CN107025504A - 一种考虑区域交通状况的服务型库房选址方法 - Google Patents
一种考虑区域交通状况的服务型库房选址方法 Download PDFInfo
- Publication number
- CN107025504A CN107025504A CN201710256751.3A CN201710256751A CN107025504A CN 107025504 A CN107025504 A CN 107025504A CN 201710256751 A CN201710256751 A CN 201710256751A CN 107025504 A CN107025504 A CN 107025504A
- Authority
- CN
- China
- Prior art keywords
- node
- storehouse
- client
- network model
- service type
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑区域交通状况的服务型库房选址方法,包括以下步骤:1)建立基于真实路网的物流网络模型,该物流网络模型中,道路交叉路口为节点,相邻节点间的路段为边;2)将客户位置与物流网络模型的节点进行映射,根据历史备品备件需求信息,预测未来客户对多类备品备件的需求信息,形成多个客户请求;3)基于历史出租车轨迹数据预测物流网络模型中各边的权值;4)基于改进的PAM算法迭代优化获得最优库房选址位置集。与现有技术相比,本发明具有快速、高效等优点,能够通过考虑各时间段的真实交通状况,使得从库房运送到客户手中的备品备件消耗的总时间最小,从而使得由运送时间导致的服务质量的损失最小,提升客户的满意度。
Description
技术领域
本发明属于备品备件库房选址领域,尤其是涉及一种考虑区域交通状况的服务型库房选址方法。
背景技术
对库房进行选址首先要考虑的是企业的物流战略,当前物流战略考虑的主要因素是服务和成本,根据对这两个因素的不同侧重,可对物流战略进行划分:以提高服务水平为核心的“服务型”物流战略;以降低成本为核心的“成本型”物流战略。
目前,库房选址算法主要包括定性和定量两类方法。定性方法主要通过对影响库房选址的各种因素进行分析,比较它们对选址决策的重要程度来得出每个因素的权重,并以此来评价各种方案的优劣。定量方法是将选址问题建模成一定的数学模型,并结合统计学和运筹学的知识,用数学方法进行求解,以获得问题的最优解或近似最优解。
实际应用中,关注成本(主要根据距离来计算)的定量方法使用的较多,关注备品备件到客户手中消耗的时间的定量方法则较少,例如,重心法主要考虑的是如何选址使得库房到所有客户的距离最小,同时,使库房尽可能地接近运量比较大的网点,从而使较大的备品备件运量运输路程相对较短。还有一些基于规划或启发式的算法使得满足客户需求的总成本最低,这些成本往往被建模成与距离有关的线性函数。
随着城市人口和规模的不断扩大,城市交通及路况越来越复杂,备品备件在运输过程中需要消耗的时间越来越难以估算,并且往往跟运输的时间段有较大关系,即使同一库房,在不同时间段,其到同一客户需要消耗的时间也不尽相同,因此,实时交通状况对物流的运输时间有非常重要的影响,在库房选址时不可忽略,但目前却很少有考虑实时交通状况的库房选址算法。因此,如何开发一种考虑了城市区域实时交通状况的服务型库房选址算法,降低由运输时间过长带来的客户服务质量的损失成为业界的迫切需要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速、高效的考虑区域交通状况的服务型库房选址方法。
本发明的目的可以通过以下技术方案来实现:
一种考虑区域交通状况的服务型库房选址方法,包括以下步骤:
1)建立基于真实路网的物流网络模型,该物流网络模型中,道路交叉路口为节点,相邻节点间的路段为边;
2)将客户位置与物流网络模型的节点进行映射,根据历史备品备件需求信息,预测未来客户对多类备品备件的需求信息,形成多个客户请求;
3)基于历史出租车轨迹数据预测物流网络模型中各边的权值;
4)基于步骤2)和步骤3)预测结果,基于改进的PAM算法迭代优化获得最优库房选址位置集。
所述节点的数据结构中存储有节点的经纬度信息,所述边的数据结构中存储有道路信息。
所述步骤2)中,将客户位置与物流网络模型的节点进行映射具体为:用离客户位置最近的节点代替客户位置。
所述步骤2)中,预测未来客户对多类备品备件的需求信息具体为:将一天划分成24个时间段,统计每个客户各时间段的历史备品备件需求信息,预测该客户未来在该时间段下对各类备品备件的需求信息。
所述步骤2)中,采用指数平滑法预测未来客户对多类备品备件的需求信息。
所述步骤3)具体为:
首先根据各节点的经纬度信息确定通过各路段的GPS轨迹点的经纬度坐标范围,然后根据出租车历史GPS轨迹点的经纬度信息,将出租车的GPS轨迹与路段进行映射,计算出各路段的通行时间,用通过该路段的所有出租车在不同时间段下的平均通行时间作为该路段在该时间段下的预计通行时间,并将所述预计通行时间作为该路段对应的边的权值。
所述步骤4)中,基于改进的PAM算法迭代优化获得最优库房选址位置集合具体为:
401)采用k-中心点聚类算法获得初始库房选址集合;
402)对物流网络模型中的节点和客户请求进行分组,预先计算各节点分组到请求分组的最短时间;
403)计算每个节点分组到各客户请求的最短时间,过滤最短时间大于当前库房选址集合总消耗时间的节点分组;
404)采用组替换的迭代策略进行优化迭代,获得最优库房选址位置集合。
