CN116090785A - 针对大型活动散场场景两阶段的定制公交规划方法 - Google Patents
针对大型活动散场场景两阶段的定制公交规划方法 Download PDFInfo
- Publication number
- CN116090785A CN116090785A CN202310148322.XA CN202310148322A CN116090785A CN 116090785 A CN116090785 A CN 116090785A CN 202310148322 A CN202310148322 A CN 202310148322A CN 116090785 A CN116090785 A CN 116090785A
- Authority
- CN
- China
- Prior art keywords
- bus
- station
- vehicle
- customized
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000000694 effects Effects 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000029305 taxis Effects 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims description 2
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002076 thermal analysis method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
针对大型活动散场场景两阶段的定制公交规划方法,本发明涉及针对大型活动散场场景两阶段的定制公交规划方法。本发明的目的是为了应对大型活动散场时出现的交通拥堵及观众乘车难的问题。过程为:S1.采集原始数据并进行预处理;S2.识别出出租车数据中的潜在定制公交需求;S3.通过数据驱动的方式生成备选定制公交站点;S4.向用户发送备选站点及到达站点预估的定制公交出行费用,预计的定制公交行程时间,等待用户决策;S5.确定S4中被乘客选中的各个站点及各个站点包含的订单需求量;S6.生成具有最大运营商利润的定制公交线路;S7.向用户发送定制公交线路信息,等待乘客完成出行。本发明用于智能交通技术领域。
Description
技术领域
本发明涉及智能交通技术领域,尤其是指针对大型活动散场场景两阶段的定制公交规划方法。
背景技术
随着我国经济的不断发展、物质生活水平的不断提高以及人们对美好精神生活的向往,各类文娱活动等大型活动成为了人们生活中不可或缺的一部分。同时,大型活动可能会影响交通***在特定时间段内的正常运行。与观众在开场前到达活动场地相比,活动结束后观众的离开在某种程度上类似于疏散事件,这引起了研究界的极大关注。由于观众同时试图在活动结束后的短时间内离开场馆,大量离开的观众没有私家车,产生大量出租车和网约车出行,这产生了严重的交通拥堵,进而导致观众的乘车难问题。
在此背景下,为了缓解大型活动散场后,乘客不能及时疏散造成的地面交通拥堵状况,一种数据驱动-需求响应式公共交通服务模式应运而生,即定制公交。在应对大型活动散场客流的相关研究中,学者们提供了诸如优化常规公交、设置支线交通等解决方案;在定制公交研究方面近年来国内外学者们提出并优化了多种需求识别、站点设置、线路生成的方法;在需求识别这部分研究中,研究者对不同数据进行处理,包括公交、轨道交通和出租车网约车等,提供了挖掘蕴含于大数据中的居民出行需求的不同方法;在线路设计这部分,研究者对多种类型的线路设计问题进行研究,并对提高相应的求解算法的精度和有效性进行了研究。
虽然目前已有部分学者对大型活动散场客流的定制公交设计进行了研究,并取得了不错的成果,但由于定制公交是一种新兴的公共交通模式,在中国并不普遍,所以从目前状况来看存在着一定的问题。在进行潜在顾客需求识别时,通过对现有交通方式的交通需求来预测定制公交出行需求的方式并不精确,仍有较大部分乘客没有足够的交通运量而造成滞后出行;定制公交站点布设时,大多研究仅考虑了集中需求,离散需求就会忽视,实际上离散需求也占了很大一部分比重,舍弃之后会造成误差较大,乘客需求得不到满足;已有的方法在定制公交线路设计模型时多采用单车型,这会造成一定的资源浪费,导致乘客的花费和运营商的成本提高。
发明内容
本发明的目的是为了解决现有方法应对大型活动散场时出现的交通拥堵及观众乘车难的问题,而提出针对大型活动散场场景两阶段的定制公交规划方法。
针对大型活动散场场景两阶段的定制公交规划方法具体过程为:
S1.采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理,作为定制公交需求识别的原始数据;
所述大型活动为活动参加者数量大于5000人;
S2.基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单,建立基于图半监督学习的潜在需求识别模型,利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型,对出租车数据进行识别标记,识别出抵达场馆参加大型活动的出租车出行记录,进而挖掘出网约车、出租车数据中的潜在定制公交需求;
S3.通过数据驱动的方式生成备选定制公交站点;
