CN117252323A - 一种基于用户偏好的多模式出行路径规划方法 - Google Patents
一种基于用户偏好的多模式出行路径规划方法 Download PDFInfo
- Publication number
- CN117252323A CN117252323A CN202311538020.XA CN202311538020A CN117252323A CN 117252323 A CN117252323 A CN 117252323A CN 202311538020 A CN202311538020 A CN 202311538020A CN 117252323 A CN117252323 A CN 117252323A
- Authority
- CN
- China
- Prior art keywords
- travel
- subway
- bus
- traffic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000002131 composite material Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 17
- 238000011282 treatment Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 11
- 238000009440 infrastructure construction Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 239000000295 fuel oil Substances 0.000 claims description 3
- 238000011284 combination treatment Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000002194 synthesizing 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于用户偏好的多模式出行路径规划方法,包括:获取交通网络数据、筛选和合并多种交通模式,考虑行驶时间、步行距离、出行费用、舒适度和实时交通状况等因素,建立多模式出行路径规划模型,通过使用贪婪算法,最终得到多模式出行路径。本发明的优点是:具有个性化、综合考虑实时交通状况、提供全面信息和强调用户体验等优点,缩短出行时间和提升公交出行体验,可为用户提供更便捷、高效的出行服务。
Description
技术领域
本发明涉及公共交通出行路径规划技术领域,特别涉及一种基于用户偏好的多模式出行路径规划方法。
背景技术
随着经济高速发展,城市化、机动化不断加速,特别是步入“准私家车时代”以后,大城市交通供需矛盾日益加剧,且受到以交通拥堵为特征的的困扰。在此背景下,引导公众出行选择公交出行方式是当前推进绿色出行发展的首要任务。
多模式公交出行系统将不同的出行方式连接在一起,通过结合每种方式的优点,既满足了乘客不同的需求和偏好,又提高了便捷性,具有较大的潜力。与单一模式路径规划相比,多模式环境下的路径规划更为复杂。从出行者的角度来看,满足多种标准的出行路径方案更适应个体的特殊需要。
现有的多模式公交出行路径方法主要存在以下两个缺点:(1)现有的多模式路径规划模型往往只针对单个目标进行优化,没有结合出行者个人的出行偏好给出最适合用户的出行方案;(2)现有多模式路径规划模型大多针对单个目的地进行出行规划,没有结合用户一天出行的实际情况(例如同一天去多个目的地的情况)。
发明内容
本发明针对现有技术的缺陷,提供了一种基于用户偏好的多模式出行路径规划方法。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于用户偏好的多模式出行路径规划方法,包括以下步骤:
步骤1:基于中华人民共和国交通运输部的文件发布,获取公交、地铁的站点、公用停车场位置,分别构建公交、地铁及停车场位置的无权有向网络图;
步骤2:利用获取公交、地铁的站点、公用停车场位置,筛选地铁站点设定范围内的公交站点和停车场位置,建立地铁-公交-小轿车复合无权有向网络;
步骤3:基于站间的行驶距离及公交、地铁、汽车的行驶速度,在不考虑道路突发情况且一直匀速行驶的条件下,获取公交、地铁、汽车在各站点之间的平均行驶时间,作为地铁-公交-小轿车复合无权有向网络的行驶时间权重;
步骤4:基于地图导航出的站点之间的步行距离,获取三种交通工具的停车站点之间的步行距离,作为无地铁-公交-小轿车复合无权有向网络的步行距离权重;
步骤5:基于城市交通管理规定,获取公交、地铁不同站点之间的单人出行费用,依据出行者的出行人数,计算使用公交、地铁两种交通方式的出行费用;基于汽车燃油费或充电桩使用费用,结合使用汽车的里程,计算使用汽车的出行费用,作为地铁-公交-小轿车复合无权有向网络的出行费用权重;
步骤6:基于用户的出行感知,采用李克量表法对用户对于不同交通方式的舒适度进行量化;将一天时间分为早晚高峰、平行时段,分别获取公交、地铁两种出行方式在早高峰、平行时段、晚高峰的舒适度,作为无权有向网络图的舒适度权重;其中舒适度由等待场所的基础设施建设程度F及交通拥挤程度S两个方面决定;
步骤7:实时获取道路流量,判断汽车在该道路是否通行,作为地铁-公交-小轿车复合无权有向网络的是否堵车权重;汽车通行舒适度/>,其函数值为/>;
步骤8:基于停车场的实时监控摄像头,实时获取P+R停车场是否存在空余位置,判断停车场是否可以停车,作为地铁-公交-小轿车复合无权有向网络的停车场是否存在空位权重;
是否存在空位,其函数值为=/>。
式中:为在j站点的P+R停车场是否有空位。当停车场没有空位时,/> ;当停车场有空位时,/>;/>为停车场是否有空位的函数值。
