CN105719021A - 铁路客流预测方法及*** - Google Patents
铁路客流预测方法及*** Download PDFInfo
- Publication number
- CN105719021A CN105719021A CN201610042168.8A CN201610042168A CN105719021A CN 105719021 A CN105719021 A CN 105719021A CN 201610042168 A CN201610042168 A CN 201610042168A CN 105719021 A CN105719021 A CN 105719021A
- Authority
- CN
- China
- Prior art keywords
- prediction
- task
- outcome
- forecast model
- calculation server
- 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 31
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000013277 forecasting method Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种铁路客流预测方法及***,该方法包括:根据用户终端设备发送的预测请求消息向至少一个计算服务器分配预测任务的执行指令,以使至少一个计算服务器根据所述预测任务的执行指令并行执行所述预测任务,获取预测结果;接收至少一个计算服务器返回的预测结果,并将所述预测结果返回给所述用户终端设备。本发明实施例通过把预测任务划分为可以并发的小的任务节点,然后进行分布式的并行计算,大大提高了预测计算的效率,能够为分析人员提供高效的服务。
Description
技术领域
本发明涉及轨道交通技术,尤其涉及一种铁路客流预测方法及***。
背景技术
铁路客流预测是铁路路网规划、线路及场站设计、铁路运营等工作的重要基础。做好客流预测工作,尽量提高预测准确程度,降低预测误差无论是对于铁路建设阶段的规划、设计工作,还是建设完成后的日常运营等工作,都具有重要意义。如何结合铁路客运的业务需求,利用现有的模型和方法,设计并开发实用的、高效的客流预测***,并与现有业务***无缝对接是目前的当务之急。
铁路客流预测过程需要考虑诸多因素,比如天气变化、社会因素等等,这就决定了客流预测的难度较大。铁路客流预测过程中通常会涉及海量的数据、多变的因素、复杂的模型和大量的计算,使用传统的串行处理方式,往往需要操作人员等待很长时间,通常在几分钟到十几分钟,甚至更长,很难为客运分析人员提供实时的预测服务。
发明内容
本发明实施例提供一种铁路客流预测方法及***,在铁路运营数据仓库的基础上进行铁路客流预测,能够降低数据处理复杂程度,同时将预测任务分解,大大提高了预测计算的效率,能够为分析人员提供高效的服务。
本发明实施例提供的铁路客流预测方法,包括:
根据用户终端设备发送的预测请求消息向至少一个计算服务器分配预测任务的执行指令,以使所述至少一个计算服务器根据所述预测任务的执行指令并行执行所述预测任务,获取预测结果;
接收所述至少一个计算服务器返回的预测结果,并将所述预测结果返回给所述用户终端设备。
本发明实施例提供的铁路客流预测***,包括:调度服务器和多个计算服务器;
所述调度服务器用于:根据用户终端设备发送的预测请求消息向至少一个计算服务器分配预测任务的执行指令;接收所述至少一个计算服务器返回的预测结果,并将所述预测结果返回给用户终端设备;
所述计算服务器用于:根据所述预测任务的执行指令执行相应的预测任务,获取预测结果,并将所述预测结果返回给所述调度服务器。
基于上述,本发明实施例提供的铁路客流预测方法及***,通过将预测任务分解,即通过把预测任务划分为可以并发的小的任务节点,然后进行分布式的并行计算,大大提高了预测计算的效率,能够为分析人员提供高效的服务。在不增加客户端操作人员工作量的同时,能为客运分析业务提供高效的、经济的客流预测解决方案。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例提供的铁路客流预测方法流程图;
图2为本发明实施例提供的铁路客流预测***示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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付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。
本发明实施例提供的铁路客流预测方法,在进行客流预测过程中,可以和铁路客票销售和预定***、客运营销辅助决策***实现无缝对接,借助铁路运营数据仓库中存储的海量数据进行预测。
图1为本发明实施例提供的铁路客流预测方法流程图,如图1所示,本实施例提供的铁路客流预测方法包括如下步骤:
S11,根据用户终端设备发送的预测请求消息向至少一个计算服务器分配预测任务的执行指令,以使至少一个计算服务器根据预测任务的执行指令并行执行所述预测任务,获取预测结果;
S12,接收至少一个计算服务器返回的预测结果,并将预测结果返回给所述用户终端设备。