S4.预估定制公交出行成本,预计定制公交行程时间;
向用户发送S3得到的备选站点及预估出行费用和行程时间,等待用户决策;
S5.云计算中心统计在截止时间内的乘客所有订单,根据最终的乘客需求,确定S4中被乘客选中的各个站点及各个站点包含的订单需求量;
S6.基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量,构建多车型开放式车辆路径规划模型,生成具有最大运营商利润的定制公交线路;
S7.向用户发送定制公交线路信息,定制公交线路信息包括:集合上车的位置、下车站点位置、车型、所乘坐定制公交车辆的车牌号,以等待乘客完成出行。
本发明的有益效果为:
本发明提供了针对大型活动散场场景两阶段的定制公交规划方法,大型活动为活动参加者数量大于5000人,两阶段为数据驱动-需求响应,数据驱动就是通过数据驱动的方式生成备选定制公交站点,需求响应就是S5云计算中心统计在截止时间内的乘客所有订单,根据最终的乘客需求,确定S4中被乘客选中的各个站点及各个站点包含的订单需求量;
考虑到大型活动散场时出行需求的爆发性,提出了一种两阶段的定制公交研究应对措施,第一阶段首先通过数据挖掘的方法识别潜在的需求,然后提出一种集成的站点布设算法来布设定制公交备选站点,第二阶段构建一种需求响应的线路设计模型来优化定制公交线路。本发明既精准快速得满足了乘客的乘车需求,又有效缓解交通压力。
1.本发明通过采集活动当天大型活动入场阶段相关的出租车和网约车数据,分析出参加大型活动的相关订单,建立基于图半监督学习的潜在需求识别模型,利用识别出的网约车到达时间、到达地点数据训练图半监督学习的潜在需求识别模型,对出租车数据进行识别标记,识别出出租车数据中的潜在定制公交需求。
2.本发明综合考虑了散场时的需求位置,构建了一个集成的定制公交备选站点布设算法,该算法不仅将聚集的需求作为服务对象生成对应的聚集类型站点,而且在此基础上进一步搜索可与聚集类型站点形成拼车合乘路径的离散需求位置,从而使定制公交面向更多乘客进行服务。
3.本发明综合考虑了散场客流最佳线路,构建了基于最短路径的带时间窗的单车型开放式车辆路径规划模型,该模型在考虑乘客时间窗约束和车辆荷载约束的条件下,求解使运营商利润最大化的多条定制公交线路。同时综合考虑了乘客需求分布的分散性和不均匀性,构建了更节约资源的基于最短路径的带时间窗的多车型开放式车辆路径规划模型,最大程度节约了成本。
附图说明
图1为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的流程示意图;
图2为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的散场阶段交通需求热力图;
图3为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的定制公交服务流程图;
图4为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的需求识别前的可视图,lon为经度,lat为纬度;
图5为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的需求识别后的可视图;
图6为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的备选站点可视化图,CB为定制公交;
图7为本发明实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的线路设计结果可视化图;
图8a为根据离散需求的位置不同,离散类型定制公交备选站点生成情况1示意图;
图8b为根据离散需求的位置不同,离散类型定制公交备选站点生成情况2示意图;
图8c为根据离散需求的位置不同,离散类型定制公交备选站点生成情况3示意图。
具体实施方式
具体实施方式一:本实施方式针对大型活动散场场景两阶段的定制公交规划方法具体过程为:
S1.采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理,作为定制公交需求识别的原始数据;
所述大型活动为活动参加者数量大于5000人;
S2.基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单,建立基于图半监督学习的潜在需求识别模型,利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型,对出租车数据进行识别标记,识别出抵达场馆参加大型活动的出租车出行记录,进而挖掘出网约车、出租车数据中的潜在定制公交需求;
S3.通过数据驱动的方式生成备选定制公交站点;
S4.根据城市内交通状况和经济情况预估定制公交出行成本,预计定制公交行程时间(例如高德地图获得);
向用户发送S3得到的备选站点及预估出行费用和行程时间,等待用户决策;
S5.云计算中心统计在截止时间内的乘客所有订单,根据最终的乘客需求,确定S4中被乘客选中的各个站点及各个站点包含的订单需求量;
S6.基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量,构建多车型开放式车辆路径规划模型,生成具有最大运营商利润的定制公交线路;
