CN111882158A - 一种基于Voronoi图的混合公共自行车调度需求预测方法 - Google Patents
一种基于Voronoi图的混合公共自行车调度需求预测方法 Download PDFInfo
- Publication number
- CN111882158A CN111882158A CN202010588754.9A CN202010588754A CN111882158A CN 111882158 A CN111882158 A CN 111882158A CN 202010588754 A CN202010588754 A CN 202010588754A CN 111882158 A CN111882158 A CN 111882158A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- piles
- time
- public bicycle
- public
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title abstract description 27
- 241001123248 Arma Species 0.000 claims abstract description 34
- 238000013277 forecasting method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于Voronoi图的混合公共自行车调度需求预测方法,包括以下步骤:S1、获取有桩与无桩公共自行车出行数据;S2、设置调度区域边界;S3、基于有桩公共自行车站点绘制Voronoi图;S4、提取Voronoi图各子区出行量的时间序列;S5、确定ARMA模型的阶数p和q;S6、采用标定后的ARMA模型预测次日出行量;S7、计算各子区内调度时间与调度量。本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测,打破了传统研究与应用方法只针对单一公共自行车的弊端,减少了两类公共自行车各自为营、重复调度的情况;同时,本发明方法生成的调度需求相比传统方法更为细致,也更加准确。
Description
技术领域
本发明涉及城市公共自行车调度及共享单车领域,涉及一种基于Voronoi图的混合公共自行车调度需求预测方法。
背景技术
公共自行车作为一种低碳环保的出行方法,得到了广大出行者的喜爱,近年来在我国很多城市得到了大规模的推广。然而,公共自行车目前最突出的问题之一便是“车辆分配不平衡”,即公共自行车常常在某些区域大量堆砌,而在另外的区域又十分缺乏,这给出行者造成了很大困扰。因此,公共自行车运营者,需要定期将自行车进行调度,实现空间再平衡。在我国,公共自行车包括有桩和无桩两种形态,两种形态的公共自行车互相影响却各自为营,无形中给调度工作的开展增添了难度。
目前的管理手段,往往只针对一种模式进行调度,缺少二者统筹的考虑。其中一个重要原因便是,当前尚缺少合适的方法对混合的公共自行车进行调度需求预测。混合公共自行车调度的前提是进行合理的分区以及选择合适的调度需求预测方法,以确定相应的调度方案。调度需求的预测既要考虑有桩公共自行车的服务范围,又要考虑无桩公共自行车的灵活变动,否则需求预测效果较差。综上所述,现阶段亟需对有桩与无桩的共享自行车混合模式提出一种合理分区的调度需求预测方法,以支撑调度工作的开展。
发明内容
针对以上问题,本发明提供一种基于Voronoi图的混合公共自行车调度需求预测方法,本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测,打破了传统研究与应用方法只针对单一公共自行车的弊端,减少了两类公共自行车各自为营、重复调度的情况;同时,本发明方法生成的调度需求相比传统方法更为细致,也更加准确,为达此目的,本发明提供一种基于Voronoi图的混合公共自行车调度需求预测方法,包括如下步骤:
S1、获取有桩与无桩公共自行车出行数据;
所述步骤S1中,有桩公共自行车出行数据包括每次出行的出发站点经度Lon1、出发站点纬度Lat1、出发时间Time1、到达站点经度Lon2、到达站点纬度Lat2、到达时间Time2;无桩公共自行车出行数据包括每次出行的出发点经度Lon3、出发点纬度Lat3、出发时间Time3、到达点经度Lon4、到达点纬度Lat4、到达时间Time4;
S2、设置调度区域边界;
所述步骤S2中调度区域边界为包含所有公共自行车出行起讫点的最小凸多边形X的边界,由最***公共自行车出行起讫点坐标连接形成;
S3、基于有桩公共自行车站点绘制Voronoi图;
所述步骤S3具体包括:将有桩公共自行车所有站点Pk组成点集{P1,P2,…,Pn},在平面X上,连接两邻点直线的垂直平分线组成的连续多边形为Voronoi图,任意点Pk的Voronoi区域Rk定义为:
Rk={x∈X|d(x,Pk)<d(x,Pj),j={1,2,3,...,n},j≠k};
S4、提取Voronoi图各子区出行量的时间序列;
所述步骤S4为:对于任意有桩公共自行车所有站点Pk的Voronoi区域Rk,从步骤S1的出行数据中统计每个时间t从该区域内出发的有桩与无桩公共自行车出行次数Ok t与每个时间t到达该区域的有桩与无桩公共自行车出行次数Dk t,分别组成区域Rk的出行发生量时间序列与出行吸引量时间序列;
S5、确定ARMA模型的阶数p和q;