本实施提供的铁路客流预测方法可以应用于铁路客流预测***,该***包括调度服务器和多个计算服务器,显然,上述步骤的执行主体为调度服务器。
作为本实施例一种可能的实现方式,用户终端设备发送的预测请求消息可以包括预测类型、预测目标和预测模型。
示例性的,用户终端设备中可以安装用于进行铁路客流预测的应用程序,用户可以在应用程序中通过下拉框选择预测类型,例如列车发送量预测、列车出发地至目的地(OrigintoDestination,简称OD)客流预测、区域发送量预测、区域OD客流预测、线路发送量预测、线路OD客流预测等。用户还可以在应用程序中通过输入框输入预测目标,可以理解的是,预测目标可以为一个时间段,例如可以是未来几小时或未来几天等。另外,用户还可以在应用程序中通过下拉框选择预测模型,所有的预测模型由应用程序的开发人员定义并维护在模型算法库中,常见的预测模型算法如简单移动平均、指数平滑、小波神经网络等。
进一步的,调度服务器在接收用户终端设备发送的预测请求消息后,可以根据相应的预测类型、预测目标和预测模型确定本次预测请求对应的预测任务的计算量,并根据所述预测任务的计算量确定用于执行该预测任务的计算服务器,然后根据预测类型、预测目标和预测模型向确定好的计算服务器分配预测任务的执行指令,以使所述至少一个计算服务器根据所述预测任务的执行指令并行执行所述预测任务,获取预测结果。
可以理解的是,根据本次预测请求对应的预测任务的计算量的大小来选择所需计算服务器,一方面,把预测任务划分为可以并发的小的任务节点,然后进行分布式的并行计算,大大提高了预测计算的效率;另一方面,在多个用户同时发起预测请求时,不会因较小的预测任务计算量占用过多的计算服务器而造成的资源浪费。
在本实施例一种可能的实现方式中,计算服务器根据所述预测任务的执行指令并行执行的预测任务具体可以包括:根据预测目标获取预测目标对应的时间段内的事件数据;按照预设规则从铁路运营数据仓库中获取所述预测类型和预测模型所需的数据集;根据事件数据和数据集运行预测模型,获取预测结果。
可选的,上述的事件数据是用户终端设备在发送预测请求消息之前保存于事件库中的。用户可以在应用程序中通过事件添加功能定期更新事件库,向事件库中添加未来一定时间段内可能涉及的事件。
可以理解的是,在相关技术中已经建立有铁路运营数据仓库,该数据仓库中存储有各类实际统计数据,例如历史客流统计数据、预售客票统计数据、等等。具体在获取数据集的过程中,作为一种可选的实施方式,各计算服务器可以根据所接收到的预测任务的执行指令,先确定数据集的抽取范围,然后并行地从数据仓库中分批次获取所需的数据集。
进一步的,上述预测任务具体可以包括:将数据集划分为训练数据和测试数据;根据事件数据和训练数据,将预测模型训练至预设的精度要求,以便确定预测模型的参数;将事件数据和测试数据输入训练后的预测模型中,获取预测结果。
最后值得一提的是,在本实施例一种可能的实现方式中,调度服务器可以将预测结果以交叉表或波动图的形式返回给所述用户终端设备,或者以交叉表和波动图联动结合的形式返回给所述用户终端设备。
本实施例提供的铁路客流预测方法,通过将预测任务分解,即通过把预测任务划分为可以并发的小的任务节点,然后进行分布式的并行计算,大大提高了预测计算的效率,能够为分析人员提供高效的服务。在不增加客户端操作人员工作量的同时,能为客运分析业务提供高效的、经济的客流预测解决方案。
基于与上述图1所述实施例提供的铁路客流预测方法相同的思想,本发明实施例还提供一种铁路客流预测***,该***可以用于实现图1所述实施例提供的铁路客流预测方法。图2为本发明实施例提供的铁路客流预测***示意图,如图2所示,该***包括调度服务器21和多个计算服务器221、222、……、22b。
其中,调度服务器21用于接收用户终端设备发送的预测请求消息,根据所述预测请求消息向至少一个计算服务器分配预测任务的执行指令,以及接收所述至少一个计算服务器返回的预测结果,并将预测结果返回给用户终端设备;计算服务器221、222、……、22b用于根据预测任务的执行指令执行相应的预测任务,获取预测结果,并将预测结果返回给调度服务器21。
需要说明的是,一次预测任务仅有一个调度节点发挥作用,因此上述的调度服务器21可以包括多个调度节点211、212、……、21a,以便通过不同的调度节点针对不同的用户终端设备的预测请求消息进行预测任务调度。
另外,在本实施例提供的铁路客流预测***中,计算服务器的数量可以根据实际需要进行线性扩展。
作为本实施例一种可能的实现方式,用户终端设备发送的预测请求消息可以包括预测类型、预测目标和预测模型,进一步的,调度服务器21具体可以用于:根据相应的预测类型、预测目标和预测模型确定本次预测请求对应的预测任务的计算量,并根据该预测任务的计算量确定用于执行该预测任务的计算服务器,然后根据预测类型、预测目标和预测模型向确定好的计算服务器分配预测任务的执行指令。
进一步的,计算服务器221、222、……、22b具体可以用于:根据预测目标获取预测目标对应的时间段内的事件数据,其中该事件数据是用户终端设备在发送预测请求消息之前保存于事件库中的;并按照预设规则从铁路运营数据仓库中获取预测类型和预测模型所需的数据集;然后根据事件数据和数据集运行相应的预测模型,获取预测结果。