S7.向用户发送定制公交线路信息,定制公交线路信息包括:集合上车的位置、下车站点位置(S3备选定制公交站点,S5收集的乘客需求)、车型、所乘坐定制公交车辆的车牌号,以等待乘客完成出行。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述S1中采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理,作为定制公交需求识别的原始数据;具体过程为:
采集活动当天大型活动入场阶段相关的出租车和网约车数据包括:智能交通运行监测中心的数据资源平台所提供的出租车的实时定位数据、网约车的车辆定位数据、网约车的订单数据、网约车的经营数据、网约车的里程数据、路网数据、土地利用数据、POI数据;
对活动当天大型活动入场阶段相关的出租车和网约车数据进行预处理,具体过程为:
过滤交易中记录错误的数据,字段缺失的数据,全部字段完全重复的数据,明显偏离运行轨迹的数据。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述S2中基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单,建立基于图半监督学习的潜在需求识别模型,利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型,对出租车数据进行识别标记,识别出抵达场馆参加大型活动的出租车出行记录,进而挖掘出网约车、出租车数据中的潜在定制公交需求;具体过程为:
基于图半监督学习的潜在需求识别模型的目标函数为根据有标记标签样本对未标记标签样本进行标记,将未标记标签样本贴上与其最相似的标签:
其中,wi,j为站点i和站点j之间边的权重系数;h()为标签映射函数;E(h)为相似程度衡量参数;
ai为乘客在站点i下车经度,i=1,2,…,n,n为站点总数;aj为乘客在站点j下车经度,j=1,2,…,n;bi为乘客在站点i下车纬度,i=1,2,…,n,bj为乘客在站点j下车纬度,j=1,2,…,n;ci为乘客在站点i下车时间,i=1,2,…,n,cj为乘客在站点j下车时间,j=1,2,…,n;
所述有标记标签的样本为网约车数据的到达时间、到达地点;
所述未标记标签的样本为出租车数据的到达时间、到达地点;
基于图半监督学习的潜在需求识别模型约束条件为:
约束(1)表示站点i和站点j之间边的权重由高斯函数定义;
约束(2)为标签映射函数在有标记标签样本上的学习结果和真实标签一致;
h((ai,bi,ci))=yi,i=1,2,…,l (2)
式中,yi为样本i的标签;l为有标记标签样本的数量;
右侧为真实标签,左侧为标签映射函数得到的标签;
约束(3)为无标记标签样本上的能量输出与输入相等,保持能量守恒;
约束(4)为有标记标签样本上的能量输入与输出相等,保持能量守恒;
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述S3中通过数据驱动的方式生成备选定制公交站点;具体过程为:
构建CSDBSCAN(Cluster Subdivided after Density-based SpatialClustering of Applications withNoise)算法对定制公交需求识别结果进行处理,生成聚集类型备选定制公交站点,其python编码如表1所示;
基于CLSDD算法对聚集类型备选定制公交站点处理,生成离散类型备选定制公交站点,其python编码如表2所示;
则最终备选定制公交站点为聚集类型定制公交备选站点与离散类型备选定制公交站点的合集;
具体过程为:
S31.构建CSDBSCAN(Cluster Subdivided after Density-based SpatialClustering of Applications with Noise)算法对定制公交需求识别结果进行处理,生成聚集类型备选定制公交站点;过程为:
S311.采用基于密度聚类原理的DBSCAN算法,根据需求位置并考虑乘客步行可达性及实际路网距离,将较为聚集的需求识别出来生成对应的类簇;
S312.针对基于密度的聚类算法密度相连可能导致类簇过大,进一步考虑定制公交站点的步行可达距离,对生成的对应的类簇进行检验分割,生成最终的聚集类型备选定制公交站点;
利用CSDBSCAN算法对需求点进行聚类生成聚集类型备选站点,会有较多的离散需求由于无法满足聚类条件被剔除在外。为了能够为更多的观众提供大型活动散场的定制公交服务,本文提出基于离散需求步可达性和合乘思想的站点生成方法CLSDD(CarpoolingLocations Search ofDiscrete Demands based on accessible walking distance)。
S32.基于CLSDD算法对聚集类型备选定制公交站点处理,生成离散类型备选定制公交站点;
则最终备选定制公交站点为聚集类型备选定制公交站点与离散类型备选定制公交站点的合集。
表1CSDBSCAN算法
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述S32中基于CLSDD算法对聚集类型定制公交站点处理,生成离散类型备选定制公交站点;具体过程为:
根据离散需求的位置不同,离散类型定制公交备选站点生成分为三种情况,结合图进行说明:
(1)如图8a所示,当离散需求点P与场馆O至聚集类型的定制公交站点A的经验路径(时间最短路径或距离最短路径)上任意一点i的距离小于步行可达距离,则认定离散需求点P可以顺路搭乘定制公交,将离散需求点P保留下来,并在i处设置离散类型备选定制公交站点;
