CN116702400A - 一种基于公交车和移动传感器的移动式城市感知优化方法 - Google Patents

一种基于公交车和移动传感器的移动式城市感知优化方法 Download PDF

Info

Publication number
CN116702400A
CN116702400A CN202310983260.4A CN202310983260A CN116702400A CN 116702400 A CN116702400 A CN 116702400A CN 202310983260 A CN202310983260 A CN 202310983260A CN 116702400 A CN116702400 A CN 116702400A
Authority
CN
China
Prior art keywords
bus
mobile
sensor
optimization
buses
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
CN202310983260.4A
Other languages
English (en)
Other versions
CN116702400B (zh
Inventor
韩科
纪文
刘涛
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.)
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Original Assignee
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
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 Sichuan Guolan Zhongtian Environmental Technology Group Co ltd filed Critical Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Priority to CN202310983260.4A priority Critical patent/CN116702400B/zh
Publication of CN116702400A publication Critical patent/CN116702400A/zh
Application granted granted Critical
Publication of CN116702400B publication Critical patent/CN116702400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于公交车和移动传感器的移动式城市感知优化方法，涉及车载式移动城市感知技术领域。该方法包括对移动传感器布设区域进行空间网格划分，构建移动传感器移动感知模型；根据公交车的运行时刻表，构建最小公交车队规模优化模型，求解得到最小公交车队规模；根据构建的移动传感器移动感知模型和得到的最小公交车队规模，构建公交车调度和移动传感器布设的联合优化模型，求解得到公交车调度和移动传感器布设的联合优化结果。本发明通过车辆调度和传感器布设的联合优化探索最小车队规模的非唯一性，可以在保证最小车队规模的有限成本下，进一步提高公交车队的感知效果。

