CN109002923A - 一种城际多方式出行线路规划方法 - Google Patents
一种城际多方式出行线路规划方法 Download PDFInfo
- Publication number
- CN109002923A CN109002923A CN201810809681.4A CN201810809681A CN109002923A CN 109002923 A CN109002923 A CN 109002923A CN 201810809681 A CN201810809681 A CN 201810809681A CN 109002923 A CN109002923 A CN 109002923A
- Authority
- CN
- China
- Prior art keywords
- scheme
- feasible
- probability
- time
- destination
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城际多方式出行线路规划方法。首先,在多模式综合交通网络中生成起点与终点间的包含直达路径方案和中转路径方案的所有可行路径方案;然后从所有可行路径方案中选取评价值最小的若干方案作为所述起点与终点间的最优路径方案。本发明进一步通过人工蜂群算法进行快速搜索,同时实现路径方案根据机票价格波动等情况变化的动态更新。相比现有技术,本发明方法可在多模式综合交通网络中,搜索生成起点与终点之间所有可行的直达或中转路径方案,并保留较优的方案。
Description
技术领域
本发明属于智能交通信息技术领域,特别涉及一种城际多方式出行线路规划方法。
背景技术
近年来,随着社会经济的快速发展,不同城市之间的联系日益频繁,居民城际出行也日益普遍。近二十年来,我国大力发展综合交通,已构建起由航空、铁路、轨道、道路组成的立体多模式交通出行网络。但是,城际出行通常需要多种交通方式换乘衔接完成,如通过地铁乘坐至机场,后从机场飞到另一个城市,再选择汽车或大巴等到达目的地。但现有缺乏将公共交通、汽车大巴、机场巴士、火车、航空等班次信息整合,一次性完成城际多方式出行的线路规划。如查询两城交通线路时,通常只能查询单种交通方式的出行线路,需要乘客多次比对筛选衔接交通方式,费时费力,且多存在信息不对称或缺失的情况,难以完成合理的行程规划。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种城际多方式出行线路规划方法,可在多模式综合交通网络中,搜索生成起点与终点之间所有可行的直达或中转路径方案,并保留较优的方案。
本发明具体采用以下技术方案解决上述技术问题:
一种城际多方式出行线路规划方法,首先,在多模式综合交通网络中生成起点与终点间的包含直达路径方案和中转路径方案的所有可行路径方案;然后从所有可行路径方案中选取评价值最小的若干方案作为所述起点与终点间的最优路径方案;第j种可行路径方案的评价值Evaj按照下式得到:
其中,Nj、Tj分别为第j种可行路径方案所需的费用、时间,Nmin、Tmin分别为所有可行路径方案的所需费用的最小值、所需时间的最小值。
优选地,所述中转路径方案利用以下方法生成:在起点与终点之间随机生成中转节点,再在所述多模式综合交通网络中,搜索生成起点至中转点、中转点至中转点、中转点至终点的列车、航班信息,进行到达、出发及换乘时刻的匹配,将时刻匹配成功的各区段信息组合,形成可行方案;假设某出行方案包括K个中转点,则该方案由K+1个区段组成,相邻区段的时刻匹配成功即满足如下时间窗约束:
其中,是第i个区段的到达时刻,是第i+1个区段的出发时刻,是相邻两个区段i和i+1在中转点的最短换乘时间。
优选地,该方法通过人工蜂群算法实现,其中每个蜜源的位置代表一个可行路径方案,雇佣蜂代表生成方案行为,蜜源j的适应度fitj的计算公式具体如下:
其中,Evaj为蜜源j的评价值,abs(X)表示求X的绝对值。
进一步地,在所述人工蜂群算法中,如某方案在给定步骤内,其被选概率没有改变,则放弃该方案,而与蜜源相对应的雇佣蜂变成侦查蜂,去搜索新的可能方案,并更新历史方案概率:
其中,Pj″是第j种出行方案当前更新后概率,Pj是第j种方案历史概率,Pj′是第j种方案当前概率。
更进一步地,在预设次数的更新后,放弃可选概率无改变的方案。
相比现有技术,本发明及其进一步改进或优选方案具有以下有益效果:
本发明根据多种交通工具的时刻表,选择一个或者多个换乘节点,在节点之间灵活的匹配各种不同交通方式,并通过排序的方式,提供较优的方案,有效减少了用户筛选大量换乘信息的过程。本发明进一步通过人工蜂群算法,给出每种出行方案概率,保留较好方案,以便再一次查询,有效提高查询效率。考虑到机票价格实时变动,本发明方法实时的改变每种出行方案概率,放弃可选概率无改变的方案,有效的防止了方案过于陈旧。
附图说明
图1为人工蜂群算法流程图;
图2为实时操作界面;
图3为可行方案生成示意图;
图4为通过人工蜂群保留的较好方案;
图5为经多次更新后保留的方案。
具体实施方式
针对现有技术不足,本发明思路是在由铁路、航空、公路所组成的多模式综合交通网络中生成起点与终点间的包含直达路径方案和中转路径方案的所有可行路径方案;然后通过综合考虑时间和费用的评价值,从所有可行路径方案中选取评价值最小的若干方案作为最优路径方案。并进一步通过人工蜂群算法进行快速搜索,同时实现路径方案根据机票价格波动等情况变化的动态更新。
