

(一)技术交底书的要求:
□应清楚、完整地写明发明或实用新型的内容;
□使所属技术领域的普通技术人员能够根据此内容实施发明创造;
□使上述人员相信本发明确实可以解决现有技术不能解决的问题。
(二)技术交底书的具体样本如下:
1)发明创造的名称:
一种协同公交车的路径规划方法
2)所属技术领域:
技术领域:
本发明涉及城市智慧交通技术领域,尤其涉及一种协同公交车的路径规划方法。
3)背景技术
3.1)详细介绍技术背景,并描述申请人所知的与发明方案最接近的已有技术(应详细介绍,以不需再去看文献即可领会该技术内容为准,如果现有技术出自专利、期刊、书籍,则提供出处);
3.2)对现有技术存在的缺点进行客观的评述(现有技术的缺点是针对于本发明的优点来说的;如果找不出对比技术方案及其缺点,可用反推法,根据本发明的优点来找对应的缺点;本发明不能解决的缺点,不需提供;缺点可以是成本高、处理时间慢等类似问题)。
背景技术:
近几十年来,城市公共交通系统已显著改善,以满足动态和不断增长的出行需求,包括推出新的公交线路、开发更智能的交通信号灯控制策略、以及设计创新的公交调度策略。然而,由于传统公交线路设计的刚性,车队容量供给与公交运输领域的需求波动匹配仍然具有挑战性,这导致很多地方的公交客流量甚至开始下降。当公交路线都被固定,用以应付不断变化客流的调整空间将变得很小。因此,公交车队的整体利用率分配不合理,进而导致乘客满意度不高(如乘坐公交车困难,乘客在繁忙的公交线路上拥挤)和投资回报率低(如公交车空置或利用率不足)。
为了支持繁忙的公交线路,公交公司投资增加额外的运力,以缓冲激增的需求。尽管这样的解决方案可能会缓解乘客的紧张局势,但它并不能提高车队利用率,特别是当额外的资源被用于每条线路而没有共享时。因此,共享公共汽车被提出来解决这个问题。有了共享公共汽车,一旦满足私人使用的容量,剩余的资源将被用来服务公共交通系统。然而,这只能丰富现有线路上的可用资源,但由于不同线路上的协作不足,无法产生更合理的路由计划。此外,共享公交的路线可能会依赖于时间,这可能会产生不必要的车队管理和调度成本。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案,其并不必然属于本专利申请的现有技术,在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下,上述背景技术不应当用于评价本申请的新颖性和创造性。
4)发明内容:
4.1)正面描述本发明所要解决的技术问题(对应现有技术的所有缺点;本发明解决不了的,不需提供);
4.2)清楚完整的叙述发明创造的技术方案,应结合工艺流程图、原理框图、电路图、仿真图、布局图、设备结构图进行说明(越详细越好,可与第6部分合写;发明中每一功能的实现都要有相应的技术实现方案,不能只有原理,也不能只做功能介绍;需要详细提供与现有技术的区别技术和关联技术;每个附图都应有对应的文字描述,以他人不看附图即可明白技术方案为准;所有英文缩写都应中文注释):
对于机械产品的发明创造应详细说明每一个结构零部件的形状、构造、部件之间的连接关系、空间位置关系、工作原理等;
对于电器产品应描述电器元件的组成、连接关系;
对于无固定形状和结构的产品,如粉状或流体产品、化学品、药品,应描述其组分及其含量、制造工艺条件和工艺流程等;
对于方法发明,应描述操作步骤、工艺参数等;
4.3)简单点明本发明的关键点和欲保护点(逐项列出1、2、3、、、),并简单介绍与最好的现有技术相比,本发明有何优点(一两个自然段即可;结合技术方案来描述,做到有理有据,即用推理或因果关系的方式推理说明;可以对应所要解决的技术问题或发明目的来描述)。
发明内容:
为解决上述技术问题,本发明提出一种协同公交车的路径规划方法,能够有效地提高整个公共交通系统的利用率和灵活性。
为了达到上述目的,本发明采用以下技术方案:
本发明公开了一种协同公交车的路径规划方法,包括以下步骤:
S1:获取所有公交车在不同时间段不同线路上的需求,其中所有公交车包括所述协同公交车和常规运行的普通公交车;