进一步的,作为一种可能的实施方式,计算服务器221、222、……、22b具体可以用于:将数据集划分为训练数据和测试数据;根据事件数据和训练数据,将预测模型训练至预设的精度要求,以便确定所述预测模型的参数;最后将事件数据和测试数据输入训练后的预测模型中,获取预测结果。
在实际应用中,作为一种可能的实现方式,调度服务器21具体还可以用于:将预测结果以交叉表或波动图的形式返回给用户终端设备,或者以交叉表和波动图联动结合的形式返回给所述用户终端设备。值得一提的是,调度服务器可以将预测结果返回给相应的发送预测请求消息的某一个用户终端设备,也可以将预测结果返回给包括发送预测请求消息的用户终端设备在内的多个用户终端设备。
本实施例提供的铁路客流预测***,可以用于实现图1所述实施例提供的铁路客流预测方法,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种铁路客流预测方法,其特征在于,包括:
根据用户终端设备发送的预测请求消息向至少一个计算服务器分配预测任务的执行指令,以使所述至少一个计算服务器根据所述预测任务的执行指令并行执行所述预测任务,获取预测结果;
接收所述至少一个计算服务器返回的预测结果,并将所述预测结果返回给所述用户终端设备。
2.根据权利要求1所述的方法,其特征在于,所述预测请求消息包括预测类型、预测目标和预测模型;
所述根据所述预测请求消息向至少一个计算服务器分配预测任务的执行指令,以使所述至少一个计算服务器根据所述预测任务的执行指令并行执行所述预测任务,获取预测结果,包括:
根据所述预测类型、预测目标和预测模型确定所述预测任务的计算量;
根据所述预测任务的计算量确定用于执行所述预测任务的至少一个计算服务器;
根据所述预测类型、预测目标和预测模型向所述至少一个计算服务器分配预测任务的执行指令,以使所述至少一个计算服务器根据所述预测任务的执行指令并行执行所述预测任务,获取预测结果。
3.根据权利要求2所述的方法,其特征在于,所述预测任务包括:
根据所述预测目标获取所述预测目标对应的时间段内的事件数据,所述事件数据是所述用户终端设备在发送所述预测请求消息之前保存于事件库中的;
按照预设规则从铁路运营数据仓库中获取所述预测类型和预测模型所需的数据集;
根据所述事件数据和所述数据集运行所述预测模型,获取预测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述事件数据和所述数据集运行所述预测模型,获取预测结果,包括:
将所述数据集划分为训练数据和测试数据;
根据所述事件数据和所述训练数据,将所述预测模型训练至预设的精度要求,以便确定所述预测模型的参数;
将所述事件数据和所述测试数据输入训练后的所述预测模型中,获取预测结果。
5.根据权利要求1~4任一项所述的方法,其特征在于,所述将所述预测结果返回给所述用户终端设备,包括:
将所述预测结果以交叉表和/或波动图的形式返回给所述用户终端设备。
6.一种铁路客流预测***,其特征在于,包括:调度服务器和多个计算服务器;
所述调度服务器用于:根据用户终端设备发送的预测请求消息向至少一个计算服务器分配预测任务的执行指令;接收所述至少一个计算服务器返回的预测结果,并将所述预测结果返回给用户终端设备;
所述计算服务器用于:根据所述预测任务的执行指令执行相应的预测任务,获取预测结果,并将所述预测结果返回给所述调度服务器。
7.根据权利要求6所述的***,其特征在于,所述预测请求消息包括预测类型、预测目标和预测模型;所述调度服务器具体用于:
根据所述预测类型、预测目标和预测模型确定所述预测任务的计算量;
根据所述预测任务的计算量确定用于执行所述预测任务的至少一个计算服务器;
根据所述预测类型、预测目标和预测模型向所述至少一个计算服务器分配预测任务的执行指令。
8.根据权利要求7所述的***,其特征在于,所述计算服务器具体用于:
根据所述预测目标获取所述预测目标对应的时间段内的事件数据,所述事件数据是所述用户终端设备在发送所述预测请求消息之前保存于事件库中的;
按照预设规则从铁路运营数据仓库中获取所述预测类型和预测模型所需的数据集;
根据所述事件数据和所述数据集运行所述预测模型,获取预测结果。
9.根据权利要求8所述的***,其特征在于,所述计算服务器具体用于:
将所述数据集划分为训练数据和测试数据;
根据所述事件数据和所述训练数据,将所述预测模型训练至预设的精度要求,以便确定所述预测模型的参数;
将所述事件数据和所述测试数据输入训练后的所述预测模型中,获取预测结果。
10.根据权利要求6~9任一项所述的***,其特征在于,所述调度服务器具体还用于:
将所述预测结果以交叉表和/或波动图的形式返回给所述用户终端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610042168.8A CN105719021A (zh) | 2016-01-21 | 2016-01-21 | 铁路客流预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610042168.8A CN105719021A (zh) | 2016-01-21 | 2016-01-21 | 铁路客流预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719021A true CN105719021A (zh) | 2016-06-29 |