(2)如图8b所示,当离散需求点P与两个聚集类型定制公交站点间的经验路径(时间最短路径或距离最短路径)上任意点i的距离小于步行可达距离,且满足乘客乘坐定制公交返回目的地的路径与乘客乘坐出租车(或网约车)直接返回目的地时路径的距离之比在用户可接受的阈值之内,则离散需求点P可以顺路搭乘定制公交,将离散需求点P保留下来,并在i处设置离散类型备选定制公交站点;
(3)如图8c所示,当离散需求点P不属于上述两种情况,但聚集类型定制公交站点A与离散需求点P间的距离小于设置的定制公交站点最大间距阈值,且满足乘客乘坐定制公交返回目的地的路径与乘客乘坐出租车(或网约车)直接返回目的地时的路径距离之比在用户可接受的阈值之内,认为离散需求点P可以顺路搭乘定制公交,将离散需求点P保留下来,并在离散需求点P处设置离散类型备选定制公交站点;
(4)对于不符合上述三种情况的离散需求点P,认为离散需求点P不满足距离可达性合乘条件(仅考虑走行距离因素,超出则不满足合乘条件)将离散需求点P舍弃。
表2CLSDD算法
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述S6中基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量,构建多车型开放式车辆路径规划模型,生成具有最大运营商利润的定制公交线路;具体过程为:
构建单车型开放式车辆路径规划模型的具体步骤为:
a)以用户目的地站点与场馆间的最短路径距离为依据进行车票的定价,计算所有乘客的总票价,计算公式如下:
其中:G3为总收益;θi为目的地为站点i的票价(S4得到的);demi为站点i的需求人数,i=1,2,…,n;aoi为站点i和场馆间最短路径的长度;g3为每公里票价,单位为元/千米;
b)对于车辆发车成本,视为固定成本;计算公式如下:
其中G1为总固定成本;g1为定制公交的固定使用成本,单位为元/辆;βk为启用参数,即如果定制公交k被启用,βk值为1,否则βk值为0;V={1,2,…,m}为定制公交车辆集合;
c)对于运输过程产生的油耗成本,视为运输成本;计算公式如下:
其中G2为总运输成本;g2为定制公交每小时的运输成本,单位为元/km;为路径参数,即如果路段在车辆k的路径上则值为1,否则值为0;φij为站点i和站点j之间的距离,单位为米;i=1,2,…,n,j=1,2,…,n;P={1,…,n}为站点集合;P′={0,1,…,n}为所有点的集合,其中0是活动场馆,其余是站点;
d)单车型开放式车辆路径规划模型目标函数为保证利润最大化:
其中,Z为总利润;
单车型开放式车辆路径规划模型约束条件为:
约束(9)表示如果车辆被启用,必须从活动场馆出发:
约束(10)表示任一定制公交最多被启用一次:
约束(11)表示任意一个车辆均满足容量限制:
其中,Q为定制公交的荷载能力;
约束(12)表示每个站点仅由一辆定制公交服务:
约束(13)表示定制公交k到达站点j处的时间不超过该站点的期望服务时间上限:
其中,t0为每个站点的服务时间;v0为定制公交的速度;
构建多车型开放式车辆路径规划模型。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述构建多车型开放式车辆路径规划模型的具体步骤为:
考虑到乘客需求分布的分散性和不均匀性,建立了多车型开放式车辆路径规划模型;
a)以用户目的地站点与场馆间的最短路径距离为依据进行车票的定价,计算所有乘客的总票价,计算公式如下:
其中:G3为总收益;θi为目的地为站点i的票价;demi为站点i的需求人数,i=1,2,…,n;aoi为站点i和场馆间最短路径的长度;g3为每公里票价,单位为元/千米;
b)对于车辆发车成本,视为固定成本;计算公式如下:
G1=∑f∈F∑k∈Vfg1fβfk (16)
其中g1f为车型f的定制公交的固定使用成本,单位为元/辆;βfk为启用参数,即如果车型f的第k辆定制公交被启用,βfk值为1,否则βfk值为0;F为定制公交所有车型总数;Vf为车型f的定制公交车辆集合;
c)对于运输过程产生的油耗成本,视为运输成本;计算公式如下:
其中G2为总运输成本;g2f为车型f的定制公交每小时的运输成本,单位为元/km;为路径参数,即如果路段在车型f的第k辆定制公交的路径上则值为1,否则值为0;φij为站点i和j之间的距离,单位为米;i=1,2,…,n,j=1,2,…,n;P={1,…,n}为站点集合;P′={0,1,…,n}为所有点的集合,其中0是活动场馆,其余是站点;
d)目标函数为保证利润最大化:
多车型开放式车辆路径规划模型约束条件为:
约束(19)表示如果车辆被启用,必须从活动场馆出发:
约束(20)表示任一定制公交最多被启用一次:
约束(21)表示任意一个车辆均满足容量限制:
其中,Qf为车型f的定制公交的荷载能力;
约束(22)表示每个站点仅由一辆定制公交服务:
约束(23)表示定制公交k到达站点j处的时间不超过该站点的期望服务时间上限:
其中,Vf={1,2,…,m}为车型f的定制公交车辆集合。
其它步骤及参数与具体实施方式一至六之一相同。
下面用具体实施例来进一步说明本发明的技术方案。
为了验证本发明的一种大型活动散场客流背景下基于数据驱动-需求响应两阶段的定制公交设计方法的实用性,本发明以2019年11月23日晚19:30-21:30在中国天津举行的陈粒演唱会为研究对象进行测试。
步骤1,所用数据由天津市交委下属智能交通运行监测中心的数据资源平台提供,具有较高的全面性和准确性。对得到的数据内容进行预处理,过滤掉无关字段保留相关字段,如表1所示。
