CN116663811A - 一种城际客运的往返动态拼车的调度匹配方法和装置 - Google Patents
一种城际客运的往返动态拼车的调度匹配方法和装置 Download PDFInfo
- Publication number
- CN116663811A CN116663811A CN202310551393.4A CN202310551393A CN116663811A CN 116663811 A CN116663811 A CN 116663811A CN 202310551393 A CN202310551393 A CN 202310551393A CN 116663811 A CN116663811 A CN 116663811A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- city
- order
- carpooling
- operator
- 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 57
- 238000003780 insertion Methods 0.000 claims abstract description 85
- 230000037431 insertion Effects 0.000 claims abstract description 85
- 238000002922 simulated annealing Methods 0.000 claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000137 annealing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 2
- 230000008685 targeting Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 9
- 238000010845 search algorithm Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 231100000773 point of departure Toxicity 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization 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
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004804 winding 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (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
本发明实施例提供一种城际客运的往返动态拼车的调度匹配方法和装置,涉及城际客运规划技术领域。调度匹配方法包含S1构建往返动态拼车的规划模型。S2获取待拼车订单集合、可用车辆集合和道路网络信息。S3上述数据通过自适应权重选择插入算子求解,获取初始解。S4通过自适应权重,先进行移除操作,再进行插入操作,获取新解。S5根据规划模型的目标,判断新解是否优于当前解。若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。然后,更新算子的权重、模拟退火的温度和迭代次数。S6判断迭代次数是否达到最大迭代次数。若达到,则停止迭代,获取拼车路径集合。否则,继续迭代。S7进行二分图最大权匹配,为拼车路径匹配对应的网约车。
Description
技术领域
本发明涉及城际客运规划技术领域,具体而言,涉及一种城际客运的往返动态拼车的调度匹配方法和装置。
背景技术
客运车辆的拼车模式可以最大限度地减少车辆空置座位的数量,从而减少所需车辆的数量,缓解目前日益严峻的城市交通以及环境等问题。并且,拼车出行价格更加实惠,日益被人们所接受。
城际客运的动态拼车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。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。
此外,因为车辆服务范围跨城,所以必须要考虑返程时的拼车订单,同时还要考虑休息时间,往返次数限制,以及最后一次载客能否回到司机起始城市的问题。而现有技术并未考虑这些问题。
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客运的往返动态拼车的调度匹配方法和装置,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往返动态拼车的调度匹配方法,其包含步骤S1至步骤S7。
S1、基于乘客城际拼车订单信息、网约车辆信息和道路网络信息,以最大化总利润为目标,以往返次数、休息时长为约束,构建往返动态拼车的规划模型。
S2、获取待拼车订单集合、可用车辆集合和道路网络信息。
S3、根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解。其中,求解时以规划模型的目标函数作为评价函数。
S4、通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解。其中,第一次进行移除操作时,以初始解作为当前解。
S5、根据规划模型的目标,判断新解是否优于当前解。若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。然后,根据新解更新算子的权重、模拟退火的温度和迭代次数。
S6、判断迭代次数是否达到最大迭代次数。若达到,则停止迭代,获取拼车路径集合。否则,以当前迭代次数的新解作为当前解继续迭代。
S7、根据拼车路径集合和可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车。
第二方面、