Description

一种基于公交车和移动传感器的移动式城市感知优化方法
技术领域
本发明涉及车载式移动城市感知技术领域，具体涉及一种基于公交车和移动传感器的移动式城市感知优化方法。
背景技术
车载式移动城市感知以其轻便性、经济性、灵活性，近年来已经成为智慧城市建设中的重要组成部分。它主要是将传感器布设在城市中运行的车辆上，通过充分利用车辆的机动性来以较低的成本实现良好的时空覆盖。
基于公交车的移动城市感知因其运行的高可靠性、广泛的时空覆盖范围以及较低的部署和维护成本，从而被广泛地应用在各种监测场景中，例如：空气质量监测、交通情况监测、噪声监测、城市热岛效应监测等。
传统的一些布设方法通常只根据公交线路的空间分布或者公交车辆的运行轨迹来分配传感器。然而，在这种模式下，可能会导致装了传感器的公交车辆在运行期间有大量的时间闲置在车场，从而降低了时空覆盖的效果。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于公交车和移动传感器的移动式城市感知优化方法，在公交车时刻表给定的情况下，通过车辆调度和传感器布设的联合优化探索最小车队规模的非唯一性，可以在保证最小车队规模的有限成本下，进一步提高公交车队的感知效果，从而更好地发挥公交车在城市出行服务和城市感知中的双重效用。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于公交车和移动传感器的移动式城市感知优化方法，包括以下步骤：
S1、对移动传感器布设区域进行空间网格划分，构建移动传感器移动感知模型；
S2、根据公交车的运行时刻表，构建最小公交车队规模优化模型，求解得到最小公交车队规模；
S3、根据步骤S1构建的移动传感器移动感知模型和步骤S2得到的最小公交车队规模，构建公交车调度和移动传感器布设的联合优化模型，求解得到公交车调度和移动传感器布设的联合优化结果。
进一步地，步骤S1中对移动传感器布设区域进行空间网格划分具体包括：
将移动传感器的布设区域离散为第一数量的大小相同的空间网络，并将移动传感器的监测时间划分为第二数量的时间周期。
进一步地，步骤S1中构建的移动传感器移动感知模型具体为：
其中，为移动传感器的移动感知值，/>为第/>个空间网格的监测权重，G为空间网格集合，/>为第t个时间周期的监测权重，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量。
进一步地，步骤S2具体包括：
根据公交车的运行时刻表获取公交车的行程信息；
以最小化公交车队规模作为公交车队规模优化目标，以公交车行程信息作为公交车队规模约束条件，构建最小公交车队规模优化模型；
对构建的最小公交车队规模优化模型进行求解，得到最小公交车队规模。
进一步地，所述公交车队规模优化目标具体为：
其中，为公交车队规模优化目标，/>为公交车运行的行程数量，/>为同一辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，I为公交车运行的行程集合。
进一步地，所述公交车队规模约束条件具体为：
其中，为第j个行程的出发时间，/>为第i个行程的出发时间，/>为第i个行程的运行时间，/>为公交车从第i个行程的终点空驶到第j个行程的起点的旅行时间，M为设定常量，I为公交车运行的行程集合，/>为同一辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量。
进一步地，步骤S3具体包括：
根据步骤S1构建的移动传感器移动感知模型确定公交车在不同时间周期下各个空间网格的移动感知值；
以最大化在最小公交车队规模下所有公交车的移动感知值作为联合优化目标，以公交车行程信息、公交车队规模和移动传感器数量作为联合优化约束条件，构建公交车调度和移动传感器布设的联合优化模型；
对构建的公交车调度和移动传感器布设的联合优化模型进行求解，得到公交车调度和移动传感器布设的联合优化结果。
进一步地，所述联合优化目标具体为：
其中，为移动传感器的移动感知值，/>为第/>个空间网格的监测权重，G为空间网格集合，/>为第t个时间周期的监测权重，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量。
进一步地，所述联合约束条件具体为：
其中，为第j个行程的出发时间，/>为第i个行程的出发时间，/>为第i个行程的运行时间，/>为公交车从第i个行程的终点空驶到第j个行程的起点的旅行时间，M为设定常量，I为公交车运行的行程集合，/>为第b辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，B为最小公交车队规模下的公交车集合，U为虚拟的出发车场，V为虚拟的到达车场，/>为第b辆公交车在从车场u拉出后是否直接服务第j个行程的0-1变量，/>为第b辆公交车在服务完第/>个行程后是否回到车场/>的0-1变量，/>为第b辆公交车是否服务第i个行程的0-1变量，/>为公交车运行的行程数量，/>为最小公交车队规模，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量，/>为第b辆公交车是否安装移动传感器的0-1变量，/>为第/>个行程在第t个时间周期内是否覆盖第/>个空间网格的0-1参数，G为空间网格集合，T为移动传感器的监测时间，/>为移动传感器的数量。
