CN110689174B - 基于公共交通的人员路线规划方法及装置 - Google Patents
基于公共交通的人员路线规划方法及装置 Download PDFInfo
- Publication number
- CN110689174B CN110689174B CN201910870544.6A CN201910870544A CN110689174B CN 110689174 B CN110689174 B CN 110689174B CN 201910870544 A CN201910870544 A CN 201910870544A CN 110689174 B CN110689174 B CN 110689174B
- Authority
- CN
- China
- Prior art keywords
- route
- planning
- public transportation
- initial
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 210000000349 chromosome Anatomy 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 16
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000035772 mutation Effects 0.000 description 10
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (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
本发明公开了基于公共交通的人员路线规划方法及装置。涉及路线规划领域,其中,方法通过获取人员的出行信息,基于公共交通的路线信息获取满足出行信息的多条公共交通路线信息,根据节约算法从多条公共交通路线信息中获取一条初始规划路线,从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。克服了现有技术中路线规划效率低、计算成本高、规划结果效果差或者基于人工经验缺乏变通性的缺点,能够智能实现路线规划,并且算法复杂度低、运行效率高,同时可以并行扩展计算,能够处理大批量的数据。可广泛应用于路线规划领域。
Description
技术领域
本发明涉及路线规划领域,尤其是一种基于公共交通的人员路线规划方法及装置。
背景技术
根据业务需求规划公共交通出行路线属于NP-hard问题,随着复杂度愈来愈高,传统方法,例如人工经验法、线性规划法、动态规划法等,逐渐满足不了问题的需求,传统方法的计算精度高,能够列出问题的全部可行解,并求出确定最优解,但计算量非常大,只能解决一些非常简单的、小规模路线排线规划径问题。所以寻找其他方法来解决现有路线规划问题十分必要,随着计算机的迅猛发展,启发式算法在解决此类问题上表现出巨大优势,尤其是群体智能算法在解决路线规划问题等上应用非常广泛。现有智能算法大多都能较快速地解决路线排线规划,相比于人工调度而言优势显然。但每种智能算法都有自身的缺点,仅仅用单种智能算法解决路线排线规划问题,既容易陷入局部最优,无法找到近似最优解,迭代求解花费的时间也会十分长,不符合现实当中每日要求的实时计算。因此需要提出一种能够智能调度路线,同时算法复杂度低运算效率高的基于公共交通人员路线规划方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的是提供一种能够智能调度路线,同时算法复杂度低运算效率高的基于公共交通人员路线规划方法。
本发明所采用的技术方案是:
第一方面,本发明提供一种基于公共交通的人员路线规划方法,包括:
获取人员的出行信息,所述出行信息包括:起始地址、目标地址、出发时间、业务时间窗;
基于公共交通的路线信息获取满足所述出行信息的多条公共交通路线信息,所述公共交通路线信息包括:路线用时、路线距离、具体交通方式;
根据节约算法从多条所述公共交通路线信息中获取一条初始规划路线;
从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。
进一步地,还包括进行地图经纬度查询,判断所述起始地址和所述目标地址是否符合真实坐标信息。
进一步地,所述根据节约算法从多条所述公共交通路线信息中获取一条初始规划路线具体为:
选择距离所述起始地址最近的站点,对其他的站点用节约算法进行评估判断是否作为选中的站点,直至达到迭代条件,将所有选中的站点按照时间顺序构成所述初始规划路线。
进一步地,通过随机顺序对所有初始规划路线进行排列,将每一种排列方式作为一个染色体,多个所述染色体构成所述初始种群。
进一步地,所述遗传算法的适应性评价函数表示为:
其中,fi(T)为第T代种群中染色体i的适应值,zi(T)为T代种群中染色体i的目标函数值,即染色体i对应的运输总成本。
进一步地,所述节约算法和所述遗传算法在基于Hadoop分布式集群的spark架构下实现运算过程。
第二方面,本发明还提供一种基于公共交通的人员路线规划装置,包括:
获取出行信息模块:用于获取每一个人员的出行信息,所述出行信息包括:起始地址、目标地址、出发时间、业务时间窗;