与现有技术相比,本发明具有以下优点:
1)本发明构建一种考虑了实时交通状况的服务型库房的选址模型,选址快速、高效,能够通过考虑各时间段的真实交通状况,使得从库房运送到客户手中的备品备件消耗的总时间最小,从而使得由运送时间导致的服务质量的损失最小,提升客户的满意度。
2)本发明基于真实的路网来对库房到客户的链路信息进行建模,并且还考虑了客户同时对多种备品备件具有需求的情况,选址结果可靠性高。
3)本发明基于改进PAM实现迭代选址,对路网节点进行分组,过滤掉那些最短时间大于现有库房选址集合消耗时间的分组,减少需要考虑的迭代替换次数,同时对请求分组,进一步减少每次迭代时需要的关于通行时间的计算时间。
附图说明
图1为本发明的流程示意图;
图2为本发明的原理示意图;
图3为本发明改进PAM的原理示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1-图2所示,本发明提供一种考虑区域交通状况的服务型库房选址方法,包括以下步骤:
步骤1,建立基于真实路网的物流网络模型,该物流网络模型中,道路交叉路口为节点,相邻节点间的路段为边。
物流网络模型通常包括库房、客户的位置信息,库房到客户的链路信息,以及客户对备品备件的需求信息等。大多数情况下,库房和客户之间不会是一条简单的直线通路相连,而是会随着库房和客户之间的道路情况发生变化,通常会复杂地多。因此,本发明提出的物流网络模型基于真实的路网来对库房到客户的链路信息进行建模,并且还考虑了客户同时对多种备品备件具有需求的情况。
步骤1.1,建立路网模型:
区域道路网络由许多道路相连、相交组成,道路间的地理位置关系十分复杂。首先利用Mapinfo电子地图提供的二次开发工具MapX读取地图中代表路网几何和拓扑的特征点信息,然后对这些特征点集进行精简加工,抽取道路交叉路口作为分析对象,并对道路以交叉路口为节点进行分割,成为路段。通过这种简化,整个网络将由交叉路口点和路段组成,并生成以图表示的路网数据格式。在这种数据格式中,交叉路口点被定义为网络的节点v,路段被定义为网络的边d。同时,各节点的数据结构中还存有经纬度信息,边的数据结构中还存有该路段是单向交通或双向交通等道路信息。
使用当前最流行的可视化工具D3,调用步骤1.1所获取的图,结合HTML5、CSS等前端技术,使地图信息展示在网页上。
步骤1.2,客户位置和路网节点的映射:
为了简化,路网模型假设所有的客户和库房位于路网的节点位置(即路段与路段的交叉路口),一方面,利用离客户位置最近的交叉路口节点来代替客户位置对库房选址质量造成的影响十分有限;另一方面,这种简化大大减少了需要进行通行时间估计的路段数及可能的库房候选位置,缩小了库房选址的搜索空间,加快了算法的求解速度。具体来说,本发明用离客户位置最近的节点来代替客户位置,并限定库房的候选位置只能位于路网的节点上。客户位置在路网上进行映射后,可以通过对路网图模型进行最短路径分析来找出任意节点到客户的最短路径,本发明使用的最短路径不是指一般地理意义上的距离最短,而是将其引申到了通行时间上,即最快到达。
步骤1.3,支持多种备品备件类型的客户模型的实现:
本发明中,库房可以提供多种类型的备品备件,而客户(第三方IT企业)也可能需要多种类型的备品备件,如硬盘、网卡、光驱等,所以在对客户需求进行建模时,考虑了多种备品备件的情况。
步骤2,客户需求预测及路段通行时间估计。
客户对备品备件的未来需求情况,以及各路网节点到每个客户的最快通行时间对库房选址的决策有重要影响。不同的客户需求或不同的通行时间分布情况均会使得库房选址的决策不同。因此,本发明将基于历史的需求数据来预测未来各客户的需求情况,同时基于大量的出租车历史GPS轨迹数据来估计各路段在不同时间段下的通行时间,为后面库房选址优化算法的设计打下基础。
步骤2.1,基于历史数据的客户备品备件需求的预测:
本发明基于历史需求数据的统计分析,对客户未来各种备品备件的需求情况进行了预测,即利用历史的备品备件需求来对未来该客户的备品备件需求进行估计。具体实现使用改进的指数平滑法作为预测方法,结合实际情况对其进行了改进,并通过实验选择了适用与本模型的参数。
为了及时对客户需求作出响应,本发明将预测周期定为1周,即每7天进行一次预测,而考虑到备件在途时间等因素,是对大部分备件的6周的需求量进行预测,对电池类进行4周需求量的预测,另外该周期还可能发生变化。在指数平滑算法中,每一期只对该期的需求量进行预测,而在因此指数平滑法并不能直接套用在本模型中。针对这个问题,本发明采用以下方案进行解决:
依然采用原指数平滑法公式作为基础,将其结果乘以6,即
其中,a为平滑指数,0<a<1,Dt-1为上期实际消耗量,Ft-1为上期预测值,Ft为本期预测值。
下面将从理论和实际应用两方面此方案进行说明:
(1)理论方面,对公式进行推导,可得
(2)实际应用方面,实际应用过程中,预测的消耗量的周期是可能发生变化的。而当周期发生变化时,其结果是在原计算结果上乘以要预测的需求量的周期与进行预测的周期之商n,当n值发生变化时,只需乘以变化后的n即可解决这一问题。
可使用D3的提示框技术(tooltip)使客户历史真实需求量和未来预测需求量展示在网页上。
步骤2.2,基于出租车GPS轨迹的路段通行时间的估计:
首先根据各路网节点的经纬度信息确定通过各路段的GPS轨迹点的经纬度坐标范围,然后根据出租车历史GPS轨迹点的经纬度信息,将出租车的GPS轨迹与路网的路段进行映射,算出通过各路段经历的时间。由于每天不同时刻都有大量出租车经过同一路段,本发明用通过该路段的所有出租车在不同时间段下的平均通行时间作为该路段在该时间段下的预计通行时间,并将这个预计时间作为路网模型中该路段对应的边的权值w,方便后面基于最快路径算法来计算节点到各客户位置的最短通行时间。