进一步地，所述对构建的公交车调度和移动传感器布设的联合优化模型进行求解，具体包括：
判断第i个行程的到达时间与从第i个行程的终点调度到第j个行程的起点的空驶时间之和是否大于第j个行程的出发时间；若是，则将联合约束条件中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量及其相关约束删除；否则进行下一判定；
判断第j个行程的出发时间与从第i个行程的到达时间之间的时间差距是否大于设定阈值；若是，则将联合约束条件中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量及其相关约束删除；否则不作处理；
对处理后的公交车调度和移动传感器布设的联合优化模型进行加速求解。
本发明具有以下有益效果：
（1）本发明所提出的面向移动式城市感知的公交车调度和传感器布设的联合优化方法可以在保证公交运营最优的情况下，通过探索最小车队规模的非唯一性，进一步提高移动感知的效果。
（2）本发明针对公交车调度和传感器布设的联合优化模型设计的模型简化策略，可以很大程度降低模型的决策规模，加速求解。因此，可以高效地应用在现实场景中。
（3）本发明所提出的面向移动式城市感知的公交车调度和传感器布设的联合优化方法可以适用于很多监测场景，例如：空气质量监测、城市热岛效应、噪声监测等。只需要根据不同场景的监测需求来调整模型的优化目标即可实施，应用前景和应用范围均十分广阔。
附图说明
图1为本发明实施例中一种基于公交车和移动传感器的移动式城市感知优化方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供了一种基于公交车和移动传感器的移动式城市感知优化方法，包括以下步骤S1至S3：
S1、对移动传感器布设区域进行空间网格划分，构建移动传感器移动感知模型；
在本发明的一个可选实施例中，本实施例对移动传感器布设区域进行空间网格划分具体包括：
将移动传感器的布设区域离散为第一数量的大小相同的空间网络，并将移动传感器的监测时间划分为第二数量的时间周期。
具体而言，本实施例根据不同的监测场景和监测需求，把移动传感器的布设区域离散为个大小相同的空间网格，记为空间网格集合/>。把整个监测时间/>划分为/>个时间周期。在每个周期/>内每个网格/>只需要被覆盖一次就可以得到相应时空网格的移动感知值。
本实施例构建的移动传感器移动感知模型具体为：
其中，为移动传感器的移动感知值，/>为第/>个空间网格的监测权重，G为空间网格集合，/>为第t个时间周期的监测权重，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量，如果移动传感器在第t个时间周期内覆盖到第/>个空间网格，则，反之，/>。
以空气质量监测为例，空间网格的监测权重的取值可以根据污染源分布、交通情况、人口密度等确定。
S2、根据公交车的运行时刻表，构建最小公交车队规模优化模型，求解得到最小公交车队规模；
在本发明的一个可选实施例中，本实施例的步骤S2具体包括：
根据公交车的运行时刻表获取公交车的行程信息；
以最小化公交车队规模作为公交车队规模优化目标，以作为公交车队规模约束条件，构建最小公交车队规模优化模型；
对构建的最小公交车队规模优化模型进行求解，得到最小公交车队规模。
具体而言，本实施例根据给定的公交车的运行时刻表获取公交车的行程信息，如行程数量、行程的出发时间、行程的到达时间及行程的运行时间等。
本实施例构建最小公交车队规模优化模型的技术思路为在给定公交车的运行时刻表的情况下，求解满足所有行程所需要的最小车队规模。
本实施例以最小化公交车队规模作为公交车队规模优化目标，具体为：
其中，为公交车队规模优化目标，/>为公交车运行的行程数量，/>为同一辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，I为公交车运行的行程集合。
本实施例以公交车行程信息作为公交车队规模约束条件，具体为：
其中，为第j个行程的出发时间，/>为第i个行程的出发时间，/>为第i个行程的运行时间，/>为公交车从第i个行程的终点空驶到第j个行程的起点的旅行时间，M为设定常量，I为公交车运行的行程集合，/>为同一辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，如果同一辆公交车在服务第i个行程后可以继续服务第j个行程的0-1变量，则/>，反之/>。
S3、根据步骤S1构建的移动传感器移动感知模型和步骤S2得到的最小公交车队规模，构建公交车调度和移动传感器布设的联合优化模型，求解得到公交车调度和移动传感器布设的联合优化结果。
在本发明的一个可选实施例中，本实施例的步骤S3具体包括：
根据步骤S1构建的移动传感器移动感知模型确定公交车在不同时间周期下各个空间网格的移动感知值；