S2:建立所述协同公交车执行任务的约束条件;
S3:以最小化车队容量和交通出行需求的差值为目标,结合步骤S1中获取的所有公交车在不同时间段不同路径上的需求和步骤S2中的所述协同公交车执行任务的约束条件建立所述协同公交车的路径规划模型,求解所述协同公交车的路径规划模型,得到所述协同公交车在不同时间段的运行路径规划;其中,所述车队容量是指所述协同公交车和常规运行的普通公交车在不同时间段不同线路上的总载客人次;所述交通出行需求是指在不同时间段不同线路上的出行乘客的总需求人次。
优选地,步骤S1具体包括:
S11:获取交通出行需求的时间序列数据,将时间序列数据进行预处理;
S12:将预处理后的时间序列数据进行基于交通场景的分割,得到不同的场景下的交通出行需求的时间序列数据;
S13:将步骤S12分割后的不同的场景下的交通出行需求的时间序列数据采用GAN进行训练和预测,得到所有公交车在不同时间段不同路径上的需求。
优选地,步骤S12具体为:将预处理后的时间序列数据进行特征提取,然后采用度量学习进行聚类和分割,得到不同的场景下的交通出行需求的时间序列数据。
优选地,步骤S12具体包括:
S121:将预处理后的时间序列数据进行标准化,并初始化权重;
S122:基于初始化的权重对标准化后的时间序列数据进行K-means算法聚类分割,得到聚类分割的结果;
S123:根据聚类分割的结果,基于阈值的规则选择接近聚类中心的向量,将选择的所有向量按照到相应聚类中心的距离进行排序,并贴上分类结果的标签;
S124:基于分类结果的标签进行监督学习,采用随机森林判别得到特征权重;
S125:将特征权重进行对数转化和权重更新;
S126:判断权重与上次迭代的权重相比的差距是否小于预先设定的停止阈值,如果是,则得到不同的场景下的交通出行需求的时间序列数据,如果否,则返回步骤S122。
优选地,步骤S13中的GAN由一个生成器和一个鉴别器组成,生成器是一个完全连通的网络,鉴别器采用CNN,将所述生成器和所述鉴别器采用随机梯度下降法同时进行训练,在训练时使得所述生成器和所述鉴别器的参数分别最小化。
优选地,步骤S2中建立的所述协同公交车执行任务的约束条件包括流量平衡约束条件、合理性约束条件和时间连续型约束条件。
优选地,所述流量平衡约束条件包括以下约束条件:
![]()
![]()
![]()
式中,
表示所有候选线路的集合,
在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0;
为协同公交车n的早班公司通勤任务;
在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0,
为协同公交车n的晚班公司通勤任务;
在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0;
在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0,N表示所有协同公交车的集合。
优选地,所述合理性约束条件包括以下约束条件:
![]()



式中,
表示在
时段的候选线路的集合,
是时间的集合,
是所有时段的集合,
在协同公交车n执行任务
在时间
时取值为1,否则取值为0;
取值大于或等于
,
在协同公交车n执行任务
时取值为1,否则取值为0;
在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0;
在协同公交车n执行任务
时取值为1,否则取值为0,N表示所有协同公交车的集合。
优选地,所述时间连续型约束条件包括以下约束条件:
如果
,则
成立;
如果
且
,则
和
均成立;
式中,
在协同公交车n执行任务
在时间
时取值为1,否则取值为0,
在协同公交车n执行任务
在时间
时取值为1,否则取值为0,N表示所有协同公交车的集合,
表示所有候选线路的集合,
是所有时段的集合,
是任务
的行驶时间;
