基于K-means的城市轨道交通社区接驳共享单车停靠点规划

研究基于K-means的城市轨道交通社区接驳共享单车停靠点规划问题。首先,在分析现有共享单车停靠存在问题基础上,对其骑行数据挖掘,采用K-means算法聚类后进行二次划分,得到候选停靠点;然后建立在可供选择和容量限制的共享单车停靠点双层规划模型,上层为政府追求出行者广义出行成本最小化、共享单车出行量最大化模型,下层为出行者不同接驳方式和站点选择的交通分配模型;最后采用遗传算法优化求解,通过实例予以验证。结果表明:该方法确定共享单车停靠点与规模,方便共享单车出行,增加其出行量,同时解决了停放混乱问题,提高了接驳服务水平。     

基于粒子群算法的共享单车站间调度优化方法

对单车实行精准高效的调度是目前共享单车系统亟须攻克的重要难题之一。共享单车的调度问题可以看作是一个受时间、地域、人流等多因素影响的NP完全问题(Non-deterministic Polynomial Complete Problem)。目前,我国在这一方面的研究工作尚不成熟。根据单车调度实际情况,考虑调度车容量与站点满意度约束,以旅行商问题为基础,建立综合优化最大化的共享单车站间调度数学模型,通过优化多目标问题的混合禁忌-粒子群算法,对上述模型进行求解。最后以合肥市大学城实际单车站点为算例,以该算法进行求解。结果证实该算法可以得到综合最优的调度路线。     

共享单车需求预测及调度优化

为了更加准确地预测共享单车的需求量,制定合理的调度优化方案。针对共享单车骑行数据的周期性、非线性和随机性的特点,提出了季节性灰色Markov模型来预测共享单车需求量。在此基础上,根据双层规划模型结果来制定调度优化方案。在季节性灰色Markov模型中,首先将原始数据带入季节性GM(1,1)模型得到预测结果,然后用Markov模型对预测的残差进行修正,得到最终的预测值。在双层规划模型中,上层目标为运营商的调度成本,下层目标为调度中心的调度时间,双层规划模型用GUROBI求解器求解。最后将两种模型应用于纽约市17个Citi Bike共享单车站点的算例分析。数值计算结果表明：季节性灰色Markov模型在17个站点从周一到周五的需求量预测的平均绝对百分比误差(mean absolute percentage error,MAPE)为10.68%,预测精度较高。利用双层规划模型制定的调度优化方案能确定调度中心数量、位置,调度范围和调度路径,可以在满足用户需求的同时使调度成本和调度时间最优。研究提出的需求预测模型和调度优化方案可以为共享单车运营部门和交通管理部门提供有效的参考。     

基于贝叶斯网络的大学生共享单车出行行为研究

为研究大学生共享单车出行行为,以福州市大学城各高校学生为研究对象,利用问卷调查采集各年级学生共享单车出行数据.首先,基于所获得的数据计算各节点的互信息值,假设贝叶斯网络参数服从Dirichlet分布,采用K2算法进行贝叶斯网络结构学习,利用贝叶斯估计法进行贝叶斯网络的参数学习,从而构建大学生共享单车出行行为的贝叶斯网络.然后,利用所构建的网络进行共享单车出行方式预测,计算该模型的预测值与实际值的误差,分析模型的精度,且与常用的Logit模型预测结果进行比较.最后,在所构建的网络模型基础上,应用联合树引擎分析是否拥有私人交通工具、出行距离等影响因素对大学生共享单车出行行为的影响.分析结果表明,贝叶斯网络学习精度较高,比Logit模型预测结果更有效.     

基于距离测算的企业物流配送最优路径规划模型研究

针对当前企业物流配送总成本过高、配送距离过长等问题,提出基于距离测算的企业物流配送最优路径规划模型.测算企业物流配送时的车辆行驶时间距离与空间距离,将两者归一化处理实现配送距离测算;借助鲸鱼优化算法,通过包围猎物的形似搜索最优配送路径;为避免陷入局部最优解,融合莱维飞行与鲸鱼优化算法,选择最优配送路径;结合距离测算值与改进后的鲸鱼优化算法,构建企业物流配送最优路径规划模型.通过该模型选择捕猎路径最短的鲸鱼,将该鲸鱼的位置作为最佳鲸鱼位置并输出,实现企业物流配送最优路径规划.该模型可在城市内有大量需求点情况下,规划出最优路径,且规划后的路径能够有效减少配送距离、降低时间消耗.     

基于AM-LSTM模型的共享单车时空需求预测

为准确预测城市不同区域的共享单车需求量,解决区域间供需不平衡问题,在对上海市共享单车数据进行时空特征可视化分析的基础上,研究共享单车的出行分布规律. 针对时间出行分布的非严格周期性,提出了一种引入注意力机制的长短时记忆网络预测模型AM-LSTM. 利用Spearman相关性分析法分析特征影响因素,提取模型特征值. 分别构建不同输入序列的预测模型,与传统时序预测模型进行对比分析. 结果表明,采用30 min时间间隔的输入序列具有较高的预测精度,AM-LSTM模型能够较好地预测共享单车的出行需求量,预测精度优于单一的LSTM模型. 最后对预测曲线进行相关度分析,验证了AM-LSTM模型的预测性能,可以为城市共享单车的调度及分配提供有效信息.     

