[go: up one dir, main page]

CN113642796B - 基于历史数据的动态共享电动自动驾驶车辆路径规划方法 - Google Patents

基于历史数据的动态共享电动自动驾驶车辆路径规划方法 Download PDF

Info

Publication number
CN113642796B
CN113642796B CN202110948567.1A CN202110948567A CN113642796B CN 113642796 B CN113642796 B CN 113642796B CN 202110948567 A CN202110948567 A CN 202110948567A CN 113642796 B CN113642796 B CN 113642796B
Authority
CN
China
Prior art keywords
planning
vehicle
user
constraint
time period
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.)
Active
Application number
CN202110948567.1A
Other languages
English (en)
Other versions
CN113642796A (zh
Inventor
于滨
张力
刘忠山
崔少华
薛勇杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202110948567.1A priority Critical patent/CN113642796B/zh
Publication of CN113642796A publication Critical patent/CN113642796A/zh
Application granted granted Critical
Publication of CN113642796B publication Critical patent/CN113642796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于历史数据的动态共享电动自动驾驶车辆路径规划方法，首先结合历史数据对规划周期进行划分，得到相互独立的规划时间段，在时间维度上对问题进行分解，可以有效提高算法的求解效率；其次，结合滚动时间窗的思想，依次结合实时用户需求数据对不同规划时间段内车辆路径规划问题进行建模，特别的，每个规划时间段内的需要考虑的用户包括直接被划分到该规划时间段的用户以及前一个规划时间段为被服务且最晚期望到达时间未被超过的用户；最后，本发明给出了结合局部邻域搜索和模拟退火思想的大邻域算法对每个规划时间段内的路径规划问题进行求解，得到可行的路径集合。本发明算法的适用性强，可拓展性高，对实时的参数不敏感。