在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0,
表示在
时段的候选线路的集合,
表示在任务间的车辆转化时间
,
表示所有起始点弧的集合
,
;
表示司机休息时间;
在协同公交车n执行任务在
时间
时取值为1,否则取值为0。
优选地,步骤S3中以最小化车队容量和交通出行需求的差值为目标具体采用以下目标函数来实现:

式中,
表示所有候选线路的集合,
表示在任务
的常规运行的普通公交车的数量,
在协同公交车n执行任务
时取值为1,否则取值为0;N表示所有协同公交车的集合,
表示在任务
的所有公交车的总需求。
本发明与现有技术相比的有益效果是:
本发明提出的协同公交车的路径规划方法,首先获取所有公交车的需求,并建立协同公交车(泛指具有空闲状态的车辆)执行任务的约束条件,再以最小化车队容量和交通出行需求的差值为目标建立了协同公交车的路径规划模型,通过该模型求解得到的协同公交车在不同时间段的运行路径规划,可以充分利用道路运输系统中所有可用的交通资源的空闲时段,从策略上支持普通公交车的运营,配合普通公交车一起承担客运量,缩小容量需求的差距,减少供不应求的状态,从而有效地提高整个公共交通系统的利用率和灵活性,提高整个公共服务网络的效率。
在进一步的方案中,本发明采用度量学习与GAN结合的方式对所有公交车在不同时间段不同路线上的需求进行预测,通过基于度量学习的交通场景分割,自适应更新各特征的权值来学习距离度量,使得服务于后续生成对抗网络GAN的数据更加具有分布一致性,提高训练精度,降低过拟合风险。
5)附图:实用新型专利必须提供附图,附图中构成件可以有标记,尺寸和参数不必标注。
附图说明:
图1是本发明优选实施例的协同公交车的路径规划方法流程图;
图2是本发明优选实施例的出行需求预测的框架图;
图3是本发明优选实施例的基于度量学习的交通场景分割的框架图;
图4是本发明优选实施例的路径优化的框架图;
图5是本发明实施例的度量学习算法与现有技术的算法的性能比较示意图;
图6是本发明实施例提出的基于度量学习的生成对抗网络的预测表现示意图;
图7是本发明具体实例得到的所有协同公交车的最优调度表;
图8是本发明优选实施例提出的方案与其他策略在服务水平、车辆平均利用率和车队车辆利用率最大差值的表现比较示意图。
6)优选具体实施方式(可与第4部分合写
;尽量写明所有同样能完成发明目的的替代方案,所述替代可以是部分结构、器件、方法步骤的替代,也可以是完整的技术方案):
对于产品发明应描述产品构成、电路构成或者化学成分、各部分之间的相互关系、工作过程或操作步骤;对于方法发明应写明步骤、参数、工艺条件等,可提供多个具体实施方式。
具体实施方式:
下面对照附图并结合优选的实施方式对本发明作进一步说明。
如图1所示,本发明的优选实施例公开了一种发动机的故障预测方法,具体是对于燃气涡轮发动机的故障预测,包括以下步骤:
S101:利用21个传感器采集发动机原始数据;
在燃气涡轮发动机上布置21个传感器,所测量的物理量分别是:风扇进气口总温度、低压压缩机(LPC)出气口总温度、高压压缩机(HPC)出气口总温度、低压涡轮(LPT)出气口总温度、风扇进气口压强、旁路导管总温度、高压压缩机(HPC)出气口总压强、物理风扇转速、物理为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
传统的公交运营受到既定路线选择的严重限制,要有效地适应动态客流并具有良好的资源利用性能是一个挑战。受共享经济的启发,许多道路上可用的交通资源,如小巴和私家车,如果能被有效地整合和利用,就可以提供改进的机会。本发明提出的方法涉及运筹优化、计算机、交通领域,提出了一种基于集成学习的预测模型和路径规划优化器,以帮助公交运营商在交通动态条件下有效地部署固定路线和协作公交。通过大量的数值研究,本发明预测模型的性能与历史数据进行了比较。在实际应用中,验证了该方法的有效性和鲁棒性。此外,通过各种灵敏度分析揭示了关于运行时间、巴士车队规模和客户服务水平的管理见解。
