CN117151313A - 综合多因素的公交车辆行车计划优化方法、系统及应用 - Google Patents
综合多因素的公交车辆行车计划优化方法、系统及应用 Download PDFInfo
- Publication number
- CN117151313A CN117151313A CN202311428527.XA CN202311428527A CN117151313A CN 117151313 A CN117151313 A CN 117151313A CN 202311428527 A CN202311428527 A CN 202311428527A CN 117151313 A CN117151313 A CN 117151313A
- Authority
- CN
- China
- Prior art keywords
- bus
- departure
- interval
- train
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本方案提供了一种综合多因素的公交车辆行车计划优化方法、系统及应用，根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划，充分考虑推荐间隔、单程时间、配车数量等多因素，以兼顾满足乘客需求和公交资源。
Description
技术领域
本申请涉及智慧交通领域，特别是涉及一种综合多因素的公交车辆行车计划优化方法、系统及应用。
背景技术
公交的规划与运营一般包括四个环节：线网规划、时刻表编制、车辆排班计划（行车计划）、司乘人员排班，其中时刻表编制的目标一般是最大程度满足顾客需求，需要考虑乘客的流量、换乘时间、道路的拥挤情况、公交车在站台的停留时间等；车辆排班计划目标一般是最小化运营成本，需要考虑如何提高运营效率，使用有限的车辆及车辆容量满足时刻表的需求，其核心工作是依照编制的时刻表建立车辆的车次连。同时车辆排班计划又会作为司乘人员排班的输入，在实际运营中，人车通常是锚定，因此在车辆排班计划时，合理的班型是需要重点考虑的因素。
在公交单位日常实际运营中，时刻表编制与行车计划仍然大量依赖调度员的手工编排，需要付出极大的人力成本，而不同经验水平的调度员偏好不一致，导致不同的线路时刻表编制和行车计划编排质量参差不齐，且人脑计算力有限，对于复杂问题不能全局考虑，对不断变化的需求和环境因素难以作出快速评估和有效应对。另一方面，现有的解决方案是一般将时刻表编制与行车计划分别作为独立的模块，先由专人编排时刻表后再将时刻表给到行车计划的调度员，调度员在在有限的资源下根据时刻表进行行车计划的编排，这样编排出来的行车计划不能完全契合时刻表，导致行车计划非最优设计方案。换言之，时刻表编排和行车计划的编排是相互作用影响，只有两者同时进行优化才能达到整体最优的公交车辆行车计划。
发明内容
本申请实施例提供了一种综合多因素的公交车辆行车计划优化方法、系统及应用，综合考虑推荐间隔、单程时间以及配车数量等多因素生成车次链，并基于车次链生成每个车次的发车时刻表以得到最优设计方案的公交车辆行车计划。
第一方面，本申请实施例提供了一种综合多因素的公交车辆行车计划优化方法，包括以下步骤：
根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段的推荐发车频率；
根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
第二方面，本申请实施例提供了一种综合多因素的公交车辆行车计划优化系统，包括：
推荐间隔获取单元，用于根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段的推荐发车频率；
单程时间获取单元，用于根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
配车数量获取单元，用于根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
车次链生成单元，用于根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
发车时刻表生成单元，用于根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
行车计划生成单元，用于结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的综合多因素的公交车辆行车计划优化方法。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的综合多因素的公交车辆行车计划优化方法。
本发明的主要贡献和创新点如下：
本申请实施例提供了一种综合推荐间隔、单程时间、配车数量的多因素的公交车次行车计划优化方法，首先根据推荐间隔、单程时间以及配车数量根据班型合理、工时合理且符合推荐间隔为约束条件生成车次链，再根据发车时间间隔平滑、尽量贴合初始发车时刻表为目标生成发车时刻表，且发车时刻表和车次链彼此联动以生成最终合理可行的公交车辆行车计划，本方案规划得到的公交车辆行车计划可以克服背景技术中时刻表编制与行车计划孤立编排而导致行车计划非最优设计方案的问题，且本方案的公交车辆行车计划的调配充分考虑推荐间隔、单程时间、配车数量等多因素，以兼顾满足乘客需求和公交资源。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的综合多因素的公交车辆行车计划优化方法的流程图；
