固定费率下城市出租车拥挤收费模型与算法

针对出租车自身的特殊性,研究了实施拥挤收费政策过程中出租车是否也应进行拥挤收费。在收费费率已知条件下,采用组合网络均衡模型描述了出租车拥挤收费前后对出行产生、模式划分、流量分配以及出行分布的影响,构建了与之等价的最优化模型,设计了求解模型的启发式算法,比较了对出租车征收拥挤费前后的社会福利变化。算例表明,收费前的社会福利总是明显大于收费后的,并且二者之间的差距随着出行者时间价值(VOT)的增加而减小,随着弹性灵敏参数的增加而增大。这一研究有助于为拥挤收费政策制定者提供科学的决策依据。     

一种基于车流量的司乘推荐模型

作为城市交通的基础设施,出租车在日常交通中起着重要作用。随着城市规模的扩大,人们的出行需求不断增加,然而出租车的分布与叫车需求分布之间难以匹配,从而导致打车困难问题的出现,这一现象在大型城市尤其明显。造成打车难的主要原因在于司乘之间信息不能互通,GPS、车联网等技术能够提供车辆位置、运行轨迹等信息,通过对这些信息数据进行处理,可以获得有价值的信息,将其提供至司乘双方能够提升出租车运营效率。现有信息处理方法较为简单,忽略了较多关键影响因素,难以达到理想的效果。因此,本文提出了一种基于出租车轨迹和路网数据来衡量打车难度的出租车流量模型,并通过综合时间、天气等因素对模型进行优化,提升了模型的实用性。基于该模型利用数据挖掘算法抽取有用信息,提供给出租车司机和乘客。最后,本文基于实际出租车数据对模型进行实验验证,结果证明了模型的有效性及实用性。     

基于遗传算法的随机路网次优拥挤收费模型

针对随机路网中出行者规避风险的择路行为,提出一种同时考虑行程时间可靠性和不可靠性的次优拥挤收费双层规划模型。上层模型以最大化路网社会福利为目标,下层模型为弹性需求期望-超额交通平衡模型。鉴于双层规划模型的复杂性,设计遗传算法求解该模型。仿真结果表明,使用遗传算法求解该模型是可行的,运行50代后,算法可收敛至目标值。     

BitTorrent系统中瞬间拥挤阶段建模与分析

BitTorrent是目前最流行的P2P内容分发系统之一.使用Kermack-Mckendrick模型对BitTorrent系统中瞬间拥挤(Flash-Crowd)阶段进行建模,研究了系统节点数及服务能力在瞬间拥挤阶段的发展演化过程.与原有模型相比,Kermack-Mckendrick模型能更好的吻合观测数据.最后结合BitTorrent系统的实际特点,给出提高BitTorrent系统处理瞬间拥挤能力的可行方案,如增加初始种子数量,减少文件段的大小,增加激励策略等.     

政府补贴和增值税退税政策的闭环供应链决策

基于政府补贴和增值税退税政策,通过Stackelberg博弈方法,建立由制造商、回收商和消费者组成的4种闭环供应链决策模型,得出相应的最优价格、补贴和退税政策.进一步,比较并分析4种不同模型下的回收价格、回收量、企业利润以及社会福利,得出政府和企业的最优决策选择.研究发现:1)4种情形下的社会福利均随着消费者环保意识的增加而递增.对政策制定者而言,若消费者环保意识较低,则政府补贴政策最优;若消费者环保意识较高,则政府补贴和增值税退税并存政策最优.2)在绿色消费者市场上,制造商选择高低两种不同定价策略受绿色细分市场规模和政府政策力度大小两方面因素的影响.     

考虑公平目标的网约车服务价格管制策略

考虑网约车服务与出租车服务的竞争市场中,按照服务感知体验高低将网约车服务分为两类,如专车服务属于高服务感知体验的网约车服务,顺风车服务可视为低服务感知体验的网约车服务.研究网约车服务与出租车服务共存情况下实现公平这一目标的价格管制策略制定,并比较无竞争市场、竞争市场无管制与竞争市场管制3种情景下社会福利的变化.研究结果表明:网约车服务体验高于出租车服务体验时,价格管制提高了网约车服务价格,两种服务竞争提高了社会福利,但价格管制的实施相对降低了社会福利;网约车服务体验低于出租车服务体验但二者较为接近且出租车服务价格处于较低水平时,无需监管即可实现管制目标,此时竞争市场中有无管制2种情景下的社会福利变化与网约车服务感知体验以及出租车服务的价格有关.     