获取原始路线模块:用于基于公共交通的路线信息获取满足所述出行信息的多条公共交通路线信息,所述公共交通路线信息包括:路线用时、路线距离、具体交通方式;
获取初始规划路线模块:用于根据节约算法从每一个人员对应的多条公共交通路线信息中获取一条初始规划路线;
获取最优规划路线模块:用于从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。
进一步地,还包括地图经纬度查询模块,用于判断所述起始地址和所述目标地址是否符合真实的坐标信息。
第三方面,本发明提供一种基于公共交通的人员路线规划设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如第一方面任一项所述的方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明的有益效果是:
本发明通过获取人员的出行信息,基于公共交通的路线信息获取满足出行信息的多条公共交通路线信息,根据节约算法从多条公共交通路线信息中获取一条初始规划路线,从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。克服了现有技术中路线规划效率低、计算成本高、规划结果效果差或者基于人工经验缺乏变通性的缺点,能够智能实现路线规划,并且算法复杂度低、运行效率高,同时可以并行扩展计算,能够处理大批量的数据。可广泛应用于路线规划领域。
附图说明
图1是本发明中基于公共交通的人员路线规划方法的一具体实施例的实现流程图;
图2是本发明中基于公共交通的人员路线规划方法的一具体实施例的节约算法原理示意图;
图3是本发明中基于公共交通的人员路线规划方法的一具体实施例的遗传算法的整体流程示意图;
图4是本发明中基于公共交通的人员路线规划装置的一具体实施例的结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅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,并获得其他的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一:
本实施例的一个场景表示如下:一定数量的业务员需要从起始地址去若干个位置不同的目的地址做业务,并且目的地址每天都是动态变化的,选择的交通方式为公共交通,并且每个目的地址都有规定的业务时间窗,即服务的时间范围,因此业务员需要在规定的业务时间窗内去到该目的地址做业务,另外还可以假设每个业务员每天的最大的服务目的地址数量,通过对该场景进行路线规划提供最优规划路线,使所有业务员花在路上的时间尽可能的小。
本发明实施例一提供一种基于公共交通的人员路线规划方法,图1为本发明实施例提供的基于公共交通的人员路线规划方法的实现流程图,如图1所示,该方法包括以下步骤:
S1:获取人员的出行信息。本实施例中,出行信息包括:起始地址、目标地址、出发时间、业务时间窗。
其中起始地址和目标地址均表示为经纬度信息,因此本实施例还包括:进行地图经纬度查询,判断起始地址和目标地址是否符合真实坐标信息,对不符合真实坐标信息进行排除或者修正,同时将全部的坐标位置经纬度进行编号,便于后续计算。
S2:基于公共交通的路线信息获取满足出行信息的多条公共交通路线信息,公共交通路线信息包括:路线用时、路线距离、具体交通方式。
获取公开的公共交通路线信息,生成多条满足步骤S1中出行信息的公共交通路线信息,这里仅需满足出行需求即可,无需考虑是否为最优路线,同时排除一些尽在出行高峰期运行的高峰路线。
S3:根据节约算法从多条公共交通路线信息中获取一条初始规划路线;
S4:从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。
具体的步骤S3中,节约算法核心思想是依次将两个路线回路合并为一个回路,即选择距离起始地址最近的站点,对其他的站点用节约算法进行评估判断是否作为选中的站点,直至达到迭代条件,将所有选中的站点按照时间顺序构成初始规划路线。
如图2所示,为本实施例节约算法原理示意图,假设有3个站点,表示为O、i和j,结合图2,路线距离约束表示为:
S(Oi+Oj+ij)<S(Oi)+S(iO)+S(Oj)+S(jO) (1)
其中,S表示里程成本,检验采用节约算法前时间/距离成本能否低于采用节约算法后的时间/距离成本。
在一些场景中,业务时间窗限制表示从到达当前站点的时间点进行反推,如果到达目的地点时间的不在业务时间窗内,则提前至其休息时间之前到达当前站点,同时确保出发时间不在上一站点的业务时间窗范围内。
本实施例中,通过获取得到的所有站点坐标间的公交路线信息,根据此信息并结合出行信息获取到距离起始地址对应的时间最短的站点作为起始站点,并利用节约算法从起始站点开始对接下来的所有站点进行优化,即获取该站点到下一站点的预计时间和起始站点到下一站点的预计时间作比较,时间相差越大的站点越符合节约原则,直至达到限制条件为止,多次循环,获取多条初始规划路线。
由于采用单一算法容易陷入局部最优,无法找到最优解,并且迭代求解花费的时间也会十分长,因此本实施例将节约算法和遗传算法进行结合,运用节约算法为遗传算法提供较优的初始种群,以便在用遗传算法的时候可以减少计算迭代的次数,即可以缩短计算时长。
步骤S4中,遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
