上行线路在终点城市的第一个站点编号、/>为上行线路集合、/>表示城市A的最大上车站点数量、/>表示城市B的最大下车站点数量、tij表示点i到点j之间的行驶时间、/>表示上行线路/>在起始城市的第1个站点编号、/>表示上行线路/>在时刻t可发车、/>表示在上行线路/>中出发时刻t出发日期s的可上车人数、TACC表示乘客可容忍出行时间差、FSTA表示城市A的最大时间限制、LSTB表示城市B的最大时间限制、/>为上行线路/>的上车绕行系数、/>为城市A的最大上车绕行系数、/>为上行线路/>的下车绕行系数、/>为城市B的最大下车绕行系数、Tb为最早发车时刻、/>为上行线路/>的第μ班次的发车时刻、Te为最晚发车时刻、T为发车时刻集合、t为发车时刻、/>为上行线路/>的班次数、/>为满足定制客运开行最低满载率、/>为上行线路/>中以t为出发时刻的日均满载率、wk为定制客运车辆的最大载客数、/>为上车需求点i的出行时间差、O为乘客上车点集合、/>为上车需求点i的上车步行距离、SLo为上车站点的服务距离、/>为下车需求点i的下车步行距离、SLd为下车站点的服务距离、D为乘客下车点集合。
其中,公式中的i和j用于替换成任意的符号。公式中未出现和tij等符号,而是出现了/>和/>等符号。是因为在公式中i和j已经替换成了对应的站点的符号。
式1为线路及排班优化模型的目标函数,式2至式14为线路及排班优化模型的约束条件。
式1表示最大化运营公司总收益。总收益越大,则表明越能够为运营公司提供决策支持。
式2保证一个站点被某线路选中后不可被其他线路选择,且只能被该线路最多选择一次;
式3保证如果某上车点被选为线路上的站点,则其对应的下车点也为该线路上的站点,即一条线路既能提供上车服务,也能提供下车服务;
式4保证线路上各站点与站点之间连续;
式5为站点数量约束,保证线路全程至少停靠一对上下车站点,避免空载,同时站点数量不超过最大站点数量限制,以免因站点数量过多而导致降低乘客乘车满意度和舒适度;
式6保证线路上第一个站点位置到起始城市出口点之间的时间不超过起始城市最大时间限制;
式7保证线路上终点城市入口点到终点城市最后一个站点之间的时间不超过终点城市最大时间限制;
式8为上下车绕行系数约束;
式9为发车时刻约束,即保证发车时刻不早于最早发车时刻,不晚于最晚发车时刻;
式10为线路开行约束,即不低于最低满载率要求,否则线路开行无意义;
式11保证任意线路班次的上车人数不超过定制客运车辆的最大载客数;
式12为乘客可容忍出行时间差约束,保证到达站点时间在乘客可接受时间范围内;
式13和14为乘客走行距离约束,乘客与最近可上车站点的走行距离适宜,到达下车站点走行距离适宜。
本发明实施例构建的线路及排班优化模型以最大化运营公司总收益为目标,同时以最小化乘客的出行成本和满足开行条件为约束,其待优化变量包括站点变量、线路变量、时刻表变量。
关于线路及排班优化模型的场景说明:
首先将两城市间道路网络图,记作G=(V,E)。其中,V表示地图上所有点的集合,E={(i,j)|i,j∈V,i≠j}表示地图上点与点的边集。对于zij表示任意两点之间的最优距离,tij表示两点之间的行驶时间。点集V可以拆分为V=O∪D∪Ω,O={1,2,...,n}、D={n+1,n+2,...,2n}分别为乘客上车点集合和乘客下车点集合,乘客上下车点一一对应,Ω={vA,vB}为两城市间高速路出入口点的集合,其中,A、B分别表示城市A和城市B。
设历史需求点出发日期集合为S={1,2,...,|S|},出发日期共|S|天,任意出发日期为s,s∈S。发车时刻集合为T={1,2,...,|T|},共|T|个发车时刻,任意发车时刻为t,t∈T。
在乘客上车点集合O和乘客下车点集合D中,选出m对备选站点,构成备选站点集合M。起始城市上车站点集合M+={1,2,...,m},终点城市下车站点集合M-={m+1,m+2,...,2m}。在m对备选站点中寻找可构成运行条件的上行线路集合线路数为/>条,任意线路为/>
绕行系数的定义:反映了车辆在行驶过程中线路的绕行程度。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从线路上第一个站点出发,途经起始城市的各个站点,到达起始城市高速路出口点的实际车辆行驶里程,与线路上第一个站点到起始城市高速路出口点的直达道路里程之比,具体见公式15。下车绕行系数/>表示为从终点城市高速路入口点出发,途经终点城市的各个站点,到达终点城市最后一个站点的实际车辆行驶里程,与终点城市高速路入口点到终点城市最后一个站点的直达道路里程之比,具体见公式16。