Description

基于历史数据的动态共享电动自动驾驶车辆路径规划方法
技术领域
本发明属于城市公共交通领域，具体涉及一种基于历史数据的动态共享电动自动驾驶车辆路径规划方法。
背景技术
随着今年来自动驾驶技术的飞速发展，使用自动驾驶车辆作为共享汽车载体的研究和应用正在蓬勃发展中，越来越多的公司和学者开始着手研发基于自动驾驶车辆的共享汽车服务。相较于传统的共享汽车服务，自动驾驶车辆可以自行完成无用户服务时的空车行驶，从而大量减少传统共享汽车系统中的空车调度所带来的人力物力消耗。而电动汽车作为自动驾驶技术的一大载体，相较于传统的燃油汽车可以更好的适配各项新兴的自动驾驶技术。同时使用电动自动驾驶车辆可以有效的减少能源的消耗和交通污染物的排放，是改善城市环境的一项重要手段。相较于传统的共享汽车路径规划问题，基于电动自动驾驶车辆的路径规划问题主要有三大特征：电动车辆的充电问题、自动驾驶车辆的空驶问题以及共享出行问题。因此，传统的共享汽车路径规划方法难以适应引入电动自动驾驶车辆后的共享汽车路径规划问题。因此，目前亟需一种可以适应电动自动驾驶车辆的路径规划方法。
发明内容
本发明的目的是设计一种基于历史数据的动态共享电动自动驾驶车辆路径规划方法，其中结合历史数据将规划周期划分为相互独立的规划时间段，从而降低了问题的规模，结合规划时间段的概念，构建可以服务动态用户出行需求的共享电动自动驾驶车辆的路径规划方法。利用该方法，可以实现实时收集用户需求以及动态地规划共享电动自动驾驶汽车路径，为共享电动自动驾驶汽车的应用创造基础。
为实现上述内容，本发明的技术方案如下：
基于历史数据的动态共享电动自动驾驶车辆路径规划方法，其特征在于，包括以下步骤：
S1：根据历史数据划分规划时间段；
S2：获取规划时间段内用户出行数据并进行数据预处理；
S3：根据规划时间段内用户信息构建规划时间段内车辆轨迹优化模型；
S4：利用大近邻算法求解考虑电动车充电计划的共享电动自动驾驶车辆的路径规划方案。
步骤S1中，根据历史数据划分规划时间段的具体步骤为：
S101：收集连续m周当天的用户历史出行数据，对历史数据进行整理；
S102：按照历史数据中用户出行需求公布的时间以及用户提交的期望用车时间，将每天的规划时间段划分为u个相互独立的规划时间段，规划时间段的划分依据在保证最大规划时间段长度和最大所属历史出行次数的前提下，尽可能地在模型计算能力允许的范围内让规划时间段内包含尽可能多的历史出行次数。
步骤S2中，获取规划时间段内用户出行数据并进行数据预处理的具体步骤为：
S201：收集用户的出行数据，主要包括用户的出发位置，目的地位置，出行需求发布时间，最早预计出发时间，最晚预计到达时间，乘车人数；
S202：将用户按照其出发位置和目的地位置匹配到其步行范围内最接近的共享电动自动驾驶汽车上下客位置，并按照用户的出行需求发布时间，最早预计出发时间，最晚预计到达时间将用户的出行请求匹配到对应的规划时间段。
步骤S3中，根据规划时间段内用户信息构建规划时间段内车辆轨迹优化模型的具体步骤为：
S301：结合每一个规划时间段对应的用户需求以及前一个规划时间段内没有被共享电动自动驾驶车辆服务的用户需求，建立该规划时间段内的共享电动自动驾驶车辆模型；
S302：设置目标函数为：其中M为第一项目标函数的系数；/>表示车辆k是否经过弧段(i,j)，cij表示弧段(i,j)上的行驶费用，第一项目标函数表示最大化在该规划时间段内服务的用户数量，第二项表示最小化规划时间段内共享电动自动驾驶车辆总的行驶成本；
S303：设置如下的流量约束：
约束(1)表示每个用户最多被服务一次，约束(2)和约束(3)分别表示每个车辆从其初始位置出发最终去往其最终位置，约束(4)为流平衡约束，约束(5)表示每个用户的上车点和下车点需要被同一辆车辆访问；其中每个车辆的初始位置表示其上个规划周期最后的位置，其最终位置为一个虚拟的场站，用来保证网络的一致性；
设置如下的时间约束，其中表示车辆k在i点的服务开始时间，tij表示弧段(i,j)上的行程时间，si表示i点的服务时间，η为充电时间，ai和bi为i点的时间窗：
约束(6)和约束(7)分别为用户上下车位置和充电位置的时间连续性约束，约束(8)限制顾客的下车位置在上车位置之后被访问，约束(9)为用户的时间窗约束；
设置如下的电量约束，hij表示弧段(i,j)上的电量消耗，约束(10)和约束(11)分别表示在用户上下车位置和充电位置的电量连续性约束：
设置如下的车载量约束，其中表示车辆k在i点的车载乘客量，qi为i点的顾客数量，/>表示车辆k的最大车载量，约束(12)-(14)分别表示车辆的车载量的连续性约束，最大车载量约束，以及保证车辆在充电过程中不能有车载用户：
步骤S4中，利用大近邻算法求解考虑电动车充电计划的共享电动自动驾驶车辆的路径规划方案的具体步骤为：
S401：使用贪婪插入的方法将尽可能多的用户插入到共享电动自动驾驶车辆的路径中；
S402：使用包含删除、插入、局部邻域搜索的大邻域搜索算法找到新的路径方案；
S403：使用模拟退火思想判别每次迭代中大邻域搜索得到的结果是否被接受、保留。
与现有技术相比，本发明技术方案的有益之处在于：
本发明充分利用了历史数据，在保证求解速度的情况下，使得规划时间段内包含尽可能多的用户需求，从而保证了求解得到的路径的质量；此外使用大邻域算法作为每个规划时间段内的求解算法，算法的适用性强，可拓展性高，对实时的参数不敏感，并且可以取得较好的求解质量。
附图说明
图1为本发明方法流程图；
图2为本发明大邻域算法流程图。
具体实施方式
为了进一步阐述本发明的上述目的，特征和优点，下面结合附图对本发明进行详细描述。
如图1所示，本发明的实施过程包括以下步骤：
S1：根据历史数据划分规划时间段；
收集连续m周当天的用户历史出行数据，对历史数据进行整理；