为了便于公众理解,下面以一个优选实施例并结合附图来对本发明的技术方案进行详细说明:
本具体实施例中的城际多方式出行线路规划方法通过人工蜂群算法(其算法流程如图1所示)实现,图2为该方法的具体实时操作界面,具体包括以下步骤:步骤1、建立普通列车、高铁、动车组、飞机时刻表数据库:
在建立该数据库时,起始地和目的地必须设有火车站和机场,根据当前所获数据,共计155个站点,涵盖所有省会城市以及个别发达地级市、州府,能够满足主要旅途线路。涉及到各种交通方式票价,普通列车以硬座计算,高铁、动车组以二等座计算,飞机按普通座计算,表1为数据库字段表。
表1
英文名称 | 中文名称 | 数据类型 |
TRANO | 车次/班次 | VARchar2 |
DEPNAME | 起始地 | VARchar2 |
ARRNAME | 目的地 | VARchar2 |
DEPTIME | 起始时间 | DATE |
ARRTIME | 到达时间 | DATE |
ZPRICE | 价格 | NUMBER |
TIME | 运行时间 | NUMBER |
TYPE | 交通方式 | VARchar2 |
步骤2、生成可行方案:
Step1建立直达路径方案
搜索生成起点与终点之间的直达列车或航班。
Step2建立中转路径方案
在起点与终点之间随机生成中转节点,搜索生成起点至中转点、中转点至中转点、中转点至终点的列车、航班信息,进行到达、出发及换乘时刻的匹配,将时刻匹配成功的各区段信息组合,形成可行方案。
假设某出行方案包括K个中转点,则该方案由K+1个区段组成,相邻区段的时刻匹配成功即满足如下时间窗约束:
其中,是第i个区段的到达时刻,是第i+1个区段的出发时刻,是相邻两个区段i和i+1在中转点的最短换乘时间。
如图3所示,假设以成都为起点北京为终点,首先匹配出直达方案,然后再找出成都可达城市作为换乘节点,在节点间匹配不同的交通方式,生成可行方案。在生成可行方案过程需要考虑更换交通工具时所需要的时间,本案例中若需要更换火车站到机场,假设所用时间为4小时,不需要更换则所需时间为2小时。本案例可行方案生成采用python编程来完成的。
为了验证效果,这里选择了成都作为起始点,北京作为目的地,交通工具搭配不同方式,得出可行方案表2:
表2
步骤3、雇佣蜂阶段:
雇佣蜂阶段为可行方案搜索过程,可看成雇佣蜂在D维搜索空间中进行搜索蜜源。其中每个蜜源的位置代表问题的一个可行方案,雇佣蜂代表生成方案行为,雇佣蜂与一个蜜源是相对应的:
Xj={xj1,xj2,…,xjD} (1)
其中j=1,2,3,…,SN,D=1,2,3,…,D,Xj是一个起点和终点生成的方案集,xjD每一种对应方案。
对生成的可行方案进行优劣排序,方案优劣的评价指标如下:
费用
时间
其中O是起点,D是终点,Nj表示第j种方案的总费用,表示中转站hi到hi+1站所花费的费用,Tj表示第j种方案所用时间,表示中转站hi到hi+1站所用时间,α表示等待时间的惩罚系数(本案例中取1.5),td表示换乘等待时间,CZ表示换乘所花费用,Evaj为第j种方案的评价值。
为了验证本发明效果,对上述步骤2根据公式(2)~(4)计算每个可行方案的评价值,先按小到大进行优劣排序,然后并筛选出花费便宜的可行方案,如下表3:
表3
步骤4、跟随蜂阶段:
根据人工蜂群中跟随蜂阶段是跟随蜂观察雇佣蜂的舞蹈来选择食物源,采取贪婪原则选择策略保留较好的可行方案,每一个观察蜂依据概率选择一个蜜源,概率公式为:
其中,Pj为跟随蜂选择一个蜜源的概率,即选择一个方案的概率,fitj是评估总值Evaj的适应值。
由步骤3进一步计算,根据(5)、(6)式计算得出表4,建立数据库,数据库字段如表5,并储存较好的可行方案。在储存方案时,方案总概率是指相同起点、换乘节点、终点、节点之间交通方式方案集概率总和,如本案例中成都直飞北京可行方案集中包含有不同航班,方案总概率是可行方案集每个可行方案被选概率的总和,如图4所示,将可行方案储存在数据库中。
表4
表5
英文名称 | 中文名称 | 数据类型 |
DEPNAME | 起始地 | VARchar2 |
CHANGENAME | 换乘地 | VARchar2 |
ARRNAME | 目的地 | VARchar2 |
DEPTYPE | 起始地交通方式 | VARchar2 |
CHANGETYPE | 换成地交通方式 | VARchar2 |
PROBABILITY | 方案总概率 | NUMBER |
INDENT | 识别字符 | VARchar2 |
步骤5、侦察蜂阶段:
由于票价数据处于实时变化的状态,特别是机票价格,这时就需要扔掉一些陈旧的食物源。在此,这时雇佣蜂摇身一变为侦察蜂,接着寻找食物源。这样就能使由于价格变动,导致跟随蜂选择过于陈旧的蜜源方案,循环步骤2到步骤5,每一次循环更新历史方案概率:
其中,P″j是第j种出行方案当前更新后概率,Pj是第j种方案历史概率,P′j是第j种方案当前概率。
在循环步骤2到步骤5,可能会产生新的方案或着每一方案被选取概率可能会发生改变,在第n次循环过后,放弃可选概率无改变的方案。为了验证本发明效果,人为改变西安到北京的航班CZ9625机票价格1180元改为300元,进行第10次循环过后,如图5,新增了可选方案成都到北京,以西安为中转节点,依次乘火车和飞机。成都——石家庄——北京可选概率并无改变,则放弃该方案。
Claims (5)