Family
ID=56154995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610042168.8A Pending CN105719021A (zh) | 2016-01-21 | 2016-01-21 | 铁路客流预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719021A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956498A (zh) * | 2019-11-27 | 2020-04-03 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车票额市场供给效率的评估方法及装置 |
CN113014414A (zh) * | 2019-12-20 | 2021-06-22 | 北京金山云网络技术有限公司 | 网络数据的预测方法、装置、***和服务器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024206A (zh) * | 2010-12-20 | 2011-04-20 | 江苏省交通科学研究院股份有限公司 | 市郊轨道交通客流的预测方法 |
CN102880907A (zh) * | 2012-08-24 | 2013-01-16 | 华锐风电科技(集团)股份有限公司 | 风速校正方法和装置 |
CN103607466A (zh) * | 2013-11-27 | 2014-02-26 | 国家电网公司 | 一种基于云计算的广域多级分布式并行电网分析方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测***和方法 |
CN103984993A (zh) * | 2014-05-13 | 2014-08-13 | 东南大学 | 一种轨道交通客流od分布实时推测方法 |
CN104680250A (zh) * | 2015-02-11 | 2015-06-03 | 北京邮电大学 | 一种位置预测*** |
-
2016
- 2016-01-21 CN CN201610042168.8A patent/CN105719021A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024206A (zh) * | 2010-12-20 | 2011-04-20 | 江苏省交通科学研究院股份有限公司 | 市郊轨道交通客流的预测方法 |
CN102880907A (zh) * | 2012-08-24 | 2013-01-16 | 华锐风电科技(集团)股份有限公司 | 风速校正方法和装置 |
CN103607466A (zh) * | 2013-11-27 | 2014-02-26 | 国家电网公司 | 一种基于云计算的广域多级分布式并行电网分析方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测***和方法 |
CN103984993A (zh) * | 2014-05-13 | 2014-08-13 | 东南大学 | 一种轨道交通客流od分布实时推测方法 |
CN104680250A (zh) * | 2015-02-11 | 2015-06-03 | 北京邮电大学 | 一种位置预测*** |
Non-Patent Citations (1)
Title |
---|
朱双双等: "池化分布式计算网络***的设计与实现", 《科技信息(科学教研)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956498A (zh) * | 2019-11-27 | 2020-04-03 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车票额市场供给效率的评估方法及装置 |
CN113014414A (zh) * | 2019-12-20 | 2021-06-22 | 北京金山云网络技术有限公司 | 网络数据的预测方法、装置、***和服务器 |
CN113014414B (zh) * | 2019-12-20 | 2023-02-24 | 北京金山云网络技术有限公司 | 网络数据的预测方法、装置、***和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iglesias et al. | Data-driven model predictive control of autonomous mobility-on-demand systems | |
Chung et al. | Bike angels: An analysis of citi bike's incentive program | |
CN107094165A (zh) | 配送能力确定、配送任务获取、配送资源调度方法和设备 | |
JP2018022488A (ja) | 輸送システム及びその輸送サービスの頻度割り当て方法関連出願の相互参照 | |