车辆在上行线路以t为出发时刻的日均满载率的计算公式见式17和式18:
S2、获取网约车的历史订单数据。
具体的,获取网约车的历史订单数据后对城际历史网约车订单数据进行处理,选取有效数据进行输入。有效数据为所有订单中已完成的订单。城际历史网约车订单数据信息,包括订单id、预约出发时间、起点信息、起点经纬度、终点位置、终点经纬度、人数等,本发明对此不做具体限定。
本发明实施例的协同优化方法旨在对两城间的历史网约车订单数据进行分析挖掘,首先找到适合乘客上车和下车的站点位置,继而制定出可开行的线路及时刻表。运用这种协同优化方法可以很好地平衡企业与乘客的双方利益,同时为现代交通出行提供更加准确的参考或建议。
可以理解的是,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。
S3、根据历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合。
本发明实施例根据S2中选中的订单数据,进行上下车备选站点时空聚类设计。图3为基于空间距离设计备选站点的逻辑框图。基于时间距离设计备选站点的逻辑和基于空间同理。下面以上车站点为例进行聚类设计的说明。下车站点的聚类设计和上车站点的设计同理:
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S3具体包括步骤S31至步骤S35。
S31、根据历史订单数据,获取每个订单的出发时间、上车点经纬度信息和下车站点经纬度信息。
具体的,本发明实施例利用每个订单包含的上车点经纬度信息。将其绘制为地图上的一个个点。
S32、根据每个订单的上车点经纬度信息和下车站点经纬度信息,使用综合层次聚类算法Bi rch将满足空间距离阈值内的订单归为一类,获取上车站点空间聚合集和下车站点空间聚合集。
首先,提取空间距离属性对其进行聚类,将满足空间距离阈值内的订单归为一类。即,计算每两个订单与订单之间的空间距离,将满足空间距离阈值内的相似订单归为一类。优选的,聚类方法的选取上,采用运行时间短、适合处理大规模数据集的Bi rch聚类算法,该方法在一次聚类后即可得出最终结果。
S33、根据上车站点空间聚合集和下车站点空间聚合集,计算集合内的所有订单的经纬度信息的均值,获取上车临时点和下车临时点。
S34、根据上车临时点和下车临时点,将空间聚合集中最接近临时点的点标记为上车备选站点和下车备选站点,获取备选站点集合。
具体的,在完成聚类后,就要分别在每个聚类群众选择一个合适的站点作为备选站点。在本实施例中,先将各个聚类中所有点的经度相加除以点的个数,纬度计算方式同理,将该经度和纬度得到的点设置为一个临时点。得到临时点后,计算聚类集中所有点到该临时点的距离,将距离最近的点定义为该类别中的中心点,记做备选站点。这样做能够使得中心点在实际生活中存在且合理,避免出现中心点在湖泊、高速路等非合理区域。
S35、根据出发时间,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集。
具体的,考虑到上车站点空间聚类完成后,同一备选站点内的乘客预约出发时间差异大,给后续线路及车辆的时间安排造成压力,同时增加计算量,
因此提出对相同站点的乘客需求进一步拆分,即根据出发时间的不同将站点内的乘客的出发时间集合拆分成若干个出发时段。
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S35具体包括步骤S351至步骤S352。
S351、根据出发时间,获取上车备选站点所在的上车站点空间聚合集中所有订单的时间戳。
S352、根据时间戳,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集。
具体的,样本的时间距离采用欧式距离法。即,把时间格式的数值转换成时间戳格式,放在纵轴为0的时间轴上,完成欧式距离里二维空间计算方法向一维空间的转换。如07:15:00转换为时间戳为1638900,07:30:00转换为时间戳为1639800,则两者的时间距离即为时间戳的相差距离为900。
通过将出发时间集合拆分成若干个出发时段,可得到每个聚类集合下关于时间属性上的进一步划分。即每个相同中心点下的大集合可分为多个时间不相同的子集合。因为下车点未包含预约出发时间信息,故不需对下车站点进行二次聚类。
S4、根据备选站点集合和线路及排班优化模型,用贪心算法进行求解,获取线路及排班优化模型的初始解。其中,贪心算法的目标位客服务人数最大。
