基于客户分级及换乘的多车辆合乘问题算法研究

多车辆合乘匹配问题(MRMP)是物流领域和交通领域的一个重要问题,现有的多车辆合乘匹配算法是以解决基本的多车辆合乘问题为主.为了提高客户的搭乘率,提出了客户分等级并且带有换乘的多车辆合乘匹配算法.该算法以蚁群优化算法为核心,分为3步:寻找起点终点集合;蚁群寻优,并在单向蚁群的基础上提出双向蚁群算法;车辆路径微调.实验仿真显示该算法获得80％以上的搭乘率,同时双向蚁群比单向蚁群具有更强的寻优能力.所得结果表明,该算法可以有效地获得带有换乘的匹配路线.     

长期车辆合乘问题的复合变邻域搜索算法

针对于长期车辆合乘问题（LTCPP）,提出一种复合变邻域搜索算法（HVNSA）,将具有相同目的地的用户进行合乘匹配从而减少车辆出行数量。首先,构建一个全面准确的长期车辆合乘问题的数学模型,将所有用户按复合距离优先算法分配到合乘小组中,对时间窗口和车容量约束验证,得到初始合乘方案;然后利用变邻域搜索算法对初始合乘方案进行优化迭代,得到最终的优化合乘方案。实验结果表明,该算法在处理100人和200人的规模问题上可以在1 s内得到高质量的优化合乘方案,对于400人和1000人的较大规模问题,该算法仍然可以在2~4 s内得到较高质量的优化合乘方案。     

基于动态规划算法的出租车合乘模式研究

针对目前出租车“一人一乘”的租赁模式导致空载率较高的问题,对现有的车辆合乘模式予以改进,以提高出租车在城市公共运输系统的辅助效应.通过构建一种适合国内大中型城市出行分布特征的出租车合乘模式,对出租车运营路径按各节点已确定乘载需求以决策树求解,对运行过程中的临时乘载需求,以动态规范算法计算调整路径的插入可行性,实现整体的动态规划调度.模拟程序实验结果表明,随着乘载量的提高,车辆运载效率也随着提高.     

基于随机森林与变邻域下降的车辆合乘求解

为了最大化用户满意度，长期车辆合乘问题（LTCPP）被建模为多目标优化问题。然后，根据历史合乘数据以及用户满意度信息，使用随机森林算法计算每个指标对用户满意度的重要性影响，并作为对应优化目标的权重，以避免人为设定权重因子对优化结果的影响。提出了一种求解LTCPP的变邻域下降（VND）算法，通过顺序地在多个邻域内搜索得到问题的最优解。实验结果表明，结合随机森林和VND算法能为LTCPP提供高质量的解决方案，且具有很高的时间效率。     

考虑乘客信任程度的营运车辆合乘线路规划

车辆合乘是解决交通拥堵的有效方法,然而乘客对车辆合乘行为缺乏信任是影响合乘发展的难题。针对这一问题,通过引入信任度权重和用户偏好来衡量合乘的信任水平,以车辆的总行驶距离最短以及总信任度值最高为目标函数,同时考虑了车辆搭载容量约束、车辆行驶距离约束、乘客需求响应约束以及车辆站点服务约束,构建了考虑乘客信任程度的合乘模型,然后针对该模型采用改进的遗传算法进行求解。最后采用北京市新发地周边地区的营运车辆数据进行算法验证。结果表明,该模型能够在有效减少车辆总行驶距离的同时保障较高的乘客合乘信任水平,相较于仅考虑距离优化的模型,距离成本增加了14.8%,信任水平提升了3.3倍。通过对优化结果的对比分析,验证了模型和算法的有效性。     

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.     

