CN117151288A - 一种城际车辆调度匹配优化方法、装置及设备 - Google Patents
一种城际车辆调度匹配优化方法、装置及设备 Download PDFInfo
- Publication number
- CN117151288A CN117151288A CN202311101518.XA CN202311101518A CN117151288A CN 117151288 A CN117151288 A CN 117151288A CN 202311101518 A CN202311101518 A CN 202311101518A CN 117151288 A CN117151288 A CN 117151288A
- Authority
- CN
- China
- Prior art keywords
- city
- solution
- inter
- vehicle
- time
- 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 51
- 238000005457 optimization Methods 0.000 title claims description 22
- 238000003780 insertion Methods 0.000 claims abstract description 20
- 230000037431 insertion Effects 0.000 claims abstract description 20
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 17
- 238000002922 simulated annealing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000002355 dual-layer Substances 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 231100000773 point of departure Toxicity 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/04—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
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种城际车辆调度匹配优化方法、装置及设备,方法包括:基于乘客出行订单和城际车辆行程,构建双层规划模型;获取当前时刻的城际拼车订单信息和车辆信息;通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解;初始化邻域搜索算法的初始参数;根据城际拼车订单信息选择移除算子对当前解进行移除操作,选择插入算子进行插入操作,获得新解;根据双层规划模型的第一目标以及第二目标,对当前解进行更新;更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则继续迭代。本发明能避免优化调度陷入局部最优解。
Description
技术领域
本发明涉及城际客运规划技术领域,具体而言,涉及一种城际车辆调度匹配优化方法、装置及设备。
背景技术
由于平台调度系统需要确保实时性,一旦有新订单系统就要马上为他派送车辆,当没有可行车辆时延后为他调度,这一过程称之为实时调度。实时调度一般采用最佳插入算法,且一旦订单确定调度的车辆后将不再更改,而这会出现:可以通过乘客之间的换车来提升接送效率但由于实时调度的局限性而不能够换车,从而出现接送客时间长、运力浪费等情况。而车辆调度匹配优化方法就是为了避免这种情况发生的调度算法(以下简称优化调度)。
优化调度主要目标是优化实时调度的调度结果。相比于实时调度,调度系统期望优化调度能够使用相同的运力接送更多的乘客,当接送相同数量乘客时优化调度的接送客时间更短。目前,业界现有的动态拼车调度算法都集中在城内拼车,而城际拼车暂未有较好的解决方案。城际拼车存在以下几个难点:
1、车辆从起点出发,订单的起点与终点位于两座城市,在调度过程中需要同时兼顾车辆与订单,存在多个约束条件,难以形成更优解;
2、所有订单都为即时单,对调度算法的速度要求高;
3、优化调度采用迭代式算法,有两个目标函数,容易陷入局部最优解;
4、搜索算法需要对结果不断地进行破坏与重组,其破坏与重组算子的设计将影响每一次迭代的解,从而影响迭代速度。
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车辆调度匹配优化方法、装置及设备,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车辆调度匹配优化方法,其包括:
基于乘客出行订单和城际车辆行程,构建双层规划模型;其中,所述双层整数规划模型的第一目标为最大化总接送客数量,第二目标为最小化总接送客的时间花销;
获取当前时刻的城际拼车订单信息和车辆信息;
通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解;