以最大化在最小公交车队规模下所有公交车的移动感知值作为联合优化目标，以作为联合约束条件，构建公交车调度和移动传感器布设的联合优化模型；
对构建的公交车调度和移动传感器布设的联合优化模型进行求解，得到公交车调度和移动传感器布设的联合优化结果。
具体而言，本实施例构建公交车调度和移动传感器布设的联合优化模型的技术思路为以步骤S2得到的最小公交车队规模作为约束，在保证最小车队规模的前提下，去最大化移动传感器移动感知值。
本实施例以最大化在最小公交车队规模下所有公交车的移动感知值作为联合优化目标，具体为：
其中，为移动传感器的移动感知值，/>为第/>个空间网格的监测权重，G为空间网格集合，/>为第t个时间周期的监测权重，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量，如果移动传感器在第t个时间周期内覆盖到第/>个空间网格，则，反之，/>。
本实施例以公交车行程信息、公交车队规模和移动传感器数量作为联合优化约束条件，具体为：
其中，为第j个行程的出发时间，/>为第i个行程的出发时间，/>为第i个行程的运行时间，/>为公交车从第i个行程的终点空驶到第j个行程的起点的旅行时间，M为设定常量，I为公交车运行的行程集合，/>为第b辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，如果第b辆公交车在服务第i个行程后可以继续服务第j个行程，则/>，反之，/>，B为最小公交车队规模下的公交车集合，U为虚拟的出发车场，V为虚拟的到达车场，/>为第b辆公交车在从车场u拉出后是否直接服务第j个行程的0-1变量，/>为第b辆公交车在服务完第/>个行程后是否回到车场/>的0-1变量，/>为第b辆公交车是否服务第i个行程的0-1变量，如果第b辆公交车服务第i个行程，则/>，反之，/>，/>为公交车运行的行程数量，/>为最小公交车队规模，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量，如果移动传感器在第t个时间周期内覆盖到第/>个空间网格，则/>，反之，/>，/>为第b辆公交车是否安装移动传感器的0-1变量，如果第b辆公交车安装移动传感器，则/>，反之，/>，/>为第/>个行程在第t个时间周期内是否覆盖第/>个空间网格的0-1参数，G为空间网格集合，T为移动传感器的监测时间，为移动传感器的数量。
在本发明的一个可选实施例中，本实施例基于联合优化模型的模型结构设计模型简化策略，加速步骤B中的模型求解。即本实施例通过预处理过程把步骤B建立的模型中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量大概率会取0的变量删除，从而加速模型求解。
具体而言，本实施例对构建的公交车调度和移动传感器布设的联合优化模型进行求解，具体包括：
判断第i个行程的到达时间与从第i个行程的终点调度到第j个行程的起点的空驶时间之和是否大于第j个行程的出发时间；若是，则将联合约束条件中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量及变量/>的值一定为0的相关约束删除；否则进行下一判定；
判断第j个行程的出发时间与从第i个行程的到达时间之间的时间差距是否大于设定阈值；若是，则将联合约束条件中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量及变量/>的值一定为0的相关约束删除；否则不作处理；
对处理后的公交车调度和移动传感器布设的联合优化模型进行加速求解。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，包括以下步骤：
S1、对移动传感器布设区域进行空间网格划分，构建移动传感器移动感知模型；
S2、根据公交车的运行时刻表，构建最小公交车队规模优化模型，求解得到最小公交车队规模；
S3、根据步骤S1构建的移动传感器移动感知模型和步骤S2得到的最小公交车队规模，构建公交车调度和移动传感器布设的联合优化模型，求解得到公交车调度和移动传感器布设的联合优化结果。
2.根据权利要求1所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，步骤S1中对移动传感器布设区域进行空间网格划分具体包括：
将移动传感器的布设区域离散为第一数量的大小相同的空间网络，并将移动传感器的监测时间划分为第二数量的时间周期。
3.根据权利要求1所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，步骤S1中构建的移动传感器移动感知模型具体为：
其中，为移动传感器的移动感知值，/>为第/>个空间网格的监测权重，G为空间网格集合，/>为第t个时间周期的监测权重，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量。
4.根据权利要求1所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，步骤S2具体包括：