S51、计算阶数p,q∈{0,1,2,3,4,5}的所有ARMA模型;针对区域Rk的出行发生量时间序列Ok t与出行吸引量时间序列Dk t,采用ARMA模型进行回归分析,计算公式如下:
其中,β0,β1,β2,…,βp,α1,α2,…,αq,为回归参数,εk t,εk t-1,εk t-2,…,εk t-q为误差项;
S52、根据指标AIC确定ARMA模型阶数p和q;计算时间序列Ok t与Dk t的所有p、q组合下的ARMA模型的AIC值,选择AIC值最小的那组p、q取值作为ARMA模型阶数的最终取值,该组取值下的ARMA模型为标定后的ARMA模型;AIC的计算公式如下:
AIC=2(p+q+2)-2ln(L)
其中,p、q为ARMA模型阶数,L为似然函数;
S6、采用标定后的ARMA模型预测次日出行量;
所述步骤S6具体为:采用标定后的ARMA模型预测区域Rk次日m个时间点的出行发生量Ok t+1,Ok t+2,…,Ok t+m与出行吸引量Dk t+1,Dk t+2,…,Dk t+m,并计算区域Rk次日第i时间点的净调度量DDk t+i:
S7、计算各子区内调度时间与调度量;
所述步骤S7具体为:如果区域Rk次日第i时间点的净调度量DDk t+i小于调度临界值N,则该时间点区域Rk不需要调度;否则,该时间点区域Rk需要调度,调度量为DDk t+i,调度方向由如下公式确定:
作为本发明进一步改进,所述步骤S2中公共自行车出行起讫点包括:有桩公共自行车的出发站点、达到站点和无桩公共自行车的出发点、达到点。
有益效果:与现有技术相比,本发明具有如下的有益效果:
1)本发明方法综合考虑有桩与无桩公共自行车进行调度分区。本发明方法提到的Voronoi图一方面基于有桩公共自行车的站点设置Voronoi区域,另一方面也完全覆盖了无桩公共自行车的所有服务区,可以实现二者调度区的协同划分。
2)本发明方法综合考虑了有桩与无桩公共自行车的调度进行需求预测,打破了传统研究与应用方法只针对单一公共自行车的弊端,减少了两类公共自行车各自为营、重复调度的情况。
3)本发明方法生成的调度需求相比传统方法更为细致,最终生成的调度方案可以给出每个时段的调入与调出量,而不仅仅是全天或者高峰小时的调度量,并且调度时段的划分也可以根据不同场景灵活设置。
4)相比于经验方法或者理论推导,本发明方法基于真实的历史出行数据进行时间序列分析,预测的调度需求更加准确;并且随着历史数据的滚动增加,模型准确度可以持续提高。
附图说明
图1为本发明方法的流程图;
图2为本发明的Voronoi图示意图;
图中,1为调度区域边界,2为有桩公共自行车所在站点,3为一处Voronoi分区,4为无桩公共自行车。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于Voronoi图的混合公共自行车调度需求预测方法,本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测,打破了传统研究与应用方法只针对单一公共自行车的弊端,减少了两类公共自行车各自为营、重复调度的情况;同时,本发明方法生成的调度需求相比传统方法更为细致,也更加准确。
如图1所示,本发明提供的一种基于Voronoi图的混合公共自行车调度需求预测方法,包括如下的步骤:S1、获取有桩与无桩公共自行车出行数据;S2、设置调度区域边界;S3、基于有桩公共自行车站点绘制Voronoi图;S4、提取Voronoi图各子区出行量的时间序列;S5、确定ARMA模型的阶数p和q;S6、采用标定后的ARMA模型预测次日出行量;S7、计算各子区内调度时间与调度量。
S1:获取有桩与无桩公共自行车出行数据
有桩公共自行车出行数据包括每次出行的出发站点经度Lon1、出发站点纬度Lat1、出发时间Time1、到达站点经度Lon2、到达站点纬度Lat2、到达时间Time2;无桩公共自行车出行数据包括每次出行的出发点经度Lon3、出发点纬度Lat3、出发时间Time3、到达点经度Lon4、到达点纬度Lat4、到达时间Time4;
S2:设置调度区域边界
调度区域边界为包含所有公共自行车出行起讫点的最小凸多边形X的边界,由最***公共自行车出行起讫点坐标连接形成;其中,公共自行车出行起讫点包括:有桩公共自行车的出发站点、达到站点和无桩公共自行车的出发点、达到点;
S3:基于有桩公共自行车站点绘制Voronoi图
如图2所示,将有桩公共自行车所在站点Pk组成点集{P1,P2,…,Pn},在平面X上,连接两邻点直线的垂直平分线组成的连续多边形为Voronoi图,任意点Pk的Voronoi区域Rk定义为:
Rk={x∈X|d(x,Pk)<d(x,Pj),j={1,2,3,...,n},j≠k}
S4:提取Voronoi图各子区出行量的时间序列
对于任意有桩公共自行车所有站点Pk的Voronoi区域Rk,从步骤S1的出行数据中统计每个时间t从该区域内出发的有桩与无桩公共自行车出行次数Ok t与每个时间t到达该区域的有桩与无桩公共自行车出行次数Dk t,分别组成区域Rk的出行发生量时间序列与出行吸引量时间序列;
S5:确定ARMA模型的阶数p和q
计算阶数p,q∈{0,1,2,3,4,5}的所有ARMA模型:针对区域Rk的出行发生量时间序列Ok t与出行吸引量时间序列Dk t,采用ARMA模型进行回归分析,计算公式如下:
其中,β0,β1,β2,…,βp,α1,α2,…,αq,为回归参数,εk t,εk t-1,εk t-2,…,εk t-q为误差项。
根据指标AIC确定ARMA模型阶数p和q:计算时间序列Ok t与Dk t的所有p、q组合下的ARMA模型的AIC值,选择AIC值最小的那组p、q取值作为ARMA模型阶数的最终取值,该组取值下的ARMA模型为标定后的ARMA模型;AIC的计算公式如下:
AIC=2(p+q+2)-2ln(L)
其中,p、q为ARMA模型阶数,L为似然函数
S6:采用标定后的ARMA模型预测次日出行量
采用标定后的ARMA模型预测区域Rk次日m(m=24)个时间点的出行发生量Ok t+1,Ok t +2,…,Ok t+m与出行吸引量Dk t+1,Dk t+2,…,Dk t+m,并计算区域Rk次日第i时间点的净调度量DDk t +i:
S7:计算各子区内调度时间与调度量
如果区域Rk次日第i时间点的净调度量DDk t+i小于调度临界值N(N=5),则该时间点区域Rk不需要调度;否则,该时间点区域Rk需要调度,调度量为DDk t+i,调度方向由如下公式确定:
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种基于Voronoi图的混合公共自行车调度需求预测方法,其特征在于,包括如下步骤:
S1、获取有桩与无桩公共自行车出行数据;
所述步骤S1中,有桩公共自行车出行数据包括每次出行的出发站点经度Lon1、出发站点纬度Lat1、出发时间Time1、到达站点经度Lon2、到达站点纬度Lat2、到达时间Time2;无桩公共自行车出行数据包括每次出行的出发点经度Lon3、出发点纬度Lat3、出发时间Time3、到达点经度Lon4、到达点纬度Lat4、到达时间Time4;
S2、设置调度区域边界;
所述步骤S2中调度区域边界为包含所有公共自行车出行起讫点的最小凸多边形X的边界,由最***公共自行车出行起讫点坐标连接形成;
S3、基于有桩公共自行车站点绘制Voronoi图;
所述步骤S3具体包括:将有桩公共自行车所有站点Pk组成点集{P1,P2,…,Pn},在平面X上,连接两邻点直线的垂直平分线组成的连续多边形为Voronoi图,任意点Pk的Voronoi区域Rk定义为:
Rk={x∈X|d(x,Pk)<d(x,Pj),j={1,2,3,...,n},j≠k};
S4、提取Voronoi图各子区出行量的时间序列;
所述步骤S4为:对于任意有桩公共自行车所有站点Pk的Voronoi区域Rk,从步骤S1的出行数据中统计每个时间t从该区域内出发的有桩与无桩公共自行车出行次数Ok t与每个时间t到达该区域的有桩与无桩公共自行车出行次数Dk t,分别组成区域Rk的出行发生量时间序列与出行吸引量时间序列;
S5、确定ARMA模型的阶数p和q;
S51、计算阶数p,q∈{0,1,2,3,4,5}的所有ARMA模型;针对区域Rk的出行发生量时间序列Ok t与出行吸引量时间序列Dk t,采用ARMA模型进行回归分析,计算公式如下:
其中,β0,β1,β2,…,βp,α1,α2,…,αq,为回归参数,εk t,εk t-1,εk t-2,…,εk t-q为误差项;
S52、根据指标AIC确定ARMA模型阶数p和q;计算时间序列Ok t与Dk t的所有p、q组合下的ARMA模型的AIC值,选择AIC值最小的那组p、q取值作为ARMA模型阶数的最终取值,该组取值下的ARMA模型为标定后的ARMA模型;AIC的计算公式如下:
AIC=2(p+q+2)-2ln(L)
其中,p、q为ARMA模型阶数,L为似然函数;
S6、采用标定后的ARMA模型预测次日出行量;
所述步骤S6具体为:采用标定后的ARMA模型预测区域Rk次日m个时间点的出行发生量Ok t+1,Ok t+2,…,Ok t+m与出行吸引量Dk t+1,Dk t+2,…,Dk t+m,并计算区域Rk次日第i时间点的净调度量DDk t+i:
S7、计算各子区内调度时间与调度量;
所述步骤S7具体为:如果区域Rk次日第i时间点的净调度量DDk t+i小于调度临界值N,则该时间点区域Rk不需要调度;否则,该时间点区域Rk需要调度,调度量为DDk t+i,调度方向由如下公式确定:
2.根据权利1所述的一种基于Voronoi图的混合公共自行车调度需求预测方法,其特征在于,所述步骤S2中公共自行车出行起讫点包括:有桩公共自行车的出发站点、达到站点和无桩公共自行车的出发点、达到点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588754.9A CN111882158B (zh) | 2020-06-24 | 2020-06-24 | 一种基于Voronoi图的混合公共自行车调度需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588754.9A CN111882158B (zh) | 2020-06-24 | 2020-06-24 | 一种基于Voronoi图的混合公共自行车调度需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882158A true CN111882158A (zh) | 2020-11-03 |
CN111882158B CN111882158B (zh) | 2021-03-09 |
Family
ID=73156581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588754.9A Expired - Fee Related CN111882158B (zh) | 2020-06-24 | 2020-06-24 | 一种基于Voronoi图的混合公共自行车调度需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882158B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1061712A1 (de) * | 1999-06-14 | 2000-12-20 | Abb Research Ltd. | Selektion von Informationseinheiten für mobile Client-Rechner |