图2是根据本申请一种实施例的综合多因素的公交车辆行车计划优化方法的逻辑示意图；
图3是本方案的0-1编码的二维数组的示意图；
图4是根据本申请实施例的库装置的综合多因素的公交车辆行车计划优化系统的结构框图；
图5是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
如图1所示，本方案提供了一种综合多因素的公交车辆行车计划优化方法，包括以下步骤：
根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段的推荐发车频率；
根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
如图2所示，图2是该综合多因素的公交车辆行车计划优化方法的框架示意图，该公交车辆行车计划优化方法包括三个阶段：获取数据阶段、车次链生成阶段以及发车时刻表生成阶段，其中在该获取数据阶段中，根据历史全量客流量获取推荐间隔，并基于推荐间隔生成初始发车时刻表,根据历史路单数据获取单程时间，根据初始车次数量和场站的空驾驶车次总数量获取配车数量；在车次链生成阶段中利用推荐间隔、单程时间以及配车数量根据班型合理、工时合理且符合推荐间隔为约束条件利用上层模型生成车次链；在发车时刻表生成阶段，根据发车时间间隔平滑、尽量贴合初始发车时刻表为目标利用目标优化模型生成发车时刻表，且发车时刻表和车次链彼此联动以生成最终合理可行的公交车辆行车计划。
关于推荐间隔的获取：
本方案是根据对当前运营线路上的历史全量客流量进行统计，获取掌握运营线路某一方向上相邻两个站点之间通过的乘客数量作为断面客流，再根据断面客流获取运营线路上每每区间时间段内的理想的发车频率作为推荐间隔。本方案以推荐间隔为因素规划公交车辆行车计划，是由于当前运营线路上的公交车次按照推荐间隔发车的话可以最大化满足乘客的乘客需求。
具体的，在“根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔”步骤中，根据历史全量客流量统计得到每区间时间段内的多个断面客流，取每区间时间段内断面客流的最大值作为最大断面客流量，按照最大断面客流量、车型定员以及计划满载率计算得到公交车次发车的推荐间隔，其中断面客流为运营线路上同一行车方向上的相邻两个站点之间通过的乘客数量。
本方案中的历史全量客流量指的是当前运营线路上的历史时间段内的公交车次的客流数据，客流数据包括当前运营线路上每个站点的乘客上车人数和乘客下车人数。在本方案的一具体实施例中，取前3个月的公交车次的客流数据作为历史全量客流量。
根据历史全量客流量统计得到运营线路某一方向上相邻两站点之间通过的乘客数量作为断面客流，具体的，通过每一公交车次在前后站点的乘客上车人数和乘客下车人数计算得到当前区间的断面流量。而本方案取每区间时间段内的各个公交车次的断面客流的最大值作为最大断面客流量，该最大断面客流量表征当前区间时间段的最大客流需求量。关于区间时间段的时间长度单位根据具体的运营线路具体选择，可以是将每半小时作为一个区间时间段，也可以是将每小时作为一个区间时间段。
本方案根据最大断面客流量、车型定员以及计划满载率计算得到不同小时的推荐间隔，计算公式如下：；
其中表示每区间时间段的最大断面客流量，/>表示公交车次的车型定员，/>表示计划满载率。
需要说明的是，所述推荐间隔表示当前运营线路上公交车次每区间时间段的推荐发车频率，比如10:00-10:30之间的推荐间隔是3辆车，10:30-11：00之间的推荐间隔是的5辆车。
在“基于推荐间隔生成初始发车时刻表”步骤中，将推荐间隔累加得到初始发车时刻表。本方案在已知推荐间隔的情况下一步步累加，生成初始时刻时刻表，随后再贴合于初始时刻表生成每个公交车次的发车时刻表。
关于单程时间的获取：
本方案根据滚动平均的方法基于当前运营线路上公交车次的历史路单数据计算得到不同时间段的单程时间。具体的，在“根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间”步骤中，取公交车次在不同时间段完成单次运营线路的行驶时间的平均值作为不同时间段的单程时间。示例性，计算得到公交车次在早8点的单程时间是2小时，在晚8点的单程时间是1小时。
需要说明的是，本方案采用滚动平均法对历史路单数据进行单程时间的计算时，会将同一时间段内的多个历史路单数据的时间数据进行平滑处理以使得在较小的时间区间内的单程时间是稳定。
本方案的历史路单数据指的是当前运营线路上每个公交车次完成单次线路的行驶数据，历史路单数包括每个公交车次完成单次线路的行驶时间。
关于配车数量的获取：
本方案是根据逆差函数考虑空驾驶车次以获取准确的配车数量。为了使得公交车辆行车计划在每天的开始和结束时保持平衡，或车辆从不需要的场站调度到另一个需要的场站以满足车次需求，或者考虑车辆进行加油、保养的情况，需要考虑空驾驶车次对配车数量的影响。
本方案定义从某一场站插入到另一场站的空驾驶的车次为空驾驶车次，例如假设一条运营线路上的两个首末站点（A点和B点）。只能在A站发车，但是B站不能发车，为了B站能准时发车，必须从A站发一辆空车过去，但是这个车是不载人的，称为空驾驶车次。
在“根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量”步骤中，根据以下公式计算配车数量：
；
；
其中为未插入空驾驶车次前的初始车次数量，d是空驾驶车次总数量，/>指的是由场站i插入到场站j的第k个空驾驶车次，当车次未插入该场站时为0，插入该场站时为1，其中/>为发出场站集合，/>为插入场站集合,/>为空驾驶车次集合。