表1预处理后相关字段
根据预处理后的数据,得到散场后的交通需求热力分析结果如图2所示,可以发现在大型活动当天散场后具有明显的交通需求热点。
步骤2,根据数据驱动的方法确定时间和空间范围,筛选和保留那些下车目的地的经纬度在空间范围内且下车时间在时间范围内的乘客出行订单数据,其中时间范围是18:30-20:00,空间范围是依据步行可达距离300m划定的矩形区域。
将这些数据作为出租车网约车需求识别模型的输入数据,从而识别出参加大型活动的观众。对2019年11月23日的59588条出租车数据和314670条网约车订单数据进行筛选和处理得到共869条数据,对目的地为研究区域范围内的78条网约车出行进行需求识别,最终判定出租车网约车乘客中有683人为参加活动的观众,176人非参加活动的乘客,需求识别结果如图4图5所示,其中图4中标签-1表示出租车用户,标签1表示网约车用户中目的地为场馆的用户,标签0表示网约车用户中目的地不为场馆的用户;图5为潜在需求识别后的可视图,标签1表示参加大型活动的观众,标签0表示非大型活动观众。
步骤3,在识别结果确认为参加大型活动的观众的683名乘客中,剔除掉出行起点在景点、医院的步行可达范围内的订单数据,最终保留534名乘客需求数据。根据定制公交备选站点布设算法对这534名乘客开场前出行数据的起点进行处理来布设站点。利用CSDBSCAN算法进行聚集类型的定制公交备选站点布设,生成包含267个需求的67个站点。而后利用CLSDD算法进行离散类型的定制共公交站点布设,共计布设71个合乘站点服务80个需求。聚集类型和离散类型的共计138个站点布设结果如图6所示。
步骤4,将布设完成的138个定制公交备选站点将通过手机APP提供给观众,具体信息包括定制公交站点的位置、票价和承诺的最大行驶时间。其中承诺的最大行驶时间在本实验中设置为经验路径下2倍的出租车、网约车行驶时间。
步骤5,不同的订单会使得定制公交站点分布不同,从而对最终线路设计结果产生较大影响。所以需要散场观众根据提供的信息在规定好的截止时间之前自主下单,根据最终订单中选定的站点和相应的乘客数量进行线路规划。
步骤6,设置三种不同类型的车辆,小巴、中巴和大巴。每种车型对应的参数值如表2所示。车辆类型和相关参数值根据天津的实际情况进行设置;固定成本按天津市定制公交司机加班费计算,运输成本按特定车型的油耗计算。根据出租车和网约车的实际车辆定位轨迹数据,计算大型活动散场后道路车辆的平均速度,并将其乘以转换系数,确定定制公交的速度为40。然后求解基于最短路径的固定多车型的定制公交路线规划模型,将实验结果生成的14条路线可视化,如图7所示。
表2多车型线路设计模型参数表
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述方法具体过程为:
S1.采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理,作为定制公交需求识别的原始数据;
所述大型活动为活动参加者数量大于5000人;
S2.基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单,建立基于图半监督学习的潜在需求识别模型,利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型,对出租车数据进行识别标记,识别出抵达场馆参加大型活动的出租车出行记录,进而挖掘出网约车、出租车数据中的潜在定制公交需求;
S3.通过数据驱动的方式生成备选定制公交站点;
S4.预估定制公交出行成本,预计定制公交行程时间;
向用户发送S3得到的备选站点及预估出行费用和行程时间,等待用户决策;
S5.云计算中心统计在截止时间内的乘客所有订单,根据最终的乘客需求,确定S4中被乘客选中的各个站点及各个站点包含的订单需求量;
S6.基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量,构建多车型开放式车辆路径规划模型,生成具有最大运营商利润的定制公交线路;
S7.向用户发送定制公交线路信息,定制公交线路信息包括:集合上车的位置、下车站点位置、车型、所乘坐定制公交车辆的车牌号,以等待乘客完成出行。
2.根据权利要求1所述的针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述S1中采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理,作为定制公交需求识别的原始数据;具体过程为:
采集活动当天大型活动入场阶段相关的出租车和网约车数据包括:智能交通运行监测中心的数据资源平台所提供的出租车的实时定位数据、网约车的车辆定位数据、网约车的订单数据、网约车的经营数据、网约车的里程数据、路网数据、土地利用数据、POI数据;
对活动当天大型活动入场阶段相关的出租车和网约车数据进行预处理,具体过程为:
过滤交易中记录错误的数据,字段缺失的数据,全部字段完全重复的数据,明显偏离运行轨迹的数据。
3.根据权利要求2所述的针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述S2中基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单,建立基于图半监督学习的潜在需求识别模型,利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型,对出租车数据进行识别标记,识别出抵达场馆参加大型活动的出租车出行记录,进而挖掘出网约车、出租车数据中的潜在定制公交需求;具体过程为:
基于图半监督学习的潜在需求识别模型的目标函数为根据有标记标签样本对未标记标签样本进行标记,将未标记标签样本贴上与其最相似的标签:
其中,wi,j为站点i和站点j之间边的权重系数;h()为标签映射函数;E(h)为相似程度衡量参数;
ai为乘客在站点i下车经度,i=1,2,…,n,n为站点总数;aj为乘客在站点j下车经度,j=1,2,…,n;bi为乘客在站点i下车纬度,i=1,2,…,n,bj为乘客在站点j下车纬度,j=1,2,…,n;ci为乘客在站点i下车时间,i=1,2,…,n,cj为乘客在站点j下车时间,j=1,2,…,n;
所述有标记标签的样本为网约车数据的到达时间、到达地点;
所述未标记标签的样本为出租车数据的到达时间、到达地点;
基于图半监督学习的潜在需求识别模型约束条件为:
约束(1)表示站点i和站点j之间边的权重由高斯函数定义;
约束(2)为标签映射函数在有标记标签样本上的学习结果和真实标签一致;
h((ai,bi,ci))=yi,i=1,2,…,l (2)
式中,yi为样本i的标签;l为有标记标签样本的数量;
右侧为真实标签,左侧为标签映射函数得到的标签;
约束(3)为无标记标签样本上的能量输出与输入相等,保持能量守恒;
约束(4)为有标记标签样本上的能量输入与输出相等,保持能量守恒;
4.根据权利要求3所述的针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述S3中通过数据驱动的方式生成备选定制公交站点;具体过程为:
S31.构建CSDBSCAN算法对定制公交需求识别结果进行处理,生成聚集类型备选定制公交站点;过程为:
S311.采用基于密度聚类原理的DBSCAN算法,根据需求位置并考虑乘客步行可达性及实际路网距离,将较为聚集的需求识别出来生成对应的类簇;
S312.针对基于密度的聚类算法密度相连可能导致类簇过大,进一步考虑定制公交站点的步行可达距离,对生成的对应的类簇进行检验分割,生成最终的聚集类型备选定制公交站点;
S32.基于CLSDD算法对聚集类型备选定制公交站点处理,生成离散类型备选定制公交站点;
则最终备选定制公交站点为聚集类型备选定制公交站点与离散类型备选定制公交站点的合集。
5.根据权利要求4所述的针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述S32中基于CLSDD算法对聚集类型定制公交站点处理,生成离散类型备选定制公交站点;具体过程为:
根据离散需求的位置不同,离散类型定制公交备选站点生成分为三种情况:
(1)当离散需求点P与场馆O至聚集类型的定制公交站点A的经验路径上任意一点i的距离小于步行可达距离,则认定离散需求点P可以顺路搭乘定制公交,将离散需求点P保留下来,并在i处设置离散类型备选定制公交站点;
(2)当离散需求点P与两个聚集类型定制公交站点间的经验路径上任意点i的距离小于步行可达距离,且满足乘客乘坐定制公交返回目的地的路径与乘客乘坐出租车直接返回目的地时路径的距离之比在用户可接受的阈值之内,则离散需求点P可以顺路搭乘定制公交,将离散需求点P保留下来,并在i处设置离散类型备选定制公交站点;
(3)当离散需求点P不属于上述两种情况,但聚集类型定制公交站点A与离散需求点P间的距离小于设置的定制公交站点最大间距阈值,且满足乘客乘坐定制公交返回目的地的路径与乘客乘坐出租车直接返回目的地时的路径距离之比在用户可接受的阈值之内,认为离散需求点P可以顺路搭乘定制公交,将离散需求点P保留下来,并在离散需求点P处设置离散类型备选定制公交站点;
(4)对于不符合上述三种情况的离散需求点P,认为离散需求点P不满足距离可达性合乘条件将离散需求点P舍弃。
6.根据权利要求5所述的针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述S6中基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量,构建多车型开放式车辆路径规划模型,生成具有最大运营商利润的定制公交线路;具体过程为:
构建单车型开放式车辆路径规划模型的具体步骤为:
a)以用户目的地站点与场馆间的最短路径距离为依据进行车票的定价,计算所有乘客的总票价,计算公式如下:
其中:G3为总收益;θi为目的地为站点i的票价(S4得到的);demi为站点i的需求人数,i=1,2,…,n;aoi为站点i和场馆间最短路径的长度;g3为每公里票价,单位为元/千米;
b)对于车辆发车成本,视为固定成本;计算公式如下:
其中G1为总固定成本;g1为定制公交的固定使用成本,单位为元/辆;βk为启用参数,即如果定制公交k被启用,βk值为1,否则βk值为0;V={1,2,…,m}为定制公交车辆集合;
c)对于运输过程产生的油耗成本,视为运输成本;计算公式如下:
其中G2为总运输成本;g2为定制公交每小时的运输成本,单位为元/km;为路径参数,即如果路段在车辆k的路径上则值为1,否则值为0;φij为站点i和站点j之间的距离,单位为米;i=1,2,…,n,j=1,2,…,n;P={1,…,n}为站点集合;P′={0,1,…,n}为所有点的集合,其中0是活动场馆,其余是站点;
d)单车型开放式车辆路径规划模型目标函数为保证利润最大化:
其中,Z为总利润;
单车型开放式车辆路径规划模型约束条件为:
约束(9)表示如果车辆被启用,必须从活动场馆出发:
约束(10)表示任一定制公交最多被启用一次:
约束(11)表示任意一个车辆均满足容量限制:
其中,Q为定制公交的荷载能力;
约束(12)表示每个站点仅由一辆定制公交服务:
约束(13)表示定制公交k到达站点j处的时间不超过该站点的期望服务时间上限:
其中,t0为每个站点的服务时间;v0为定制公交的速度;
构建多车型开放式车辆路径规划模型。
7.根据权利要求6所述的针对大型活动散场场景两阶段的定制公交规划方法,其特征在于:所述构建多车型开放式车辆路径规划模型的具体步骤为:
考虑到乘客需求分布的分散性和不均匀性,建立了多车型开放式车辆路径规划模型;
a)以用户目的地站点与场馆间的最短路径距离为依据进行车票的定价,计算所有乘客的总票价,计算公式如下:
其中:G3为总收益;θi为目的地为站点i的票价;demi为站点i的需求人数,i=1,2,…,n;aoi为站点i和场馆间最短路径的长度;g3为每公里票价,单位为元/千米;
b)对于车辆发车成本,视为固定成本;计算公式如下:
G1=Σf∈FΣk∈Vfg1fβfk (16)
其中g1f为车型f的定制公交的固定使用成本,单位为元/辆;βfk为启用参数,即如果车型f的第k辆定制公交被启用,βfk值为1,否则βfk值为0;F为定制公交所有车型总数;Vf为车型f的定制公交车辆集合;
c)对于运输过程产生的油耗成本,视为运输成本;计算公式如下:
其中G2为总运输成本;g2f为车型f的定制公交每小时的运输成本,单位为元/km;为路径参数,即如果路段在车型f的第k辆定制公交的路径上则值为1,否则值为0;φij为站点i和j之间的距离,单位为米;i=1,2,…,n,j=1,2,…,n;P={1,…,n}为站点集合;P′={0,1,…,n}为所有点的集合,其中0是活动场馆,其余是站点;
d)目标函数为保证利润最大化:
多车型开放式车辆路径规划模型约束条件为:
约束(19)表示如果车辆被启用,必须从活动场馆出发:
约束(20)表示任一定制公交最多被启用一次:
约束(21)表示任意一个车辆均满足容量限制:
其中,Qf为车型f的定制公交的荷载能力;
约束(22)表示每个站点仅由一辆定制公交服务:
约束(23)表示定制公交k到达站点j处的时间不超过该站点的期望服务时间上限:
其中,Vf={1,2,…,m}为车型f的定制公交车辆集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148322.XA CN116090785B (zh) | 2023-02-21 | 2023-02-21 | 针对大型活动散场场景两阶段的定制公交规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148322.XA CN116090785B (zh) | 2023-02-21 | 2023-02-21 | 针对大型活动散场场景两阶段的定制公交规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090785A true CN116090785A (zh) | 2023-05-09 |
CN116090785B CN116090785B (zh) | 2024-03-08 |
Family
ID=86208308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310148322.XA Active CN116090785B (zh) | 2023-02-21 | 2023-02-21 | 针对大型活动散场场景两阶段的定制公交规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090785B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382099A (zh) * | 2023-06-02 | 2023-07-04 | 上海数字大脑科技研究院有限公司 | 一种机器人路径调度规划方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
CN110598971A (zh) * | 2019-07-25 | 2019-12-20 | 中山大学 | 一种基于蚁群算法的响应式公交服务规划方法 |
CN112700029A (zh) * | 2020-12-03 | 2021-04-23 | 北京交通大学 | 一种基于仿真优化框架的定制公交规划方法 |
CN115271152A (zh) * | 2022-06-01 | 2022-11-01 | 华中科技大学 | 一种多目标最优出行结构优化方法、***、设备及介质 |
-
2023
- 2023-02-21 CN CN202310148322.XA patent/CN116090785B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
CN110598971A (zh) * | 2019-07-25 | 2019-12-20 | 中山大学 | 一种基于蚁群算法的响应式公交服务规划方法 |
CN112700029A (zh) * | 2020-12-03 | 2021-04-23 | 北京交通大学 | 一种基于仿真优化框架的定制公交规划方法 |