考虑到道路运输系统中所有可用的交通资源,如小型公共汽车、私家车等,如果它们能够从策略上支持公共汽车的运营,并缩小容量需求差距,公共汽车公司就可以在不积累大量资本的情况下改善其瓶颈。而这些车主也可从增加的商机中获益。因此,可以有效地提高整个公共交通系统的利用率和灵活性。为了实现这一双赢局面,本发明探讨如何整合灵活的运输资源,以支持巴士营运,以及如何优化部署这些资源,以提升整体营运表现。本发明中将这种灵活的资源命名为“协同公交车”(Cooperative-bus或“Co-bus”),该Co-bus可以在不同的公交线路之间传输,以缓解高峰时段的容量瓶颈,其中需要说明的是,该协同公交车(Co-bus)不仅仅限于是公交车,而是泛指具有空闲状态的车辆,例如执行过早班任务后的小型公共汽车、私家车等都属于本发明中所指的协同公交车的范畴之内。与专用的额外车队投资不同,Co-bus更灵活,可满足不同繁忙线路的繁忙需求。此外,它可以在非高峰期间用于原来的线路,从而避免利用率低。因此本发明提出以合作的方式发展一种新颖的公共交通方式,让Co-bus车队保留部分营运能力,以应付定期的营运任务(例如为一些公司提供穿梭巴士服务),并在必要和可能的情况下,灵活调配营运能力,以服务普通巴士路线。
本发明优选实施例提出了一种新的交通方法来提高公共汽车的利用率,并减少车队容量和交通出行需求之间的差距,其核心思想是充分利用公共汽车的空闲时段,提高整个公共服务网络的效率。下述以一个具体的例子来描述本发明的协同公交车的路径规划方法实现目标的过程:公交车公司具有一些穿梭巴士或服务特定公司的通勤巴士,这些车辆具有的一个特点是只在特定时间存在任务,如在早晚某一时段对某特定公司员工执行通勤任务,而其他大量时间为空闲状态,这是一种资源的浪费;本发明提出的方式是将这些执行过早班任务后的空闲状态的车辆(本发明称之为协同公交车,也即Co-bus)进行再分配和利用,通过预测算法和运筹优化数学模型在不同时间调度这些车辆去完成一些需求量较高但常规线路的车辆供给相对不足的常规线路运输任务,与常规线路运行的普通公交车进行配合一起承担客运量,从而减少供不应求的状态,提高整体公交车的利用率,并且会保证Co-bus在自身任务要求开始前返回原先任务地点继续执行夜间任务。
如图1所示,本发明优选实施例提供了一种协同公交车的路径规划方法,包括以下步骤:
S1:获取所有公交车在不同时间段不同线路上的需求,其中所有公交车包括协同公交车和常规运行的普通公交车;
需求预测的准确性将显著影响路径优化的质量。因此,本发明开发了一种性能良好的算法,根据24维向量所表征的时间依赖模式来预测出行需求。向量中的每个维度分别量化了一天中每个小时乘车的乘客数量。为此,本发明优选实施例选择生成模型而不是判别模型,因为生成模型可以充分挖掘数据的潜力,并提供一个更好的分布模式的轮廓。由于其优秀的模式提取学习能力,本发明采用改进GAN进行需求生成,使用度量学习进行交通场景分割,如图2所示。本发明需要将不同的GANs与每个场景对应的数据进行匹配,从而产生更好的需求预测结果。
具体地,步骤S1包括:
S11:获取交通出行需求的时间序列数据,将时间序列数据进行预处理;
从图2中可以看出,数据预处理包括对原始数据进行清洗,对异常值进行检测和修改,并补全缺失值。
S12:将预处理后的时间序列数据进行基于交通场景的分割,得到不同的场景下的交通出行需求的时间序列数据;
本步骤中对数据进行基于交通场景的分割,从而使得服务于后续生成对抗网络GAN的数据更加具有分布一致性,提高训练精度,降低过拟合风险。
如图2所示,基于交通场景的分割包括:将预处理后的时间序列数据进行特征提取,然后采用度量学习进行聚类和分割,得到不同的场景下的交通出行需求的时间序列数据。