关于北京市感知价值对共享单车出行选择影响的调查分析

为研究共享单车在城中化进程中的发展以及其在促进公共交通和减少私家车使用中的重要作用.通过把行为经济中的感知价值因素引入到共享单车出行选择分析框架中,把反映出行者感知利得和感知利失的潜变量以及刻画骑行者个人特征和出行特征的显变量统一纳入到离散选择潜变量混合模型(integrated choice and latent variable,ICLV),研究了感知利得(包括感知节约、感知激励、履行社会规范)和感知利失(包括转换成本和感知风险)心理权衡过程对出行者出行选择的量化影响水平.结果 表明:①收入,偏好以及衔接性正向显著影响出行者共享单车出行选择行为;②男性比女性更愿意选择共享单车出行;③出行目的也显著影响出行者共享单车出行选择行为;④在感知价值方面,感知利得正向影响通勤者共享单车出行选择行为,其中感知时间节约,沿途风景欣赏,资源节约显著影响;感知利失负向显著影响出行者共享单车出行选择行为,其中转换心理成本和感知信息风险会显著影响.     

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。     

考虑建成环境交互影响的共享单车需求预测

共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素,然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的,本文使用了深圳市共享单车出行数据、兴趣点数据（point of interest,POI）、路网数据和公交线路数据等多源数据,采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型预测共享单车出行需求,并与BP(Back Propagation)神经网络模型预测结果进行比较;最后借助SHAP(SHapley Additive explanation)方法解释GBDT模型中各种影响因子对共享单车出行需求产生的影响,并分析各影响因素及其交互作用。实验结果表明：GBDT模型预测结果平均绝对误差为0.683,均方根误差为0.728,较BP神经网络模型预测准确性更高;通过SHAP方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显,土地利用中土地利用混合度不是简单线性作用且不同POI间存在复杂交互关系。可见通过借助GBDT模型和SHAP方法可以用来共享单车出行需求预测以及影响因素分析,从而为共享单车发展提出改善建议。     

基于改进双向A星和向量场直方图算法的无人机航路规划

现代无人机的行驶环境复杂多变,对无人机的航路规划不仅要求路径最短,同时还要满足实时性以应对突发威胁。提出一种离线规划和在线避障结合的航路规划方法。首先利用改进的双向A*算法对已知环境进行离线规划,并提出基于碰撞检测的动态步长和双向去除冗余点方法,在不影响路径精度的同时,缩短离线规划时间和路径。在无人机按照离线路径行驶过程中,当规划路径中出现突发威胁,利用VFH算法进行实时避障;对避障算法设置子目标,使无人机完成避障后能迅速回到离线轨迹,不影响全局路径的最优性.仿真实验表明,所提方法规划的路径长度短、耗时少,并能有效避开突发威胁,充分结合了双向A*算法路径最优和VFH算法的快速实时避障性的优点。     

带时间窗的快递包装回收车辆路径优化研究

为解决大量快递包装给社会环境带来的一系列问题,优化快递包装及回收车辆路径,降低回收成本,提高客户满意度是快递包装回收的关键。考虑到快递包装回收的现状,提出在回收过程中设置软时间窗来反映顾客的满意度。建立了运输成本、处理成本、回收成本、时间惩罚成本等成本最小化的数学模型。采用改进的遗传算法对模型求解,提出运用2点交叉法改进交叉算子,加快种群的寻优速度,同时提出2点互异改进变异算子,增加种群的多样性,并对算法的种群规模、变异概率、运输成本等进行了灵敏度分析。运用Matlab软件对算例进行仿真,在有无时间窗条件下,验证了该设计的快递包装回收路径模型和算法的有效性。     

考虑出行舒适度的电动汽车路径优化

针对电动汽车路径规划中出行舒适度的问题,构建了考虑出行者舒适度的电动汽车路径规划模型,基于Dijkstra算法,考虑时间、距离、EV能耗及出行者舒适度等多种影响因素下的路径规划仿真,通过相应的测试算例,验证了模型和算法的有效性。结果表明:本文构建的最优路径模型,虽在出行距离和时间上比常规的路径规划模型增加1.4%和3.8%,但在出行能耗上减少了7%,而且舒适度提升了8%。本研究可为提高电动汽车出行质量的研究提供参考。     