步骤3,基于改进PAM的迭代选址算法的实现:
首先通过使用基于k-中心点的聚类算法找出一个较好的初始库房选址集合F(位于道路交通网的顶点上),较好的初始库房选址集合会产生一个比较低的总消耗时间,因为在迭代时只有产生更低总消耗时间的替换才会真正被执行,所以通过给出一个更好的初始库房选址集合,可以降低后面需要的迭代次数。
另外,本发明采用的改进PAM算法进行迭代选址,具体是在传统PAM算法中添加“删去不必要置换”和“高效置换评估”两个方法。“删去不必要置换”类似剪枝函数,对路网节点进行分组,先随机选择k个代表对象(路网节点)组成组,然后对剩余的对象根据其与代表对象的距离分配给最近的组,之后通过预先计算出每个路网节点分组到各客户请求的最短时间,过滤掉那些最短时间大于现有库房选址集合消耗时间的分组,减少需要考虑的迭代替换次数。“高效置换评估”主要是通过对请求分组(分组方式同路网节点),利用PAM算法预先计算出每个路网节点分组到各客户请求分组的最短时间,进一步减少每次迭代时需要的关于通行时间的计算时间。这样就可以减少迭代过程和时间复杂度,进而提高算法的效率。
步骤4,利用步骤3计算出的当前库房选址位置集合满足客户请求r需要的时间如公式(3),和计算当前库房位置集合满足所有客户请求需要的总时间tal,如公式(4),然后选择非初始库房位置集合内的节点p′,用初始库房位置F减去初始库房中的位置p,同时加上p′作为新的库房位置,重复上述过程,直到满足公式(5),并将此时所计算的时间作为总时间,同时使Ftal=F,Fini=Ftal,即找到最优库房位置。
其中,t(M,v,r)表示在通行时间矩阵M下节点v到r的最短时间。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种考虑区域交通状况的服务型库房选址方法,其特征在于,包括以下步骤:
1)建立基于真实路网的物流网络模型,该物流网络模型中,道路交叉路口为节点,相邻节点间的路段为边;
2)将客户位置与物流网络模型的节点进行映射,根据历史备品备件需求信息,预测未来客户对多类备品备件的需求信息,形成多个客户请求;
3)基于历史出租车轨迹数据预测物流网络模型中各边的权值;
4)基于步骤2)和步骤3)预测结果,基于改进的PAM算法迭代优化获得最优库房选址位置集。
2.根据权利要求1所述的考虑区域交通状况的服务型库房选址方法,其特征在于,所述节点的数据结构中存储有节点的经纬度信息,所述边的数据结构中存储有道路信息。
3.根据权利要求1所述的考虑区域交通状况的服务型库房选址方法,其特征在于,所述步骤2)中,将客户位置与物流网络模型的节点进行映射具体为:用离客户位置最近的节点代替客户位置。
4.根据权利要求1所述的考虑区域交通状况的服务型库房选址方法,其特征在于,所述步骤2)中,预测未来客户对多类备品备件的需求信息具体为:将一天划分成24个时间段,统计每个客户各时间段的历史备品备件需求信息,预测该客户未来在该时间段下对各类备品备件的需求信息。
5.根据权利要求1或4所述的考虑区域交通状况的服务型库房选址方法,其特征在于,所述步骤2)中,采用指数平滑法预测未来客户对多类备品备件的需求信息。
6.根据权利要求2所述的考虑区域交通状况的服务型库房选址方法,其特征在于,所述步骤3)具体为:
首先根据各节点的经纬度信息确定通过各路段的GPS轨迹点的经纬度坐标范围,然后根据出租车历史GPS轨迹点的经纬度信息,将出租车的GPS轨迹与路段进行映射,计算出各路段的通行时间,用通过该路段的所有出租车在不同时间段下的平均通行时间作为该路段在该时间段下的预计通行时间,并将所述预计通行时间作为该路段对应的边的权值。
7.根据权利要求1所述的考虑区域交通状况的服务型库房选址方法,其特征在于,所述步骤4)中,基于改进的PAM算法迭代优化获得最优库房选址位置集合具体为:
401)采用k-中心点聚类算法获得初始库房选址集合;
402)对物流网络模型中的节点和客户请求进行分组,预先计算各节点分组到请求分组的最短时间;
403)计算每个节点分组到各客户请求的最短时间,过滤最短时间大于当前库房选址集合总消耗时间的节点分组;
404)采用组替换的迭代策略进行优化迭代,获得最优库房选址位置集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710256751.3A CN107025504A (zh) | 2017-04-19 | 2017-04-19 | 一种考虑区域交通状况的服务型库房选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710256751.3A CN107025504A (zh) | 2017-04-19 | 2017-04-19 | 一种考虑区域交通状况的服务型库房选址方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107025504A true CN107025504A (zh) | 2017-08-08 |
Family