步骤9:基于所建立的无权有向网络,以出行者的出行时间、出发地、目的地、出行人数作为输入,综合考虑包括:出行者在出行时间、出行费用、步行时间、交通状况的出行偏好建立出行路径规划模型,交通状况包括:是否拥挤、是否堵车和停车场位置;
步骤10:采用贪婪算法求解出行路径规划模型,得到多模式出行路径。
进一步地,步骤1中无权有向网络图的建立具体如下:
公交和地铁的拓扑网络模型描述为:
式中:、/>为经过合并处理后的抽象公交、地铁站点;/>为公交网络中节点之间的连接弧段集合;/>为地铁网络中节点之间的连接弧段集合;/>表示每条公交线路与站点的对应关系集,用于描述公交线路经过的站点。/>表示每条地铁线路与站点的对应关系集,用于描述地铁线路经过的站点。(/>)为公交时刻表集合,其中/>表示车次、/>表示出发时间、/>表示到达时间。/>为地铁时刻表集合,其中/>表示列车编号、/>表示出发时间、/>表示到达时间。
步行和小汽车网络模型描述为:
式中:分别为步行网络、小汽车道路网络对应的道路节点集合。、/>分别为步行模式下站点之间、小汽车模式下停车场之间的连接弧段集合。
进一步地,步骤2的合无权有向网络建立具体如下:
1)筛选地铁站点:确定需要考虑的地铁站点。根据实际需求,选择城市或地区的地铁线路和站点,或者选择设定范围内的地铁站点;所述设定范围为地铁站点周围一定距离范围内的公交站点和停车场位置。这个设定范围可以根据实际情况和需求来确定,通常可以根据步行、公共交通、驾车时间来设定,以方便乘客在地铁站点附近转乘或停车。例如,可以设定地铁站点周围500米范围内的公交站点和停车场位置作为设定范围。
2)筛选公交站点:确定地铁站点一定范围内的公交站点。通过查询地铁站点周围的公交站点信息,或者使用地图数据进行分析,找出与每个地铁站点相邻的公交站点。
3)建立地铁站点和公交站点的连接关系:根据地铁站点和公交站点的位置信息,建立地铁-公交之间的连接关系。表示为无向连接弧段,表示地铁和公交之间的换乘关系。
4)筛选小轿车停车场:确定地铁站点设定范围内的小轿车停车场集合。通过查询地铁站点周围的停车场信息,或者使用地图数据进行分析,找出与每个地铁站点相邻的小轿车停车场。
5)建立地铁站点和小轿车停车场的连接关系:根据地铁站点和小轿车停车场的位置信息,建立地铁-小轿车之间的连接关系。表示为无向连接弧段,表示地铁和小轿车之间的换乘关系。
6)建立复合网络:将得到的连接关系合并到一个网络中,即地铁-公交-小轿车复合无权有向网络。表示为:,其中为复合网络中的节点集合, 为复合网络中的连接弧段集合。
进一步地,步骤3具体如下:
1)对于地铁和公交:
a.根据地铁和公交的运行时刻表和行驶速度,计算出乘客在每个站台的等待时间。
b.对于任意两个相邻的站点j和k,根据行驶距离和行驶速度,计算乘客在时刻a从站台j出发选择交通线路到达站台k所花费的行程时间。
c.对于每个站台j,考虑是否需要换乘,计算出乘客在站台j处由交通线路换乘为/>所花费的换乘时间/>。
d.根据乘客选择的交通线路和换乘情况,计算变量和/>。为站台j到站台k是否选择交通线路/>,如是,则/>=1,否则/>;/>为是否在站台j处由交通线路/>换乘为/>,若是,则/>=1,否则=0;
e.计算地铁和公交在各站点之间的平均行驶时间,公式如下:
2)对于小轿车:
a.根据停车场位置信息,计算出每个停车场到最近地铁站点和公交站点的距离。
b.根据小轿车的行驶速度和停车场到站点之间的距离,计算出小轿车在各站点之间的平均行驶时间。
3)将地铁-公交-小轿车复合无权有向网络的行驶时间权重设置为上述计算得到的地铁、公交和小轿车在各站点之间的平均行驶时间。
。
进一步地,步骤4中获取三种交通工具的停车站点之间的步行距离,作为无地铁-公交-小轿车复合无权有向网络的步行距离权重,具体公式为:
式中:为出行总步行距离;/>为站点j到站点k的步行距离。
进一步地,步骤5通过以下公式计算:
式中:为出行总成本;/> 为乘客从站台j到站台k采用交通线路经过里程数f所花费的票价;/>为第q段里程(里程数区间为/>)所花费的票价。
此时为单个出行者的出行总成本,若出行人数≥2,则在采用公交、地铁交通线路时,费用需乘以出行人数。
进一步地,步骤6通过以下公式计算:
式中:为在站点j的基础设施建设程度;/>为站点j的交通拥挤程度。/>为对基础设施建设程度的感知权重;/>为对交通拥挤程度的感知权重。
进一步地,步骤7中车辆行驶舒适度用交通指数量化,具体如下。
拥堵状况:
严重拥堵,交通指数为8-10;
中度拥堵,交通指数为6-8;
轻度拥堵,交通指数为4-6;
基本畅通,交通指数为2-4;
畅通,交通指数为0-2。
进一步地,步骤9中对出行路径规划模型做出以下假设:
起终点之间距离正常;
目的地和终点之间的位置可以获取;
小汽车行驶速度和公共交通行驶速度恒定;
用户对不同出行特性的满意权重可以获取;
仅考虑正常条件下的出行,不考虑特殊情况,包括:道路修建。
步骤9中出行路径规划模型表示为:
目标函数:
式中表示用户旅程的出行满意度;/>表示用户旅程的出行固有满意度;/>表示用户旅程的出行随机满意度;
出行固有满意度由:出行时间、步行距离、出行费用、舒适度、是否堵车、停车场是否有位置六个方面构成;/>出行随机满意度,考虑突发情况。
式中表示变量k对应的参数;/>表示出行者采用交通工具出行的k变量效用函数值;
=1所有变量值的系数和为1,表示对于任一用户,六种变量的权重相加为1。
进一步地,步骤10的具体步骤如下:
1)根据步骤1构建的无权有向图构建邻接矩阵,当两个节点之间可以通行时,矩阵对应变量为1;当两个节点之间不能通行时,矩阵对应变量为0;
2)从起点依次找出到每个目的地的出行满意度,作为构建满意度矩阵的依据;
3)初始化dis数组,用集合S代表已找到的最大满意度的点,设起点的用户最大满意度为M;作为S集合的一个元素;