本实施例中,通过随机顺序对步骤S3中获得的所有初始规划路线进行排列,将每一种排列方式作为一个染色体,多个所述染色体构成初始种群,结合遗传算法进行迭代得到最优规划路线,其中染色体组成是包含的初始规划路线中每个站点坐标按顺序进行编码,并且路线之间用特殊符号编码,生成的一个完整基因个体,同时将该染色体进行复制扩充若干条形成一个种群,每个染色体都能通过适应性评价函数获取该染色体的适应值,即最短时间价值。通过对初始种群中任意两个染色体进行交叉,获得下一代染色体,如果下一代染色体的适应值小于父代则进行保留,复制该父代中价值较小的那条,依次一代代进行遗传,直至获得一个适应值最合适的个体作为最优规划路线。
生成初始种群的步骤如下:
一般采用随机方式形成初始种群,使初始种群最大可能地在整个解空间分布均匀,在一定程度上有助于跳出局部最优,从连续十次生成的可行解中选择最高适应度的解作为初始最优解。
如图3所示,为本实施例遗传算法的整体流程示意图,由图3可知遗传算法包括,得到初始化种群,对该初始化种群进行适应度检测,对经过适应度监测的种群进行选择、交叉和变异操作,判断其是否满足终止条件,若不满足终止条件则重新进行适应度检测,并重复选择、交叉和变异操作,若满足终止条件,则进行终止操作,终止条件为预设的迭代次数,适应度检测指根据适应性评价函数较大的解进行保留,适应性评价函数表示为:
其中,fi(T)为第T代种群中染色体i的适应值,zi(T)为T代种群中染色体i的目标函数值,即染色体i对应的运输总成本,fi(T)值越大,则染色体i对应的路线与最优规划路线越接近。
进行选择时,设当前群体大小为N,其中染色体j的适应值为fi,则j被选择的概率为Psj,表示为:
其中,概率Psj反映染色体的适应值在整个群体的染色体适应值总和中所占的比例,染色体适应度越大,其被选择的概率就越高,反之亦然。
交叉过程描述如下:
1)将交叉算子作用于指定群体,在每对父代的染色体中,选择任一条父代染色体(父代1),任意选取2个交叉点;
2)取出这2个交叉点间的基因,记为T;
3)取出另一条父代的染色体(父代2)中与父代1交叉点处的基因,根据其在父代2中的序位***父代1的空位中,得出子代1;
4)将从父代1中取出的染色体按其在父代1中的位置,补入到父代2中的空位,得出子代2。
目前,一般采用类PMX方法,假设有两个父体A、B,交叉位置为“|”:
A=1 2||4 5 7 6||3 8 9
B=2 1||5 4 3 7||8 6 9
其中,A和B分别代表染色体,数字1至9表示子体,先把A中的4 5 6 7顺序赋给子体A1的前4个位置,然后B中的元素逐个与4 5 6 7相比,若相同则置之不用,若不同,就将其顺序放在子体A1的后续位置,从而得到子体A1为4 5 7 6 2 1 3 8 9,同样方法可以得到子体B1为5 4 3 7 1 2 6 8 9。本步骤进行交叉的两个染色体来自前一步进行选择时产生的两个染色体,依类PMX方法,产生两个新的子体作为下一步进行变异操作的父体。
变异的可能性较小,所以在遗传算法中变异操作只起辅助作用。对每代种群以变异概率Pm进行染色体变异。在此,对染色体采用交换两点基因值的变异策略,即采用随机多次对换方式,依据一定的变异概率Pm用来决定上一步骤产生的两个新染色体是否进行变异操作。例如,有一个染色体C为1 2 5 4 7 3 6 9 8,随机产生两个指定的交换位置第3,第7,则第3个元素5和第7个元素6进行对换,得到新的染色体1 2 6 4 7 3 5 9 8。
进一步地,如果考虑路线距离约束和业务时间窗限制,当无法同时满足时需要进行路线切割,即开辟新路线。
另外,由于本实施例中处理的数据量较大,因此选择基于Hadoop分布式集群的spark架构来实现运算过程,提高运算效率。
其中,Hadoop是一个分布式计算平台,可以运行处理海量数据的应用程序,有两个核心模块,分布式存储模块HDFS和分布式计算模块MapReduce。HDFS即Hadoop DistributedFile System,是一个开源***,同时是一个能够面向大规模数据使用的、可进行扩展的文件存储与传递***,允许文件通过网络在多台主机上分享的文件***,可让多机器上的多用户分享文件和存储空间,其通过网络来访问文件的动作,从用户角度看像是访问本地的磁盘一般,并且即使***中有某些节点脱机,整体来说,***仍然可以持续运作而不会有数据损失。
它分为两个部分:Name Node和Date Node,Name Node管理集群内的Data Node,当客户发送请求过来后,Name Node会根据情况指定存储到哪些Data Node上,而其本身并不存储真实的数据。一个HDFS集群是由一个Name Node和一定数目的Data Node组成的,NameNode是一个中心服务器,负责管理文件***的命名空间以及客户端对文件的访问。集群的Date Node一般是由一个节点运行一个Data Node进程,负责管理它所在节点上的存储。
从内部看,一个文件其实被分成了一个或多个数据块,这些块存储在一组DataNode上,Name Node执行文件***的名字空间操作,比如打开、关闭、重命名文件或目录,负责确定数据块到具体Data Node节点的映射,Data Node负责处理文件***客户端的读/写请求,在Name Node的统一调度下进行数据块的创建、删除和复制,是一种高效的分布式集群***。