交通拥挤控制的实时决策支持模型

针对交通拥挤的快速检测和控制问题，设计了一种基于管理者知识和经验，能够实时反映交通拥挤状况的决策支持模型．设计的自动决策支持模型中包含了概念模型和推理模型，推理模型中集成了交通拥挤自动检测算法和拥挤交通量控制方案选择的模糊推理算法．研究结果表明，采用自动决策支持模型能在一定程度上取代交通管理者对拥挤的管理，从而提高拥挤管理的效率和决策质量．     

机场出租车“待客-返程”决策支持模型——以南京禄口国际机场为例

针对机场出租车“待客-返程”决策模式，基于机会成本视角构建一种决策支持模型。综合考虑影响出租车司机决策的相关因素，构建旅客搭乘出租车的意愿函数和出租车司机机会成本的线性对数回归模型；定义“选择决策因子”,建立“待客-返程”决策支持模型，分析研究不同季节、时段的最优解；用南京禄口国际机场的数据进行模型训练，得到该机场出租车司机决策方案；采用敏感性分析法定量分析模型对决策因子的依赖性，以验证模型性能。实验结果表明，该模型决策方案可靠，对决策因子变化敏感，能有效提高机场的客流集散效率。     

基于延迟函数次梯度启发式道路交通补偿策略

拥挤收费被认为是解决交通拥挤的有效方法,解决道路交通拥堵的主要想法是,对于有些容易造成拥堵的道路进行收费,而对于其他未充分利用的道路进行适当补偿,对此提出一种基于延迟函数的次梯度启发式道路交通补偿策略。首先,给出道路集的收费/补贴的非线性规划模型,主要是基于Beckmann最小化目标函数实现,然后利用库恩-希尔斯条件和拉格朗日乘子建立模型的条件约束;其次,基于启发式算法建立道路交通的定价补偿策略,利用边际成本建立延迟函数分析模型,然后基于次梯度法进行模型的优化;最后,通过在真实道路网络上的仿真实验,显示所提算法在旅行时间、交通流量、收敛性等指标上均具有较好的性能,验证了算法的有效性。     

一类时变时滞车辆跟驰模型的稳定性控制

为了研究交通拥堵问题,同时了解交通拥挤形成的过程以及驾驶员自身特性对交通流稳定性的影响.本文基于复杂网络同步理论,对一类考虑前后车效应的时变时滞最优速度车辆跟驰模型的稳定性进行了研究.利用Lyapunov稳定性理论,通过设计基于速度和车头间距的自适应控制器使得该车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在车辆受到随机外部扰动的情形下,研究了该模型的稳定性.最后,采用MATLAB仿真技术进行了数值模拟,结果表明在本文设计的控制器下,考虑前后车效应的时变时滞最优速度车辆跟驰模型快速趋于稳定,拥堵现象得到了有效的缓解.     

自动驾驶出租车动态合乘效益仿真分析

自动驾驶出租车共享出行是未来变革性的智能交通方式,它将带来前所未有的社会效益。共享订单数(合乘人数)是影响出行时间、费用、舒适度和运营成本的关键参数,然而鲜有研究对共享人数上限进行分析。为此,文中基于多人共享的路径规划方法,建立了一个自动驾驶出租车动态合乘的仿真系统。该系统由“搜索”“调度”“等待”3个模型组成,在变化乘车需求的情况下,对共享人数上限进行了探讨。在深圳市南山区41.25 km 2的路网上仿真不同共享人数上限和出行需求情况下的效益,结果表明,共享模式极大地提高了出行成功率(达到了20%)并降低了总耗时(降低到原来的3%~23%)。当共享人数上限达到一定值时,合乘效益逐渐收敛。在出行需求较高的情况下(人车比率大于5),共享人数上限设为3~4人时,合乘效益得到最大优化。实验结果充分说明了多乘客共享出行能够缓解当下“打车难”的问题,且随着出行需求的增加,自动驾驶共享模式相比传统非共享模式具有更强的鲁棒性。     

自动驾驶出租车调度系统研究综述

人工智能和大数据科学的发展带来了新一代产业革命。基于人工智能、大数据、车联网等技术的自动驾驶出租车调度系统将成为下一代交通系统的重要组成部分。文中从车联网环境下的自动驾驶调度系统的数学建模问题和系统构建两个方面对现有的文献进行了梳理和讨论。针对乘客出行需求的动态不确定性的共享问题,着重讨论了自动驾驶出租车在不同路径共享模式下的路径规划,以及共享合乘定价和智能调度系统构建的关键技术。最后,总结了自动驾驶出租车在解决交通拥堵和减少资源浪费方面的优势,并指出了自动驾驶出租车系统的技术难点和发展趋势。     

考虑驾乘人员公平性的网约出租车合乘路径优化模型

为了充分发挥合乘出租车承载率高、运营效益高及交通资源省等优点, 缓解城市打车难问题, 对网约出租 车合乘路径优化问题开展研究. 首先针对路网中网约出租车的供需情况, 以系统路径最短为优化目标建立目标函 数, 其次考虑网约出租车额定载客量、路径合理性、乘客利益及驾驶员收益与时间窗因素, 构建优化模型的约束条 件, 并结合绕行距离与乘客公平性原则进行费用约束, 使得绕行距离长的合乘子路径获得更多的费用补偿, 然后基 于遗传算法思想, 针对合乘路径中乘客需求起终点的次序问题, 设计了改进的交叉与变异算子. 最后依据大连市区 局部路网高峰时段内的出租车供需数据, 利用合乘路径优化模型及算法进行求解. 研究表明, 优化模型及算法可以 短时间寻求到系统近似最优解, 所得合乘方案较非合乘出行模式有效减少了出租车空驶率与乘客的出行成本, 提高 了驾驶员的平均收益.     