考虑匹配可行性的长期合乘问题建模与求解*

车辆合乘对于减少碳排放、停车位需求以及缓解交通压力具有重要意义。针对长期车辆合乘问题(LTCPP),构建了带有车容量和时间窗约束的多目标优化模型。该模型以最小化用户行驶总距离、用户合乘产生的额外驾驶时间、用户实际启程到达时间与用户期望时间的差距以及最大化匹配可行性为目标。LTCPP是聚类和路由问题的组合,基于该特点,提出了一种分布式聚类蚁群算法(DCAC)求解LTCPP。该算法在蚂蚁行进中基于启发式信息与偏好值产生合乘组,继而采用枚举方法确定用户的最佳行驶路径。最后,在Apache Spark分布式计算框架中进行分布式实现。实验结果表明,该算法能为LTCPP提供高质量的解,并且在处理大规模LTCPP问题上具有明显优势。     

一种求解多车辆合乘匹配问题的适应性算法

车辆合乘匹配问题是研究如何通过优化车辆路线及车辆一乘客匹配来搭乘尽量多的乘客的问题。目前国内 外的研究多存在模型单一、脱离实际、算法效率不高等问题。针对该问题,提出一种基于吸引粒子群算法的问题求解 方法。通过吸引粒子群算法进行多车辆问题向单车辆问题的转化,形成车辆同乘客之间的初次匹配。根据初次匹配 结果利用先验聚类的思想将初次匹配结果进行排序,寻找较优需求序列排序方式。最后,通过相应的匹配再优化策略 将需求序列进行再优化。对比实验表明,基于吸引粒子群算法的问题求解方式能以较高的搭乘成功率以及较低的花 费完成车辆合乘匹配问题。     

车辆合乘问题的分布式复合变邻域搜索算法

针对长期车辆合乘问题(long-term carpooling problem,LTCPP),提出一种基于分布式的复合变邻域搜索算法,利用分布式计算的优势可快速求解出大规模用户的合乘匹配方案。首先构建带有时间窗约束和车容量约束的数学模型,建立成本计算的目标函数;然后按复合距离优先算法将所有用户分配到各合乘小组中,最终得到满足约束条件的初始合乘方案。通过对变邻域搜索算法进行分布式处理,使算法可以对初始合乘方案进行并行迭代优化计算,得到最终的合乘方案。实验结果表明,该算法在速度和大规模问题求解质量上具有明显的优势。     

基于优化遗传算法的网约车合乘模型

随着城市居民绿色低碳出行思想的提高,网约车合乘出行方式应运而生.但由于合乘模式涉及到的行驶路线问题,乘客与乘客、乘客与驾驶员之间容易产生分歧,并且网约车合乘出行模式的相关成本不明确等诸多问题,网约车合乘模式没有被大范围推广和应用.针对网约车合乘出行模式存在的问题,研究并构建了网约车合乘路径优化模型,模型中考虑了车辆等待时间成本、行驶距离成本、收益、容量约束以及时间窗约束等.针对网约车合乘模型的特点,并基于遗传算法思想,研究设计了满足合乘模型约束条件的求解遗传算法.并使用Matlab软件运行算法程序对算例进行求解,运行44.08 s得到最大利润6 906.297 1元及车辆详细行驶路线,实验表明,通过构建的网约车合乘模型和设计的遗传算法,可以得到合乘路径近似最优解,证明了模型和算法的可行性和有效性.     

基于A~*算法的机场滑行路径优化研究

研究机场场面航班的滑行路径分配和滑行冲突问题。针对目前滑行效率制约机场调度。滑行冲突影响飞行安全的状态,提出将安全间隔、滑行规则和冲突避免限制规则作为约束条件建立了滑行路径优化模型。采用了A*算法给出了问题的优化,在保证滑行道调度零冲突的前提下,缩小航班的总滑行时间,提高了滑行效率。以重庆江北国际机场为例,与管制员依据机场细则得到的路径相比,结果表明提出的滑行道调度模型和优化方法是可行的,在实现较优的滑行路径的基础上能智能的发现冲突、解决冲突,可为繁忙机场的机场调度提供了决策支持。     

基于强化学习的交通情景问题决策优化

在复杂交通情景中求解出租车路径规划决策问题和交通信号灯控制问题时,传统强化学习算法在收敛速度和求解精度上存在局限性;因此提出一种改进的强化学习算法求解该类问题。首先,通过优化的贝尔曼公式和快速Q学习（SQL）机制,以及引入经验池技术和直接策略,提出一种改进的强化学习算法GSQL-DSEP;然后,利用GSQL-DSEP算法分别优化出租车路径规划决策问题中的路径长度与交通信号灯控制问题中的车辆总等待时间。相较于Q学习、快速Q学习（SQL）、、广义快速Q学习（GSQL）、Dyna-Q算法,GSQL-DSEP算法在性能测试中降低了至少18.7%的误差,在出租车路径规划决策问题中使决策路径长度至少缩短了17.4%,在交通信号灯控制问题中使车辆总等待时间最多减少了51.5%。实验结果表明,相较于对比算法,GSQL-DSEP算法对解决交通情景问题更具优势。     

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.     