需要说明的是，初始车次数量可通过人工进行设定，该初始车次数量可以设定为较大值，本方案通过以上配车数量的计算可以在满足需求的情况下选择较少数量的配车数量。
关于场站i和场站j的介绍：由于在实际的运营线路上并不是只有一个场站的，实际运营线路可以是双边发车，比如早上6点时公交车次1从场站i上行方向发车，在下行方向上公交车次2也可以是6点，从另一个场站j相反方向驶过来，故本方案在计算配车数量时会涉及到场站i和场站j。
本方案是基于历史全量客流数据来生成配车数量，也就是说，本方案通过每个区间时间段的最大断面客流计算初始车次数量，并通过逆差函数尽力贴合每个断面的配车数，从而得到总的配车数量。实际上，调度中心指定的公交车次有可能存在运力过剩或者无法满足客流需求的情况：比如实际过程中，同一个运营线路上两个车发车间隔过小导致可能两个公交车次同时到一个车站，这样的话就会出现运力过剩的问题；而本方案的配车数量是通过对历史全量客流量进行分析后配合逆差函数计算得到的，使得本方案的配车数量是更满足实际需求的。
最大断面客流是根据客流算出来的是总的用车数量，比如一条线路一共要用10辆车来跑，该10辆车辆作为初始车次数量，逆差函数表示某一场站所欠的需使用车辆数，车队规模又是由所有场站需要用车的数量之和，逆差函数的理论是每个场站最小需要车辆数为其高峰时段逆差函数的最大值，所以使用逆差函数的优化目标是车队规模最小化，本方案使用空驾驶车次数来削减这个场站用车规模的最大值。
关于车次链的获取：
本方案是根据上述步骤计算得到的推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，本方案按照班型合理、工时合理为主，符合推荐间隔为辅生成初始的车次链。
具体的，在“根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链”步骤中，将推荐间隔、单程时间以及配车数量输入到上层模型中得到车次链，其中所述上层模型的约束条件为班型合理、工时合理且符合推荐间隔。
本方案的上层模型采用集合覆盖思想，使得生成的车次链满足在相对的区间时间段内发车数量尽量覆盖贴合推荐间隔。
具体的，“在“根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链”步骤中：设定数量同于配车数量的公交车次置于配车数据库中，且根据公交车次的发车情况以及被发车的公交车次的单程时间实时更新配车数据库中的公交车次，根据运营线路的始发站的发车时间匹配运营时间段的多个推荐间隔，在每区间时间段内从配车数据库中取设定数量的公交车次得到车次链，且同一区间时间段内的公交车次数量覆盖当前区间时间段的推荐间隔。对应的，该实现步骤也是上层模型的运算逻辑。
对应的，“同一公交车次的次序位置符合该公交车次的单程时间” 指的是同一公交车次在发车链中的相邻次序位置之间的时间不小于该公交车次的单程时间。
需要说明的是，一旦配车数据库中的公交车次被配置到对应的推荐间隔所在的时间段内，则设定该公交车次被发车且在配车数据库中移除该被发车的公交车次，当被发车的公交车次经历单程时间后再加入到配车数据库中，以此方式实现配车数据库的实时更新。
且由于公交车次在不同时间段的单程时间是不同的，故在根据公交车次的单程时间进行配车数据库中的公交车次的更新时，根据公交车的发车时间选择对应的单程时间进行更新。比如某公交车次在6点发车时，取6点对应的单程时间（假设为1个小时），则认为该公交车次到站的时间7点，假设不停车连续发，则取该公交车次在7点对应的单程时间，如1个小时10分钟。
在“在每区间时间段内从配车数据库中取设定数量的公交车次得到车次链，且同一区间时间段内的公交车次数量覆盖当前区间时间段的推荐间隔”步骤中，不同区间时间段内的公交车次按照班型合理的原则排布。示例性的，假设在半个小时内发车的顺序是1，2，3，那大概率下半小时内的车次顺序也是1，2，3，如果下半小时的车次顺序变成了1，2，3，3，1，2，则认为是不符合班型合理原则的，且由于每个区间时间段内的公交车次的班型合理，故可大致每个公交班次的单程时间以更新配车数据库。
另外，在一些实施例中，根据实际公交车次的调配需求实时更新配车数据库中的公交车次。比如调配需求设定在特定时间段内某些公交车次不进行配车，则该对应时间段内将被调配的公交车次从配车数据库中移除。示例性的，假设配车数量为5，对每个公交车次编号为1，2，3，4，5，采用集合覆盖的思想让运营线路的场站发出的车次数量尽可能覆盖区间时间段（半个小时）的推荐间隔，场站开始发车时间的第一个半个小时内发了1，2，3班次，在第二个半个小时和第三个半小时内推荐间隔变大，则在1,2,3班次中错开插入车次4，5再继续分别跑一趟，最后半个小时的推荐间隔进一步变大，且设定公交车次2，4，5退出不跑了，1，3继续跑，最终生成某个场站对应的车次链为：1，2，3，1，2，4，3，5，1，2，4，3，5，1，3，1，3。
关于发车时刻表的获取：
在“根据车次链输入到目标优化模型中输出每个公交车次的发车时刻表”步骤中，将推荐间隔、单程时间、车次链和配置参数输入到目标优化模型中，在目标优化模型中根据车次链中公交车次的次序及基于推荐间隔生成的初始发车时间将车次链映射成0-1编码的多个初始种，以发车时间间隔平滑、尽量贴合初始发车时刻表为目标从初始种中选择多个优解种，对多个优解种进行交叉和变异操作后再进行修复得到多个非支配解，以非支配解作为优解种迭代多次后输出发车时刻表。
本方案的配置参数指的是法定的某段时间的最大最小间隔、最小休息时间等人为规定的参数，这些配置参数可人为设定以适配实际的公交车次调配需求。