4)找出dis数组中的最大点,若此点在邻接矩阵中的对应位置数值为1,则选择该点作为S集合中的下一个元素;所此点在邻接矩阵中的对应位置数值为0,则不选择该点作为s集合中的元素,继续寻找dis数组中的最大元素;
5)从起点依次找出到各目的地的路线,作为最终的出行路径。
本发明还公开了一种基于用户偏好的多模式出行路径规划系统,该系统能够用于实施上述的基于用户偏好的多模式出行路径规划方法,具体的,包括:
数据获取模块:从交通运输部的文件发布中获取公交、地铁站点、停车场位置等数据,并构建网络图。
筛选与合并模块:利用获取到的数据,筛选地铁站点附近的公交站点和停车场位置,并建立地铁-公交-小轿车复合网络。
行驶时间计算模块:根据站间的行驶距离和各交通工具的行驶速度,在不考虑道路突发情况下,计算公交、地铁、汽车在各站点之间的平均行驶时间。
步行距离计算模块:基于地图导航,获取三种交通工具的停车站点之间的步行距离。
出行费用计算模块:根据城市交通管理规定,获取公交、地铁不同站点之间的单人出行费用,并结合汽车的里程和燃油费/充电桩使用费用,计算地铁-公交-小轿车复合路径的出行费用。
舒适度量化模块:采用李克特表法量化用户对不同交通方式的舒适度,包括等待场所基础设施建设程度和交通拥挤程度,获取公交、地铁在不同时间段的舒适度。
实时道路流量获取模块:实时获取道路流量信息,用于判断汽车是否堵车,作为路径规划的权重因素。
停车场空位判断模块:通过停车场实时监控摄像头获取P+R停车场的空余位置情况,判断停车场是否可停车。
路径规划模型建立模块:基于上述数据和用户输入的时间、出发地、目的地和出行人数,综合考虑出行者的出行时间、出行费用、步行时间、交通状况偏好,建立多模式出行路径规划模型。
路径规划算法模块:采用贪婪算法或其他适用的算法对路径规划模型进行求解,得到最优的多模式出行路径。
本发明还公开了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于用户偏好的多模式出行路径规划方法。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述基于用户偏好的多模式出行路径规划方法。
与现有技术相比,本发明的优点在于:
1.个性化路径规划:该方法和系统考虑了用户的出行偏好和需求,根据用户的时间、费用、舒适度等偏好因素,提供个性化的多模式出行路径规划,使用户能够根据自己的喜好选择最适合自己的出行方式。
2.综合多种交通模式:该方法和系统综合考虑了公交、地铁和小轿车等多种交通模式,并根据实际情况建立复合网络,使用户能够在不同交通方式之间灵活选择,以满足出行需求。
3.考虑实时交通状况:该方法和系统通过实时获取道路流量等信息,考虑了交通堵塞情况,以及停车场的空位情况,使用户能够根据实时交通状况做出决策,选择最优的出行路径。
4.提供全面的信息:该系统获取公交、地铁站点、停车场位置等数据,并计算出行时间、步行距离、出行费用等信息,为用户提供全面的出行信息,让用户能够做出准确的决策。
5.强调用户体验:该方法和系统重视用户的出行感知和舒适度,量化了不同交通方式的舒适度,并根据等待场所基础设施、交通拥挤程度等因素进行评估,使用户能够选择更加舒适的出行方式。
6.缩短出行时间:基于用户偏好的多模式出行路径规划方法和系统可以通过综合考虑不同交通方式的行驶时间、道路状况等因素,帮助用户选择最优路径,从而减少出行时间。系统会根据用户的时间偏好,结合实时交通信息,快速计算出最短时间的出行路径,使用户能够更快地到达目的地。
7.提升公交出行体验:通过考虑舒适度、交通拥挤程度以及等待场所基础设施等因素,基于用户偏好的多模式出行路径规划方法和系统能够提供更优质的公交出行体验。系统会综合考虑公交的舒适度、等待时间、拥挤程度等因素,尽量选择较为舒适且高效的公交线路,从而提升用户在公交出行过程中的体验。
附图说明
图1是本发明实施例基于用户偏好的多模式出行路径规划方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示, 一种基于用户偏好的多模式出行路径规划方法,包括以下步骤:
步骤1:基于中华人民共和国交通运输部的文件发布,获取公交、地铁的站点、公用停车场位置,分别构建公交、地铁及停车场位置的无权有向网络图;
构建公交网络:
a.将公交站点作为抽象节点。
b.根据公交站点之间的连接关系,构建连接弧段集合。
c.根据每条公交线路与站点的对应关系,构建线路与站点的对应关系集合L_bus。
d.根据线路与站点的时刻表,构建时刻表集合(),其中/>表示车次、/>表示出发时间、/>表示到达时间。
构建地铁网络:
a.将地铁站点作为抽象节点。
b.根据地铁站点之间的连接关系,构建连接弧段集合。
c.根据每条地铁线路与站点的对应关系,构建线路与站点的对应关系集合。
d. 根据线路与站点的时刻表,构建时刻表集合,其中/>表示列车编号、/>表示出发时间、/>表示到达时间。
构建步行网络:
a.将步行路段的起点和终点作为抽象节点。
b.根据步行路段之间的连接关系,构建连接弧段集合。
构建小汽车网络:
a.将停车场位置作为抽象节点。
b.根据停车场之间的连接关系,构建连接弧段集合。
采用Time-expanded模型刻画系统的内在的时刻关系以及路线的拓扑网络。
对存在内在时刻表特征的交通模式(公交、地铁),拓扑网络可描述为:
采用有向图的行驶,对步行、小汽车所依附的道路网络,其对应的相互出行网络进行描述:
步骤2:筛选地铁站点一定范围内的公交站点,建立地铁-公交-小轿车复合无权有向网络;
步骤3:基于站间的行驶距离及公交、地铁、汽车的行驶速度,在不考虑道路突发情况且一直匀速行驶的条件下,获取公交、地铁、汽车在各站点之间的平均行驶时间,作为地铁-公交-小轿车复合无权有向网络的行驶时间权重;