初始化邻域搜索算法的初始参数;其中,所述初始参数包括迭代次数、解未提升次数、最大迭代次数、最大解未提升次数、模拟退火初始温度和温度变化率;
根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解;其中移除算子为相似度移除算子,引入订单相似度概念,优先移除与与选定订单相似的订单;插入算子采用最佳插入算法。
根据双层规划模型的第一目标,判断新解是否优于当前解;若新解较优则接受;若新解差于当前解则不接受;若新解与当前解相同,则根据双层规划模型的第二目标,判断新解是否优于当前解,若新解较优则接受,否则以模拟退火概率接受新解;
更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则以当前迭代次数的新解作为当前解继续迭代。
第二方面、
本发明实施例提供了一种城际车辆调度匹配优化装置,其包含:
模型构建单元,用于基于乘客出行订单和城际车辆行程,构建双层规划模型;其中,所述双层整数规划模型的第一目标为最大化总接送客数量,第二目标为最小化总接送客的时间花销;
信息获取单元,用于获取当前时刻的城际拼车订单信息和车辆信息;
当前解形成单元,用于通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解;
初始化单元,用于初始化邻域搜索算法的初始参数;其中,所述初始参数包括迭代次数、解未提升次数、最大迭代次数、最大解未提升次数、模拟退火初始温度和温度变化率;
新解获得单元,用于根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解;
解更新单元,用于根据双层规划模型的第一目标,判断新解是否优于当前解;若新解较优则接受;若新解差于当前解则不接受;若新解与当前解相同,则根据双层规划模型的第二目标,判断新解是否优于当前解,若新解较优则接受,否则以模拟退火概率接受;
迭代判断单元,用于更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则以当前迭代次数的新解作为当前解继续迭代。
第三方面、
本发明实施例还提供了一种城际车辆调度匹配优化设备,其包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上述的城际车辆调度匹配优化方法。
综上所述,本实施例将问题建模为双层整数规划模型,同时兼顾车辆与订单,通过实时调度生成初始解,优化调度使用邻域搜索算法在初始解之上寻找更优解;为了避免优化调度陷入局部最优解,本实施例提出了相应的模拟退火概率的计算模型,使得解有概率跳出局部最优解并寻找全局最优解;本实施例引入了订单相似度的概念,并提出了相应的订单相似度的计算模型,通过在移除算子中优先移除与选定的已经在行程中的订单相似的订单,使得插入算子在插入时更容易插入,减少了计算量,从而达到了提高迭代速度的目的。
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是本发明第一实施例提供的城际车辆调度匹配的优化方法的流程示意图。
图2是本发明一实施例提供的实时调度逻辑图。
图3是图2中的调度匹配优化的逻辑图,其中表示计算总接送客时间。
图4是本发明第二实施例提供的城际车辆调度匹配的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。
请参阅图1至图3,本发明第一实施例提供一种城际车辆调度匹配的优化方法,其可由城际车辆调度匹配的优化设备来执行(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,基于乘客出行订单和城际车辆行程,构建双层规划模型;其中,所述双层规划模型的第一目标为最大化总接送客数量,第二目标为最小化总接送客的时间花销。
在本实施例中,所述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,本发明不做具体限定。
在本实施例中,所述双层规划模型包括与第一目标对应的第一目标函数、与第二目标对应的第二目标函数和约束条件,其中:
所述第一目标函数为:
所述第二目标函数为:
约束条件为:
式中,为第/>个调度决策时刻,/>为第/>个优化决策时刻,/>为/>两点间的距离,为/>两点之间的行驶时间,/>为城市A的城际出入口点编号,/>为城市B的城际出入口点编号,/>为订单/>的下单时刻,/>为订单/>的预约上车时刻,/>为订单/>的上车点,为订单/>的下车点,/>为订单/>的同行人数,/>为车辆/>的已载客量,/>为车辆最大载客量,/>为优化决策时间间隔,/>为服务行程/>的车辆,/>为行程/>的订单数,/>为行程/>的开始可用时刻,/>为行程/>的起点出发时刻,/>为行程/>的终点到达时刻,/>为行程/>的车辆路径,/>为乘客最早上车时间约束,/>为乘客最晚上车时间约束,/>为城市B入口点到末位乘客下车点之间的最大限制时间,/>为接客的总时间约束,/>为每多接一位客最多增加的接客时间花销,/>为0-1决策变量,/>为0-1决策变量,/>为非负整数决策变量,行程/>中车辆经过的第/>个上车点,/>为非负整数决策变量,行程/>中车辆经过的第/>个下车点,/>为非负实数决策变量,行程/>中车辆到达/>点的时刻。