基于Hadoop和并行BP网络的打车需求量预测系统研究

一个良好的打车需求量预测系统可以帮助完善城市的交通系统,帮助城市更高效地进行出租车的调度。基于Hadoop设计并搭建了一个打车需求量预测系统。除此之外,针对传统BP神经网络收敛速度慢的缺点,提出了一种基于MapReduce的并行BP神经网络,并将其用作系统的预测模型对打车需求量进行预测。根据实验结果,提出的系统能良好地对城市内某一区域一天内的打车需求量进行预测。     

基于GCN和TCN的多因素城市路网出租车需求预测

在巡游模式下,出租车与乘客间供需不易匹配,造成出租车空载和乘客打车难现象并存,准确高效地实现路网出租车需求预测有利于有效缓解这一问题.针对现有交通流预测模型对空间特征提取不充分,特别是对城市路网内路段之间的空间关系没有全面挖掘这一问题,充分考虑路网内路段间的3种空间关系,对其分别构建路段间的局部关系图、路段全局关系图和路段OD次数关系图,提出一种由图卷积网络与时间卷积网络相结合的出租车需求预测模型.其中,采用图卷积网络对城市路网内路段的空间关系特征进行挖掘,采用时间卷积网络对交通数据集中的时间序列特征进行挖掘,并且考虑外部因素的影响.实验中,首先从真实出租车GPS轨迹数据中提取城市路网中各个路段的出租车出行量,并利用道路上在多个时隙形成的出行量序列对预测模型进行验证.结果表明,相比其他交通流预测模型,所提出的预测模型具有较优的平均绝对误差、均方根误差和平均绝对百分误差.     

基于增强学习的网格化出租车调度方法

高度信息化的网格化城市管理可以为出租车运营优化提供新的实时动态乘客需求信息和车辆位置信息。以此为契机,针对城市出租车空驶率高和司乘匹配率低的问题,提出了一种网格化的出租车实时动态调度的增强学习控制方法。通过为出租车提供空驶巡游的动态最佳路线,新的控制方法旨在提高出租车的服务效率,并降低乘客的等待时间。首先,以城市单元网格为基础,明确出租车调度的关键问题;其次,以空驶路线的动态调整为控制手段,建立调度的增强学习模型;最后,给出求解模型的Q学习算法,并通过算例验证新调度方法的有效性。研究表明新方法可以有效提高司乘匹配率、增加总的出租车运营收入、减少乘客平均等车时间和减少总的出租车空驶时间。     

基于实时电价响应的电动出租车充电负荷优化策略

与电动私家车相比,电动出租车充电负荷高得多且难以预测。因此电动出租车不可控的充电负荷可能会给配电系统带来巨大且无法预测的峰值,并造成严重损害。为解决该问题,本文提出了一种基于实时电价响应的电动出租车充电负荷优化策略,该策略可以有效调节充电负荷用来跟踪给定的负荷曲线。策略设计包括三个步骤,首先根据应用场景,简化电动出租车最佳充电决策。然后,提出了两种充电负荷聚合模型,分别描述了充电决策和实时电价之间的关系,以及充电决策和总电量之间的关系。最后,提出了一种有效的在线估计方法来计算适当的实时电价,以使充电负荷跟踪目标负荷,作为对价格的响应。仿真结果验证了所提策略的有效性。     

基于出租车数据的载客热点与打车热点研究

面对城市出租车高空载率和乘客打车难问题,本文针对出租车司机端和乘客端分别进行载客热点和打车热点的分析研究,提出了一种基于DBSCAN算法的数据处理模型.利用这个模型对北京市182辆出租车的GPS轨迹数据进行处理,提高了数据精度;对于不同的受众,采用K-means算法对数据进行聚类分析,得到相关热点.实验表明,划分目标用户进行各热点的推荐不仅可以有效地为出租车司机提供高概率的载客热点,乘客打车难问题也有了一种可行的解决方法.     

RPR: recommendation for passengers by roads based on cloud computing and taxis traces data

Traffic jam has grown to be a more and more difficult problem to be solved in big cities around the world, and people are getting less chance to take taxis. In order to remit this issue, we propose a recommendation strategy based on taxi traces data for passenger by the roads to make it easier. Considering the scale of taxi traces data, Hadoop is employed to handle the traces data, whose tasks include filtering and cleaning of the data, mapping taxi traces, and computing the average passage time and empty taxi arrival rate on the roads. When a user uploads his position and the time, assisted by weather condition gain from the Internet, we get the very model that corresponds to the date and the weather; the time interval is thought to be the expected waiting time between the moment when user requests the service and the moment when the cumulative number of empty taxi is greater than or equal to 1 after adding the time the taxi spends on the road, and is pushed to the user. The experiment is conducted on the base of a real-world dataset generated by over 12,000 taxis over a period of 3 months in Beijing. Experimental results demonstrate that the processing speed of Hadoop is nine times faster than serial’s, which displays the feasibility of Hadoop in the application of massive traces data. In addition, the accuracy of the recommendation strategy reaches up to 88.75 %, and it meets the demand of real-time service.