式中:为出行两站点的时间;/>为乘客在站台j处的等待时间;/>为乘客在时刻a从站台j出发选择交通线路/>到达站台k所花费的行程时间;/>为乘客在站台j处由交通线路/>换乘交通线路/>所花费的换乘时间;/>为站台j到站台k是否选择交通线路/>,如是,则/>=1,否则/>;/>为是否在站台j处由交通线路/>换乘为/>,若是,则/>=1,否则/>=0;/>表示第1个变量(出行总时间)所对应的权重值。
步骤4:基于高德地图导航出的站点之间的步行距离,获取三种交通工具的停车站点之间的步行距离,作为无地铁-公交-小轿车复合无权有向网络的步行距离权重;
式中:为出行总步行距离;/>为站点j到站点k的步行距离;/>为第2个变量(出行步行距离)的函数值。
步骤5:基于城市交通管理规定,获取公交、地铁不同站点之间的单人出行费用,依据出行者的出行人数,计算使用公交、地铁两种交通方式的出行费用;基于汽车燃油费或充电桩使用费用,结合使用汽车的里程,计算使用汽车的出行费用,作为地铁-公交-小轿车复合无权有向网络的出行费用权重;
式中:为出行总成本;/>为乘客从站台j到站台k采用交通线路经过里程数f所花费的票价;/>为第q段里程(里程数区间为/>)所花费的票价;/>为第3个变量(出行总成本)的函数值。
注:特别说明,此时为单个出行者的出行总成本,若出行人数≥2,则在采用公交、地铁交通线路时,费用需乘以出行人数。
步骤6:基于用户的出行感知,采用李克量表法对用户对于不同交通方式的舒适度进行量化。将一天时间分为早晚高峰、平行时段,分别获取公交、地铁两种出行方式在早高峰、平行时段、晚高峰的舒适度,作为无权有向网络图的舒适度权重;其中舒适度由等待场所的基础设施建设程度F及交通拥挤程度S两个方面决定;
式中:为在站点j的基础设施建设程度;/>为站点j的交通拥挤程度。/>为对基础设施建设程度的感知权重;/>为对交通拥挤程度的感知权重。/>为第4个变量(舒适度)的函数值。
步骤7:实时获取道路流量,判断汽车在该道路是否通行,作为地铁-公交-小轿车复合无权有向网络的是否堵车权重;
车辆行驶舒适度在本实施例中用交通指数量化,如表1所示。
表1 以“交通指数”为核心的拥堵评价体系
实时获取道路流量,判断汽车在该道路是否通行,作为无权有向网络图的汽车通行舒适度,其函数值为/>;
步骤8:基于停车场的实时监控摄像头,实时获取P+R停车场是否存在空余位置,判断停车场是否可以停车,作为地铁-公交-小轿车复合无权有向网络的停车场是否存在空位权重;
是否存在空位,其函数值为/>。
式中:为在j站点的P+R停车场是否有空位。当停车场没有空位时,/> ;当停车场有空位时,/>;/>为第6个变量(停车场是否有空位)的函数值。
步骤9:基于所建立的无权有向网络,以出行者的出行时间、出发地、目的地、出行人数作为输入,综合考虑出行者在出行时间、出行费用、步行时间、交通状况(是否拥挤、是否堵车、停车场位置)等方面的出行偏好,建立出行路径规划模型;
对模型做出以下假设:
(1)起终点之间距离正常;
(2)目的地和终点之间的位置可以获取;
(3)小汽车行驶速度和公共交通行驶速度恒定;
(4)用户对不同出行特性的满意权重可以获取;
(5)仅考虑正常条件下的出行,不考虑特殊情况(如道路修建等)。
出行路径规划模型可以表示为:
目标函数:
用户满意是指用户对其明示的、通常隐含的或必须履行的需求或期望已被满足的程度的感受。满意度是用户满足情况的反馈,它是对产品或者服务性能,以及产品或者服务本身的评价:给出了(或者正在给出)一个与消费的满足感有关的快乐水平,包括低于或者超过满足感的水平,是一种心理体验。
式中表示用户旅程的出行满意度;/>表示用户旅程的出行固有满意度;/>表示用户旅程的出行随机满意度;/>
出行固有满意度由:出行时间、步行距离、出行费用、舒适度、是否堵车、停车场是否有位置六个方面构成;/>出行随机满意度主要是考虑突发情况(如发生车祸、道路修建等特殊情况)。
式中表示变量k对应的参数(不同用户对于该变量的感知权重不同);/>出行者采用交通工具出行的k变量效用函数值;
=1所有变量值的系数和为1,表示对于任一用户,六种变量的权重相加为1。
通过上文步骤可得:
/>
步骤10:采用贪婪算法求解出行路径规划模型,得到多模式出行路径。
1)根据步骤1构建的无权有向图构建邻接矩阵(当两个节点之间可以通行时,矩阵对应变量为1;当两个节点之间不能通行时,矩阵对应变量为0);
2)从起点依次找出到每个目的地的出行满意度,作为构建满意度矩阵(初始化dis数组)的依据;
3)初始化dis数组,用集合S代表已找到的最大满意度的点,设起点的用户最大满意度为M(正无穷大);作为S集合的一个元素;
4)找出dis数组中的最大点,若此点在邻接矩阵中的对应位置数值为1,则选择该点作为S集合中的下一个元素;所此点在邻接矩阵中的对应位置数值为0,则不选择该点作为s集合中的元素,继续寻找dis数组中的最大元素;
5)从起点依次找出到各目的地的路线,作为最终的出行路径。
本发明再一个实施例中,提供了一种基于用户偏好的多模式出行路径规划系统,该系统能够用于实施上述的基于用户偏好的多模式出行路径规划方法,具体的,包括:
数据获取模块:从交通运输部的文件发布中获取公交、地铁站点、停车场位置等数据,并构建网络图。
筛选与合并模块:利用获取到的数据,筛选地铁站点附近的公交站点和停车场位置,并建立地铁-公交-小轿车复合网络。
行驶时间计算模块:根据站间的行驶距离和各交通工具的行驶速度,在不考虑道路突发情况下,计算公交、地铁、汽车在各站点之间的平均行驶时间。
步行距离计算模块:基于地图导航,获取三种交通工具的停车站点之间的步行距离。
出行费用计算模块:根据城市交通管理规定,获取公交、地铁不同站点之间的单人出行费用,并结合汽车的里程和燃油费/充电桩使用费用,计算地铁-公交-小轿车复合路径的出行费用。
舒适度量化模块:采用李克特表法量化用户对不同交通方式的舒适度,包括等待场所基础设施建设程度和交通拥挤程度,获取公交、地铁在不同时间段的舒适度。
实时道路流量获取模块:实时获取道路流量信息,用于判断汽车是否堵车,作为路径规划的权重因素。