本发明实施例提供了一种城际客运的往返动态拼车的调度匹配装置,其包含:
模型构建模块,用于基于乘客城际拼车订单信息、网约车辆信息和道路网络信息,以最大化总利润为目标,以往返次数、休息时长为约束,构建往返动态拼车的规划模型。
初始信息获取模块,用于获取待拼车订单集合、可用车辆集合和道路网络信息。
初始解计算模块,用于根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解。其中,求解时以规划模型的目标函数作为评价函数。
新解计算模块,用于通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解。其中,第一次进行移除操作时,以初始解作为当前解。
新解接受模块,用于根据规划模型的目标,判断新解是否优于当前解。若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。然后,根据新解更新算子的权重、模拟退火的温度和迭代次数。
迭代模块,用于判断迭代次数是否达到最大迭代次数。若达到,则停止迭代,获取拼车路径集合。否则,以当前迭代次数的新解作为当前解继续迭代。
第一匹配模块,用于根据拼车路径集合和可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车。
通过采用上述技术方案,本发明可以取得以下技术效果:
本发明实施例的城际客运的往返动态拼车的调度匹配方法不仅计算速度更快,而且其计算结果能够使企业获得更高的利润,具有显著的进步。
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是调度匹配方法的流程示意图。
图2是调度匹配方法的逻辑图。
图3是以模拟退火概率接受新解的逻辑图。
图4是二分图最大权匹配的逻辑图。
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4,本发明第一实施例提供一种城际客运的往返动态拼车的调度匹配方法,其可由城际客运的往返动态拼车的调度匹配设备来执行(以下简称:调度匹配设备)。特别地,由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S7。
S1、基于乘客城际拼车订单信息、网约车辆信息和道路网络信息,以最大化总利润为目标,以往返次数、休息时长为约束,构建往返动态拼车的规划模型。
具体的,本发明实施例的调度匹配方法旨在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,对乘客和车辆进行双侧往返的在线调度匹配。并且,需要满足硬时间窗、线路路线、时长、绕路和往返等约束,决策车辆行程、行程线路、线路时间点和司乘匹配,以达到平台利润最大化,保证多去程、多回程和往返的时空约束,对乘客信息和车辆信息使用大邻域搜索算法进行多阶段的在线调度匹配,以达到平台利润最大化。
在上述实施例的基础上,本发明的一个可选地实施例中,往返动态拼车的规划模型的目标为:
往返动态拼车的规划模型的约束为:
式中,
表示以最大值为目标;
为城市/>出发的乘客拼车订单编号;
为城市/>出发的乘客拼车订单编号集合;
为城市/>到城市/>的行程编号;
为城市/>到城市/>的行程编号集合;
为订单/>是否由行程/>的车辆服务的决策变量;
为订单/>的价格;
城市/>出发的乘客拼车订单编号;
城市/>出发的乘客拼车订单编号集合;
为城市/>到城市/>的行程编号;
城市/>到城市/>的行程编号集合;
为订单/>是否由行程/>的车辆服务的决策变量;
为订单/>的价格;
为城市/>到城市/>的行程编号;
为城市/>到城市/>的行程编号集合;
为城市/>和城市/>道路网路上第/>个点的编号;
为城市/>和城市/>道路网路上第/>个点的编号;
为城市/>和城市/>道路网路上所有点的编号集合;
为行程/>的车辆是否从/>点到/>点经过的决策变量;
为每公里距离成本;
为城市/>到城市/>的行程编号;
为城市/>到城市/>的行程编号集合;
为行程/>的车辆是否从/>点到/>点经过的决策变量;
表示当前调度匹配时间;
表示当前调度匹配时间集合
为订单/>的预约上车时刻;
为乘客最晚上车时间约束;
为乘客最早上车时间约束;
为行程/>中车辆到达订单/>的上车点/>的时间;
表示订单/>的上车点;
为行程/>中车辆是否从/>点到上车点/>的决策变量;
表示订单/>的下车点;
为行程/>中车辆是否从/>点到下车点/>的决策变量;
为行程/>的车辆/>的已载客量;
为车辆最大载客量;
为行程/>中车辆离开/>点的时刻;
为行程/>中车辆到达/>点的时刻;
为行程/>的订单数;
为行程/>中车辆经过的第/>个上车点;
为行程/>中车辆经过的第/>个下车点;
为城市A的城际出入口点编号;
为行程/>中车辆到达城市A的城际出入口点的时刻;
为行程/>中车辆到达第/>个上车点的时刻;
为行程/>中车辆到达第/>个上车点的时刻;
为行程/>中车辆到达第/>个下车点的的时刻;
为行程/>中车辆到达第/>个下车点的的时刻;
为城市B的城际出入口点编号;
为行程/>中车辆到达城市B的城际出入口的时刻;
为行程/>中车辆到达第/>个上车点的时刻;
为首位乘客上车点到城市A出口点之间的最大限制时间;
为城市B入口点到末位乘客下车点之间的最大限制时间;
为行程/>的上车绕行系数;
为城市/>的上车最大限制绕行系数;
为行程/>的下车绕行系数;
为城市/>的下车最大限制绕行系数;
为车辆的双侧往返次数;
为车辆最大双侧往返次数;
城市/>的车辆编号;
城市/>的车辆编号集合;
为是否安排车辆/>进行第/>个行程的决策变量;
为是否安排车辆/>进行第/>个行程的决策变量;
表示车辆进行第几个行程;
为任意一个正整数;
为正整数集;
为车辆/>的已载客量;
为车辆/>的最大载客量;
为车辆/>的第/>个行程;
为行程/>中车辆从/>点到/>点经过的决策变量
为车辆/>的第/>个行程是否从/>点到城市B的城际出入口点经过的决策变量;
为行程/>的起点出发时刻;
为车辆/>的第/>个行程的起点出发时刻;
为行程/>的开始可用时刻
为车辆/>的第/>个行程的开始可用时刻;
为行程/>的终点到达时刻;