具体的,对输入线路及排班优化模型中的所有站点按照可服务人数最大的贪心规则,使用贪心算法得到一个可行的初始解。
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S4具体包括步骤S41至步骤S46。
S41、根据备选站点集合,初始化上行线路集合令/>其中,备选站点集合包含m对上下车站点。
S42、往上行线路中插入可服务人数最多的一对站点。
S43、判断插入站点后的上行线路是否满足线路中最大站点数量约束。
S44、若满足最大站点数量约束,则判断是否满足插入条件。否则,
S45、若满足插入条件,则向线路中插入站点。否则移除站点。
S46、判断站点是否全部遍历完毕。若是,则输出上行线路集合的初始解。否则,加入下一个站点,重新判断插入站点后的上行线路是否满足线路中最大站点数量约束。
如图4所示,以步骤S1中的公式1作为评价函数,初始化当前最优解。
S41具体为:根据S3得到备选站点集合M,共m对上下车站点,初始化上行线路集合令/>
S42具体为:往当前线路中插入可服务人数最多的一对站点。
S43和S44具体为:判断是否满足线路中最大站点数量约束;若满足则转至步骤S45;否则移除该站点,转至步骤S46下下个步骤。其中,后/>表示先对/>进行相应程序处理,然后对其进行+1操作。
S45具体为:判断是否满足插入条件;若满足则向线路中加入该站点转至步骤S46;否则移除该站点转至步骤S46。
S46具体为:判断站点是否全部遍历完毕;若是则输出上行线路集合的初始解;否则加入下一个站点,转至步骤S43。
S5、初始化变邻域搜索算法的初始参数,然后随机选择扰动算子对当前解进行扰动,获取局部最优解。其中,第一次扰动时以初始解作为当前解。其中,初始参数为迭代次数。并根据预先设置的最大迭代次数进行后续的迭代操作。
在迭代时选择扰动算子对当前解进行扰动,从而获得局部最优解。本发明实施例采用随机选择的方式对扰动算子进行选取。三种邻域算子的概率相同,从而保证扰动的随机性和有效性,避免陷入局部最优。
选择扰动算子的目的为进一步提高初始解的求解质量,在上述实施例的基础上,本发明的一个可选地实施例中,发明人经过大量的创造性研究设计了如下三种邻域算子对当前解进行扰动。扰动算子包括交换邻域算子、重组邻域算子和插入邻域算子。
交换邻域算子用于选择两个不同线路的站点,然后将这两个站点交换到彼此所属线路中。重组邻域算子用于将两条不同的上行线路打乱,然后将分散的站点重新组合成两条新的线路。插入邻域算子用于将未分配的站点插入至线路中。若插入站点后的线路满足约束则插入成功,否则寻找下一个可插入的位置进行插入操作。
具体的:
交换邻域算子,用于每次选择两个来自不同线路的站点,如果将这两个不同的站点交换到彼此所属线路中,交换邻域搜索结束。该邻域搜索设定30次局部优化,每次优化后进行一次结果评估,若局部优化后的总收益未得到提高则该邻域搜索结束,否则进行下一次局部优化。该操作的复杂度为O(n)。
重组邻域算子,用于将两条不同的上行线路打乱,分散的站点重新组合成两条新的线路,交换邻域搜索结束。该邻域搜索设定30次局部优化,每次优化后进行一次结果评估,若局部优化后的总收益未得到提高则该邻域搜索结束,否则进行下一次局部优化。该操作的复杂度为O(n)。
插入邻域算子,用于将未分配的站点插入至线路中,若满足约束则插入成功,否则寻找下一条可插入的位置进行插入操作。该邻域搜索设定30次局部优化,每次优化后对结果进行评估,若总收益未提高则该邻域搜索结束,否则进行下一次插入操作。该操作的复杂度为O(1)。
S6、根据线路及排班优化模型的目标函数判断局部最优解是否优于当前解。若局部最优解优于当前解则接受局部最优解,否则以模拟退火概率接受新解,从而更新当前解。
具体的,如图5所示,根据评价函数(公式1)判断局部最优解是否优于当前解;若优于当前解,则将最优解更新,增加一次迭代次数;否则以模拟退火概率接受新解,更新最优解,增加一次迭代次数。
参考图5所示,设为当前解/>经过算子移除和插入后得到的新解。经过评价函数计算后,总收益分别为/>和/>
令初始温度为TP,温度变化率为TK,温度TP每次迭代的更新公式如下:
TP=TK*TP (19)
模拟退火概率Paccept的计算公式如下
S7、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更新后的当前解,否则继续迭代。其中,输出的当前解包含线路及排班方案。