本方案的初始发车时间是根据推荐间隔再配以随机性得到的，如在05:00~05:30的区间时间段内的推荐间隔是8，车次链对应的公交车次是1，2，3，则根据推荐间隔设的初始发车时间是05:00, 05:08, 05:16。
在本方案中利用目标优化模型优化车次链中每个公交车次的发车时间进而得到合法合理的发车时刻表。在已知不同方向上的车次链后，寻找每个车次具体的发车时刻点最终组成行车计划，因此建立以发车时间间隔平滑、尽量贴合初始发车时刻表为目标的目标优化模型，同时要考虑首末班一定发车，满足必要的休息时间等，采用群智能体的非支配排序的多目标遗传算法求解。具体求解过程如下：
初始时，根据车次链中各个公交车次的编码和随机生成的初始发车时间，将一个初始解映射成（（1,0,0,...0)，(0,0,1,...0)，...(0,0,0,...1））构建成n*t长度的0-1编码，其中n代表车次链中的公交车次的数量，t代表该运营线路的首末班时间的长度。需要说明的是，该0-1编码的二维数组的行表示车次编码，列表示发车时间对应的时间编码。
关于0-1编码的示例如图3所示，其形成过程如下示例说明：
假设一个车次链上行方向的车次链是 [1，2，3，1，2，4，3，5，1，2，4，3，5，1，3，1，3...]，下行方向的方向上[1，2，3，1，2，4，3，5，1，2，4，3，5，1，3，1，3...]。上行开始结束时间[05:00,18:00], 下行方向的时间是[05:30, 18:30]。则首班班时间长度计算公式
，以1 分钟为时刻单位，映射时间段从0到开始, 截止到时间区间差 / 60的整数，则时间点区间[05:00, 18:00]都可以由0~780之间的数字表示，则可以用长度为780的一维数组(1,0,0,...0)表示一个车次的所有发车时间，同理n辆车用[0, n-1]之间的数表示车次编号。将n个一维数组合组合，则可以用n行t列的二维数组或矩阵表示一个可行的时刻表。同时由于单程时间约束，在一维数组(1,0,0,...1,0,0,...1)中，第一个1表示的时刻点，与下一个为1表示的时刻点，中间的0的个数应该大于等于单程时间,即数组中为1的位置的间隔表示单程时间加上休息时间。依次类推，如第一个时刻点1表示05:00时刻点，单程时间30分钟，休息2分钟，则一维数组中第32个位置为1，与此同时位置肯定不能小于30，因为单程时间等于30。
再基于轮盘赌的概率选择原则，按照计划方案质量优劣偏向选择质量较好的计划方案作为优解种，本方案以发车时间间隔平滑、尽量贴合初始发车时刻表为目标从多个初始解中选择合适的优解种。在选择得到优解种后对优解种进行交叉操作得到交叉解：采用多点交叉的方法交叉不同优解种上车次链的发车时间得到交叉解；以及对优解种进行变异操作得到变异解：选择公交车次的休息时间不合理、发车间隔不平滑、违反常规约束的点进行变异操作得到变异解；再对变异解和交叉解进行修复以得到合法可行的非支配解，再采用非支配解迭代目标优化模型以输出最终的发车时刻表。
生成初始解: 按照上面的计划编码方式，并行同时生50个初始行车计划方案，由车次链按照初始发车时刻表加上随机扰动因素生成初始的行车计划方案，生成后对不满足单程时间的约束条件进行修复，尽量保证所有的车次都满足单程时间要求；
选择操作：在一次算法搜索迭代过程中，从已经搜索到的行车计划方案集合中以一定的概率，选择结果较好的行车计划方案，进入到下一次迭代；在选择操作之前，为了行车计划方案的多样性，对所有的行车计划方案进行非支配排序：如计划方案1发车时间比较平滑，但是休息时间不合理，计划方案2方案中发车时间不平滑，但是休息时间合理，选择时应尽可能使得这两种方案都被选择，这样基于轮盘赌的概率选择原则按照行车计划方案非支配排序的结果选择较好的行车计划方案作为优解方案，进入下一步执行操作；
交叉操作：交叉是为了一个行车计划方案中部分时间段合理可行的方案传递给下一个计划，从而产生新的优秀的行车计划方案，选择一个行车计划方案时间段中比较好的相互交叉。比如行车计划方案1的08：00~09：00时间段好，行车计划方案2的11：00~13：00时间段比较好，但08:00 ~09:00时间段比较差，则交换方案1和方案2中的08：00~09：00时间段的行车计划方案，组成新的行车计划方案3，则方案3既含有方案1中08:00~09:00时间段相对较好的行车计划，又包含方案2中11：00~13：00时间段中的行车计划，可以选择一个时间段，或者多个时间段同时交叉；
变异操作：变异操作是为了算法避免陷入局部最优解，导致只能搜索到部分解，同时能指导算法向目标变的更好的方向搜索。一般的变异操作如：将行车计划方案的部分时间段的发车时间点，整体往后平移；为了保证某个车次在跑完一趟后有一定的休息时间，将此班次的下一个发车时间点往后平移，为了保证发个间隔能够均匀，将发车时间的间隔，尽量与上一个间隔相近，避免较大的跳跃；
循环执行上面的步骤，进行20次迭代后，输出所有非支配的解，最终输出车次的发车时刻表。
本方案的发车时刻表表示车次链上每个公交车次的发车时间，结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
另外，在一些实施例中，若目标优化模型中输出的每个公交车次的发车时刻表不可行的话，则反馈给生成车次链的上层模型以重新生成新的车次链并进行目标优化模型的发车时刻表的生成，直到发车时刻表可行。也就是说，本方案额外包括步骤：若目标优化模型生成的发车时刻表不可行则重新生成车次链，并基于新生成的车次链再次利用目标优化模型生成发车时刻表直到可行。
本方案通过车次链和目标优化模型的联动，综合推荐间隔、单程时间以及配车数量等多因素生成一个可行而有效的公交车辆行车计划，为公交运营单位提供自动化的决策建议，可在节省公交资料的同时满足乘客的乘坐需求。