为车辆/>的第/>个行程的终点到达时刻;
为车辆往返单侧载客的最短休息时间;
为是否安排车辆/>的第/>个行程的决策变量;
为车辆/>的第/>个行程经过的第1个下车点;
表示车辆/>的配送中心点;
为车辆往返单侧载客的最长等待开始时间。
其中,式(1)为往返动态拼车的规划模型的目标函数,表示最大化平台总利润;式(2)~式(17)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。式(12)确保车辆的双侧往返次数不能超过最大双侧往返次数。式(13)确保车辆的双侧往返次数达到最大时,无法安排下一个行程。式(14)确保当车辆在奇次边行程时,下一行程都需要被安排,即均要回到起始所在城市。式(15)确保当车辆在偶次边行程时,若未满载且未驶出起始城市出入口点则无法安排下一个行程。式(16)确保车辆完成一个行程后到下一个行程可用之前必须休息一定时间。式(17)确保当车辆在偶次边行程时,若无可运载订单,则等待最长等待开始时间后,立即返程回到该车辆的配送中心。
下面对构建往返动态拼车的规划模型场景中的一些定义进行说明:
首先、构建城际客运双侧往返动态拼车问题的场景。
将城际客运的两个城市分别命名为城市A和城市B。定义一个有向图,表示两城道路网路上所有点的编号集合,/>表示点与点的边集。
设表示A、B两城市乘客拼车订单编号集合,城市A的乘客拼车订单编号集合/>,/>代表城市A的乘客拼车订单数;城市B的乘客拼车订单编号集合/>,/>代表城市B的乘客拼车订单数。
设代表A、B两城市车辆编号集合,城市A的车辆编号集合,/>代表城市A的车辆数;城市B的车辆编号集合,/>代表城市B的车辆数。
记平台调度决策的时刻编号集合记为。其中,/>表示初始收集乘客拼车订单的时刻,/>表示第/>个调度决策时刻,/>表示决策时刻个数,任意的间隔时间相等。平台将在任一/>时刻根据当前时刻的车辆情况调度决策中产生的乘客拼车新订单和/>中未匹配成功且未拒单的乘客拼车旧订单。
其次,关于场景中相关术语的定义:
定义1:行程。其指车辆从城市A到城市B或城市B到城市A的一次单边载客。
每一辆车对应多个行程,但车辆每次只能服务一个行程,一个行程服务完后自动进入下一个行程中等待调度。每个行程同样只能被由一辆车服务。用代表两城市A、B的所有行程编号集合。城市A到城市B的行程编号集合设为/>,/>代表城市A到城市B的行程总数。城市B到城市A的行程编号集合设为/>,代表城市B到城市A的行程总数。
定义2:绕行系数。其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。
对其中任一行程,上车绕行系数计算公式为:
对其中任一行程,下车绕行系数计算公式为:
对于,车辆可有多个行程,从而进行多次双侧往返,第/>个行程根据/>是奇数还是偶数区分行程的类型,描述如下:
车辆的一次双侧往返行程的车辆路径可表示为:
S2、获取待拼车订单集合、可用车辆集合和道路网络信息。
具体的,本发明实施例的调度匹配方法是对未匹配的对乘客和车辆进行双侧往返的在线调度匹配。因此,需要获取待拼车订单集合和可用车辆集合。而道路网络信息,是在线调度匹配的基础数据,只有根据实际的道路才能进行规划。
可以理解的是,所述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。
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S2具体包括步骤S21至步骤S23。
S21、获取乘客城际拼车订单信息、网约车辆信息和道路网络信息。
S22、根据所述乘客城际拼车订单信息,提取待拼车订单,获取待拼车订单集合。
S23、根据所述网约车辆信息,提取可用车辆,获取可用车辆集合。
具体的,根据当前时刻从乘客城际拼车订单信息中提取出待拼车订单组成待拼车订单集合。根据当前时刻从网约车辆信息中提取可用车辆组成可用车辆集合。其中,可用车辆是指在两城中非满载的可载客车辆。
S3、根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解。其中,求解时以所述规划模型的目标函数作为评价函数。
具体的,在生成初始解的时候,需要将不同的订单组合在一起进行拼单。由于初始数据中,所有的订单都还未进行拼单,没有可行订单拼车路径,因此不需要进行移除操作。即:步骤S3和步骤S4类似,只是比步骤S4少了移除算子的操作。关于步骤S3的具体操作请参见步骤S4的相关部分。
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具体为:根据所述规划模型、所述待拼车订单集合和所述道路网络信息,基于自适应权重,选择插入算子为待拼车订单进行组合拼单,获取包含可行订单拼车路径集合的初始解。其中,初始解中包含组合拼单得到的可行订单拼车路径,以及未匹配成功的待拼车订单。
插入算子包括随机插入算子、最近插入算子、最佳成本插入算子和最大满载率插入算子。随机插入算子用以将拼车订单随机插入至满足约束条件的车辆行程中。最近插入算子用以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。最佳成本插入算子用以将拼车订单插入最低插入里程成本的车辆行程中。最大满载率插入算子用以将拼车订单插入最大满载率的车辆行程中。
下面对自适应邻域搜索算法的匹配过程中的相关定义和概念进行解释说明:可行订单拼车路径为将不同订单之间进行拼单生成的路径。
令决策时刻编号的订单拼车路径编号集合为/>,/>为路径条数。对任意订单拼车路径/>,定义其订单序列/>和路径序列/>分别表示为:式中,/>代表订单序列中第/>个订单,/>代表该/>的订单数。/>代表路径序列中第/>个上车点,/>代表路径序列中第/>个下车点,
订单拼车路径与车辆行程路径/>不同。订单拼车路径仅指订单串连而成的可行路径,而非车辆真实路径,它与车辆无关。车辆行程路径是指车辆接送订单的真实路径,它与车辆相关。
令订单拼车路径的总行驶里程为/>,计算公式为:
对订单拼车路径集合定义一个评价函数用于评价该拼车路径集合的好坏,该评价函数是指订单拼车路径集合中的订单总收益减去路径成本,即总利润,公式如下:
S4、通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解。其中,第一次进行移除操作时,以所述初始解作为当前解。
具体的,本发明实施例的调度匹配方法针对带有往返时空约束和下一行程预接的双侧大规模动态拼车问题,建立了往返动态拼车的规划模型,优化了多去程加多回程的最大总利润。针对该往返动态拼车的规划模型提出了对应的大邻域搜索算法,大邻域搜索算法由移除算子和插入算子组成。
通过本发明实施例提出的大邻域搜索算法对乘客进行双侧往返的多阶段在线调度匹配,具有去程和回程调度速度快、精度高、多次往返整体总利润大的技术效果。
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S42。
S41、基于移除算子的权重选择移除算子对当前解中的可行订单拼车路径进行移除操作。其中,移除算子包括随机移除算子、最坏移除算子和相似移除算子。
随机移除算子用以随机移除若干个在车辆行程路径中的拼车订单。最坏移除算子用以移除在车辆行程路径中插入成本最高的拼车订单。相似移除算子用以先进行随机移除一个订单,再移除与该订单最相似的订单。
具体的,移除算子操作对象是组合拼单得到的可行订单拼车路径。订单的相似程度定义为订单上车点之间、下车点之间和出发时间之间的接近值。距离和时间的量纲采用归一化方法进行统一。
订单与/>的相似程度定义为:
式中,为相似度权重、/>表示订单/>的上车点/>到订单/>的上车点/>的归一化距离、/>表示订单/>的下车点/>到订单/>的下车点/>的归一化距离、表示对应行程/>到达/>点的归一化时间,/>表示对应行程/>到达/>点的归一化时间、/>表示对应行程/>到达/>点的归一化时间、/>表示对应行程/>到达/>点的归一化时间。
距离和时间各自均采用min-max方法归一化,公式如下:
式中,为样本数据,/>为样本最小值,/>为样本最大值。
S42、基于插入算子的权重选择插入算子对移除操作后的当前解中未匹配成功的待拼车订单进行插入操作,获取新解。其中,插入算子包括随机插入算子、最近插入算子、最佳成本插入算子和最大满载率插入算子。
具体的,插入算子的操作对象是未分配的待拼车订单。随机插入算子用以将拼车订单随机插入至满足约束条件的车辆行程中。最近插入算子用以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。最佳成本插入算子用以将拼车订单插入最低插入里程成本的车辆行程中。最大满载率插入算子用以将拼车订单插入最大满载率的车辆行程中。
S5、根据所述规划模型的目标,判断新解是否优于当前解。若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。然后,根据所述新解更新算子的权重、模拟退火的温度和迭代次数。
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S5具体包括步骤S51至步骤S54。
S51、以所述规划模型的目标作为评价函数,判断新解是否优于当前解。
S52、若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。模拟退火概率的计算模型为:,式中,为模拟退火概率、/>为根据评价函数计算出的当前解的利润、为根据评价函数计算出的新解的利润、/>为退火温度。
S53、更新退火温度。其中,退火温度的更新模型为:,式中,/>为初始温度,/>为温度变化率,/>为更新后的退火温度。
S54、根据所述新解更新算子的权重,并将迭代次数加一。其中,新解优于当前解,则对应的算子权重增加2。新解比当前解差,但新解能够在模拟退火准则下被接受,则对应的算子权重增加1。新解比当前解差,且不能在模拟退火准则下被接受,则对应的算子权重不变。
如图3所示,具体的,以所述规划模型的目标作为评价函数。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,利润分别为和/>。
模拟退火概率的计算公式如下
令初始温度为,温度变化率为/>,温度/>每次迭代的更新公式如下:
自适应权重更新,算子的权重如下公式进行更新:
式中,为算子权重,/>为算子分数,/>为算子的使用次数,/>为权重更新系数。
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,在每迭代50次后,根据算子的得分更新算子的权重。定义以下更新分数情况:1、增加2分:移除/插入后得到比当前解更好的新解;2、增加1分:移除/插入后虽得到比当前解更差的新解,但该解在模拟退火准则下接受;3、不变:除了以上两种情况。
S6、判断迭代次数是否达到最大迭代次数。若达到,则停止迭代,获取拼车路径集合。否则,以当前迭代次数的新解作为当前解继续迭代。
S7、根据所述拼车路径集合和所述可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车。
如图4所示,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S7具体包括:
S71、定义一个二分图。将可行订单拼车路径集合/>中的可行订单拼车路径/>作为二分图/>的左侧节点,将行程编号集合/>中的行程编号/>作为二分图/>的右侧节点。
S72、根据所述往返动态拼车的规划模型的约束,对可行订单拼车路径和行程编号/>进行匹配。若可行订单拼车路径/>可与行程编号/>匹配,则为二者建立边/>,边的权重为/>与/>的总乘客数之和。
S73、对左侧节点添加标杆,对右侧节点添加标杆/>。然后,对比左右侧节点数,将数量较少的一侧补上辅助节点,辅助节点的标杆值设为0。其中,/>值为连接边的最大权值,/>值为0。
S74、通过匈牙利算法为左侧节点寻找完备匹配的相等子图。其中,子图/>为二分图/>的子图。
具体的,子图是指节点集和边集分别是二分图的节点集的子集和边集的子集的图。相等子图是指包含二分图所有的点节,而边集仅包含满足:/>条件的边。式中,/>是边的权值。
S75、若为找到完备匹配的子图,则寻找最小的匹配差值,根据最小的匹配差值/>对存在于子图的边,使其左侧节点标杆值减/>,右侧节点标杆值加/>。其中,最小的匹配差值的计算模型为:/>。