本发明实施例的协同优化方法,能够根据历史乘客订单数据挖掘出行特点,优化得到满足城际客运开行条件的线路及时刻表,可以保证乘客的乘车体验感和舒适感得到有效保障,为企业运营提供决策支持。其中,本发明实施例的协同优化方法得到的城际定制客运单向线路及排班优化模型适用范围广,充分考虑行驶过程中实际情况。所提出的求解方法与其它现有方法相比,求解速度更快,精度更高,稳定性更强。
实施例二、
请参阅图6、本发明实施例提供了一种城际定制客运的协同优化装置,其包含:
模型构建模块1,用于基于站点、线路、时刻表和乘客数量,构建以最大化运营公司总收益为目标以最小化乘客的出行成本和满足开行条件为约束的线路及排班优化模型。
历史数据获取模块2,用于获取网约车的历史订单数据。
聚类模块3,用于根据历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合。
第一求解模块4,用于根据备选站点集合和线路及排班优化模型,用贪心算法进行求解,获取线路及排班优化模型的初始解。其中,贪心算法的目标位客服务人数最大。
迭代模块5,用于初始化变邻域搜索算法的初始参数,然后随机选择扰动算子对当前解进行扰动,获取局部最优解。其中,第一次扰动时以初始解作为当前解。
第一判断模块6,用于根据线路及排班优化模型的目标函数判断局部最优解是否优于当前解。若局部最优解优于当前解则接受局部最优解,否则以模拟退火概率接受新解,从而更新当前解。
第二判断模块7,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更新后的当前解,否则继续迭代。其中,输出的当前解包含线路及排班方案。
在上述实施例的基础上,本发明的一个可选地实施例中,聚类模块3具体包括:
信息提取单元,用于根据历史订单数据,获取每个订单的出发时间、上车点经纬度信息和下车站点经纬度信息。
空间聚类单元,用于根据每个订单的上车点经纬度信息和下车站点经纬度信息,使用综合层次聚类算法Bi rch将满足空间距离阈值内的订单归为一类,获取上车站点空间聚合集和下车站点空间聚合集。
临时站点获取单元,用于根据上车站点空间聚合集和下车站点空间聚合集,计算集合内的所有订单的经纬度信息的均值,获取上车临时点和下车临时点。
备选站点获取单元,用于根据上车临时点和下车临时点,将空间聚合集中最接近临时点的点标记为上车备选站点和下车备选站点,获取备选站点集合。
时间聚类单元,用于根据出发时间,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集。
在上述实施例的基础上,本发明的一个可选地实施例中,时间聚类单元具体包括:
时间戳获取子单元,用于根据出发时间,获取上车备选站点所在的上车站点空间聚合集中所有订单的时间戳。
时间拆分子单元,用于根据时间戳,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集。
在上述实施例的基础上,本发明的一个可选地实施例中,第一求解模块4具体包括:
第一初始化单元,用于根据备选站点集合,初始化上行线路集合令/>其中,备选站点集合包含m对上下车站点。
插入单元,用于往上行线路中插入可服务人数最多的一对站点。
第一判断单元,用于判断插入站点后的上行线路是否满足线路中最大站点数量约束。
第二判断单元,用于若满足最大站点数量约束,则判断是否满足插入条件。否则,
第一执行单元,用于若满足插入条件,则向线路中插入站点。否则移除站点。
第三判断单元,用于判断站点是否全部遍历完毕。若是,则输出上行线路集合的初始解。否则,加入下一个站点,重新判断插入站点后的上行线路是否满足线路中最大站点数量约束。
在上述实施例的基础上,本发明的一个可选地实施例中,扰动算子包括交换邻域算子、重组邻域算子和插入邻域算子。
交换邻域算子用于选择两个不同线路的站点,然后将这两个站点交换到彼此所属线路中。
重组邻域算子用于将两条不同的上行线路打乱,然后将分散的站点重新组合成两条新的线路。
插入邻域算子用于将未分配的站点插入至线路中。若插入站点后的线路满足约束则插入成功,否则寻找下一个可插入的位置进行插入操作。
实施例三、
本发明实施例提供了一种城际定制客运的协同优化设备,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,以实现如实施例一任意一段所说的城际定制客运的协同优化方法。
实施例四、
本发明实施例提供了一种计算机可读存储介质。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定制客运的协同优化方法。