ID=59528054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710256751.3A Pending CN107025504A (zh) | 2017-04-19 | 2017-04-19 | 一种考虑区域交通状况的服务型库房选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025504A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590560A (zh) * | 2017-09-04 | 2018-01-16 | 佛山佳牧乐科技有限公司 | 一种配送中心的选址方法和装置 |
CN107622414A (zh) * | 2017-08-16 | 2018-01-23 | 芜湖恒天易开软件科技股份有限公司 | 绘制电动车租赁用户画像的方法 |
CN110287989A (zh) * | 2019-05-21 | 2019-09-27 | 武汉大学 | 一种基于轮廓系数和ap聚类算法的离散覆盖仓库选址方法 |
CN110726418A (zh) * | 2019-10-10 | 2020-01-24 | 北京百度网讯科技有限公司 | 兴趣点区域确定方法、装置、设备及存储介质 |
CN111353743A (zh) * | 2020-03-03 | 2020-06-30 | 深圳前海微众银行股份有限公司 | 仓库可视化方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221366A1 (en) * | 2011-02-25 | 2012-08-30 | Bowman Charles V | Site Selection Data Analysis and System |
CN103714708A (zh) * | 2013-12-18 | 2014-04-09 | 福建工程学院 | 一种基于出租车分时段的经验路径的最优路径规划的方法 |
CN104268705A (zh) * | 2014-09-30 | 2015-01-07 | 国家电网公司 | 电力物资配送中心选址方法 |
-
2017
- 2017-04-19 CN CN201710256751.3A patent/CN107025504A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221366A1 (en) * | 2011-02-25 | 2012-08-30 | Bowman Charles V | Site Selection Data Analysis and System |
CN103714708A (zh) * | 2013-12-18 | 2014-04-09 | 福建工程学院 | 一种基于出租车分时段的经验路径的最优路径规划的方法 |
CN104268705A (zh) * | 2014-09-30 | 2015-01-07 | 国家电网公司 | 电力物资配送中心选址方法 |
Non-Patent Citations (4)
Title |
---|
卜旭松: "基于PAM和簇阈值的改进K_Means聚类算法", 《湖北工程学院学报》 * |
宁静: "基于指数平滑法对山西省物流需求量预测研究", 《全国商情(经济理论研究)》 * |
张建: "基于地理网格的公共实施选址方法研究", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
李爱国: "《数据挖掘原理算法及应用》", 31 January 2012, 西安电子科技大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622414A (zh) * | 2017-08-16 | 2018-01-23 | 芜湖恒天易开软件科技股份有限公司 | 绘制电动车租赁用户画像的方法 |
CN107590560A (zh) * | 2017-09-04 | 2018-01-16 | 佛山佳牧乐科技有限公司 | 一种配送中心的选址方法和装置 |
CN107590560B (zh) * | 2017-09-04 | 2020-09-22 | 佛山佳牧乐科技有限公司 | 一种配送中心的选址方法和装置 |
CN110287989A (zh) * | 2019-05-21 | 2019-09-27 | 武汉大学 | 一种基于轮廓系数和ap聚类算法的离散覆盖仓库选址方法 |
CN110287989B (zh) * | 2019-05-21 | 2021-04-16 | 武汉大学 | 一种基于轮廓系数和ap聚类算法的离散覆盖仓库选址方法 |
CN110726418A (zh) * | 2019-10-10 | 2020-01-24 | 北京百度网讯科技有限公司 | 兴趣点区域确定方法、装置、设备及存储介质 |
US11740102B2 (en) | 2019-10-10 | 2023-08-29 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, apparatus, device and storage medium for determining point of interest area |
CN111353743A (zh) * | 2020-03-03 | 2020-06-30 | 深圳前海微众银行股份有限公司 | 仓库可视化方法、装置、设备及存储介质 |
CN111353743B (zh) * | 2020-03-03 | 2024-06-07 | 深圳前海微众银行股份有限公司 | 仓库可视化方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laporte et al. | Shared mobility systems: an updated survey | |