S76、若找到完备匹配的子图则记录该子图,然后继续为下一个左侧节点寻找完备匹配的相等子图,直至遍历所有左侧节点,获取子图中的左右节点边。其中,左右节点的边即为拼车路径与车辆去程和回程的匹配关系。
本发明实施例的调度匹配方法,不仅计算速度更快,而且能够提高平台的订单完成数量,以及提高平台的总利润,具有显著的进步。
如图2所示,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S7之后还包括步骤S8。S8、对二分图最大权匹配中未被匹配的拼车路径和可用车辆,通过自适应权重选择插入算子进行匹配求解。其中,求解时以所述规划模型的目标函数作为评价函数。
具体的,步骤S8的具体的求解步骤和步骤S3类似。步骤S3中对订单和订单之间进行配对,从而获得拼车路径。在步骤S8中对拼车路径和网约车进行配对,从而安排网约车去执行拼车路径。其具体的匹配求解步骤和步骤S3相同,本发明在此不再赘述。
部分网约车平台不是24小时运营的,因此在上述实施例的基础上,本发明的一个可选地实施例中,当调度匹配方法在预设时间段内执行时,对所述预设时间段进行划分,获取调度匹配时刻集合。
在步骤S2之前还包括步骤A。A、根据所述调度匹配时刻集合,初始化当前调度匹配时刻编号和结束时刻编号。
在步骤S8之后还包括步骤B。B、判断当前调度匹配时刻编号是否达到结束时刻编号。若达到结束时刻编号,则结束调度匹配。若未达到结束时刻编号,则进入下一调度匹配时刻编号,重新进行调度匹配。
具体的,按照调度匹配的周期对工作时间进行划分,获得工作的各个时刻。例如1分钟调度匹配一次,或者30S调度匹配一次,本发明对此不做具体限定。
第二方面、
本发明实施例提供了一种城际客运的往返动态拼车的调度匹配装置,其包含:
模型构建模块,用于基于乘客城际拼车订单信息、网约车辆信息和道路网络信息,以最大化总利润为目标,以往返次数、休息时长为约束,构建往返动态拼车的规划模型。
初始信息获取模块,用于获取待拼车订单集合、可用车辆集合和道路网络信息。
初始解计算模块,用于根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解。其中,求解时以所述规划模型的目标函数作为评价函数。
新解计算模块,用于通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解。其中,第一次进行移除操作时,以所述初始解作为当前解。
新解接受模块,用于根据所述规划模型的目标,判断新解是否优于当前解。若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。然后,根据所述新解更新算子的权重、模拟退火的温度和迭代次数。
迭代模块,用于判断迭代次数是否达到最大迭代次数。若达到,则停止迭代,获取拼车路径集合。否则,以当前迭代次数的新解作为当前解继续迭代。
第一匹配模块,用于根据所述拼车路径集合和所述可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车。
在上述实施例的基础上,本发明的一个可选地实施例中,初始信息获取模块包括。
初始信息获取单元,用于获取乘客城际拼车订单信息、网约车辆信息和道路网络信息。
待拼车订单集合获取单元,用于根据所述乘客城际拼车订单信息,提取待拼车订单,获取待拼车订单集合;
可用车辆集合获取单元,用于根据所述网约车辆信息,提取可用车辆,获取可用车辆集合。
在上述实施例的基础上,本发明的一个可选地实施例中,初始解计算模块具体用于:根据所述规划模型、所述待拼车订单集合和所述道路网络信息,基于自适应权重,选择插入算子为待拼车订单进行组合拼单,获取包含可行订单拼车路径集合的初始解。其中,初始解中包含组合拼单得到的可行订单拼车路径,以及未匹配成功的待拼车订单。插入算子包括随机插入算子、最近插入算子、最佳成本插入算子和最大满载率插入算子。随机插入算子用以将拼车订单随机插入至满足约束条件的车辆行程中。最近插入算子用以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。最佳成本插入算子用以将拼车订单插入最低插入里程成本的车辆行程中。最大满载率插入算子用以将拼车订单插入最大满载率的车辆行程中。
在上述实施例的基础上,本发明的一个可选地实施例中,新解计算模块包括:
移除单元,基于移除算子的权重选择移除算子对当前解中的可行订单拼车路径进行移除操作。其中,移除算子包括随机移除算子、最坏移除算子和相似移除算子。随机移除算子用以随机移除若干个在车辆行程路径中的拼车订单。最坏移除算子用以移除在车辆行程路径中插入成本最高的拼车订单。相似移除算子用以先进行随机移除一个订单,再移除与该订单最相似的订单。
插入单元,基于插入算子的权重选择插入算子对移除操作后的当前解中未匹配成功的待拼车订单进行插入操作,获取新解。其中,插入算子包括随机插入算子、最近插入算子、最佳成本插入算子和最大满载率插入算子。随机插入算子用以将拼车订单随机插入至满足约束条件的车辆行程中。最近插入算子用以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。最佳成本插入算子用以将拼车订单插入最低插入里程成本的车辆行程中。最大满载率插入算子用以将拼车订单插入最大满载率的车辆行程中。
在上述实施例的基础上,本发明的一个可选地实施例中,新解接受模块包括:
优劣判断单元,用于以所述规划模型的目标作为评价函数,判断新解是否优于当前解。
新解接受单元,用于若新解优于当前解,则直接接受新解。否则,以模拟退火概率接受新解。模拟退火概率的计算模型为:,式中,/>为模拟退火概率、/>为根据评价函数计算出的当前解的利润、为根据评价函数计算出的新解的利润、/>为退火温度。
退火温度更新单元,用于更新退火温度。其中,退火温度的更新模型为:,式中,/>为初始温度,/>为温度变化率,/>为更新后的退火温度。
算子权重更新单元,用于根据所述新解更新算子的权重。其中,新解优于当前解,则对应的算子权重增加2。新解比当前解差,但新解能够在模拟退火准则下被接受,则对应的算子权重增加1。新解比当前解差,且不能在模拟退火准则下被接受,则对应的算子权重不变。