其中,式(1)的第一目标函数表示最大化总接送客数量;式(2)的第二目标函数2表示最小化总接送客时间花销;式(3)~式(11)为该双层规划模型的约束条件。
式(3)确保订单被平台决策时间不超过最晚容忍出行时间。
式(4)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(5)确保每位乘客订单最多只能被一个行程的一辆车服务。
式(6)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(7)确保行程的车辆载客数量不能超过最大载客量。
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,新插入的乘客增加的接客总时间小于最大插入限制时间。
下面对构建城际车辆调度的双层规划模型场景中的一些定义进行说明:
首先、构建城际车辆调度动态拼车问题的场景。
这里将城际客运的两个城市分别命名为城市A和城市B,描述以城市A到城市B为例。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。
设乘客拼车订单的编号集合={1,2,…,/>,…,|/>|},|/>|代表乘客拼车订单数,车辆编号集合/>={1,2,…,/>,…,|/>|},|/>|代表车辆数。
优化设备实时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/>个实时调度决策时刻,/>表示决策时刻个数,任意/>的间隔时间为上一决策时刻到有新订单下单时刻或有车辆报班的时刻的时间间隔。优化设备将在任一/>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。
优化设备优化调度决策的时刻编号集合记为。其中,表示细调度起始调度的时刻,/>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、订单情况优化实时调度中的调度结果。
当车辆到达城市出口时调度结果将不在改变,此时将这一调度结果记录为行程,即车辆从城市A到城市B的一次单边载客。一次单边载客对应一个行程,每个行程只能被由一辆车服务。行程的编号集合设为,/>代表行程总数。车辆有一初始的起始点位置/>,之后每趟行程的起始点位置/>该车上一行程最后一个送的客的终点位置。
在上述实施例的基础上,本发明的一个可选地实施例中,定义每个行程的车辆路径可表示为:
S2,获取当前时刻的城际拼车订单信息和车辆信息。
具体的,每笔城际拼车订单信息包括:订单id、下单时刻、预约上车时刻、起点经纬度、终点经纬度、人数、订单状态和线路id。每辆车辆信息包括:车辆id、报班时刻、起始位置点经纬度、车辆状态、车辆座位数、所属线路id。
其中,特别的,车辆为网约车辆。
S3,通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解。
在本实施例中,所述插入算子采用最佳成本插入,即将城际拼车订单插入时间花销最小的车辆的行程中。
具体地,在插入时,遍历所有车辆的所有可插入点,选择插入后新增时间花销最小的点插入,从而形成当前解。其中,所有状态的车辆都能够用来匹配,即已经发车的车辆也可以用来匹配。
在本实施例中,这里的当前解包括了每个拼车订单(或每个乘客)所对应的车辆信息以及行程信息。
S4,初始化邻域搜索算法的初始参数;其中,所述初始参数包括迭代次数、解未提升次数、最大迭代次数、最大解未提升次数、模拟退火初始温度和温度变化率。
S5,根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解。
具体的,在本实施例中,所述移除算子为相似移除算子,所述移除算子在移除时,先随机移除一个订单,再移除与该订单最相似的订单。移除算子的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刻差之间的接近值。距离和时间的量纲采用归一化方法进行统一。
其中,订单与/>的相似程度表示为:
其中为相似度距离权重,/>为相似度时间权重,/>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,/>表示订单/>的预定上车时刻到/>的预定上车时刻的归一化时间。距离和时间各自均采用min-max方法归一化,公式如下:
其中,为样本数据,如距离和时间值,/>为样本最小值,/>为样本最大值,/>为归一化后的样本数据。
在本实施例中,所述插入算子仍然采用最佳成本插入,与S3不同的是,这里在遍历所有可插入点时不包括已经发车的车辆。
S6,根据双层规划模型的第一目标,判断新解是否优于当前解;若新解较优则接受;若新解差于当前解则不接受;若新解与当前解相同,则根据双层规划模型的第二目标,判断新解是否优于当前解,若新解较优则接受,否则以模拟退火概率接受新解。