停车场空位判断模块:通过停车场实时监控摄像头获取P+R停车场的空余位置情况,判断停车场是否可停车。
路径规划模型建立模块:基于上述数据和用户输入的时间、出发地、目的地和出行人数,综合考虑出行者的出行时间、出行费用、步行时间、交通状况偏好,建立多模式出行路径规划模型。
路径规划算法模块:采用贪婪算法或其他适用的算法对路径规划模型进行求解,得到最优的多模式出行路径。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于用户偏好的多模式出行路径规划方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于用户偏好的多模式出行路径规划方法的相应步骤;
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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实施方法,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)
1.一种基于用户偏好的多模式出行路径规划方法,其特征在于,包括以下步骤:
步骤1:基于中华人民共和国交通运输部的文件发布,获取公交、地铁的站点、公用停车场位置,分别构建公交、地铁及停车场位置的无权有向网络图;
步骤2:利用获取公交、地铁的站点、公用停车场位置,筛选地铁站点设定范围内的公交站点和停车场位置,建立地铁-公交-小轿车复合无权有向网络;所述设定范围根据实际情况和需求来确定,包括:以步行时间、公共交通通勤时间和驾车时间的其中一种或多种来设定,或者以地铁站点为中心,向外辐射500米或以上范围来设定;
步骤3:基于站间的行驶距离及公交、地铁、汽车的行驶速度,在不考虑道路突发情况且一直匀速行驶的条件下,获取公交、地铁、汽车在各站点之间的平均行驶时间,作为地铁-公交-小轿车复合无权有向网络的行驶时间权重;
步骤4:基于地图导航出的站点之间的步行距离,获取三种交通工具的停车站点之间的步行距离,作为无地铁-公交-小轿车复合无权有向网络的步行距离权重;
步骤5:基于城市交通管理规定,获取公交、地铁不同站点之间的单人出行费用,依据出行者的出行人数,计算使用公交、地铁两种交通方式的出行费用;基于汽车燃油费或充电桩使用费用,结合使用汽车的里程,计算使用汽车的出行费用,作为地铁-公交-小轿车复合无权有向网络的出行费用权重;
步骤6:基于用户的出行感知,采用李克量表法对用户对于不同交通方式的舒适度进行量化;将一天时间分为早晚高峰、平行时段,分别获取公交、地铁两种出行方式在早高峰、平行时段、晚高峰的舒适度,作为无权有向网络图的舒适度权重;其中舒适度由等待场所的基础设施建设程度F及交通拥挤程度S两个方面决定;
步骤7:实时获取道路流量,判断汽车在该道路是否通行,作为地铁-公交-小轿车复合无权有向网络的是否堵车权重;汽车通行舒适度/>,其函数值为/>;
步骤8:基于停车场的实时监控摄像头,实时获取P+R停车场是否存在空余位置,判断停车场是否可以停车,作为地铁-公交-小轿车复合无权有向网络的停车场是否存在空位权重;
是否存在空位,其函数值为/>=/>;
式中:为在j站点的P+R停车场是否有空位;当停车场没有空位时,/>;当停车场有空位时,/>;/>为停车场是否有空位的函数值;
步骤9:基于所建立的无权有向网络,以出行者的出行时间、出发地、目的地、出行人数作为输入,综合考虑包括:出行者在出行时间、出行费用、步行时间、交通状况的出行偏好建立出行路径规划模型,交通状况包括:是否拥挤、是否堵车和停车场位置;
步骤10:采用贪婪算法求解出行路径规划模型,得到多模式出行路径。
2.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤1中无权有向网络图的建立具体如下:
公交和地铁的拓扑网络模型描述为:
,;式中:/>、/>为经过合并处理后的抽象公交、地铁站点;/>为公交网络中节点之间的连接弧段集合;/>为地铁网络中节点之间的连接弧段集合;/>表示每条公交线路与站点的对应关系集,用于描述公交线路经过的站点;/>表示每条地铁线路与站点的对应关系集,用于描述地铁线路经过的站点;(/>)为公交时刻表集合,其中/>表示车次、/>表示出发时间、/>表示到达时间;/>为地铁时刻表集合,其中/>表示列车编号、/>表示出发时间、/>表示到达时间;
步行和小汽车网络模型描述为:
, />; 式中:/>、/>分别为步行网络、小汽车道路网络对应的道路节点集合;/>、/>分别为步行模式下站点之间、小汽车模式下停车场之间的连接弧段集合。
3.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤2的合无权有向网络建立具体如下:
1)筛选地铁站点:确定需要考虑的地铁站点;根据实际需求,选择城市或地区的地铁线路和站点,或者选择设定范围内的地铁站点;
2)筛选公交站点:确定地铁站点设定范围内的公交站点;通过查询地铁站点周围的公交站点信息,或者使用地图数据进行分析,找出与每个地铁站点相邻的公交站点;
3)建立地铁站点和公交站点的连接关系:根据地铁站点和公交站点的位置信息,建立地铁-公交之间的连接关系;表示为无向连接弧段,表示地铁和公交之间的换乘关系;
4)筛选小轿车停车场:确定地铁站点设定范围内的小轿车停车场集合;通过查询地铁站点周围的停车场信息,或者使用地图数据进行分析,找出与每个地铁站点相邻的小轿车停车场;
5)建立地铁站点和小轿车停车场的连接关系:根据地铁站点和小轿车停车场的位置信息,建立地铁-小轿车之间的连接关系;表示为无向连接弧段,表示地铁和小轿车之间的换乘关系;
6)建立复合网络:将得到的连接关系合并到一个网络中,即地铁-公交-小轿车复合无权有向网络;表示为:,其中/>为复合网络中的节点集合,/>为复合网络中的连接弧段集合。