在上述实施例的基础上,本发明的一个可选地实施例中,调度匹配装置还包括第二匹配模块。第二匹配模块,用于对二分图最大权匹配中未被匹配的拼车路径和可用车辆,通过自适应权重选择插入算子进行匹配求解。其中,求解时以所述规划模型的目标函数作为评价函数。
在上述实施例的基础上,本发明的一个可选地实施例中,当调度匹配方法在预设时间段内执行时,对所述预设时间段进行划分,获取调度匹配时刻集合。
调度匹配装置还包括初始单元和结束单元。
初始单元,用于根据所述调度匹配时刻集合,初始化当前调度匹配时刻编号和结束时刻编号。
结束单元,用于判断当前调度匹配时刻编号是否达到结束时刻编号。若达到结束时刻编号,则结束调度匹配。若未达到结束时刻编号,则进入下一调度匹配时刻编号,重新进行调度匹配。
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)
1.一种城际客运的往返动态拼车的调度匹配方法,其特征在于,包含:
基于乘客城际拼车订单信息、网约车辆信息和道路网络信息,以最大化总利润为目标,以往返次数、休息时长为约束,构建往返动态拼车的规划模型;
获取待拼车订单集合、可用车辆集合和道路网络信息;
根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解;其中,求解时以所述规划模型的目标函数作为评价函数;
通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解;其中,第一次进行移除操作时,以所述初始解作为当前解;
根据所述规划模型的目标,判断新解是否优于当前解;若新解优于当前解,则直接接受新解;否则,以模拟退火概率接受新解;然后,根据所述新解更新算子的权重、模拟退火的温度和迭代次数;
判断迭代次数是否达到最大迭代次数;若达到,则停止迭代,获取拼车路径集合;否则,以当前迭代次数的新解作为当前解继续迭代;
根据所述拼车路径集合和所述可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车。
2.根据权利要求1所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,
往返动态拼车的规划模型的目标为:
往返动态拼车的规划模型的约束为:
式中,
表示以最大值为目标;
为城市/>出发的乘客拼车订单编号;
为城市/>出发的乘客拼车订单编号集合;
为城市/>到城市/>的行程编号;
为城市/>到城市/>的行程编号集合;
为订单/>是否由行程/>的车辆服务的决策变量;
为订单/>的价格;
城市/>出发的乘客拼车订单编号;
城市/>出发的乘客拼车订单编号集合;
为城市/>到城市/>的行程编号;
城市/>到城市/>的行程编号集合;
为订单/>是否由行程/>的车辆服务的决策变量;
为订单/>的价格;
为城市/>到城市/>的行程编号;
为城市/>到城市/>的行程编号集合;
为城市/>和城市/>道路网路上第/>个点的编号;
为城市/>和城市/>道路网路上第/>个点的编号;
为城市/>和城市/>道路网路上所有点的编号集合;
为行程/>的车辆是否从/>点到/>点经过的决策变量;
为每公里距离成本;
为城市/>到城市/>的行程编号;
为城市/>到城市/>的行程编号集合;
为行程/>的车辆是否从/>点到/>点经过的决策变量;
表示当前调度匹配时间;
表示当前调度匹配时间集合
为订单/>的预约上车时刻;
为乘客最晚上车时间约束;
为乘客最早上车时间约束;
为行程/>中车辆到达订单/>的上车点/>的时间;
表示订单/>的上车点;
为行程/>中车辆是否从/>点到上车点/>的决策变量;
表示订单/>的下车点;
为行程/>中车辆是否从/>点到下车点/>的决策变量;
为行程/>的车辆/>的已载客量;
为车辆最大载客量;
为行程/>中车辆离开/>点的时刻;
为行程/>中车辆到达/>点的时刻;
为行程/>的订单数;
为行程/>中车辆经过的第/>个上车点;
为行程/>中车辆经过的第/>个下车点;
为城市A的城际出入口点编号;
为行程/>中车辆到达城市A的城际出入口点的时刻;
为行程/>中车辆到达第/>个上车点的时刻;
为行程/>中车辆到达第/>个上车点的时刻;
为行程/>中车辆到达第/>个下车点的的时刻;
为行程/>中车辆到达第/>个下车点的的时刻;
为城市B的城际出入口点编号;
为行程/>中车辆到达城市B的城际出入口的时刻;
为行程/>中车辆到达第/>个上车点的时刻;
为首位乘客上车点到城市A出口点之间的最大限制时间;
为城市B入口点到末位乘客下车点之间的最大限制时间;
为行程/>的上车绕行系数;
为城市/>的上车最大限制绕行系数;
为行程/>的下车绕行系数;
为城市/>的下车最大限制绕行系数;
为车辆的双侧往返次数;
为车辆最大双侧往返次数;
城市/>的车辆编号;
城市/>的车辆编号集合;
为是否安排车辆/>进行第/>个行程的决策变量;
为是否安排车辆/>进行第/>个行程的决策变量;
表示车辆进行第几个行程;
为任意一个正整数;
为正整数集;
为车辆/>的已载客量;
为车辆/>的最大载客量;
为车辆/>的第/>个行程;
为行程/>中车辆从/>点到/>点经过的决策变量
为车辆/>的第/>个行程是否从/>点到城市B的城际出入口点经过的决策变量;
为行程/>的起点出发时刻;
为车辆/>的第/>个行程的起点出发时刻;
为行程/>的开始可用时刻
为车辆/>的第/>个行程的开始可用时刻;
为行程/>的终点到达时刻;
为车辆/>的第/>个行程的终点到达时刻;
为车辆往返单侧载客的最短休息时间;
为是否安排车辆/>的第/>个行程的决策变量;
为车辆/>的第/>个行程经过的第1个下车点;
表示车辆/>的配送中心点;
为车辆往返单侧载客的最长等待开始时间。
3.根据权利要求1所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,获取待拼车订单集合、可用车辆集合和道路网络信息,具体包括:
获取乘客城际拼车订单信息、网约车辆信息和道路网络信息;
根据所述乘客城际拼车订单信息,提取待拼车订单,获取待拼车订单集合;