在本实施例中,如图3所示,具体地,分别将当前解以及新解代入到第一目标函数中获得对应的总接送客数量,再根据总接送客数量判断新解是否大于优先解。若新解较优,即新解的总接送客数量更大,则接受新解;若新解差于当前解,即新解的总接送客数量更小,则不接受新解,保持当前解;若新解与当前解相同,则分别将当前解以及新解代入到第二目标函数中获得对应的总接送客的时间花销,根据时间花销判断新解是否优于当前解,若新解较优(即时间花销更短)则接受,否则以模拟退火概率接受新解。
其中,模拟退火概率的计算公式为:
式中,为当前解的接送客的时间花销、/>为新解的接送客的时间花销。
退火的温度的更新公式为:
式中,为更新后的温度、/>为温度变化率、/>为当前温度。
这里以模拟退火概率接受新解即新解的接受概率为模拟退火概率,模拟退火概率越高,接受新解的概率越高,反之,接受新解的概率越低。
S7,更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则以当前迭代次数的新解作为当前解继续迭代。
在本实施例中,在更新初始参数时,将迭代次数加一。若接受新解为最优解,则将解未提升次数归零,否则将解未提升次数加一。
然后,判断当前迭代次数是否达到最大迭代次数或解未提升次数是否达到最大解未提升次数。若达到则停止迭代,并更新更新城际拼车订单信息和车辆信息,否则继续迭代,直至满足当前迭代次数达到最大迭代次数或解未提升次数达到最大解未提升次数。
其中,城际拼车订单信息包括:未匹配车辆、已匹配车辆和已上车,车辆信息包括:空车、非空车未发车、已发车和已出城。
综上所述,本实施例中,本实施例提出的一种结合了实时调度与优化调度的两阶段调度模型,将问题建模为双层整数规划模型,同时兼顾车辆与订单,通过实时调度生成初始解,优化调度使用邻域搜索算法在初始解之上寻找更优解;为了避免优化调度陷入局部最优解,本实施例提出了相应的模拟退火概率的计算模型,使得解有概率跳出局部最优解并寻找全局最优解;本实施例引入了订单相似度的概念,并提出了相应的订单相似度的计算模型,通过在移除算子中优先移除与选定的已经在行程中的订单相似的订单,使得插入算子在插入时更容易插入,减少了计算量,从而达到了提高迭代速度的目的。
请参阅图4,本发明第二实施例提供了一种城际车辆调度匹配优化装置,其包含:
模型构建单元210,用于基于乘客出行订单和城际车辆行程,构建双层规划模型;其中,所述双层整数规划模型的第一目标为最大化总接送客数量,第二目标为最小化总接送客的时间花销;
信息获取单元220,用于获取当前时刻的城际拼车订单信息和车辆信息;
当前解形成单元230,用于通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解;
初始化单元240,用于初始化邻域搜索算法的初始参数;其中,所述初始参数包括迭代次数、解未提升次数、最大迭代次数、最大解未提升次数、模拟退火初始温度和温度变化率;
新解获得单元250,用于根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解;
解更新单元260,用于根据双层规划模型的第一目标,判断新解是否优于当前解;若新解较优则接受;若新解差于当前解则不接受;若新解与当前解相同,则根据双层规划模型的第二目标,判断新解是否优于当前解,若新解较优则接受,否则以模拟退火概率接受;
迭代判断单元270,用于更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则以当前迭代次数的新解作为当前解继续迭代。
本发明第三实施例还提供了一种城际车辆调度匹配优化设备,其包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上述的城际车辆调度匹配优化方法。
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 (8)
1.一种城际车辆调度匹配优化方法,其特征在于,包含:
基于乘客出行订单和城际车辆行程,构建双层规划模型;其中,所述双层整数规划模型的第一目标为最大化总接送客数量,第二目标为最小化总接送客的时间花销;
获取当前时刻的城际拼车订单信息和车辆信息;
通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解;
初始化邻域搜索算法的初始参数;其中,所述初始参数包括迭代次数、解未提升次数、最大迭代次数、最大解未提升次数、模拟退火初始温度和温度变化率;
根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解;
根据双层规划模型的第一目标,判断新解是否优于当前解;若新解较优则接受;若新解差于当前解则不接受;若新解与当前解相同,则根据双层规划模型的第二目标,判断新解是否优于当前解,若新解较优则接受,否则以模拟退火概率接受新解;
更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则以当前迭代次数的新解作为当前解继续迭代。
2.根据权利要求1所述的城际车辆调度匹配优化方法,其特征在于,所述双层规划模型包括与第一目标对应的第一目标函数、与第二目标对应的第二目标函数和约束条件;所述双层规划模型的约束包括硬时间窗、线路路线、时长和插入时间;
所述第一目标函数为:
所述第二目标函数为:
所述约束条件为:
式中,