4.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤3具体如下:
1)对于地铁和公交:
a.根据地铁和公交的运行时刻表和行驶速度,计算出乘客在每个站台的等待时间;
b.对于任意两个相邻的站点j和k,根据行驶距离和行驶速度,计算乘客在时刻a从站台j出发选择交通线路到达站台k所花费的行程时间;
c.对于每个站台j,考虑是否需要换乘,计算出乘客在站台j处由交通线路换乘为/>所花费的换乘时间/>;
d.根据乘客选择的交通线路和换乘情况,计算变量和/>; />为站台j到站台k是否选择交通线路/>,如是,则/>=1,否则/>;/>为是否在站台j处由交通线路/>换乘为/>,若是,则/>=1,否则/>=0;
e.计算地铁和公交在各站点之间的平均行驶时间,公式如下:
;
2)对于小轿车:
a.根据停车场位置信息,计算出每个停车场到最近地铁站点和公交站点的距离;
b.根据小轿车的行驶速度和停车场到站点之间的距离,计算出小轿车在各站点之间的平均行驶时间;
3)将地铁-公交-小轿车复合无权有向网络的行驶时间权重设置为上述计算得到的地铁、公交和小轿车在各站点之间的平均行驶时间;
。
5.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤4中获取三种交通工具的停车站点之间的步行距离,作为无地铁-公交-小轿车复合无权有向网络的步行距离权重,具体公式为:
,/>;式中:/>为出行总步行距离;/>为站点j到站点k的步行距离。
6.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤5通过以下公式计算:
,,/> ;式中:/>为出行总成本;
为乘客从站台j到站台k采用交通线路/>经过里程数f所花费的票价;/>为第q段里程(里程数区间为/>))所花费的票价;
此时为单个出行者的出行总成本,若出行人数≥2,则在采用公交、地铁交通线路时,费用需乘以出行人数。
7.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤6通过以下公式计算:
=/>+/>,/>;式中:/>为在站点j的基础设施建设程度;/>为站点j的交通拥挤程度;/>为对基础设施建设程度的感知权重;/>为对交通拥挤程度的感知权重。
8.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤7中车辆行驶舒适度用交通指数量化,具体如下:
拥堵状况:
严重拥堵,交通指数为8-10;
中度拥堵,交通指数为6-8;
轻度拥堵,交通指数为4-6;
基本畅通,交通指数为2-4;
畅通,交通指数为0-2。
9.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤9中对出行路径规划模型做出以下假设:
起终点之间距离正常;
目的地和终点之间的位置可以获取;
小汽车行驶速度和公共交通行驶速度恒定;
用户对不同出行特性的满意权重可以获取;
仅考虑正常条件下的出行,不考虑特殊情况,包括:道路修建;
步骤9中出行路径规划模型表示为:
目标函数:式中/>表示用户旅程的出行满意度;/>表示用户旅程的出行固有满意度;/>表示用户旅程的出行随机满意度;
,/>出行固有满意度由:出行时间、步行距离、出行费用、舒适度、是否堵车、停车场是否有位置六个方面构成;/>出行随机满意度,考虑突发情况;
式中表示变量k对应的参数;/>表示出行者采用交通工具出行的k变量效用函数值;
=1,
=1所有变量值的系数和为1,表示对于任一用户,六种变量的权重相加为1。
10.根据权利要求1所述的一种基于用户偏好的多模式出行路径规划方法,其特征在于:步骤10的具体步骤如下:
1)根据步骤1构建的无权有向图构建邻接矩阵,当两个节点之间可以通行时,矩阵对应变量为1;当两个节点之间不能通行时,矩阵对应变量为0;
2)从起点依次找出到每个目的地的出行满意度,作为构建满意度矩阵的依据;
3)初始化dis数组,用集合S代表已找到的最大满意度的点,设起点的用户最大满意度为M;作为S集合的一个元素;
4)找出dis数组中的最大点,若此点在邻接矩阵中的对应位置数值为1,则选择该点作为S集合中的下一个元素;所此点在邻接矩阵中的对应位置数值为0,则不选择该点作为s集合中的元素,继续寻找dis数组中的最大元素;
5)从起点依次找出到各目的地的路线,作为最终的出行路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538020.XA CN117252323B (zh) | 2023-11-17 | 2023-11-17 | 一种基于用户偏好的多模式出行路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538020.XA CN117252323B (zh) | 2023-11-17 | 2023-11-17 | 一种基于用户偏好的多模式出行路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252323A true CN117252323A (zh) | 2023-12-19 |
CN117252323B CN117252323B (zh) | 2024-01-30 |
Family
ID=89131776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311538020.XA Active CN117252323B (zh) | 2023-11-17 | 2023-11-17 | 一种基于用户偏好的多模式出行路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252323B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308555A (zh) * | 2008-06-27 | 2008-11-19 | 北京工业大学 | 多模式公交出行路径寻优方法 |