该方法在提取监督学习(如随机森林,xgboost等树模型算法)的重要性后,通过自适应更新聚类算法(如K-means)中所有特征的权值来学习距离度量。也就是说,提出的权值自适应度量学习算法将无监督学习算法与监督学习算法相结合。图3展示了基于度量学习的交通场景分割框架,这部分算法流程针对预处理过后的时间序列数据进行基于场景的分割,通过结合监督学习算法和无监督学习算法的优势,自适应迭代地学习度量距离,其间不断的更新序列间两两特征之间的距离权重,从而更好地将更相似的序列信息聚集为一类,达到交场景分割的目的。下面将对每个步骤进行解释。
更具体地说,本发明优选实施例设计了一种改进的聚类算法,目标是最大化每个聚类对整个数据集的平均轮廓系数。轮廓系数衡量的是特征向量与自身集群与邻近集群的相似程度。为了计算轮廓系数,本发明采用加权欧氏距离来量化相似度。这也是度量学习的目标,用以更好地分割数据。
具体地,如图3所示,步骤S12包括:
S121:将预处理后的时间序列数据进行标准化,并初始化权重;
其中在标准化时,可以定义特征。
S122:基于初始化的权重对标准化后的时间序列数据进行K-means算法聚类分割,得到聚类分割的结果;
S123:根据聚类分割的结果,基于阈值的规则选择接近聚类中心的向量,将选择的所有向量按照到相应聚类中心的距离进行排序,并贴上分类结果的标签;
其中,基于初始化的权重进行K-means算法聚类,基于聚类分割的结果,选择那些足够接近聚类中心的向量(序列数据)。通过基于阈值的规则选择这些向量,该规则限制所有向量的秩阈值(比例),这些向量按照到相应聚类中心的距离升序排序,并对他们贴上分类结果的标签。
S124:基于分类结果的标签进行监督学习,采用随机森林判别得到特征权重;
其中,度量学习也依赖于监督学习算法来解释每个特征的重要性。为此,本发明使用了随机森林,基于之前数据集的标签进行监督学习,随机森林将显示每个特征的重要性和可变重要性度量(variable importance measures(VIMs)),通过计算该森林中每个节点分枝前后Gini指数的平均变化来获得,分支过程根据所选特征进行分裂。本发明以归一化的VIMs作为特征权重来推导距离。
S125:将特征权重进行对数转化和权重更新;
S126:判断权重与上次迭代的权重相比的差距是否小于预先设定的停止阈值,如果是,则得到不同的场景下的交通出行需求的时间序列数据,如果否,则返回步骤S122。
一旦通过训练随机森林获得新的权值,距离定义也会改变,因此需要进行对数转化和权重更新,之后需要重新运行K-means算法,K-means算法也会更新输入以进行下一次的随机森林训练。综上所述,这本质上是一个更新权值直到收敛满足的迭代过程,即每个权值与上次迭代相比的差距小于预先设定的停止阈值。注意,在下一次更新之前,需要对新的权值进行对数转换和标准化。
在一个具体的实施例中,该权值自适应度量学习的算法可以采用以下方法实现:输入所有的序列数据A和初始参数(包括初始化权重向量
、学习率
、衰减率
、排序阈值
、准确率阈值
、迭代停止阈值
),使用基于权重
的K-means算法对所有的数据
进行聚类,得到每簇的数据
。然后开始对簇数量中每一簇k循环:计算距离
:每簇中的数据
和该簇的聚类中心的距离;选择更好排序的数据
这些数据按照数据离聚类中心的距离
进行排序,选取排序距离更小的前部分,阈值为
,并且将它们标记为
;结束对簇数量中每一簇k的循环。使用随机森林算法对数据
进行分类,并且根据算法分支的重要性指标得到各个特征的权重向量
;如果分类的准确度大于
:更新权重
,并且标准化,再更新学习率
;判断
是否成立,如果成立,则终止循环,如果不成立,则返回重新进行聚类、排序、分类、更新权重等步骤,直至
成立,则终止循环;终止循环后,使用具有最终权值
的K-means算法进行最后聚类,得到聚类结果,最后输出聚类结果和最终权值。
S13:将步骤S12分割后的不同的场景下的交通出行需求的数据采用GAN进行训练和预测,得到所有公交车在不同时间段不同路径上的需求。
本步骤针对分割后的每部分分别使用生成对抗网络GAN进行训练和预测,最终得到预测结果。