为第/>个调度决策时刻;
为第/>个优化决策时刻;
为/>两点间的距离;
为/>两点之间的行驶时间;
为城市A的城际出入口点编号;
为城市B的城际出入口点编号;
为订单/>的下单时刻;
为订单/>的预约上车时刻;
为订单/>的上车点;
为订单/>的下车点;
为订单/>的同行人数;
为车辆/>的已载客量;
为车辆最大载客量;
为优化决策时间间隔;
为服务行程/>的车辆;
为行程/>的订单数;
为行程/>的开始可用时刻;
为行程/>的起点出发时刻;
为行程/>的终点到达时刻;
为行程/>的车辆路径;
为乘客最早上车时间约束;
为乘客最晚上车时间约束;
为城市B入口点到末位乘客下车点之间的最大限制时间;
为接客的总时间约束;
为每多接一位客最多增加的接客时间花销;
为0-1决策变量;
为0-1决策变量;
为非负整数决策变量,行程/>中车辆经过的第/>个上车点;
为非负整数决策变量,行程/>中车辆经过的第/>个下车点;
为非负实数决策变量,行程/>中车辆到达/>点的时刻。
3.根据权利要求1所述的城际车辆调度匹配优化方法,其特征在于,根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解,具体为:
根据所述城际拼车订单信息选择移除算子;
通过移除算子对当前解进行移除操作,得到移除的拼车订单集合,并重新通过插入算子对这些移除的拼车订单集合及当前时刻新加入的拼车订单集合进行插入操作,得到一个新解。
4.根据权利要求3所述的城际车辆调度匹配优化方法,其特征在于,所述移除算子为相似移除算子,其先随机移除一个订单,再移除与该订单最相似的部分订单;订单的相似程度为订单上车点之间、下车点之间和出发时刻之间的接近值。
5.根据权利要求3所述的城际车辆调度匹配优化方法,其特征在于,所述插入算子为最佳成本插入,即将城际拼车订单插入时间花销最小的车辆的行程中。
6.根据权利要求1或2所述的城际车辆调度匹配优化方法,其特征在于,在判断迭代次数是否达到最大迭代次数之前,还包括:更新模拟退火的温度,并将迭代次数加一;
退火的温度的更新模型为:
式中,为更新后的温度、/>为温度变化率、/>为初始温度;
模拟退火概率的计算模型为:
式中,为当前解的接送客总时间、/>为新解的接送客总时间。
7.一种城际车辆调度匹配优化装置,其特征在于,包含:
模型构建单元,用于基于乘客出行订单和城际车辆行程,构建双层规划模型;其中,所述双层整数规划模型的第一目标为最大化总接送客数量,第二目标为最小化总接送客的时间花销;
信息获取单元,用于获取当前时刻的城际拼车订单信息和车辆信息;
当前解形成单元,用于通过插入算子为新加入的城际拼车订单匹配车辆并插入到车辆的行程当中,形成当前解;
初始化单元,用于初始化邻域搜索算法的初始参数;其中,所述初始参数包括迭代次数、解未提升次数、最大迭代次数、最大解未提升次数、模拟退火初始温度和温度变化率;
新解获得单元,用于根据所述城际拼车订单信息选择移除算子对所述当前解进行移除操作,然后选择插入算子进行插入操作,获得新解;
解更新单元,用于根据双层规划模型的第一目标,判断新解是否优于当前解;若新解较优则接受;若新解差于当前解则不接受;若新解与当前解相同,则根据双层规划模型的第二目标,判断新解是否优于当前解,若新解较优则接受,否则以模拟退火概率接受;
迭代判断单元,用于更新初始参数,并根据更新后的初始参数判断是否达到最大迭代次数或最大解未提升次数;若达到则停止迭代,更新城际拼车订单信息和车辆信息;否则以当前迭代次数的新解作为当前解继续迭代。
8.一种城际车辆调度匹配优化设备,其特征在于,包括存储器以及处理器,所述存储器内存储有计算机程序,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车辆调度匹配优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311101518.XA CN117151288A (zh) | 2023-08-30 | 2023-08-30 | 一种城际车辆调度匹配优化方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311101518.XA CN117151288A (zh) | 2023-08-30 | 2023-08-30 | 一种城际车辆调度匹配优化方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117151288A true CN117151288A (zh) | 2023-12-01 |
Family
ID=88898149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311101518.XA Pending CN117151288A (zh) | 2023-08-30 | 2023-08-30 | 一种城际车辆调度匹配优化方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151288A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556967A (zh) * | 2024-01-11 | 2024-02-13 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