根据公交车的运行时刻表获取公交车的行程信息；
以最小化公交车队规模作为公交车队规模优化目标，以公交车行程信息作为公交车队规模约束条件，构建最小公交车队规模优化模型；
对构建的最小公交车队规模优化模型进行求解，得到最小公交车队规模。
5.根据权利要求4所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，所述公交车队规模优化目标具体为：
其中，为公交车队规模优化目标，/>为公交车运行的行程数量，/>为同一辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，I为公交车运行的行程集合。
6.根据权利要求4所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，所述公交车队规模约束条件具体为：
其中，为第j个行程的出发时间，/>为第i个行程的出发时间，/>为第i个行程的运行时间，/>为公交车从第i个行程的终点空驶到第j个行程的起点的旅行时间，M为设定常量，I为公交车运行的行程集合，/>为同一辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量。
7.根据权利要求1所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，步骤S3具体包括：
根据步骤S1构建的移动传感器移动感知模型确定公交车在不同时间周期下各个空间网格的移动感知值；
以最大化在最小公交车队规模下所有公交车的移动感知值作为联合优化目标，以公交车行程信息、公交车队规模和移动传感器数量作为联合优化约束条件，构建公交车调度和移动传感器布设的联合优化模型；
对构建的公交车调度和移动传感器布设的联合优化模型进行求解，得到公交车调度和移动传感器布设的联合优化结果。
8.根据权利要求7所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，所述联合优化目标具体为：
其中，为最大化函数，/>为移动传感器的移动感知值，/>为第/>个空间网格的监测权重，G为空间网格集合，/>为第t个时间周期的监测权重，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量。
9.根据权利要求7所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，所述联合约束条件具体为：
其中，为第j个行程的出发时间，/>为第i个行程的出发时间，/>为第i个行程的运行时间，/>为公交车从第i个行程的终点空驶到第j个行程的起点的旅行时间，M为设定常量，I为公交车运行的行程集合，/>为第b辆公交车在服务第i个行程后是否继续服务第j个行程的0-1变量，B为最小公交车队规模下的公交车集合，U为虚拟的出发车场，V为虚拟的到达车场，/>为第b辆公交车在从车场u拉出后是否直接服务第j个行程的0-1变量，/>为第b辆公交车在服务完第/>个行程后是否回到车场/>的0-1变量，/>为第b辆公交车是否服务第i个行程的0-1变量，/>为公交车运行的行程数量，/>为最小公交车队规模，/>为移动传感器在第t个时间周期内是否覆盖第/>个空间网格的0-1变量，/>为第b辆公交车是否安装移动传感器的0-1变量，/>为第/>个行程在第t个时间周期内是否覆盖第/>个空间网格的0-1参数，G为空间网格集合，T为移动传感器的监测时间，/>为移动传感器的数量。
10.根据权利要求7所述的一种基于公交车和移动传感器的移动式城市感知优化方法，其特征在于，所述对构建的公交车调度和移动传感器布设的联合优化模型进行求解，具体包括：
判断第i个行程的到达时间与从第i个行程的终点调度到第j个行程的起点的空驶时间之和是否大于第j个行程的出发时间；若是，则将联合约束条件中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量及其相关约束删除；否则进行下一判定；
判断第j个行程的出发时间与从第i个行程的到达时间之间的时间差距是否大于设定阈值；若是，则将联合约束条件中公交车在服务第i个行程后是否继续服务第j个行程的0-1变量及其相关约束删除；否则不作处理；
对处理后的公交车调度和移动传感器布设的联合优化模型进行加速求解。
CN202310983260.4A 2023-08-07 2023-08-07 一种基于公交车和移动传感器的移动式城市感知优化方法 Active CN116702400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310983260.4A CN116702400B (zh) 2023-08-07 2023-08-07 一种基于公交车和移动传感器的移动式城市感知优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310983260.4A CN116702400B (zh) 2023-08-07 2023-08-07 一种基于公交车和移动传感器的移动式城市感知优化方法