根据所述网约车辆信息,提取可用车辆,获取可用车辆集合。
4.根据权利要求1所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解,具体包括:
根据所述规划模型、所述待拼车订单集合和所述道路网络信息,基于自适应权重,选择插入算子为待拼车订单进行组合拼单,获取包含可行订单拼车路径集合的初始解;其中,初始解中包含组合拼单得到的可行订单拼车路径,以及未匹配成功的待拼车订单;插入算子包括随机插入算子、最近插入算子、最佳成本插入算子和最大满载率插入算子;随机插入算子用以将拼车订单随机插入至满足约束条件的车辆行程中;最近插入算子用以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;最佳成本插入算子用以将拼车订单插入最低插入里程成本的车辆行程中;最大满载率插入算子用以将拼车订单插入最大满载率的车辆行程中。
5.根据权利要求1所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解,具体包括:
基于移除算子的权重选择移除算子对当前解中的可行订单拼车路径进行移除操作;其中,移除算子包括随机移除算子、最坏移除算子和相似移除算子;随机移除算子用以随机移除若干个在车辆行程路径中的拼车订单;最坏移除算子用以移除在车辆行程路径中插入成本最高的拼车订单;相似移除算子用以先进行随机移除一个订单,再移除与该订单最相似的订单;
基于插入算子的权重选择插入算子对移除操作后的当前解中未匹配成功的待拼车订单进行插入操作,获取新解;其中,插入算子包括随机插入算子、最近插入算子、最佳成本插入算子和最大满载率插入算子;随机插入算子用以将拼车订单随机插入至满足约束条件的车辆行程中;最近插入算子用以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;最佳成本插入算子用以将拼车订单插入最低插入里程成本的车辆行程中;最大满载率插入算子用以将拼车订单插入最大满载率的车辆行程中。
6.根据权利要求1所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,根据所述规划模型的目标,判断新解是否优于当前解;若新解优于当前解,则直接接受新解;否则,以模拟退火概率接受新解;然后,根据所述新解更新算子的权重、模拟退火的温度和迭代次数,具体包括:
以所述规划模型的目标作为评价函数,判断新解是否优于当前解;
若新解优于当前解,则直接接受新解;否则,以模拟退火概率接受新解;模拟退火概率的计算模型为: ,式中,/>为模拟退火概率、/>为根据评价函数计算出的当前解的利润、/>为根据评价函数计算出的新解的利润、/>为退火温度;
更新退火温度;其中,退火温度的更新模型为: ,式中,/>为初始温度,/>为温度变化率,/>为更新后的退火温度;
根据所述新解更新算子的权重;其中,新解优于当前解,则对应的算子权重增加2;新解比当前解差,但新解能够在模拟退火准则下被接受,则对应的算子权重增加1;新解比当前解差,且不能在模拟退火准则下被接受,则对应的算子权重不变。
7.根据权利要求1至6任意一项所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,根据所述拼车路径集合和所述可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车之后,还包括:
对二分图最大权匹配中未被匹配的拼车路径和可用车辆,通过自适应权重选择插入算子进行匹配求解;其中,求解时以所述规划模型的目标函数作为评价函数。
8.根据权利要求1至6任意一项所述的一种城际客运的往返动态拼车的调度匹配方法,其特征在于,当调度匹配方法在预设时间段内执行时,对所述预设时间段进行划分,获取调度匹配时刻集合;
获取待拼车订单集合、可用车辆集合和道路网络信息,之前还包括:
根据所述调度匹配时刻集合,初始化当前调度匹配时刻编号和结束时刻编号;
根据所述拼车路径集合和所述可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车,还包括:
判断当前调度匹配时刻编号是否达到结束时刻编号;若达到结束时刻编号,则结束调度匹配;若未达到结束时刻编号,则进入下一调度匹配时刻编号,重新进行调度匹配。
9.一种城际客运的往返动态拼车的调度匹配装置,其特征在于,包含:
模型构建模块,用于基于乘客城际拼车订单信息、网约车辆信息和道路网络信息,以最大化总利润为目标,以往返次数、休息时长为约束,构建往返动态拼车的规划模型;
初始信息获取模块,用于获取待拼车订单集合、可用车辆集合和道路网络信息;
初始解计算模块,用于根据所述待拼车订单集合和所述道路网络信息,通过自适应权重选择插入算子进行求解,获取包含可行订单拼车路径集合的初始解;其中,求解时以所述规划模型的目标函数作为评价函数;
新解计算模块,用于通过自适应权重,先选择移除算子对当前解进行移除操作,再选择插入算子对移除操作后的当前解进行插入操作,获取新解;其中,第一次进行移除操作时,以所述初始解作为当前解;
新解接受模块,用于根据所述规划模型的目标,判断新解是否优于当前解;若新解优于当前解,则直接接受新解;否则,以模拟退火概率接受新解;然后,根据所述新解更新算子的权重、模拟退火的温度和迭代次数;
迭代模块,用于判断迭代次数是否达到最大迭代次数;若达到,则停止迭代,获取拼车路径集合;否则,以当前迭代次数的新解作为当前解继续迭代;
第一匹配模块,用于根据所述拼车路径集合和所述可用车辆集合,通过二分图最大权匹配,为拼车路径匹配对应的网约车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551393.4A CN116663811A (zh) | 2023-05-17 | 2023-05-17 | 一种城际客运的往返动态拼车的调度匹配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551393.4A CN116663811A (zh) | 2023-05-17 | 2023-05-17 | 一种城际客运的往返动态拼车的调度匹配方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663811A true CN116663811A (zh) | 2023-08-29 |