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 (9)
1.一种城际定制客运的协同优化方法,其特征在于,包含:
基于站点、线路、时刻表和乘客数量,构建以最大化运营公司总收益为目标以最小化乘客的出行成本和满足开行条件为约束的线路及排班优化模型;
获取网约车的历史订单数据;
根据所述历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合;
根据所述备选站点集合和所述线路及排班优化模型,用贪心算法进行求解,获取所述线路及排班优化模型的初始解;其中,所述贪心算法的目标位客服务人数最大;
初始化变邻域搜索算法的初始参数,然后随机选择扰动算子对当前解进行扰动,获取局部最优解;其中,第一次扰动时以所述初始解作为当前解;
根据所述线路及排班优化模型的目标函数判断局部最优解是否优于当前解;若局部最优解优于当前解则接受局部最优解,否则以模拟退火概率接受所述新解,从而更新当前解;
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更新后的当前解,否则继续迭代;其中,输出的当前解包含线路及排班方案。
2.根据权利要求1所述的城际定制客运的协同优化方法,其特征在于,所述线路及排班优化模型包括目标函数和约束条件;
所述目标函数为:
式中,表示最大化运营公司总收益、/>为线路数量、/>为线路编号、/>为出发日期的总数量、/>为出发日期、/>为发车时刻的总数量、/>为发车时刻、/>表示上行线路/>在时刻/>的发车情况、/>表示上行线路/>中出发时刻/>出发日期/>的可上车人数、/>为票价;
所述约束条件为:
式中,
为线路数量、/>为线路编号、
表示站点/>是否作为上行线路/>的站点、
为起始城市的上车站点集合、
为终点城市的下车站点集合、
表示站点/>是否作为上行线路/>的站点、
表示上行线路/>的上车站点总数、
表示线路/>是否从点/>到点/>经过、
和/>表示上行线路/>在起始城市的第/>个和第/>个站点编号、
和/>表示上行线路/>在终点城市的第/>个和第/>个站点编号、
表示上行线路在起始城市/>的最后一个站点编号、
表示高速路出口点的编号、
表示高速路入口点的编号、
表示上行线路在终点城市的第一个站点编号、
为上行线路集合、
表示城市/>的最大上车站点数量、
表示城市/>的最大下车站点数量、
表示点/>到点/>之间的行驶时间、
表示上行线路/>在起始城市的第1个站点编号、
表示上行线路/>在时刻/>可发车、
表示在上行线路/>中出发时刻/>出发日期/>的可上车人数、
表示乘客可容忍出行时间差、
表示城市/>的最大时间限制、
表示城市/>的最大时间限制、
为上行线路/>的上车绕行系数、
为城市/>的最大上车绕行系数、
为上行线路/>的下车绕行系数、
为城市B的最大下车绕行系数、
为最早发车时刻、
为上行线路/>的第/>班次的发车时刻、
为最晚发车时刻、
为发车时刻集合、
为发车时刻、
为上行线路/>的班次数、
为满足定制客运开行最低满载率、
为上行线路/>中以/>为出发时刻的日均满载率、
为定制客运车辆的最大载客数、
为上车需求点/>的出行时间差、
为乘客上车点集合、
为上车需求点/>的上车步行距离、
为上车站点的服务距离、
为下车需求点/>的下车步行距离、
为下车站点的服务距离、
为乘客下车点集合。
3.根据权利要求1所述的城际定制客运的协同优化方法,其特征在于,根据所述历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合,具体包括:
根据所述历史订单数据,获取每个订单的出发时间、上车点经纬度信息和下车站点经纬度信息;
根据所述每个订单的上车点经纬度信息和下车站点经纬度信息,使用综合层次聚类算法Birch将满足空间距离阈值内的订单归为一类,获取上车站点空间聚合集和下车站点空间聚合集;
根据所述上车站点空间聚合集和所述下车站点空间聚合集,计算集合内的所有订单的经纬度信息的均值,获取上车临时点和下车临时点;
根据所述上车临时点和下车临时点,将空间聚合集中最接近临时点的点标记为上车备选站点和下车备选站点,获取备选站点集合;
根据所述出发时间,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集。
4.根据权利要求3所述的城际定制客运的协同优化方法,其特征在于,根据所述出发时间,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集,具体包括:
根据所述出发时间,获取上车备选站点所在的上车站点空间聚合集中所有订单的时间戳;
根据所述时间戳,按照预设的时间间隔对上车备选站点所在的上车站点空间聚合集进行拆分,获取上车备选站点子集。
5.根据权利要求1至4任意一项所述的城际定制客运的协同优化方法,其特征在于,根据所述备选站点集合和所述线路及排班优化模型,用贪心算法进行求解,获取所述线路及排班优化模型的初始解,具体包括:
根据所述备选站点集合,初始化上行线路集合,令/>;其中,所述备选站点集合包含/>对上下车站点;
往上行线路中插入可服务人数最多的一对站点;
判断插入站点后的上行线路是否满足线路中最大站点数量约束;
若满足最大站点数量约束,则判断是否满足插入条件;否则, ;
若满足插入条件,则向线路中插入站点;否则移除站点;
判断站点是否全部遍历完毕;若是,则输出上行线路集合的初始解;否则,加入下一个站点,重新判断插入站点后的上行线路是否满足线路中最大站点数量约束。
6.根据权利要求1至4任意一项所述的城际定制客运的协同优化方法,其特征在于,所述扰动算子包括交换邻域算子、重组邻域算子和插入邻域算子;
所述交换邻域算子用于选择两个不同线路的站点,然后将这两个站点交换到彼此所属线路中。
所述重组邻域算子用于将两条不同的上行线路打乱,然后将分散的站点重新组合成两条新的线路;
所述插入邻域算子用于将未分配的站点插入至线路中;若插入站点后的线路满足约束则插入成功,否则寻找下一个可插入的位置进行插入操作。
7.一种城际定制客运的协同优化装置,其特征在于,包含:
模型构建模块,用于基于站点、线路、时刻表和乘客数量,构建以最大化运营公司总收益为目标以最小化乘客的出行成本和满足开行条件为约束的线路及排班优化模型;
历史数据获取模块,用于获取网约车的历史订单数据;
聚类模块,用于根据所述历史订单数据,进行上车备选站点和下车备选站点的时空聚类,获取备选站点集合;
第一求解模块,用于根据所述备选站点集合和所述线路及排班优化模型,用贪心算法进行求解,获取所述线路及排班优化模型的初始解;其中,所述贪心算法的目标位客服务人数最大;
迭代模块,用于初始化变邻域搜索算法的初始参数,然后随机选择扰动算子对当前解进行扰动,获取局部最优解;其中,第一次扰动时以所述初始解作为当前解;
第一判断模块,用于根据所述线路及排班优化模型的目标函数判断局部最优解是否优于当前解;若局部最优解优于当前解则接受局部最优解,否则以模拟退火概率接受所述新解,从而更新当前解;
第二判断模块,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更新后的当前解,否则继续迭代;其中,输出的当前解包含线路及排班方案。
8.一种城际定制客运的协同优化设备,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6任意一项所述的城际定制客运的协同优化方法。
9.一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6任意一项所述的城际定制客运的协同优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551389.8A CN116562574A (zh) | 2023-05-17 | 2023-05-17 | 城际定制客运的协同优化方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551389.8A CN116562574A (zh) | 2023-05-17 | 2023-05-17 | 城际定制客运的协同优化方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562574A true CN116562574A (zh) | 2023-08-08 |
Family
ID=87489538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551389.8A Pending CN116562574A (zh) | 2023-05-17 | 2023-05-17 | 城际定制客运的协同优化方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562574A (zh) |
Cited By (1)
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 |
-
2023
