本發(fā)明屬于車輛路徑優(yōu)化領(lǐng)域，具體說是一種基于大數(shù)據(jù)的校車路徑優(yōu)化方法。

背景技術(shù)：

隨著我國城鄉(xiāng)經(jīng)濟迅速發(fā)展，人民生活水平日益提高，人們對教育的重視程度也越來越大，我國政府對教育的投入也逐年增加，使得我國中小學(xué)入學(xué)人數(shù)增多，中小學(xué)校數(shù)也比改革開放初期大幅度增加。

社會經(jīng)濟的發(fā)展、城市化進程的加快，道路交通的擁堵和安全問題也隨之而來，其中學(xué)生的出行問題更是當(dāng)今社會普遍關(guān)注的。而校車作為一種專門面向?qū)W生的公共交通工具，即能夠滿足運送大量學(xué)生的需求又能保證安全，使其成為解決學(xué)生出行問題的最佳方案。對于校車而言，最重要的就是行駛路線的選取，這就需要考慮校車是否能夠滿足分布在各個居住地的學(xué)生的需求。所以對校車行駛路線進行科學(xué)合理的優(yōu)化調(diào)度就顯得迫在眉睫。

由于乘車費用以及城市道路交通的復(fù)雜性，現(xiàn)有的校車路徑規(guī)劃具有學(xué)區(qū)分布不均，人數(shù)分布不平衡，安全性不高等局限性；解決方案只是針對大量數(shù)據(jù)淺顯分析乘車意愿和位置分布，沒有找出大量數(shù)據(jù)之間的關(guān)聯(lián)性和潛在的有價值數(shù)據(jù)。隨著數(shù)據(jù)挖掘技術(shù)研究的進步與發(fā)展，給校車路徑優(yōu)化帶來了新的方法和思路。

結(jié)合上述問題，再加上近些年來，學(xué)校門前擁堵點已成為各大城市交通擁堵治理的關(guān)鍵點位。根據(jù)調(diào)查其原因在于學(xué)校周邊配套交通設(shè)施，集散場地及接送車輛停車位缺乏，尤其是如果小學(xué)門前道路為城市主干道路，上下學(xué)期間一旦發(fā)生交通擁堵，就會影響到周邊區(qū)域的通行能力。為緩解交通擁堵，完善中小學(xué)周邊交通設(shè)施配套，維護學(xué)校周邊交通秩序，同時保證小學(xué)生上下學(xué)期間的交通安全，建立中小學(xué)出行大數(shù)據(jù)分析系統(tǒng)十分必要。

技術(shù)實現(xiàn)要素：

鑒于上述問題，為了提高校車運行效率，保證學(xué)生的安全和交通的便捷性，節(jié)約成本和時間，減輕社會交通壓力，提出一種基于大數(shù)據(jù)的校車路徑優(yōu)化方法。

為實現(xiàn)上述目的，本申請采用的技術(shù)方案是：一種基于大數(shù)據(jù)的校車路徑優(yōu)化方法，具體包括：

S1：對現(xiàn)有大量數(shù)據(jù)進行統(tǒng)計，得出先驗信息；

S2：利用赤池信息量模型，結(jié)合先驗信息，提取特征參數(shù)子集；

S3：依據(jù)特征參數(shù)子集，計算概率密度，得到交通擁堵程度；

S4：劃分區(qū)域，對每一區(qū)域內(nèi)學(xué)生點進行初始靜態(tài)路徑規(guī)劃；

S5：基于靜態(tài)路徑和交通擁堵程度建立動態(tài)預(yù)測最優(yōu)路線模型；

S6：依次判斷出最優(yōu)點，得到最優(yōu)路徑。

進一步的，赤池信息量模型為：

AIC_H＝logσ²+(m/n)logn

其中σ²為模型方差，m為模型的最高參數(shù)，n為參數(shù)個數(shù)，選取AIC值最小的特征參數(shù)子集，即為最優(yōu)影響因素子集。

進一步的，概率密度指的是網(wǎng)絡(luò)各路段之間聯(lián)系的擁堵程度；網(wǎng)絡(luò)之間的聯(lián)系越緊密，路段的擁堵程度就越大，其計算公式如下：

P＝f(S,T,M)

其中，S、T、M是上述赤池信息量模型選取出的影響因素。

進一步的，將不擁堵狀態(tài)路段視為健康狀態(tài)S，半擁堵狀態(tài)視為感染狀態(tài)I，擁堵狀態(tài)視為被移除狀態(tài)R；S_k(t)、I_k(t)和R_k(t)分別為具有k個邊的節(jié)點處于不擁堵狀態(tài)、半擁堵狀態(tài)、擁堵狀態(tài)的相對密度，并且滿足歸一化條件：

S_k(t)+I_k(t)+R_k(t)＝1。

進一步地，S(t)、I(t)、R(t)分別表示網(wǎng)絡(luò)中節(jié)點處于不擁堵狀態(tài)、半擁堵狀態(tài)、擁堵狀態(tài)的平均密度，可用具有k個邊的節(jié)點的相對密度表示為：