CN102880921A (zh) * | 2012-10-16 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 一种电动汽车充电站选址优化方法 |
CN103546948A (zh) * | 2013-10-22 | 2014-01-29 | 桂林电子科技大学 | 基于图论的能量获取传感器网络节点休眠调度方法和*** |
CN103794046A (zh) * | 2012-10-29 | 2014-05-14 | 日电(中国)有限公司 | 确定行驶范围的方法、装置及显示行驶范围的*** |
CN105719019A (zh) * | 2016-01-21 | 2016-06-29 | 华南理工大学 | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 |
CN107437126A (zh) * | 2017-08-03 | 2017-12-05 | 广东工业大学 | 一种物流运输调度方法与装置 |
CN108170858A (zh) * | 2018-01-22 | 2018-06-15 | 大连大学 | 基于医疗服务区域划分的倒排空间索引*** |
CN109635479A (zh) * | 2018-12-20 | 2019-04-16 | 国网江苏省电力有限公司经济技术研究院 | 一种基于Voronoi图的天然气发电厂布局方法 |
US10412544B1 (en) * | 2019-02-04 | 2019-09-10 | The Florida International University Board Of Trustees | Voronoi diagram-based algorithm for efficient progressive continuous range query for moving objects |
CN110309248A (zh) * | 2019-06-26 | 2019-10-08 | 东南大学 | 一种基于Voronoi图的交通道路网络自动划分交通小区的方法 |
CN110992233A (zh) * | 2019-12-13 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种针对城市聚集事件的应急疏散方法与*** |
CN111080501A (zh) * | 2019-12-06 | 2020-04-28 | 中国科学院大学 | 基于手机信令数据的真实人群密度时空分布估算方法 |
CN111090935A (zh) * | 2019-12-13 | 2020-05-01 | 河海大学常州校区 | 一种公共自行车预约调度与路径规划方法 |
CN111190982A (zh) * | 2019-12-25 | 2020-05-22 | 航天信息股份有限公司 | 一种基于大数据的共享单车管理方法及*** |
-
2020
- 2020-06-24 CN CN202010588754.9A patent/CN111882158B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1061712A1 (de) * | 1999-06-14 | 2000-12-20 | Abb Research Ltd. | Selektion von Informationseinheiten für mobile Client-Rechner |
CN102880921A (zh) * | 2012-10-16 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 一种电动汽车充电站选址优化方法 |
CN103794046A (zh) * | 2012-10-29 | 2014-05-14 | 日电(中国)有限公司 | 确定行驶范围的方法、装置及显示行驶范围的*** |
CN103546948A (zh) * | 2013-10-22 | 2014-01-29 | 桂林电子科技大学 | 基于图论的能量获取传感器网络节点休眠调度方法和*** |
CN105719019A (zh) * | 2016-01-21 | 2016-06-29 | 华南理工大学 | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 |
CN107437126A (zh) * | 2017-08-03 | 2017-12-05 | 广东工业大学 | 一种物流运输调度方法与装置 |
CN108170858A (zh) * | 2018-01-22 | 2018-06-15 | 大连大学 | 基于医疗服务区域划分的倒排空间索引*** |
CN109635479A (zh) * | 2018-12-20 | 2019-04-16 | 国网江苏省电力有限公司经济技术研究院 | 一种基于Voronoi图的天然气发电厂布局方法 |