- 2023-05-17 CN CN202310551389.8A patent/CN116562574A/zh active Pending
Cited By (2)
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704993B (zh) | 一种疏解地铁客流压力的定制公交线路设计方法 | |
CN105825310A (zh) | 基于信息熵的出租车寻客路线推荐方法 | |
JP6895325B2 (ja) | 交通需要予測装置、交通需要予測方法、及び交通需要予測プログラム | |
CN105788260A (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
Liu et al. | Exploiting heterogeneous human mobility patterns for intelligent bus routing | |
Dou et al. | Customized bus service design for uncertain commuting travel demand | |
CN111461489A (zh) | 路线生成方法、装置、电子设备及可读存储介质 | |
CN116562574A (zh) | 城际定制客运的协同优化方法、装置、设备和存储介质 | |
CN111598333A (zh) | 客流数据的预测方法及装置 | |
Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
Nassir et al. | Statistical inference of transit passenger boarding strategies from farecard data | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
Lai et al. | Data-driven flexible vehicle scheduling and route optimization | |
CN112990518B (zh) | 一种地铁个体乘客目的站点实时预测方法及装置 | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
CN113469451B (zh) | 基于启发式算法的定制公交线路生成方法 | |
Tian et al. | Designing and planning sustainable customized bus service for departing attendees of planned special events: A two-phase methodology integrating data-driven and demand-responsive | |
Nasiboglu et al. | Origin-destination matrix generation using smart card data: Case study for Izmir | |
CN116307333B (zh) | 一种城际定制客运的往返线路和时刻表的获取方法及装置 | |
Wang et al. | Spatiotemporal analysis of competition between subways and taxis based on multi-source data | |
CN112733891B (zh) | 对出行链断链时公交ic卡乘客进行下车站点识别的方法 | |
CN114882693B (zh) | 一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法 | |
Li et al. | Personalized route recommendation for passengers in urban rail transit based on collaborative filtering algorithm | |
Rakha et al. | Traffic state prediction: A traveler equity and multi-modal perspective |
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 |