GAN量化了实际的分布模式,并基于交通场景分割提供了更全面的数据集概要。在此基础上,本实施例中将数据集分成几组,每组对应一个特定的场景,可以用来训练GAN,这将提高准确性和收敛性。GAN由一个生成器和一个鉴别器组成。生成器是一个完全连通的网络。生成器模型的输入特征包括交通场景的时间序列分布、公交线路长度、公交站点数、地铁站点数、日类型、天气等,这些都需要进行归一化处理,输出是生成的出行需求分配。鉴别器是CNN,鉴别器的输入包括生成的出行需求分布和真实的需求分布。鉴别器是用来区分真伪的分类器;当鉴别器无法判断GAN的真或假时,生成器产生的分布接近于真实分布。生成器和鉴别器将同时训练,并在此过程中发生较量。也就是说,生成器的目的是欺骗鉴别器,鉴别器会竭尽全力将样本与生成器和真实数据区分开来。为了实现训练过程,本实施例中使用随机梯度下降法,损失函数定义为极小极大形式。具体地,本实施例中调整G(生成器)的参数使其最小化,调整D(判别器)的参数使其最小化。
S2:建立协同公交车执行任务的约束条件;
在建立约束条件之前,本实施例中定义了一下决策变量:
:在协同公交车n执行任务
在时间
时取值为1,否则取值为0;
:在协同公交车n执行任务
在任务
之后时取值为1,否则取值为0;
:在协同公交车n执行任务
时取值为1,否则取值为0;
其中在下述建立的约束条件中包含的具体决策变量中,可能下标和上标与上述的决策变量不同,此时只需将对应的参数进行相应修订即可,含义均相同,例如,
在协同公交车n执行任务
在时间
时取值为1,否则取值为0;下述对于决策变量的含义不再赘述。
下述表1中先对后文的约束条件中的参数进行了相应的说明。
表1 约束条件中的参数表
符号 |
描述 |
|
公交服务网络 |
|
所有的候选线路的集合 |
|
所有起始点弧的集合 |
|
时间的集合 |
|
在 |
|
所有协同公交车的集合 |
|
所有时段的集合 |
|
协同公交车 |
|
协同公交车 |
|
一个足够大的上界 |
|
常规公交发车数量对于任务 |
|
司机休息时间 |
|
任务 |
|
在任务间的车辆转化时间 |
|
在任务 |
本发明优选实施例考虑了在实际应用中的一些限制条件,例如流量平衡约束条件、合理性约束条件和时间连续型约束条件。
a、流量平衡约束条件
(1)
(2)
(3)
与VRP(Vehicle Routing Problem,车辆路径问题)问题中建模技术的思想类似,本实施例通过描述不同类型的节点来获得流量平衡约束。约束(1)确保每个Co-bus(协同公交车)在预定义的原点节点出发,约束(2)确保Co-bus(协同公交车)总线线路任务最终可以在其目的地终止,其余节点的流量守恒条件由约束(3)定义,使得每个节点的输入和输出流量相等。
b、合理性约束条件
为了保证模型的合理性,本实施例需要明确以下关系:
(4)
约束(4)保证每个Co-bus(协同公交车)在一段时间内不会操作一个以上的任务。此外,决策变量需要通过相应的约束进行关联:
(5)
(6)
约束(5)和(6)表示决策变量X与Z之间的关系。约束(5)确保如果一个任务没有分配给Co-bus(协同公交车),Co-bus(协同公交车)的运行时间为零;也就是说,Co-bus(协同公交车)不操作未被选中的线路任务,其中该约束条件中M取值为大于或等于
的数值。由于可以用来记录Co-bus(协同公交车)的运行时间,约束(6)也可以解释为,如果选择总线线路任务,则运行时间至少为1。
(7)
约束(7)表示如果没有选择总线线路任务,则不操作该任务。
c.时间连续性约束
显然,当任务i启动时,Co-bus(协同公交车)需要持续运行,直到任务结束。为了获得更好的指令,本实施例在条件(8)下使用约束(9)来解决上述需求,条件(8)标识了任务的开始时间。
如果
: (8)
(9)
又如果
: (10)
(11)
(12)
其中,公式(8)是公式(9)成立的条件,公式(8)和(10)是公式(11)和(12)成立的共同条件。
此外,还应该解决任务j在一个任务之后操作的特点。条件(10)表示的是后续的任务。如果一个任务接一个任务操作,则会发生转移过程。注意,它不应被视为任务的扩展。也就是说,在转移过程和休息时间期间,Co-bus(协同公交车)不运行任务,由约束(11)施加,任务将在下一时间段开始,如约束(12)所述。约束(4)-(12)可以保证子环路被消除。