按照历史数据中用户出行需求公布的时间以及用户提交的期望用车时间，将每天的规划时间段划分为u个相互独立的规划时间段，规划时间段的划分依据在保证最大规划时间段长度Tmax和最大所属历史出行次数Nmax的前提下，即T≤Tmax，N≤Nmax，尽可能地在模型计算能力允许的范围内让规划时间段内包含尽可能多的历史出行次数。
S2：获取规划时间段内用户出行数据并进行数据预处理；
收集用户的出行数据，主要包括用户的出发位置，目的地位置，出行需求发布时间，最早预计出发时间，最晚预计到达时间，乘车人数；
将用户按照其出发位置和目的地位置匹配到其步行范围内最接近的共享电动自动驾驶汽车上下客位置，并按照用户的出行需求发布时间，最早预计出发时间，最晚期望到达时间将用户的出行请求匹配到对应的规划时间段。假设用户i的最早预计出发时间为8：10，最晚期望到达时间为8：30，规划时间段包括：[8:00-8:20]和[8:20-8:40],则应该根据规划时间段的开始结束时间将其划分到规划时间段[8:00-8:20]内。
S3：规划时间段内用户信息构建规划时间段内车辆路径优化模型；
结合每一个规划时间段对应的用户需求以及前一个规划时间段内没有被共享电动自动驾驶车辆服务的用户需求，建立该规划时间段内的共享电动自动驾驶车辆模型。每个规划时间段内需要被考虑的用户主要包括直接被划分到该规划时间段的用户和在前述时间段没有被服务的用户(并且为超过其最晚期望到达时间)，例如在构建与规划时间段[8:00-8:20]相关的车辆路径优化模型时，步骤S2中所述用户i为直接被划分到该规划时间段的用户。假设所述用户i在规划时间段[8:00-8:20]中未被任何车辆服务，同时其最晚期望到达时间8：30未超过，则在下一规划时间段[8:20-8:40]中仍需包含用户i。
设置目标函数为：第一项目标函数表示最大化在该规划时间段内服务的用户数量，第二项表示最小化规划时间段内共享电动自动驾驶车辆总的行驶成本；
设置如下的流量约束：
约束(1)表示每个用户最多被服务一次，约束(2)和约束(3)分别表示每个车辆从其初始位置出发最终去往其最终位置，约束(4)为流平衡约束，约束(5)表示每个用户的上车点和下车点需要被同一辆车辆访问；其中每个车辆的初始位置表示其上个规划周期最后的位置，其最终位置为一个虚拟的场站，用来保证网络的一致性；
设置如下的时间约束，其中表示车辆k在i点的服务开始时间，tij表示弧段(i,j)上的行程时间，si表示i点的服务时间，η为充电时间，ai和bi为i点的时间窗：
约束(6)和约束(7)分别为用户上下车位置和充电位置的时间连续性约束，约束(8)限制顾客的下车位置在上车位置之后被访问，约束(9)为用户的时间窗约束；
设置如下的电量约束，hij表示弧段(i,j)上的电量消耗，约束(10)和约束(11)分别表示在用户上下车位置和充电位置的电量连续性约束：
设置如下的车载量约束，其中表示车辆k在i点的车载乘客量，qi为i点的顾客数量，/>表示车辆k的最大车载量，约束(12)-(14)分别表示车辆的车载量的连续性约束，最大车载量约束，以及保证车辆在充电过程中不能有车载用户：
S4：利用大近邻算法求解考虑电动车充电计划的共享电动自动驾驶车辆的路径规划方案；
使用贪婪插入的方法将尽可能多的用户插入到共享电动自动驾驶车辆的路径中。具体的，从第一个用户开始，将其插入到使得插入后所有车辆总的行驶成本最小的车辆的最优位置处。特别的，在贪婪插入过程中，不考虑车载量和电量的可行性，而是在目标函数中增加有关车载量和电量约束被违反的惩罚和/>
使用如图2所示的大邻域搜索算法求解步骤S3中给出的模型，具体的步骤如下：
步骤1：依据给定的删除策略删除现有路径集合中比例为α的用户，实例中采用的α的范围为0-1。具体的：可采用的删除策略包括，随机挑选现有路径集合中的比例为α的用户删除；选择删除后可以使路径费用减少最多的比例为α的用户；选择删除后可以使得路径费用减少第k位的用户(k-regret删除，在实例中k选择2，3及4)；随机将一辆车辆服务的所有用户删除；选择当前费用最大的一辆车辆删除其所有用户。将所有被删除的用户放入待插入用户集合中。
步骤2：依此按照给定的插入策略从待插入顾客集合中挑选顾客插入使得插入以后的行驶费用最小的位置。具体的插入操作包括：随机从待插入顾客集合中选择顾客；依此选择插入后使得费用增长最小的顾客；依此选择插入后使得费用增长第k位的顾客(k-regret插入，在实例中k选择2，3及4)。特别的，类似于贪婪的插入过程，大邻域算法的插入过程中，也不考虑车载量和电量的可行性，而是在目标函数中增加有关车载量和电量约束被违反的惩罚。
其中每个删除及插入操作均具有选择比重wi，每次迭代中按照下式：
根据轮盘赌规则计算各删除插入操作选择概率pi，并依据概率选择删除及插入操作。
步骤3：若未达到最大循环次数R1，返回步骤1继续循环，循环次数r1＝r1+1。若达到最大循环次数则调用局部邻域搜索策略优化当前结果，具体的：局部邻域搜索的策略包括：交换路径内两个顾客的顺序，交换路径间两个顾客顺序，交换路径间若干在服务序列中位置相同的顾客。实例中局部邻域搜索的迭代次数为R2。完成局部邻域搜索即完成一次大邻域算法的整体迭代。
步骤4：判断是否达到最大搜索循环次数R，若未达到循环次数，更新删除插入操作权重返回步骤1，并设置循环次数r＝r+1，否则输出当前最好的结果。具体的：删除及插入操作的比重按照下式更新：
其中，参数θ表示依据删除插入操作得分更新比重的系数，在实例中，θ的取值范围为0-1。ρi表示各操作在迭代过程中出现的次数，πi表示各操作在迭代过程的得分，具体的：当删除插入操作后得到一个新的最优解，得分为33，当删除插入操作后得到一个不是最优解但是优于操作之前的解，得分为9，当删除插入操作后得到的解差于操作之前的解，但基于模拟退火机制被选择时，得分为13。
以上仅是本发明的优选实施方式，本发明的保护范围并不局限于上述实施案例，值得指出，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (1)