CN117575120A (zh) * | 2023-12-12 | 2024-02-20 | 云宝宝大数据产业发展有限责任公司 | 一种基于区域巡游的士巴智能化服务平台及方法 |
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 |
-
2023
- 2023-08-30 CN CN202311101518.XA patent/CN117151288A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575120A (zh) * | 2023-12-12 | 2024-02-20 | 云宝宝大数据产业发展有限责任公司 | 一种基于区域巡游的士巴智能化服务平台及方法 |
CN117575120B (zh) * | 2023-12-12 | 2024-06-11 | 云宝宝大数据产业发展有限责任公司 | 一种基于区域巡游的士巴智能化服务平台及方法 |
CN117556967A (zh) * | 2024-01-11 | 2024-02-13 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
CN117556967B (zh) * | 2024-01-11 | 2024-05-03 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977739B (zh) | 物流配送路径的优化方法、装置及设备 | |
US8229666B2 (en) | Generating and using pattern keys in navigation systems to predict user destinations | |
US8504295B2 (en) | Preserving assigned carpools after a cancellation | |
US20160025503A1 (en) | Vehicle parking management | |
CN111524382B (zh) | 一种停取车预约的自动立体停车库系统及控制方法 | |
CN117151288A (zh) | 一种城际车辆调度匹配优化方法、装置及设备 | |
CN106529711B (zh) | 用户行为预测方法及装置 | |
CN109166337B (zh) | 公交到站时间生成方法、装置及公交乘客出行od获取方法 | |
Coltin et al. | Scheduling for transfers in pickup and delivery problems with very large neighborhood search | |
CN108596385B (zh) | 车辆的排队方法及装置、可读介质、物流系统 | |
US9778658B2 (en) | Pattern detection using probe data | |
CN116401896A (zh) | 城际客运的在线调度匹配方法、装置、设备和存储介质 | |
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 | |
CN108921762B (zh) | 一种车辆混合调度方法、装置及设备 | |
Li et al. | Truck and drone routing problem with synchronization on arcs | |
CN110853349A (zh) | 车辆调度方法、装置及设备 | |
JP2013180867A (ja) | 配送システム | |
CN105303245B (zh) | 交通分析系统以及交通分析方法 | |
CN116757348A (zh) | 一种基于人工智能的出行信息智能规划管理系统及方法 | |
US11455887B1 (en) | Systems and methods to locate a parking spot for a vehicle | |
CN112990518B (zh) | 一种地铁个体乘客目的站点实时预测方法及装置 | |
US20180073881A1 (en) | Computer-Implemented Method, System, and Computer Program Product for Detecting Modes of Transportation of a User | |
KR20190134363A (ko) | 발렛 서비스 제공 시스템 및 그 방법 | |
CN111882092A (zh) | 一种适用于共享出行的出租车车辆搜索方法 | |
CN113766428A (zh) | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
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 |