S3:以最小化车队容量和交通出行需求的差值为目标,结合步骤S1中获取的所有公交车在不同时间段不同路径上的需求和步骤S2中的协同公交车执行任务的约束条件建立协同公交车的路径规划模型,求解协同公交车的路径规划模型,得到协同公交车在不同时间段的运行路径规划;其中,车队容量是指协同公交车和常规运行的普通公交车在不同时间段不同线路上的总载客人次(即所有公交车在不同时间段不同线路上的总载客人次);交通出行需求是指在不同时间段不同线路上的出行乘客的总需求人次。
本发明将系统公交车的路径规划表述为一个混合整数规划模型,旨在最小化车队容量和需求之间的差距,以确定每个Co-bus(协同公交车)的任务顺序(现有的公交线路)。请注意,一条线路可能由不同的Co-bus(协同公交车)同时执行,并且一个Co-bus(协同公交车)可以多次服务于一条线路。有一些假设,Co-bus(协同公交车)和常规运行的普通公共汽车有相同的容量,客户对车的偏好是无差异的。事实上,它们在本发明中的模型中是同质的。如图4所示,本发明提出的路径规划模型的框架包括参数估计(在步骤S1中得到)、约束(在步骤S2中建立)和目标。
本发明的目标是最大化平均服务水平,这是车队容量和交通出行需求之间的差距的特征。一般来说,服务水平描述了供求比率,它表示每个乘客可用的平均资源量。因此,本实施例采用一个比率来量化服务水平,从而得到一个线性形式,本实施例中的目标函数如下式(13):
(13)
式中的分子是任务的总公交车数,包括普通公交车和公共汽车的数量,用来衡量容量,分母是各个任务的需求。在这里通过最大化服务率来表达最小化供需差距。
在该模型中,本发明定义了数学模型的决策变量,通过前文步骤S1提出的预测算法为模型提供参数,通过步骤S2设计的数学模型约束对求解空间进行限制,通过调用专业求解器的分支定价算法进行求解,最终得到最优路径,即得到路径解(每辆车的运行次序)和时间表(每辆车的调度表)。
综上所述,通过上述定义和变换,本发明将问题表述为混合整数线性规划。对于该问题,可以调用如gurobi等专业求解器的分支定价算法进行求解;在模型中可以通过对原有站点的时空图进行弧段的删减,提前删掉不可行的路段(如时间上存在逆向的弧),从而达到对模型的加速。
本发明优选实施例考虑交通路网中的动态需求变化提出了更有效的时间序列预测方法,并考虑协同合作的方式建立了数学模型,设计加速策略和分支定价算法来实现求解,从而对协同公交车进行优化和调度。具体地,本发明提出了引入Co-buses(协同公交车)的新方法,通过在常规线路上与普通公交车合作,更好地满足交通需求,提高整个公共交通系统的灵活性和利用率。因此,需要一个有效的模型来处理公交车的路线规划,这是一个大规模复杂的优化问题,涉及到与普通公交车的协调。其次,本发明采用度量学习对GAN的交通场景分割进行修改,以刻画需求模式,从而显著提高预测精度,充分利用数据的潜在价值来辅助决策。
本发明优选实施例提出的系统公交车的路径规划方法,具有以下优势:
(1)刻画了交通系统中需求的分布格局,交通系统本质上是一个时空网络。为此,考虑到交通量的不确定性,将生成模型作为路线规划模型的输入,推导出不同出发时间各线路的交通量。这可以通过一种深度学习方法来实现,即一种改进的生成对抗网络(GAN),注意GAN的训练样本应该遵循一个共同的分布,否则,可能会出现协变量偏移,这将降低需求模式描述的准确性。为了保证输入GAN的训练样本的一致性,本发明实施例采用了需求分布相似的交通场景分割方法。在现有的大多数研究中,这可以通过聚类算法来实现,例如K-means。然而,传统的K-means可能表现较差,因为忽略了各个特征之间的差异。也就是说,如果平等地对待每个特征来推导聚类算法的距离度量,主要特征的贡献可能会受到一定程度的失真。为了进一步提高聚类性能,本发明提出了一种基于集成学习(集成学习是指度量学习和GAN结合,集成了两者的优点来提高整体的效果)的方法,通过自适应更新各特征的权值来学习距离度量,这与以往的研究不同。