实施例二
基于相同的构思，参考图4，本申请还提出了一种综合多因素的公交车辆行车计划优化系统，包括：
推荐间隔获取单元，用于根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段内的推荐发车频率；
单程时间获取单元，用于根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
配车数量获取单元，用于根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
车次链生成单元，用于根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
发车时刻表生成单元，用于根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
行车计划生成单元，用于结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
关于综合多因素的公交车辆行车计划优化系统中涉及的技术内容同于实施例一的技术内容的介绍。
实施例三
本实施例还提供了一种电子装置，参考图5，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的综合多因素的公交车辆行车计划优化方法的步骤。
具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种综合多因素的公交车辆行车计划优化方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是历史全量客流数据，历史路单数据等，输出的信息可以是公交车辆行车计划等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段内的推荐发车频率；
根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种综合多因素的公交车辆行车计划优化方法，其特征在于，包括以下步骤：
根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段的推荐发车频率；
根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
2.根据权利要求1所述的综合多因素的公交车辆行车计划优化方法，其特征在于，在“根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔”步骤中，根据历史全量客流量统计得到每区间时间段的多个断面客流，取每区间时间段的断面客流的最大值作为最大断面客流量，按照最大断面客流量、车型定员以及计划满载率计算得到公交车次发车的推荐间隔，其中断面客流为运营线路上同一行车方向上的相邻两个站点之间通过的乘客数量。
3.根据权利要求1所述的综合多因素的公交车辆行车计划优化方法，其特征在于，在“根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间”步骤中，取公交车次在不同时间段完成单次运营线路的行驶时间的平均值作为不同时间段的单程时间。
4.根据权利要求1所述的综合多因素的公交车辆行车计划优化方法，其特征在于，在“根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量”步骤中，根据以下公式计算配车数量：
；
；
其中为未插入空驾驶车次前的初始车次数量，d是空驾驶车次总数量，/>指的是由场站i插入到场站j的第k个空驾驶车次，当车次未插入该场站时为0，插入该场站时为1，其中/>为发出场站集合，/>为插入场站集合, />为空驾驶车次集合。
5.根据权利要求1所述的综合多因素的公交车辆行车计划优化方法，其特征在于，在“根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链”步骤中，设定数量同于配车数量的公交车次置于配车数据库中，且根据公交车次的发车情况以及被发车的公交车次的单程时间实时更新配车数据库中的公交车次，根据运营线路的始发站的发车时间匹配运营时间段的多个推荐间隔，在每区间时间段内从配车数据库中取设定数量的公交车次得到车次链，且同一区间时间段内的公交车次数量覆盖当前区间时间段的推荐间隔。
6.根据权利要求1所述的综合多因素的公交车辆行车计划优化方法，其特征在于，在“根据车次链输入到目标优化模型中输出每个公交车次的发车时刻表”步骤中，将推荐间隔、单程时间、车次链和配置参数输入到目标优化模型中，在目标优化模型中根据车次链中公交车次的次序及基于推荐间隔生成的初始发车时间将车次链映射成0-1编码的多个初始种，以发车时间间隔平滑、尽量贴合初始发车时刻表为目标从初始种中选择多个优解种，对多个优解种进行交叉和变异操作后再进行修复得到多个非支配解，以非支配解作为优解种迭代多次后输出发车时刻表。
7.根据权利要求1所述的综合多因素的公交车辆行车计划优化方法，其特征在于，若目标优化模型生成的发车时刻表不可行则重新生成车次链，并基于新生成的车次链再次利用目标优化模型生成发车时刻表直到可行。
8.一种综合多因素的公交车辆行车计划优化系统，其特征在于，包括：
推荐间隔获取单元，用于根据运营线路上的历史全量客流量计算得到公交车次发车的推荐间隔，并基于推荐间隔生成初始发车时刻表，其中所述推荐间隔表示当前运营线路上公交车次的每区间时间段的推荐发车频率；
单程时间获取单元，用于根据运营线路上的公交车次的历史路单数据计算得到不同时间段的单程时间；