1.基于历史数据的动态共享电动自动驾驶车辆路径规划方法，其特征在于，包括以下步骤：
S1：根据历史数据划分规划时间段；
S2：获取规划时间段内用户出行数据并进行数据预处理；
S3：根据规划时间段内用户信息构建规划时间段内车辆轨迹优化模型；
S4：利用大近邻算法求解考虑电动车充电计划的共享电动自动驾驶车辆的路径规划方案；
根据历史数据划分规划时间段的具体步骤为：
S101：收集连续m周当天的用户历史出行数据，对历史数据进行整理；
S102：按照历史数据中用户出行需求公布的时间以及用户提交的期望用车时间，将每天的规划时间段划分为u个相互独立的规划时间段，规划时间段的划分依据在保证最大规划时间段长度和最大所属历史出行次数的前提下，尽可能地在模型计算能力允许的范围内让规划时间段内包含尽可能多的历史出行次数；
获取规划时间段内用户出行数据并进行数据预处理的具体步骤为：
S201：收集用户的出行数据，主要包括用户的出发位置，目的地位置，出行需求发布时间，最早预计出发时间，最晚预计到达时间，乘车人数；
S202：将用户按照其出发位置和目的地位置匹配到其步行范围内最接近的共享电动自动驾驶汽车上下客位置，并按照用户的出行需求发布时间，最早预计出发时间，最晚预计到达时间将用户的出行请求匹配到对应的规划时间段；
根据规划时间段内用户信息构建规划时间段内车辆轨迹优化模型的具体步骤为：
S301：结合每一个规划时间段对应的用户需求以及前一个规划时间段内没有被共享电动自动驾驶车辆服务的用户需求，建立该规划时间段内的共享电动自动驾驶车辆模型；
S302：设置目标函数为：其中M为第一项目标函数的系数；/>表示车辆k是否经过弧段(i,j)，cij表示弧段(i,j)上的行驶费用，第一项目标函数表示最大化在该规划时间段内服务的用户数量，第二项表示最小化规划时间段内共享电动自动驾驶车辆总的行驶成本；
S303：设置如下的流量约束：
约束(1)表示每个用户最多被服务一次，约束(2)和约束(3)分别表示每个车辆从其初始位置出发最终去往其最终位置，约束(4)为流平衡约束，约束(5)表示每个用户的上车点和下车点需要被同一辆车辆访问；其中每个车辆的初始位置表示其上个规划周期最后的位置，其最终位置为一个虚拟的场站，用来保证网络的一致性；
设置如下的时间约束，其中表示车辆k在i点的服务开始时间，tij表示弧段(i,j)上的行程时间，si表示i点的服务时间，η为充电时间，ai和bi为i点的时间窗：
约束(6)和约束(7)分别为用户上下车位置和充电位置的时间连续性约束，约束(8)限制顾客的下车位置在上车位置之后被访问，约束(9)为用户的时间窗约束；
设置如下的电量约束，hij表示弧段(i,j)上的电量消耗，约束(10)和约束(11)分别表示在用户上下车位置和充电位置的电量连续性约束：
设置如下的车载量约束，其中表示车辆k在i点的车载乘客量，qi为i点的顾客数量，/>表示车辆k的最大车载量，约束(12)-(14)分别表示车辆的车载量的连续性约束，最大车载量约束，以及保证车辆在充电过程中不能有车载用户：
利用大近邻算法求解考虑电动车充电计划的共享电动自动驾驶车辆的路径规划方案的具体步骤为：
S401：使用贪婪插入的方法将尽可能多的用户插入到共享电动自动驾驶车辆的路径中；
S402：使用包含删除、插入、局部邻域搜索的大邻域搜索算法找到新的路径方案；
S403：使用模拟退火思想判别每次迭代中大邻域搜索得到的结果是否被接受、保留。
CN202110948567.1A 2021-08-18 2021-08-18 基于历史数据的动态共享电动自动驾驶车辆路径规划方法 Active CN113642796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110948567.1A CN113642796B (zh) 2021-08-18 2021-08-18 基于历史数据的动态共享电动自动驾驶车辆路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110948567.1A CN113642796B (zh) 2021-08-18 2021-08-18 基于历史数据的动态共享电动自动驾驶车辆路径规划方法