(2)建立了一种决策支持模式,以处理共同公共汽车业务的要求和限制。它的目的是使车队容量和交通出行需求之间的差距最小化。车队容量是指包括co-bus(协同公交车)和普通bus(常规运行的普通公交车)在内的所有公交车的数量。为了在实际应用中实现更好的精度和效率,本发明将这个问题作为一个混合整数规划模型,并伴随着复杂性降低和加速技术。特别地,本发明还发展了各种方法的线性化和消除对称性有关的结构特征这一问题。
【实验例/验证例:给出一个具体的实验例/验证例子,对本实施例的产品/方法进行详细介绍,使得本领域技术人员能照着说明做出本产品/实现本方法。其中提到的产品/方法特征均为具体的特征,提到的参数应当是具体值;并对本实施例的产品/方法的使用方法、操作方法进行详细介绍,使得本产品/本方法的用户能照着说明使用本产品/实现本方法;且说明本实施例产品/方法的工作原理,使得本领域技术人员能确信本产品/实现本方法能达到本发明所声称的效果;以及给出能证明本发明有益效果的具体数据;给出现有技术与本发明的对比分析或对比实验结果,从对比中来说明本发明的有益效果。】
下述结合具体实例对本发明优选实施例提出的协同公交车的路径规划方法作进一步的说明。
(1)出行需求预测
首先,对所有的min-max归一化数据进行K-means算法运算,用欧几里德距离度量向量之间的距离。最优簇数K=4由肘部法确定。
将该方法的聚类性能与基于经验的预定义权值聚类性能进行了比较。其中,高峰时段(早上7-10点和晚上6-9点)和其他时段预定义权重的比例设置为2:1。同时,测试了不同等级阈值对算法的影响。性能如图5所示。该方法优于基于经验的方法,因为剪影系数在0.5级阈值下从0.3125提高到0.3722。
基于度量学习的GAN的拟合效果如图6所示,拟合效果优于未使用度量学习的GAN。然后将现有方法与本发明方法的性能进行比较,包括平均绝对误差和平均绝对百分比误差,如表2所示。
表2 结果比较
|
平均绝对百分误差 |
平均绝对误差 |
本发明提出的方法 |
14.285 |
73.06 |
普通GAN网络 |
24.605 |
141.109 |
综上所述,度量学习大大提高了GAN的性能。这些结果可以进一步提供给路径规划模型。
(2)路线规划案例研究
本实例只考虑5条巴士线和10条巴士线进行路线规划,以简化示范。所有Co-bus(Co-bus 0~Co-bus 9)的运行时刻表如图7所示,本实例调用最先进的求解器GUROBI进行求解。然后比较3种不同场景下的优化结果:(A)无Co-bus的优化结果;(B)Co-bus与固定路线的优化结果,即Co-bus运行在离公司最近的固定路线上;(C)Co-bus与所提出方法的优化结果。具体比较两者的服务水平、Co-bus的平均利用率(在(B)和(C))以及Co-bus利用率的最大差异(在(B)和(C)),如图8所示。注意,利用率定义为所有总线线路任务的运行时间与总空闲时间的比值。在服务水平方面,本发明提出的方法(C)比没有公共汽车(A)的方案服务水平高出56.2%,比固定路线方法(B)的方案服务水平高出25.1%。同时,Co-bus的利用率均值也比固定路线法(B)提高了30.1%。10辆Co-bus的利用率是均衡的,该方法的最大差异为13.8%。
本发明的背景部分可以包含关于本发明的问题或环境的背景信息,而不是由其他人描述现有技术。因此,在背景技术部分中包含的内容并不是申请人对现有技术的承认。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中,参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点,但应当理解,在不脱离由所附权利要求限定的范围的情况下,可以在本文中进行各种改变、替换和变更。

图1

图2

图3

图4

图5

图6

图7

图8