配车数量获取单元，用于根据运营线路上的初始车次数量和场站的空驾驶车次总数量计算得到配车数量，其中场站指的是公交车次的始发站，空驾驶车次指的是从某一场站插入到另一场站的空驾驶的车次；
车次链生成单元，用于根据推荐间隔、单程时间以及配车数量生成表示不同公交车次的发车次序的车次链，其中车次链中的公交车次的总数量为配车数量且同一公交车次的次序位置符合该公交车次的单程时间，每区间时间段内的公交车次的数量覆盖对应区间时间段的推荐间隔；
发车时刻表生成单元，用于根据车次链输入到目标优化模型中输出每辆车次的发车时刻表，其中目标优化模型以发车时间间隔平滑、尽量贴合初始发车时刻表为目标使用非支配遗传算法求解得到每个公交车次的发车时刻表；
行车计划生成单元，用于结合车次链和车次链中每个公交车次的发车时刻表得到公交车辆行车计划。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到7任一所述的综合多因素的公交车辆行车计划优化方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1到7任一所述的综合多因素的公交车辆行车计划优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428527.XA CN117151313B (zh) | 2023-10-31 | 2023-10-31 | 综合多因素的公交车辆行车计划优化方法、系统及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428527.XA CN117151313B (zh) | 2023-10-31 | 2023-10-31 | 综合多因素的公交车辆行车计划优化方法、系统及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151313A true CN117151313A (zh) | 2023-12-01 |
| CN117151313B CN117151313B (zh) | 2024-02-02 |
Family
ID=88901216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311428527.XA Active CN117151313B (zh) | 2023-10-31 | 2023-10-31 | 综合多因素的公交车辆行车计划优化方法、系统及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151313B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
| JP2013010388A (ja) * | 2011-06-28 | 2013-01-17 | Ntt Data Sekisui Systems Corp | 車両運用計画作成装置 |
| AU2013206474A1 (en) * | 2006-12-07 | 2013-07-11 | General Electric Company | Method and apparatus for optimizing railroad train operation for a train including multiple distributed-power locomotives |
| DE102015223183A1 (de) * | 2015-11-24 | 2016-11-24 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Analyse von einem einen Zugverkehr in einer eisenbahntechnischen Anlage koordinierenden optimierten Fahrplan |
| CN107153924A (zh) * | 2017-05-11 | 2017-09-12 | 厦门卫星定位应用股份有限公司 | 一种公交智能排班生成方法 |
| 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 |
| CN110991706A (zh) * | 2019-11-15 | 2020-04-10 | 上海电科智能系统股份有限公司 | 一种自动化编制公交时刻表和车辆排班计划的方法 |
| CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
| CN111523814A (zh) * | 2020-04-26 | 2020-08-11 | 西南交通大学 | 城市轨道交通时刻表与车底运用计划智能规划方法 |
| CN112001560A (zh) * | 2020-09-01 | 2020-11-27 | 湖南智慧畅行交通科技有限公司 | 基于迭代邻域搜索的二阶段公交车辆排班算法 |
| CA3060783A1 (en) * | 2019-10-31 | 2021-04-30 | Gurpreet S. Nagra | Synchronized transit bus loop system |
| CN112863166A (zh) * | 2021-01-25 | 2021-05-28 | 湖南智慧畅行交通科技有限公司 | 基于坐标搜索的新增车次算法 |