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。     

Time-optimal and privacy preserving route planning for carpool policy

To alleviate the traffic congestion caused by the sharp increase in the number of private cars and save commuting costs, taxi carpooling service has become the choice of many people. Current research on taxi carpooling services has focused on shortening the detour distances. While with the development of intelligent cities, efficiently match passengers and vehicles and planning routes become urgent. And the privacy between passengers in the taxi carpooling service also needs to be considered. In this paper, we propose a time-optimal and privacy-preserving carpool route planning system via deep reinforcement learning. This system uses the traffic information around the carpooling vehicle to optimize passengers’ travel time, not only to efficiently match passengers and vehicles but also to generate detailed route planning for carpooling vehicles. We conducted experiments on an Internet of Vehicles simulator CARLA, and the results demonstrate that our method is better than other advanced methods and has better performance in complex environments.

     

基于区域划分的出租车统一推荐算法

针对在极端天气或交通繁忙时乘客无法快速搭乘出租车到达目的地的问题,提出一种基于区域划分的出租车统一推荐算法,不仅提供普通打车服务,同时提供拼车服务。首先,将区域作为旅程标识,在旅程匹配方面化不可能为可能;其次,在拼车服务中算法将两对路线相近的乘客进行即时匹配,帮乘客拼车共乘;最后,选取绕远时间比例最小的出租车推荐给用户。使用包含14747辆出租车的全球定位系统（GPS）数据对算法进行评估,与CallCab系统相比虽然在减少的总里程数上下降了10%左右,但每次拼车平均只需要多花费6%的时间,且降低的送达乘客总里程数同样达到30%,不仅大幅度减少汽车尾气的排放,同时在用户更加关注的时间消耗方面表现更佳。     

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。     

不确定环境下的危险品运输车辆路径优化

针对非满载危险品运输车辆路径优化问题,通过模糊变量刻画运输过程中的人口密度、行驶速度与运输时间以及客户需求量等方面的不确定因素,考虑载货量变化对风险评估的影响,建立基于动态载货量的风险评估模型,以运输总风险、车辆总行程、车辆使用数最小为优化目标,同时兼顾时间窗、事故概率、载货量等约束构建了不确定环境下的危险品运输车辆路径多目标优化模型。将NSGA-Ⅱ算法与LNS算法相结合,设计混合NSGA-Ⅱ算法求解模型。结果表明,混合NSGA-Ⅱ算法可以获得空间分布均匀且收敛性较好的Pareto解集,不同运输参与者可根据自身偏好在解集中选择相应的配送方案;该算法得到的最优总风险、总行程及车辆使用数目分别比NSGA-Ⅱ算法优化了11.5%、1.0%和14.3%,算法搜索性能和求解精度明显提高。     

基于时空上下文协同过滤的出租车载客点推荐算法

针对现有出租车载客点推荐算法忽略出租车所处上下文的情况,提出了一种基于时空上下文协同过滤的出租车载客点推荐算法。该算法将载客点信息映射到空间网格,通过在出租车司机驾驶行为相似度的计算中引入时间衰减因子,得到与目标出租车司机驾驶行为最相似的邻居集合,基于地点上下文过滤从相似邻居集合中选取感兴趣程度高的载客点推荐给目标出租车。在基于福州市出租车轨迹数据的实验中,时间衰减因子为0.7时,整体推荐效果最佳,同时该算法在邻居集合的不同大小时推荐准确率均优于传统协同过滤推荐算法。结果表明该算法与传统的协同过滤算法相比有更高的推荐准确度。