1.一种城际多方式出行线路规划方法,其特征在于,首先,在多模式综合交通网络中生成起点与终点间的包含直达路径方案和中转路径方案的所有可行路径方案;然后从所有可行路径方案中选取评价值最小的若干方案作为所述起点与终点间的最优路径方案;第j种可行路径方案的评价值Evaj按照下式得到:
其中,Nj、Tj分别为第j种可行路径方案所需的费用、时间,Nmin、Tmin分别为所有可行路径方案的所需费用的最小值、所需时间的最小值。
2.如权利要求1所述方法,其特征在于,所述中转路径方案利用以下方法生成:在起点与终点之间随机生成中转节点,再在所述多模式综合交通网络中,搜索生成起点至中转点、中转点至中转点、中转点至终点的列车、航班信息,进行到达、出发及换乘时刻的匹配,将时刻匹配成功的各区段信息组合,形成可行方案;假设某出行方案包括K个中转点,则该方案由K+1个区段组成,相邻区段的时刻匹配成功即满足如下时间窗约束:
其中,是第i个区段的到达时刻,是第i+1个区段的出发时刻,是相邻两个区段i和i+1在中转点的最短换乘时间。
3.如权利要求1所述方法,其特征在于,该方法通过人工蜂群算法实现,其中每个蜜源的位置代表一个可行路径方案,雇佣蜂代表生成方案行为,蜜源j的适应度fitj的计算公式具体如下:
其中,Evaj为蜜源j的评价值,abs(X)表示求X的绝对值。
4.如权利要求3所述方法,其特征在于,在所述人工蜂群算法中,如某方案在给定步骤内,其被选概率没有改变,则放弃该方案,而与蜜源相对应的雇佣蜂变成侦查蜂,去搜索新的可能方案,并更新历史方案概率:
其中,Pj″是第j种出行方案当前更新后概率,Pj是第j种方案历史概率,Pj′是第j种方案当前概率。
5.如权利要求4所述方法,其特征在于,在预设次数的更新后,放弃可选概率无改变的方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810809681.4A CN109002923A (zh) | 2018-07-23 | 2018-07-23 | 一种城际多方式出行线路规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810809681.4A CN109002923A (zh) | 2018-07-23 | 2018-07-23 | 一种城际多方式出行线路规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002923A true CN109002923A (zh) | 2018-12-14 |
Family
ID=64597397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810809681.4A Pending CN109002923A (zh) | 2018-07-23 | 2018-07-23 | 一种城际多方式出行线路规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002923A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070218A (zh) * | 2019-04-12 | 2019-07-30 | 西南交通大学 | 面向多制式区域轨道交通的动态服务网络优化设计方法 |
CN111105078A (zh) * | 2019-11-29 | 2020-05-05 | 同济大学 | 一种定制公交网络优化方法 |
CN111797283A (zh) * | 2020-07-08 | 2020-10-20 | 深圳市活力天汇科技股份有限公司 | 一种基于无向加权图的空铁中转方法 |
CN111949880A (zh) * | 2020-08-14 | 2020-11-17 | 中国民航信息网络股份有限公司 | 运价搜索方法、装置、电子设备和计算机存储介质 |
CN117252323A (zh) * | 2023-11-17 | 2023-12-19 | 西华大学 | 一种基于用户偏好的多模式出行路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692271A (zh) * | 2009-09-30 | 2010-04-07 | 青岛海信网络科技股份有限公司 | 多交通方式综合诱导方法 |
CN107024217A (zh) * | 2016-02-01 | 2017-08-08 | 北京迈维出行科技有限公司 | 城际交通的路线规划的方法、装置及*** |
CN107045717A (zh) * | 2017-03-21 | 2017-08-15 | 南京邮电大学 | 基于人工蜂群算法的白细胞的检测方法 |
CN107194128A (zh) * | 2017-06-30 | 2017-09-22 | 东南大学 | 基于中心辐射型网络框架的多模式公共交通网络设计方法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及*** |
-
2018
- 2018-07-23 CN CN201810809681.4A patent/CN109002923A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692271A (zh) * | 2009-09-30 | 2010-04-07 | 青岛海信网络科技股份有限公司 | 多交通方式综合诱导方法 |