US20120084000A1 (en) * | 2010-10-01 | 2012-04-05 | Microsoft Corporation | Travel Route Planning Using Geo-Tagged Photographs |
CN102880642A (zh) * | 2012-08-20 | 2013-01-16 | 浙江工业大学 | 一种基于加权有向网络模型的公交换乘方法 |
CN106331111A (zh) * | 2016-08-26 | 2017-01-11 | 重庆交通大学 | 车辆在途监控管理方法 |
CN107167156A (zh) * | 2017-06-22 | 2017-09-15 | 北京市交通运行监测调度中心 | 一种面向一体化出行的多方式出行链优选方法及系统 |
CN109002923A (zh) * | 2018-07-23 | 2018-12-14 | 宁波大学 | 一种城际多方式出行线路规划方法 |
CN111256724A (zh) * | 2020-03-25 | 2020-06-09 | 交通运输部科学研究院 | 一种根据地铁拥挤度的公交地铁换乘路径规划方法 |
CN111539565A (zh) * | 2020-04-20 | 2020-08-14 | 交通运输部科学研究院 | 一种基于车辆和站点拥挤度的公交票价优惠方法 |
CN112085349A (zh) * | 2020-08-19 | 2020-12-15 | 大连海事大学 | 一种基于乘客出行时间窗约束的需求响应公交调度方法 |
CN112766607A (zh) * | 2021-02-02 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 出行路线的推荐方法、装置、电子设备及可读存储介质 |
AU2021102335A4 (en) * | 2021-05-03 | 2021-06-24 | Gupta, Sandeep DR | Smart E-ticket Management System for Smart Transportation using Artificial Intelligence. |
CN114166233A (zh) * | 2021-11-30 | 2022-03-11 | 河海大学 | 一种在诱导屏上显示动态最优路径的方法 |
CN114593734A (zh) * | 2022-01-19 | 2022-06-07 | 广州新科佳都科技有限公司 | 一种基于地铁拥挤度的站内路径规划方法及装置 |
CN115497326A (zh) * | 2022-11-21 | 2022-12-20 | 南京邮电大学 | 一种多模式公交出行路径规划方法 |
CN116932930A (zh) * | 2022-04-11 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 出发地推荐方法、装置、设备、存储介质及程序产品 |
-
2023
- 2023-11-17 CN CN202311538020.XA patent/CN117252323B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308555A (zh) * | 2008-06-27 | 2008-11-19 | 北京工业大学 | 多模式公交出行路径寻优方法 |
US20120084000A1 (en) * | 2010-10-01 | 2012-04-05 | Microsoft Corporation | Travel Route Planning Using Geo-Tagged Photographs |
CN102880642A (zh) * | 2012-08-20 | 2013-01-16 | 浙江工业大学 | 一种基于加权有向网络模型的公交换乘方法 |
CN106331111A (zh) * | 2016-08-26 | 2017-01-11 | 重庆交通大学 | 车辆在途监控管理方法 |
CN107167156A (zh) * | 2017-06-22 | 2017-09-15 | 北京市交通运行监测调度中心 | 一种面向一体化出行的多方式出行链优选方法及系统 |
CN109002923A (zh) * | 2018-07-23 | 2018-12-14 | 宁波大学 | 一种城际多方式出行线路规划方法 |
CN111256724A (zh) * | 2020-03-25 | 2020-06-09 | 交通运输部科学研究院 | 一种根据地铁拥挤度的公交地铁换乘路径规划方法 |
CN111539565A (zh) * | 2020-04-20 | 2020-08-14 | 交通运输部科学研究院 | 一种基于车辆和站点拥挤度的公交票价优惠方法 |
CN112085349A (zh) * | 2020-08-19 | 2020-12-15 | 大连海事大学 | 一种基于乘客出行时间窗约束的需求响应公交调度方法 |
CN112766607A (zh) * | 2021-02-02 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 出行路线的推荐方法、装置、电子设备及可读存储介质 |
AU2021102335A4 (en) * | 2021-05-03 | 2021-06-24 | Gupta, Sandeep DR | Smart E-ticket Management System for Smart Transportation using Artificial Intelligence. |