进一步地,本实施例选用spark架构来实现运算过程,Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架,Spark用于管理各种有着不同性质(文本数据、图表数据等)的数据集和数据源(批量数据或实时的流数据)的大数据处理的需求。Spark架构采用了分布式计算中的Master-Slave模型,Master是对应集群中的含有Master进程的节点,Slave是集群中含有Worker进程的节点,Master作为整个集群的控制器,负责整个集群的正常运行,Worker相当于是计算节点,接收主节点命令与进行状态汇报,Executor负责任务的执行;Client作为用户的客户端负责提交应用,Driver负责控制一个应用的执行。
Spark集群部署后,需要在主节点和从节点分别启动Master进程和Worker进程,对整个集群进行控制,在一个Spark应用的执行过程中,Driver和Worker是两个重要角色。Driver程序是应用逻辑执行的起点,负责作业的调度,即Task任务的分发,而多个Worker用来管理计算节点和创建Executor并行处理任务。在执行阶段,Driver会将Task和Task所依赖的file和jar序列化后传递给对应的Worker机器,同时Executor对相应数据分区的任务进行处理。
Spark的运行模式多种多样,灵活多变,部署在单机上时,既可以用本地模式运行,也可以用伪分布模式运行,以分布式集群方式部署时,也有众多的运行模式可供选择,这取决于集群的实际需求情况,底层资源调度既可以依赖外部资源调度框架,也可以使用Spark内建的Standalone模式,本实施例采用的模式为YARN-Cluster模式。
在YARN-Cluster模式中,当用户向YARN中提交一个应用程序后,YARN将两个阶段运行应用程序:第一个阶段是把Spark的Driver作为一个ApplicationMaster在YARN集群中先启动;第二个阶段是由ApplicationMaster创建应用程序,然后为它向ResourceManager申请资源,并启动Executor来运行Task,同时监控它的整个运行流程,直到运行完成。
本实施例中,Spark本身并没有提供分布式文件***,因此Spark的分析大多依赖于Hadoop的分布式文件***HDFS,Hadoop的MapReduce与Spark都可以进行数据计算,而相比于MapReduce,Spark的速度更快并且提供的功能更加丰富。因此本实施例采用Hadoop的储存模块HDFS以及Spark的计算模块。
本实施例克服了现有技术中路线规划效率低、计算成本高、规划结果效果差或者基于人工经验缺乏变通性的缺点,能够智能实现路线规划,并且算法复杂度低、运行效率高,同时可以并行扩展计算,能够处理大批量的数据。
实施例二:
本实施例提供一种基于公共交通的人员路线规划装置,用于执行如实施例一所述的方法,如图4所示,为本实施例基于公共交通的人员路线规划装置结构框图,包括:
获取出行信息模块100:用于获取每一个人员的出行信息,出行信息包括:起始地址、目标地址、出发时间、业务时间窗;
获取原始路线模块200:用于基于公共交通的路线信息获取满足出行信息的多条公共交通路线信息,公共交通路线信息包括:路线用时、路线距离、具体交通方式;
获取初始规划路线模块300:用于根据节约算法从每一个人员对应的多条公共交通路线信息中获取一条初始规划路线;
获取最优规划路线模块400:用于从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。
进一步地,还包括地图经纬度查询模块500,用于判断起始地址和目标地址是否符合真实的坐标信息。
另外,本发明还提供一种基于公共交通的人员路线规划设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如实施例一所述的方法。
另外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明通过获取人员的出行信息,基于公共交通的路线信息获取满足出行信息的多条公共交通路线信息,根据节约算法从多条公共交通路线信息中获取一条初始规划路线,从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线,可广泛应用于路线规划领域。
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,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于公共交通的人员路线规划方法,其特征在于,包括:
获取人员的出行信息,所述出行信息包括:起始地址、目标地址、出发时间、业务时间窗;所述业务时间窗为所述人员在所述目标地址进行业务的时间范围;
基于公共交通的路线信息获取满足所述出行信息的多条公共交通路线信息,所述公共交通路线信息包括:路线用时、路线距离、具体交通方式;
根据节约算法从多条所述公共交通路线信息中获取一条初始规划路线,包括:选择距离所述起始地址最近的站点作为起始站点,计算其他的站点到下一站点的预计时间和起始站点到下一站点的预计时间,根据节约算法对时间差进行评估判断是否将其他的站点作为选中的站点,直至达到迭代条件,将所有选中的站点按照时间顺序构成所述初始规划路线;