CN107024217A (zh) * | 2016-02-01 | 2017-08-08 | 北京迈维出行科技有限公司 | 城际交通的路线规划的方法、装置及*** |
CN107045717A (zh) * | 2017-03-21 | 2017-08-15 | 南京邮电大学 | 基于人工蜂群算法的白细胞的检测方法 |
CN107194128A (zh) * | 2017-06-30 | 2017-09-22 | 东南大学 | 基于中心辐射型网络框架的多模式公共交通网络设计方法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070218A (zh) * | 2019-04-12 | 2019-07-30 | 西南交通大学 | 面向多制式区域轨道交通的动态服务网络优化设计方法 |
CN111105078A (zh) * | 2019-11-29 | 2020-05-05 | 同济大学 | 一种定制公交网络优化方法 |
CN111105078B (zh) * | 2019-11-29 | 2023-09-29 | 同济大学 | 一种定制公交网络优化方法 |
CN111797283A (zh) * | 2020-07-08 | 2020-10-20 | 深圳市活力天汇科技股份有限公司 | 一种基于无向加权图的空铁中转方法 |
CN111797283B (zh) * | 2020-07-08 | 2024-03-05 | 深圳市活力天汇科技股份有限公司 | 一种基于无向加权图的空铁中转方法 |
CN111949880A (zh) * | 2020-08-14 | 2020-11-17 | 中国民航信息网络股份有限公司 | 运价搜索方法、装置、电子设备和计算机存储介质 |
CN117252323A (zh) * | 2023-11-17 | 2023-12-19 | 西华大学 | 一种基于用户偏好的多模式出行路径规划方法 |
CN117252323B (zh) * | 2023-11-17 | 2024-01-30 | 西华大学 | 一种基于用户偏好的多模式出行路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002923A (zh) | 一种城际多方式出行线路规划方法 | |
CN104318758B (zh) | 基于多层次多模式的公交线网规划方法 | |
CN103177575B (zh) | 城区出租车动态在线调度优化***及其方法 | |
CN108805344A (zh) | 一种考虑时变需求的高速铁路网络列车开行方案优化方法 | |
CN111310077B (zh) | 一种旅客智能行程推荐***和方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN105205557A (zh) | 一种城市常规公交线网设计方法 | |
CN110309962B (zh) | 基于时间扩展模型的铁路行程路线规划方法及装置 | |
CN110222912B (zh) | 基于时间依赖模型的铁路行程路线规划方法及装置 | |
CN103699982A (zh) | 一种带软时间窗口的物流配送控制方法 | |
CN106203725A (zh) | 基于启发式搜索的门到门出行路径方案个性化推荐方法 | |
CN111540195B (zh) | 基于交通大数据的区域交通可达性的评估方法 | |
CN114117700A (zh) | 基于复杂网络理论的城市公共交通网络优化研究方法 | |
CN110019569A (zh) | 一种获取城市轨道交通运营状态信息的方法 | |
CN116128172A (zh) | 一种空铁联运路线生成方法、***及设备和存储介质 | |
Purba et al. | A current review of high speed railways experiences in Asia and Europe | |
CN115713207A (zh) | 一种混合公交服务组合优化方法 | |
Garcia et al. | Hybrid approach for the public transportation time dependent orienteering problem with time windows | |
CN111008736A (zh) | 用于新航线的开通决策方法及*** | |
Zhang et al. | Timetable synchronization of the last several trains at night in an urban rail transit network | |
CN109522584A (zh) | 一种有轨电车发车时刻表设计方法 | |
CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
CN113469451B (zh) | 基于启发式算法的定制公交线路生成方法 | |
CN112101686B (zh) | 一种基于可行标号接续网络的乘务交路计划编制方法 | |
CN113837438A (zh) | 基于spfa算法的地铁乘务排班计划编制优化方法 |
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 |