计及路网权值时变特性的全局最优路径规划

由于静态路径规划（static path planning,SPP）和滚动路径规划（rolling path planning,RPP）思想无法求解全局最优路径,提出了一种计及路网权值时变特性的全局最优路径规划方法（global optimal path planning,GOPP）。利用Vissim软件对重庆大学城某区域路网进行建模与仿真,采用改进的前向关联边数据结构存储路网拓扑关键要素及行程时间仿真数据,以此作为路径规划数据库。在此基础上,推导跨时段路段的实际权值,提出一种基于Dijkstra算法的GOPP方法。最后基于路径规划数据库,在证明经典Dijkstra算法相比智能启发式算法具有全局最优求解能力的基础上,分别采用SPP、RPP和GOPP方法在MATLAB环境下仿真得到3条规划路径,结果表明GOPP累计行程时间为1 158.7 s,相比SPP和RPP分别减少了212.7 s和57.6 s,有效验证了GOPP在缩短交通出行时间的优越性,对今后智能交通系统的发展具有一定的理论指导意义。     

基于全生命周期的共享产品管理

 共享经济是近年来在中国蓬勃发展的一种新型经济模式,共享单车作为一种成功的产品,一方面极大地方便了都市人群的出行,解决了最后一公里的出行难题,但在另外一方面也带来诸如产能过剩,管理混乱等问题。本文针对共享单车,研究其全生命周期的碳排放量和使用情况,得到1辆单车抵消其能源消耗的最短使用时长。结果表明,北京拥有近350万辆共享单车,在当前每辆单车1天被使用1次,1次行驶里程为2.1 km的情况下,每辆单车至少使用625天,才能实现真正意义上的"零碳排"和"绿色出行";目前北京将承担因共享单车过量投放带来的巨大环境风险。全生命周期碳排放核算成为基于环境角度制定合理的共享经济产品数量管控值的重要手段。     

基于逆强化学习的电动汽车出行规划方法研究

随着电动汽车的普及,对电动汽车出行规划问题的研究显得尤为重要。有别于路径规划,出行规划既需要考虑路径问题又需要考虑充电问题。本文提出了一种基于逆强化学习(Inverse Reinforcement Learning, IRL)的电动汽车出行规划(Electric Vehicle Travel Planning, EVTP)方法,有效地为电动汽车用户规划一条兼顾行驶路径短以及充电时间短的可达路径。将Dijkstra算法进行改进得到考虑充电行为的最短路径作为专家示例输入到逆强化学习算法中;利用逆强化学习算法得到兼顾行走与充电的奖励;在学习策略上,采用Dueling DQN算法高效更新Q值,提升学习性能;采用部分充电策略以及分段充电策略,提升充电效率并使研究更接近真实情况。通过对模型的工作性能和结果进行详细分析,并结合基准方法进行对比,结果表明,基于逆强化学习的电动汽车出行规划方法在行驶时间与充电时间两方面都有较好的性能,且具备很好的迁移性。     

高峰期轨道交通廊道出行均衡模型及算法

为了指导城市轨道交通运营、规划及管理,在考虑轨道车厢内拥挤和早到与晚到成本的情况下,通过建立轨道交通廊道中的出行动态均衡模型,研究了模型算法以及出行时间价值对乘客出行分布的影响.如果乘客通过权衡拥挤成本与延误成本,选择最佳轨道班次使得个人出行总成本最小,那么会达到出行成本的用户均衡状态.基于Frank-Wolfe算法迭代计算轨道交通廊道中用户出行时间分布均衡解.结果 表明,均衡状态时,不同讫点的乘客连续分布在不同班次之间,人数分别在各自误时成本最小的车次上达到峰值;晚到成本增大到一定程度时,没有乘客选择晚到的班次;减少单位早到误时成本时,乘客只权衡拥挤成本来选择班次.研究结果不仅对轨道交通管理有一定理论意义,也对个人出行选择行为有一定的实践指导意义.     

基于遗传算法的列车开行方案优化

根据列车停站方案的4种模式,建立了列车开行方案双层规划模型.上层以总的运营费用最小和未服务的旅客数量最少为目标进行停站方案和开行频次的优化;给定停站方案和开行频次后,下层以服务旅客数量最大和旅客总的旅行时间最小为目标,建立了客流分配的混合整数规划.基于GA的开行方案优化算法实现了停站方案生成与客流分配循环反馈优化.最后以台湾高铁为实例分析,验证了本文模型和算法的有效性.     

基于出行偏好和路径长度的路径规划方法

针对基于最短路径的路径规划方法只关注路径长度,而基于轨迹的路径规划方法过度依赖用户偏好的问题,提出一种同时考虑用户出行偏好和路径长度的路径规划方法.首先,利用长短期记忆模型从历史出行轨迹中提取用户的出行偏好;其次,采用Markov链Monte Carlo采样技术将用户的出行偏好引入启发式搜索算法A*中,在道路网络中搜索...     

旅客视角下基于时变的多模式交通网络出行路径

城市多模式交通出行路径决策会受到城市公共交通发班时刻表及交通网络时变特性影响。本文考虑这两个影响因素,研究了换乘次数、出行时间、步行距离等约束条件限制下以实际出行成本最少为优化目标的城市多模式交通出行路径决策问题。由于该问题为NP难问题,本文提出了基于遗传算法的四种求解策略。数值算例表明四种求解策略均有效,其中,变异概率随迭代次数调整的多种群遗传算法求解策略计算效率最高。