从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。
2.根据权利要求1所述的一种基于公共交通的人员路线规划方法,其特征在于,还包括进行地图经纬度查询,判断所述起始地址和所述目标地址是否符合真实坐标信息。
3.根据权利要求1所述的一种基于公共交通的人员路线规划方法,其特征在于,通过随机顺序对所有初始规划路线进行排列,将每一种排列方式作为一个染色体,多个所述染色体构成所述初始种群。
4.根据权利要求3所述的一种基于公共交通的人员路线规划方法,其特征在于,所述遗传算法的适应性评价函数表示为:
其中,fi(T)为第T代种群中染色体i的适应值,zi(T)为T代种群中染色体i的目标函数值,即染色体i对应的运输总成本。
5.根据权利要求1至4任一项所述的一种基于公共交通的人员路线规划方法,其特征在于,所述节约算法和所述遗传算法在基于Hadoop分布式集群的spark架构下实现运算过程。
6.一种基于公共交通的人员路线规划装置,应用如权利要求1所述的基于公共交通的人员路线规划方法,其特征在于,包括:
获取出行信息模块:用于获取每一个人员的出行信息,所述出行信息包括:起始地址、目标地址、出发时间、业务时间窗;
获取原始路线模块:用于基于公共交通的路线信息获取满足所述出行信息的多条公共交通路线信息,所述公共交通路线信息包括:路线用时、路线距离、具体交通方式;
获取初始规划路线模块:用于根据节约算法从每一个人员对应的多条公共交通路线信息中获取一条初始规划路线,包括:选择距离所述起始地址最近的站点作为起始站点,计算其他的站点到下一站点的预计时间和起始站点到下一站点的预计时间,根据节约算法对时间差进行评估判断是否将其他的站点作为选中的站点,直至达到迭代条件,将所有选中的站点按照时间顺序构成所述初始规划路线;
获取最优规划路线模块:用于从获取的所有初始规划路线中生成大量初始种群,结合遗传算法进行迭代得到最优规划路线。
7.根据权利要求6所述的一种基于公共交通的人员路线规划装置,其特征在于,还包括地图经纬度查询模块,用于判断所述起始地址和所述目标地址是否符合真实的坐标信息。
8.一种基于公共交通的人员路线规划设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1至5任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870544.6A CN110689174B (zh) | 2019-09-16 | 2019-09-16 | 基于公共交通的人员路线规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870544.6A CN110689174B (zh) | 2019-09-16 | 2019-09-16 | 基于公共交通的人员路线规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689174A CN110689174A (zh) | 2020-01-14 |
CN110689174B true CN110689174B (zh) | 2023-09-26 |
Family
ID=69109313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870544.6A Active CN110689174B (zh) | 2019-09-16 | 2019-09-16 | 基于公共交通的人员路线规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689174B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163754A (zh) * | 2020-09-22 | 2021-01-01 | 深圳市北斗智能科技有限公司 | 人员调度规划的方法、装置和计算机存储介质 |
CN112183838B (zh) * | 2020-09-22 | 2024-02-02 | 湘潭大学 | 一种基于多约束修正c-w算法优化解决智能无人车路径规划问题的方法 |
CN113393024A (zh) * | 2021-06-03 | 2021-09-14 | 北京沃东天骏信息技术有限公司 | 室内空间规划方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427001A (zh) * | 2015-12-03 | 2016-03-23 | 北京理工大学 | 地区中小学校校车最优路线与配置方法 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
CN109934401A (zh) * | 2019-03-09 | 2019-06-25 | 吉林大学 | 一种基于移动互联的定制公交方法 |
CN110084402A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
-
2019