Publications (2)

Publication Number Publication Date
CN113642796A CN113642796A (zh) 2021-11-12
CN113642796B true CN113642796B (zh) 2024-06-04

Family

ID=78422592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110948567.1A Active CN113642796B (zh) 2021-08-18 2021-08-18 基于历史数据的动态共享电动自动驾驶车辆路径规划方法

Country Status (1)

Country Link
CN (1) CN113642796B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117288206B (zh) * 2023-11-23 2024-02-02 四川国蓝中天环境科技集团有限公司 一种基于自适应大邻域搜索的无人机路线规划方法
CN118410931B (zh) * 2024-07-04 2024-10-15 松立控股集团股份有限公司 一种路内车场最佳巡检时段与路径推荐方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027755A (zh) * 2019-11-22 2020-04-17 珠海格力电器股份有限公司 基于路径规划的共享电车选取方法和预定方法
KR20200064190A (ko) * 2018-11-20 2020-06-08 한국과학기술원 공유형 자율주행자동차 관리 서버 및 방법
CN111612358A (zh) * 2020-05-25 2020-09-01 北京交通大学 共享汽车车辆调度及调度员路径优化方法
WO2020199524A1 (zh) * 2019-04-02 2020-10-08 长安大学 一种基于网络表示学习的网约共享出行人员匹配方法
CN112577502A (zh) * 2019-09-30 2021-03-30 华为技术有限公司 一种行驶规划的方法及装置
CN112729324A (zh) * 2020-11-24 2021-04-30 北京交通大学 基于互助出行系统的电动汽车充电引导和路径规划方法
CN112882466A (zh) * 2021-01-12 2021-06-01 上海电力大学 一种融合分层规划和a*算法的共享电动汽车路径规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9792575B2 (en) * 2016-03-11 2017-10-17 Route4Me, Inc. Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints
US20190061545A1 (en) * 2017-08-31 2019-02-28 Electric Motor Werks, Inc. Systems and methods for electric vehicle charging with automated trip planning integration

