城市配送中心自有车辆规模研究

确定合理的自有车辆规模,是配送中心有效降低物流配送成本的措施之一。通过引入配送周期的概念,修正过去以天为周期计算配送中心所需车辆数的方法,从而得到能更准确反映配送中心用车情况的统计资料,在考虑内外车辆对客户服务水平的影响后,建立成本最小模型及模型求解方法,并结合算例计算出城市配送中心合理的自有车辆数。

考虑接驳费用的车辆共享调度算法研究

针对现有的车辆共享调度算法未充分考虑车辆共享调度时造成的接驳费用问题,研究最小车辆规模最少接驳费用调度优化模型,并改进二分图匹配算法进行求解。根据车辆共享过程中调度方案的优化问题描述,以满足给定出行需求的车辆规模最小以及车辆调度接驳费用最少为目标,构建双目标优化模型。基于有向无环图对车辆出行需求进行建模,将模型求解转化为二分图最大匹配且权重最优匹配问题,提出Kuhn-Munkres算法求解最大匹配最小权重匹配的权重设置条件并进行证明,进而设计Hopcroft-Karp与Kuhn-Munkres算法融合框架进行求解。以安徽省宣城市部分出行为例进行模型和算法合理性分析,479辆自动驾驶共享车辆可以满足13 575个出行需求;与未考虑接驳费用目标的调度算法相比,调度总费用减少40.8%左右。算法可求解最小车辆规模并降低调度成本。

未来城市自动驾驶共享汽车规模研究：以上海为例

随着自动驾驶技术的发展,未来以自动驾驶共享汽车(Shared Autonomous Vehicle,SAV)替代有人驾驶汽车成为可能.使用SAV满足城市居民机动化出行需求的情况下,研究SAV的车辆规模.从上海市300万手机用户信令数据中提取机动化出行需求,考虑上海市实际路况的影响,建立基于车辆可共享网络的图论模型,将最小车队规模问题转化为有向无环图的最小路径覆盖问题,利用Hopcroft-Karp算法求解.求解得到,12.8万辆SAV可以满足300万手机用户的机动化出行需求.研究最大调度时间限制、服务范围限制、交通拥堵对SAV车辆规模的影响,为自动驾驶技术普及后,从城市层面确定SAV的车队规模及相应基础设施规划提供参考.

基于多源公交数据和车时成本优化的公交运营时段划分方法

现有公交运营时段划分方法均基于单一参数(乘客需求或行程时间)的相似性,忽略了乘客需求与行程时间对时段划分方案的协同作用。针对传统方法的缺陷,利用多源公交数据,提出一种新的基于最小化车队运营时间成本的时段划分方法。首先,利用逆差函数模型计算时间窗内完成班次任务所需要的最小车队规模,进而利用滑动时间窗模型,计算全天各时间窗所需的理论最小车队规模。然后,以时段划分方案的时间分割点为决策变量,以最小化全天累计车队运营时间成本为目标建立优化模型,采用遗传算法对运营时段划分方案进行寻优。最后,以广州市87路公交线路实际数据为例进行验证,并对模型参数进行敏感性分析。研究结果表明:与传统方法相比,所提方法能更好地实现运力与运量相匹配,并有效降低车时成本;与以往基于断面客流和基于行程时间的划分方案相比,所提方案的车时成本分别降低25 veh·h和45.33 veh·h。

自动驾驶条件下共享车辆车队规模

随着自动驾驶技术的发展和普及,未来以自动驾驶车辆替代传统有人驾驶私家车辆成为大势所趋,本文研究的目标是提出一种解决小规模自动驾驶共享车辆(Shared Autonomous Vehicle, SAV)车队规模的方法,并进行实际案例分析。使用的数据集是上海市50辆新能源私家车一年的轨迹数据,使用此部分出行需求,给出了计算两次出行是否可以衔接的具体方法,得到衔接矩阵。然后将求解最小车队规模问题转化为求解多旅行商问题(Multiple Travelling Salesman Problem, MTSP)的最短路问题,并证明两者具有等价性。论文提出使用排序遗传算法对此问题进行求解,使用5种常见的排序交叉算子分别验证求解质量,得到OX1交叉算子的质量最优。最后选择OX1交叉算子计算出行需求数排名前20天的SAV的最小规模,得到SAV的平均替代率为2.4。即在本研究中,一辆SAV平均可以替代2.4辆传统私家车,为未来自动驾驶技术普及后,SAV的车队规模问题提供参考。