Publications (2)

Publication Number Publication Date
CN116702400A true CN116702400A (zh) 2023-09-05
CN116702400B CN116702400B (zh) 2023-10-13

Family

ID=87839709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310983260.4A Active CN116702400B (zh) 2023-08-07 2023-08-07 一种基于公交车和移动传感器的移动式城市感知优化方法

Country Status (1)

Country Link
CN (1) CN116702400B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117168490A (zh) * 2023-11-03 2023-12-05 四川国蓝中天环境科技集团有限公司 基于数学启发式的道路积尘走航监测车辆路线规划方法
CN117288206A (zh) * 2023-11-23 2023-12-26 四川国蓝中天环境科技集团有限公司 一种基于自适应大邻域搜索的无人机路线规划方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105632226A (zh) * 2016-03-27 2016-06-01 无锡智谷锐拓技术服务有限公司 一种基于控制箱的公交车调度控制方法
US20170328729A1 (en) * 2012-08-14 2017-11-16 Google Inc. System To Optimize Sensor Parameters In An Autonomous Vehicle
CN110135755A (zh) * 2019-05-23 2019-08-16 南京林业大学 一种综合优化片区城乡公交时刻表编制与车辆调度的方法
WO2019210723A1 (zh) * 2017-07-29 2019-11-07 山东诺方电子科技有限公司 一种出租车和公交车协同监测时确定出租车数量的方法
CN110435667A (zh) * 2018-05-02 2019-11-12 通用汽车环球科技运作有限责任公司 用于控制自主车辆的系统和方法
CN110839245A (zh) * 2019-10-31 2020-02-25 杭州电子科技大学 一种应用于室内定位的无线传感器网络节点部署方法
CN111341093A (zh) * 2020-03-04 2020-06-26 腾讯科技（深圳）有限公司 车队的控制方法、装置、设备及存储介质
CN111489551A (zh) * 2020-04-23 2020-08-04 河海大学 一种车联网环境下城市公交线路多站联动调度优化方法
CN113128075A (zh) * 2021-05-18 2021-07-16 华北电力大学 一种考虑风光发电消纳和碳排放的混合公交车队调度方法
CN113256069A (zh) * 2021-04-25 2021-08-13 东南大学 一种基于动力能源差异的混合公交车队调度方法
CN114096805A (zh) * 2019-07-08 2022-02-25 戴姆勒股份公司 用于调度自主车队的方法以及车队调度系统
CN114760585A (zh) * 2022-04-18 2022-07-15 中南大学 车辆群智感知激励方法、系统及设备
CN115713207A (zh) * 2022-11-14 2023-02-24 上海理工大学 一种混合公交服务组合优化方法
CN116311865A (zh) * 2022-12-29 2023-06-23 四川国蓝中天环境科技集团有限公司 一种搭载式大气走航监测公交车的主动调度方法
CN116485157A (zh) * 2023-06-16 2023-07-25 四川国蓝中天环境科技集团有限公司 一种考虑充电站车辆排队的电动公交充电计划优化方法
CN116499484A (zh) * 2023-05-06 2023-07-28 安徽蔚来智驾科技有限公司 车辆调度方法、电子设备、存储介质及车辆