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200064190A (ko) * 2018-11-20 2020-06-08 한국과학기술원 공유형 자율주행자동차 관리 서버 및 방법
WO2020199524A1 (zh) * 2019-04-02 2020-10-08 长安大学 一种基于网络表示学习的网约共享出行人员匹配方法
CN112577502A (zh) * 2019-09-30 2021-03-30 华为技术有限公司 一种行驶规划的方法及装置
CN111027755A (zh) * 2019-11-22 2020-04-17 珠海格力电器股份有限公司 基于路径规划的共享电车选取方法和预定方法
CN111612358A (zh) * 2020-05-25 2020-09-01 北京交通大学 共享汽车车辆调度及调度员路径优化方法
CN112729324A (zh) * 2020-11-24 2021-04-30 北京交通大学 基于互助出行系统的电动汽车充电引导和路径规划方法
CN112882466A (zh) * 2021-01-12 2021-06-01 上海电力大学 一种融合分层规划和a*算法的共享电动汽车路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Modeling Heterogeneous Traffic Mixing Regular, Connected, and Connected-Autonomous Vehicles Under Connected Environment;崔少华 等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;全文 *
两阶段启发式算法求解带时间窗的多中心车辆路径问题;于滨;《系统工程理论与实践》;全文 *

Also Published As

Publication number Publication date
CN113642796A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN105160428B (zh) 高速公路电动汽车快速充电站的规划方法
CN115547052B (zh) 改进自适应大邻域算法的动态需求响应电动公交调度方法
CN109934391B (zh) 一种纯电动公交车辆的智能调度方法
CN113222387B (zh) 面向氢燃料车辆的多目标调度与协同优化方法
CN113642796B (zh) 基于历史数据的动态共享电动自动驾驶车辆路径规划方法
EP3919318A1 (en) Intelligent charging method and system for electric vehicle on highway
CN105046356B (zh) 一种电动汽车续航里程优化装置及方法
CN115100896B (zh) 一种考虑机会充电策略的电动需求响应公交调度方法
CN114723125B (zh) 一种结合深度学习和多任务优化的城际车订单分配方法
CN113393109B (zh) 电动汽车充电负荷计算方法
CN107919014A (zh) 面向多载客里程的出租车收入效率优化方法
CN112309122A (zh) 一种基于多系统协同的智慧公交分级决策系统
CN107274665A (zh) 巴士运力资源规划方法及系统
CN108133329B (zh) 考虑充电反馈效应的电动汽车出行与充电需求分析方法
CN110189182A (zh) 一种基于车联网的里程焦虑管理方法
Liu et al. Optimal electric vehicle charging strategies for long-distance driving
Scarpelli et al. Charging electric vehicles on highways: Challenges and opportunities
CN113222248A (zh) 一种自动驾驶出租车充电桩选择方法
Wan et al. Online recommendation system for autonomous and human-driven ride-hailing taxi services
CN115663867A (zh) 基于智能充电网络系统的电动汽车充电调度方法
CN116151397A (zh) 一种混合服务模式下的网约车订单派送方法
CN113313327A (zh) 一种基于Agent仿真的电动汽车充电桩布局优化方法
Van Son et al. Prediction-based optimization for online People and Parcels share a ride taxis
CN115409288B (zh) 基于区域数字经济的物联网服务管理系统
CN115358471B (zh) 一种基于移动充电的电动汽车配送路径规划方法及系统

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