- 2019-09-16 CN CN201910870544.6A patent/CN110689174B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427001A (zh) * | 2015-12-03 | 2016-03-23 | 北京理工大学 | 地区中小学校校车最优路线与配置方法 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
CN109934401A (zh) * | 2019-03-09 | 2019-06-25 | 吉林大学 | 一种基于移动互联的定制公交方法 |
CN110084402A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110689174A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Coride: joint order dispatching and fleet management for multi-scale ride-hailing platforms | |
CN110689174B (zh) | 基于公共交通的人员路线规划方法及装置 | |
CN103413209B (zh) | 多客户多仓库物流配送路径选择方法 | |
Jia et al. | An intelligent cloud workflow scheduling system with time estimation and adaptive ant colony optimization | |
Huang et al. | Large scale real-time ridesharing with service guarantee on road networks | |
Mannion et al. | Parallel reinforcement learning for traffic signal control | |
CN103914556A (zh) | 大规模图数据处理方法 | |
Grzybowska et al. | Decision support system for real-time urban freight management | |
Lei et al. | Hybrid heuristic search approach for deadlock-free scheduling of flexible manufacturing systems using Petri nets | |
Kaleeswaran et al. | Dynamic scheduling of data using genetic algorithm in cloud computing | |
CN103116525A (zh) | 一种Internet环境下MapReduce计算方法 | |
CN112836974A (zh) | 一种基于dqn和mcts的箱区间多场桥动态调度方法 | |
Zheng et al. | Solving two-stage stochastic route-planning problem in milliseconds via end-to-end deep learning | |
CN100531070C (zh) | 网络资源调度仿真*** | |
CN117785490B (zh) | 一种图神经网络模型的训练架构、方法、***及服务器 | |
CN105190537B (zh) | 修改将在多个执行环境中执行的操作流的方法和产品 | |
Er et al. | Parallel genetic algorithm to solve traveling salesman problem on mapreduce framework using hadoop cluster | |
Golmakani et al. | An artificial immune algorithm for multiple-route job shop scheduling problem with preventive maintenance constraints | |
CN115688495A (zh) | 分布式lvc仿真体系协同筹划方法、服务器及存储介质 | |
CN111813525B (zh) | 一种异构***工作流调度方法 | |
CN107679126A (zh) | 激光三维点云数据存储和管理方法及其*** | |
US8554704B2 (en) | Cruncher—an MIP solver accelerator | |
CN116108757B (zh) | 试训环境中多级仿真时间推进方法、服务器及存储介质 | |
Cao et al. | Decentralised hybrid workflow scheduling algorithm for minimum end-to-end delay in heterogeneous computing environment | |
Sędziwy | On acceleration of multi-agent system performance in large scale photometric computations |
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 |