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170328729A1 (en) * 2012-08-14 2017-11-16 Google Inc. System To Optimize Sensor Parameters In An Autonomous Vehicle
CN105632226A (zh) * 2016-03-27 2016-06-01 无锡智谷锐拓技术服务有限公司 一种基于控制箱的公交车调度控制方法
WO2019210723A1 (zh) * 2017-07-29 2019-11-07 山东诺方电子科技有限公司 一种出租车和公交车协同监测时确定出租车数量的方法
CN110435667A (zh) * 2018-05-02 2019-11-12 通用汽车环球科技运作有限责任公司 用于控制自主车辆的系统和方法
CN110135755A (zh) * 2019-05-23 2019-08-16 南京林业大学 一种综合优化片区城乡公交时刻表编制与车辆调度的方法
CN114096805A (zh) * 2019-07-08 2022-02-25 戴姆勒股份公司 用于调度自主车队的方法以及车队调度系统
CN110839245A (zh) * 2019-10-31 2020-02-25 杭州电子科技大学 一种应用于室内定位的无线传感器网络节点部署方法
CN111341093A (zh) * 2020-03-04 2020-06-26 腾讯科技（深圳）有限公司 车队的控制方法、装置、设备及存储介质
CN111489551A (zh) * 2020-04-23 2020-08-04 河海大学 一种车联网环境下城市公交线路多站联动调度优化方法
CN113256069A (zh) * 2021-04-25 2021-08-13 东南大学 一种基于动力能源差异的混合公交车队调度方法
CN113128075A (zh) * 2021-05-18 2021-07-16 华北电力大学 一种考虑风光发电消纳和碳排放的混合公交车队调度方法
CN114760585A (zh) * 2022-04-18 2022-07-15 中南大学 车辆群智感知激励方法、系统及设备
CN115713207A (zh) * 2022-11-14 2023-02-24 上海理工大学 一种混合公交服务组合优化方法
CN116311865A (zh) * 2022-12-29 2023-06-23 四川国蓝中天环境科技集团有限公司 一种搭载式大气走航监测公交车的主动调度方法
CN116499484A (zh) * 2023-05-06 2023-07-28 安徽蔚来智驾科技有限公司 车辆调度方法、电子设备、存储介质及车辆
CN116485157A (zh) * 2023-06-16 2023-07-25 四川国蓝中天环境科技集团有限公司 一种考虑充电站车辆排队的电动公交充电计划优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117168490A (zh) * 2023-11-03 2023-12-05 四川国蓝中天环境科技集团有限公司 基于数学启发式的道路积尘走航监测车辆路线规划方法
CN117168490B (zh) * 2023-11-03 2024-01-23 四川国蓝中天环境科技集团有限公司 基于数学启发式的道路积尘走航监测车辆路线规划方法
CN117288206A (zh) * 2023-11-23 2023-12-26 四川国蓝中天环境科技集团有限公司 一种基于自适应大邻域搜索的无人机路线规划方法
CN117288206B (zh) * 2023-11-23 2024-02-02 四川国蓝中天环境科技集团有限公司 一种基于自适应大邻域搜索的无人机路线规划方法

Also Published As

Publication number Publication date
CN116702400B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN116702400B (zh) 一种基于公交车和移动传感器的移动式城市感知优化方法
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
Dong et al. Integrated optimization of train stop planning and timetabling for commuter railways with an extended adaptive large neighborhood search metaheuristic approach
CN103177575B (zh) 城区出租车动态在线调度优化系统及其方法
Li et al. An Open Traffic Light Control Model for Reducing Vehicles'$\hbox {CO} _ {2} $ Emissions Based on ETC Vehicles
CN102081859B (zh) 一种公交车到站时间预测模型控制方法
CN110531029B (zh) 一种基于环保物联网大数据预测空气质量趋势的装置
CN116644868B (zh) 一种序列化的基于公交车队的大规模移动传感器布设方法
Kim et al. Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization
CN112309122A (zh) 一种基于多系统协同的智慧公交分级决策系统
CN109816978B (zh) 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法
CN113562039A (zh) 一种面向多车协同的运行图自动调整方法及装置
CN116311865B (zh) 一种搭载式大气走航监测公交车的主动调度方法
CN107886188A (zh) 液化天然气公交尾气排放预测方法
CN106327867B (zh) 一种基于gps数据的公交准点预测方法
CN110674975A (zh) 城市规划时用于减少碳排放的空间布局方法及装置
CN117575073A (zh) 一种城市二氧化碳排放量监测系统及其运作方法
Xiao et al. A novel bus scheduling model based on passenger flow and bus travel time prediction using the improved cuckoo search algorithm
CN113115203B (zh) 一种路侧单元设备的降耗方法、装置及系统
CN110675080A (zh) 一种有轨电车运行方案生成方法、评估方法、生成系统
CN107154148A (zh) 一种公交线路拟合的方法
Liu et al. Spatial analysis of bus rapid transit actual operating conditions: the case of Hangzhou City, China
Wang et al. Trajectory-based vehicle emission evaluation for signalized intersection using roadside LiDAR data
Jungblut et al. Fuel-saving opportunities for automated vehicles: A driving cycle analysis
CN106529778A (zh) 基于智能手机的公共汽车乘车舒适性指标构建方法

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
GR01 Patent grant
GR01 Patent grant