| CN114202101A (zh) * | 2021-11-11 | 2022-03-18 | 北京市地铁运营有限公司技术创新研究院分公司 | 一种网络化列车运行图智能编制及评估优化系统 |
| CN115688412A (zh) * | 2022-10-27 | 2023-02-03 | 浙江浙大网新众合轨道交通工程有限公司 | 一种基于模拟概率的乘车路径推定方法及清分系统 |
| CN116703077A (zh) * | 2023-05-31 | 2023-09-05 | 南京智慧交通信息股份有限公司 | 基于贪心算法的公交行车编制方法 |
| WO2023174187A1 (zh) * | 2022-03-12 | 2023-09-21 | 南京理工大学 | 一种电动公交协调优化调度方法 |
| US20230311965A1 (en) * | 2020-12-17 | 2023-10-05 | Hitachi, Ltd. | Train operation support system and train operation support method |
-
2023
- 2023-10-31 CN CN202311428527.XA patent/CN117151313B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013206474A1 (en) * | 2006-12-07 | 2013-07-11 | General Electric Company | Method and apparatus for optimizing railroad train operation for a train including multiple distributed-power locomotives |
| US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
| JP2013010388A (ja) * | 2011-06-28 | 2013-01-17 | Ntt Data Sekisui Systems Corp | 車両運用計画作成装置 |
| DE102015223183A1 (de) * | 2015-11-24 | 2016-11-24 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Analyse von einem einen Zugverkehr in einer eisenbahntechnischen Anlage koordinierenden optimierten Fahrplan |
| CN107153924A (zh) * | 2017-05-11 | 2017-09-12 | 厦门卫星定位应用股份有限公司 | 一种公交智能排班生成方法 |
| 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 |
| CA3060783A1 (en) * | 2019-10-31 | 2021-04-30 | Gurpreet S. Nagra | Synchronized transit bus loop system |
| CN110991706A (zh) * | 2019-11-15 | 2020-04-10 | 上海电科智能系统股份有限公司 | 一种自动化编制公交时刻表和车辆排班计划的方法 |
| CN111523814A (zh) * | 2020-04-26 | 2020-08-11 | 西南交通大学 | 城市轨道交通时刻表与车底运用计划智能规划方法 |
| CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
| CN112001560A (zh) * | 2020-09-01 | 2020-11-27 | 湖南智慧畅行交通科技有限公司 | 基于迭代邻域搜索的二阶段公交车辆排班算法 |
| US20230311965A1 (en) * | 2020-12-17 | 2023-10-05 | Hitachi, Ltd. | Train operation support system and train operation support method |
| CN112863166A (zh) * | 2021-01-25 | 2021-05-28 | 湖南智慧畅行交通科技有限公司 | 基于坐标搜索的新增车次算法 |
| CN114202101A (zh) * | 2021-11-11 | 2022-03-18 | 北京市地铁运营有限公司技术创新研究院分公司 | 一种网络化列车运行图智能编制及评估优化系统 |
| WO2023174187A1 (zh) * | 2022-03-12 | 2023-09-21 | 南京理工大学 | 一种电动公交协调优化调度方法 |
| CN115688412A (zh) * | 2022-10-27 | 2023-02-03 | 浙江浙大网新众合轨道交通工程有限公司 | 一种基于模拟概率的乘车路径推定方法及清分系统 |
| CN116703077A (zh) * | 2023-05-31 | 2023-09-05 | 南京智慧交通信息股份有限公司 | 基于贪心算法的公交行车编制方法 |
Non-Patent Citations (10)
| Title |
|---|