CN115271152A (zh) * | 2022-06-01 | 2022-11-01 | 华中科技大学 | 一种多目标最优出行结构优化方法、***、设备及介质 |
Non-Patent Citations (1)
Title |
---|
杨丹: "应对大型活动散场客流的定制公交设计及规划研究", 万方学位论文全文数据库, pages 11 - 61 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382099A (zh) * | 2023-06-02 | 2023-07-04 | 上海数字大脑科技研究院有限公司 | 一种机器人路径调度规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116090785B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035770B (zh) | 一种大数据环境下公交载客量实时分析预测方法 | |
Li et al. | Estimating a transit passenger trip origin-destination matrix using automatic fare collection system | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及*** | |
CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN111915200B (zh) | 一种基于公交分担率的精细空间尺度的城市公共交通供需状态划分方法 | |
CN112801552A (zh) | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 | |
CN114358808A (zh) | 基于多源数据融合的公交od估计及分配方法 | |
CN107330840A (zh) | 基于站台视频分析的城市公交客流调查方法及其调查*** | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
Liu et al. | Effects and feasibility of shared mobility with shared autonomous vehicles: An investigation based on data-driven modeling approach | |
CN111027888A (zh) | 一种基于轨道站点的接驳特征分析方法 | |
Eisenmann et al. | Are cars used differently in Germany than in California? Findings from annual car-use profiles | |
Arbex et al. | Before-and-after evaluation of a bus network improvement using performance indicators from historical smart card data | |
Zhang et al. | Analysis of public transit operation efficiency based on multi-source data: A case study in Brisbane, Australia | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测*** | |
CN114118766A (zh) | 一种基于公交乘客出行多重匹配的客流od算法 | |
Bi et al. | Real trip costs: Modelling intangible costs of urban online car-hailing in Haikou | |
CN111508220B (zh) | 基于公交人口分布精准进行末端接驳的方法 | |
Tian et al. | Designing and planning sustainable customized bus service for departing attendees of planned special events: A two-phase methodology integrating data-driven and demand-responsive | |
CN112767685A (zh) | 基于定位和刷卡信息的公交客流分析*** | |
Kostakos | Using Bluetooth to capture passenger trips on public transport buses | |
CN111339159B (zh) | 一种一票制公交数据的分析挖掘方法 | |
Mamdoohi et al. | An Analysis of Public Transit Connectivity Index in Tehran. The Case Study: Tehran Multi-Modal Transit Network |
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 |