CN114166233A (zh) * | 2021-11-30 | 2022-03-11 | 河海大学 | 一种在诱导屏上显示动态最优路径的方法 |
CN114593734A (zh) * | 2022-01-19 | 2022-06-07 | 广州新科佳都科技有限公司 | 一种基于地铁拥挤度的站内路径规划方法及装置 |
CN116932930A (zh) * | 2022-04-11 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 出发地推荐方法、装置、设备、存储介质及程序产品 |
CN115497326A (zh) * | 2022-11-21 | 2022-12-20 | 南京邮电大学 | 一种多模式公交出行路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117252323B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martinez et al. | Assessing the impacts of deploying a shared self-driving urban mobility system: An agent-based model applied to the city of Lisbon, Portugal | |
US10895461B2 (en) | Multi-day, multi-person, and multi-modal trip planning system | |
RU2572279C1 (ru) | Система для планирования мультимодального маршрута поездки | |
Kaltenhäuser et al. | Market development of autonomous driving in Germany | |
CN109521764A (zh) | 车辆远程辅助模式 | |
CN103514737B (zh) | 智能拼车控制系统及智能拼车控制方法 | |
CN110222786B (zh) | 基于出行信息的动态拼车方法及系统 | |
Hamadneh et al. | Impacts of shared autonomous vehicles on the travelers’ mobility | |
US20220113146A1 (en) | Method and system for planning a journey | |
CN112561379A (zh) | 一种面向区域性网约车的调度方法 | |
CN110736480A (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
Yantao et al. | SAV operations on a bus line corridor: travel demand, service frequency, and vehicle size | |
Liao | Smart mobility: challenges and trends | |
CN113379159A (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 | |
JP6333341B2 (ja) | 情報処理装置、探索領域設定方法及びプログラム | |
CN117252323B (zh) | 一种基于用户偏好的多模式出行路径规划方法 | |
CN111738490A (zh) | 柔性公交线路资源复用分配调度方法 | |
Kim et al. | Integrated decision model of mode, line, and frequency for a new transit line to improve the performance of the transportation network | |
RU2733185C1 (ru) | Способ совместного использования автомобиля клиентами сервисов каршеринга | |
Howell et al. | New mobility in the right-of-way | |
Szimba et al. | How beneficial is fully automated driving in urban areas from a socio-economic point of view | |
CN112945253A (zh) | 一种出行路线推荐方法、系统和装置 | |
Steckler | Navigating New Mobility: Policy Approaches for Cities | |
Nisenson | The pace of change: why do walking and biking still matter in an autonomous future? | |
Naegeli et al. | High-Quality Public Transport and Promotion of Nonmotorized Transport—Compromise or Complement? An Analytical Approach for Assessing Conflicts |
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 |