| HAIFENG LIN等: "Intelligent Bus Operation Optimization by Integrating Cases and Data Driven Based on Business Chain and Enhanced Quantum Genetic Algorithm", IEEE, vol. 23, no. 7, pages 9869 * |
| LIANJIE RUAN等: "Optimization of Pure Electric Bus Scheduling Based on Immune Optimization Algorithm", SMART TRANSPORTATION SYSTEMS 2021, pages 73 - 83 * |
| 吕燕杰;赵宇;蔡鸿明;: "公交智能调度中行车时刻表编排算法研究", 微型电脑应用, no. 11 * |
| 姚宇;朱晓宁;康柳江;廖正文;: "城市轨道交通列车时刻表与车底运用整合优化模型", 交通运输系统工程与信息, no. 01 * |
| 张鹏;赵静;安慧姝;王占宇;吕岩峰;: "公交调度系统的软件设计与实现", 黑龙江工程学院学报(自然科学版), no. 03 * |
| 柏伟;王文宪;: "双发公交发车频率优化模型研究", 公路与汽运, no. 05 * |
| 汪怡然等: "考虑行程时间波动的电动公交可变行车计划", 交通运输系统工程与信息, vol. 23, no. 01, pages 152 - 164 * |
| 马自强;: "公交智能调度系统的设计与开发", 软件, no. 11 * |
| 魏金丽;郭亚娟;张萌萌;: "基于集合覆盖理论的公交线路驾驶员排班优化方法", 公路交通科技, no. 01 * |
| 麻文婕;刘依;任阔;韩亦骁;: "基于逆差函数方法的公交行车计划优化模型研究与实现", 中国水运(下半月), no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151313B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Solving the first‐mile ridesharing problem using autonomous vehicles | |
| CN111382947A (zh) | 一种基于贪婪禁忌搜索的车辆排班算法 | |
| CN109934391B (zh) | 一种纯电动公交车辆的智能调度方法 | |
| Chen et al. | Design of limited-stop bus service with capacity constraint and stochastic travel time | |
| CN105857350B (zh) | 一种基于区间断面客流的高铁列车开行方法 | |
| CN110739696B (zh) | 智能配网环境中需求侧资源与可再生能源的集成调度方法 | |
| CN110135755A (zh) | 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 | |
| CN109635510B (zh) | 铁路货车并行检修线设置方法 | |
| Shui et al. | A clonal selection algorithm for urban bus vehicle scheduling | |
| CN111754039A (zh) | 纯电动公交线网综合集成优化设计的方法 | |
| CN113919650A (zh) | 一种列车运行方案优化编制方法及系统 | |
| CN107146068A (zh) | 一种基于均衡运用的列车运营日计划编配方法 | |
| Mayteekrieangkrai et al. | Optimized ready mixed concrete truck scheduling for uncertain factors using bee algorithm. | |
| Borndörfer et al. | Rapid branching | |
| CN114626718A (zh) | 一种基于订单资源共享和农机资源共用的农机调度方法 | |
| Daduna et al. | Computer-aided vehicle and duty scheduling using the HOT programme system | |
| CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及系统 | |
| CN110991706B (zh) | 一种自动化编制公交时刻表和车辆排班计划的方法 | |
| CN113537538A (zh) | 一种商品混凝土智能调度方法 | |
| CN116703077A (zh) | 基于贪心算法的公交行车编制方法 | |
| Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| CN117151313B (zh) | 综合多因素的公交车辆行车计划优化方法、系统及应用 | |
| WO2020249215A1 (en) | System and method for vehicle relocation | |
| Yu et al. | Coordinating matching, rebalancing and charging of electric ride-hailing fleet under hybrid requests |
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 |