Laporte et al. | Shared mobility systems | |
Hua et al. | Joint infrastructure planning and fleet management for one-way electric car sharing under time-varying uncertain demand | |
De Chardon et al. | Bike-share rebalancing strategies, patterns, and purpose | |
CN107025504A (zh) | 一种考虑区域交通状况的服务型库房选址方法 | |
Fu et al. | A two-stage robust approach to integrated station location and rebalancing vehicle service design in bike-sharing systems | |
Ferrucci et al. | A pro-active real-time control approach for dynamic vehicle routing problems dealing with the delivery of urgent goods | |
Van Woensel et al. | Vehicle routing with dynamic travel times: A queueing approach | |
Nair et al. | Equilibrium network design of shared-vehicle systems | |
Barceló et al. | Vehicle routing and scheduling models, simulation and city logistics | |
Perugia et al. | Designing a home-to-work bus service in a metropolitan area | |
Qian et al. | Finding least fuel emission paths in a network with time‐varying speeds | |
Elbek et al. | A variable neighborhood search for the multi-period collection of recyclable materials | |
Ichoua1 et al. | Planned route optimization for real-time vehicle routing | |
Freund et al. | Bike sharing | |
Flamini et al. | Assessing the value of information for retail distribution of perishable goods | |
Zhang et al. | Bike‐Sharing Static Rebalancing by Considering the Collection of Bicycles in Need of Repair | |
Shao et al. | A routing model and solution approach for alternative fuel vehicles with consideration of the fixed fueling time | |
Dupas et al. | Optimizing the location selection of urban consolidation centers with sustainability considerations in the city of Bordeaux | |
Jaramillo-Alvarez et al. | Route optimization of urban public transportation | |
Dündar et al. | A green dynamic TSP with detailed road gradient dependent fuel consumption estimation | |
Tafakkori et al. | Sustainable generalized refueling station location problem under uncertainty | |
Jaiswal et al. | Minimum carbon dioxide emission based selection of traffic route with unsignalised junctions in tandem network | |
CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
Gu et al. | Enhancing market service and enterprise operations through a large-scale GIS-based distribution system |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170808 |