Family
ID=87712844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551393.4A Pending CN116663811A (zh) | 2023-05-17 | 2023-05-17 | 一种城际客运的往返动态拼车的调度匹配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663811A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575298A (zh) * | 2024-01-16 | 2024-02-20 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
CN117808273A (zh) * | 2024-02-29 | 2024-04-02 | 华侨大学 | 乘客出发时刻协同与阶段反馈的城际拼车调度方法及装置 |
CN117910782A (zh) * | 2024-03-19 | 2024-04-19 | 华侨大学 | 基于完全子图和插入式遗传算法的城际拼车静态调度方法 |
-
2023
- 2023-05-17 CN CN202310551393.4A patent/CN116663811A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575298A (zh) * | 2024-01-16 | 2024-02-20 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
CN117575298B (zh) * | 2024-01-16 | 2024-04-30 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
CN117808273A (zh) * | 2024-02-29 | 2024-04-02 | 华侨大学 | 乘客出发时刻协同与阶段反馈的城际拼车调度方法及装置 |
CN117808273B (zh) * | 2024-02-29 | 2024-05-31 | 华侨大学 | 乘客出发时刻协同与阶段反馈的城际拼车调度方法及装置 |
CN117910782A (zh) * | 2024-03-19 | 2024-04-19 | 华侨大学 | 基于完全子图和插入式遗传算法的城际拼车静态调度方法 |
CN117910782B (zh) * | 2024-03-19 | 2024-05-14 | 华侨大学 | 基于完全子图和插入式遗传算法的城际拼车静态调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6568240B2 (ja) | 運輸サービスの料金を求める方法及びシステム | |
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 | |
US11386359B2 (en) | Systems and methods for managing a vehicle sharing facility | |
CN105702035B (zh) | 一种利用历史公交数据评估乘车难易程度的方法 | |
US11392861B2 (en) | Systems and methods for managing a vehicle sharing facility | |
Jung et al. | Design and modeling of real-time shared-taxi dispatch algorithms | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
JP7428124B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20200210905A1 (en) | Systems and Methods for Managing Networked Vehicle Resources | |
CN110956296A (zh) | 一种用户流失概率预测方法及装置 | |
CN117151288A (zh) | 一种城际车辆调度匹配优化方法、装置及设备 | |
CN116401896A (zh) | 城际客运的在线调度匹配方法、装置、设备和存储介质 | |
CN111882092B (zh) | 一种适用于共享出行的出租车车辆搜索方法 | |
CN113763695A (zh) | 一种自动驾驶车辆的调度方法和系统 | |
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 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
WO2021031636A1 (zh) | 一种基于实时单行程车辆的实时单派单方法和装置 | |
CN110347937B (zh) | 一种出租车智能寻客方法 | |
CN116307580A (zh) | 运力调度方法、装置、电子设备及存储介质 | |
JP2001014296A (ja) | 配車配送計画方法、配車配送計画プログラムを記録したコンピューター読み取り可能な記録媒体及び配車配送計画装置。 | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
CN115713206A (zh) | 一种公交个体出行决策模型 | |
Liu et al. | Learning to route via theory-guided residual network |
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 |