Quintero-Araujo et al. | A simheuristic algorithm for the capacitated location routing problem with stochastic demands | |
Jahanshahi et al. | A deep reinforcement learning approach for the meal delivery problem | |
CN113627792B (zh) | 无人车的调度管理方法、装置、设备、存储介质及程序 | |
Ghaderi et al. | Meta-heuristic solution approaches for robust single allocation p-hub median problem with stochastic demands and travel times | |
Daszczuk et al. | Empty vehicles management as a method for reducing passenger waiting time in personal rapid transit networks | |
Larsen et al. | Classification of dynamic vehicle routing systems | |
Sorkhoh et al. | Optimizing information freshness for MEC-enabled cooperative autonomous driving | |
Pettet et al. | Hierarchical planning for resource allocation in emergency response systems | |
Xu et al. | Dynamic vehicle routing using an improved variable neighborhood search algorithm | |
Teck et al. | Optimization models for scheduling operations in robotic mobile fulfillment systems | |
Wang et al. | A chance-constrained programming model for airport ground movement optimisation with taxi time uncertainties | |
Tang et al. | Vehicle repositioning under uncertainty | |
Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
Sun et al. | A graphical game approach to electrical vehicle charging scheduling: Correlated equilibrium and latency minimization | |
Chen et al. | Data mining-based dispatching system for solving the local pickup and delivery problem | |
Shahabi et al. | An event-driven simulation-optimisation approach to improve the resiliency of operation in a double-track urban rail line | |
Syed et al. | Density based distribution model for repositioning strategies of ride hailing services | |
Fatnassi et al. | Dealing with the empty vehicle movements in personal rapid transit system with batteries constraints in a dynamic context | |
Maciejewski | Benchmarking minimum passenger waiting time in online taxi dispatching with exact offline optimization methods | |
Yang et al. | Fleet sizing and charging infrastructure design for electric autonomous mobility-on-demand systems with endogenous congestion and limited link space | |
La Rocca et al. | Heuristics for electric taxi fleet management at Teo Taxi |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160629 |