US10412544B1 (en) * | 2019-02-04 | 2019-09-10 | The Florida International University Board Of Trustees | Voronoi diagram-based algorithm for efficient progressive continuous range query for moving objects |
CN110309248A (zh) * | 2019-06-26 | 2019-10-08 | 东南大学 | 一种基于Voronoi图的交通道路网络自动划分交通小区的方法 |
CN111080501A (zh) * | 2019-12-06 | 2020-04-28 | 中国科学院大学 | 基于手机信令数据的真实人群密度时空分布估算方法 |
CN110992233A (zh) * | 2019-12-13 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种针对城市聚集事件的应急疏散方法与*** |
CN111090935A (zh) * | 2019-12-13 | 2020-05-01 | 河海大学常州校区 | 一种公共自行车预约调度与路径规划方法 |
CN111190982A (zh) * | 2019-12-25 | 2020-05-22 | 航天信息股份有限公司 | 一种基于大数据的共享单车管理方法及*** |
Non-Patent Citations (3)
Title |
---|
JIAYU GAN.ETC: ""Where You Really Are: User Trip Based City Functional Zone Ascertainment"", 《2018 IEEE 37TH INTERNATIONAL PERFORMANCE COMPUTING AND COMMUNICATIONS CONFERENCE》 * |
张海燕等: ""基于加权Voronoi图和GA-PSO的电动汽车充电站最优规划"", 《电网与清洁能源》 * |
张皓: ""城市公共自行车租赁点选址研究"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111882158B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564226B (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
US9776512B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划***及方法 | |
CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及*** | |
CN111724595B (zh) | 一种基于收费数据的高速公路断面流量估计方法 | |
CN110458589B (zh) | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 | |
CN110245791A (zh) | 一种订单处理方法及*** | |
CN102044149A (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN109559512A (zh) | 一种区域交通流量预测方法及装置 | |
CN110796337B (zh) | 一种评价城市公交站点服务可达性的*** | |
Sayarshad et al. | Optimizing dynamic switching between fixed and flexible transit services with an idle-vehicle relocation strategy and reductions in emissions | |
CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及*** | |
CN110674975B (zh) | 城市规划时用于减少碳排放的空间布局方法及装置 | |
CN110046824B (zh) | 一种城市公共交通线路的运营时段划分方法 | |
CN103377552A (zh) | 交通信息预测装置及方法、终端设备及服务器 | |
Duan et al. | Bi-level programming model for resource-shared parking lots allocation | |
CN104318081A (zh) | 一种城市重需求性公共自行车租赁点车辆配置方法 | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
CN113361754A (zh) | 一种基于dbscan算法的弹性公交站点布局方法 | |
CN110288125B (zh) | 一种基于手机信令数据的通勤模型建立方法及应用 | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
US20220327483A1 (en) | Processing route information | |
CN111882158B (zh) | 一种基于Voronoi图的混合公共自行车调度需求预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210309 |