更進一步的，不擁堵狀態(tài)節(jié)點、半擁堵狀態(tài)節(jié)點和擁堵狀態(tài)節(jié)點的相對密度S_k(t)、I_k(t)和R_k(t)隨時間演化的非線性微分方程為：

其中，健康個體與感染個體相接觸時,健康個體將以p的概率被感染，同時，感染個體以δ概率恢復(fù)為健康個體，定義有效傳播率為λ＝p/δ；并且0≤Θ(t)≤1表示任意一條給定的邊與一個感染節(jié)點相連的概率，在無關(guān)聯(lián)無標(biāo)度網(wǎng)絡(luò)中，Θ(t)表達式為：

其中表示網(wǎng)絡(luò)節(jié)點平均度。

更進一步的，根據(jù)校車數(shù)量nb劃分nb個區(qū)域，以學(xué)校為中心，根據(jù)地理位置，使每個區(qū)域包含學(xué)生數(shù)量大體相同：

每一輛校車的可載人數(shù)為n，該學(xué)校乘車總?cè)藬?shù)為N，每個區(qū)域內(nèi)學(xué)生點確定后，以學(xué)校為出發(fā)點，尋找最近的學(xué)生點，依次連接成初始靜態(tài)路徑。

作為更進一步的，動態(tài)預(yù)測最優(yōu)路線模型為：

L＝αA+βD+δE

其中，A為擁堵程度，D為距離，E為偏離量；α為擁堵系數(shù)，表示各路段擁堵程度的調(diào)節(jié)參數(shù)；β為距離系數(shù)，表示當(dāng)前節(jié)點與下一節(jié)點距離的調(diào)節(jié)參數(shù)；δ為偏離系數(shù)，前進方向與預(yù)期方向偏離程度的調(diào)節(jié)參數(shù)，其中擁堵系數(shù)與偏離系數(shù)所占比重較大，且三個系數(shù)滿足式：

α+β+δ＝1；

根據(jù)上述模型判斷最優(yōu)的下一個點，依次選取到第n個點，最終得到校車最優(yōu)規(guī)劃路線。

作為更進一步的，動態(tài)預(yù)測最優(yōu)路線模型變量包含：

擁堵程度A：表示各路段在不同時間內(nèi)的擁堵狀況，分為不擁堵狀態(tài)S(t)、半擁堵狀態(tài)I(t)、擁堵狀態(tài)R(t)；則：

距離D：表示當(dāng)前節(jié)點與下一節(jié)點之間的距離；

偏離量E：表示前進方向與預(yù)期方向的偏離程度，偏離程度取值為0°～90°。

本發(fā)明由于采用以上技術(shù)方案，能夠取得如下的技術(shù)效果：本申請通過大數(shù)據(jù)的分析給出了貼合實際的影響因素子集，為模型建立更符合實際情況提供了參考依據(jù)；交通擁堵情況分析可以有效地反映實時動態(tài)擁堵程度，提高路徑規(guī)劃可靠性和學(xué)生安全性；同時所提出的動態(tài)預(yù)測最優(yōu)路線模型以靜態(tài)路徑和擁堵程度作為參考，抉擇出最優(yōu)的路線，進而得到一條最優(yōu)的校車路徑規(guī)劃方案，節(jié)約運行成本和時間，減輕社會交通壓力，保證學(xué)生安全和交通便捷性。這為校車路徑規(guī)劃提供了一種優(yōu)化方案。

附圖說明

本發(fā)明共有附圖7幅：

圖1為本方法流程圖；

圖2為影響因素圖；

圖3為基于赤池信息量模型AIC的多項式回歸計算過程；

圖4為路段擁堵狀態(tài)演化圖；

圖5為導(dǎo)入ArcGis軟件的學(xué)生區(qū)域分布圖；

圖6為導(dǎo)入ArcGis軟件的一個學(xué)生區(qū)域靜態(tài)路徑圖；

圖7為導(dǎo)入ArcGis軟件所設(shè)計模型后的最優(yōu)路徑規(guī)劃圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細描述。

實施例1

本實施例提供一種基于大數(shù)據(jù)的校車路徑優(yōu)化方法，具體包括：

S1：對現(xiàn)有大量數(shù)據(jù)進行統(tǒng)計，得出先驗信息；利用赤池信息量模型，結(jié)合先驗信息，提取特征參數(shù)子集；

通過對現(xiàn)有的學(xué)生數(shù)據(jù)進行統(tǒng)計分析，找出各參數(shù)對校車路徑規(guī)劃的影響結(jié)構(gòu)構(gòu)成，結(jié)合大數(shù)據(jù)可以看到影響學(xué)生出行方式的因素有很多，如：上學(xué)離家時間、家庭住址、所在年級班級、性別、出行人數(shù)、學(xué)校所在位置、上學(xué)出行方式、放學(xué)出行時間等。這些因素都對學(xué)生出行和校車的路線規(guī)劃有一定的影響，但影響強度不同，如圖2所示，將每個影響因子的階數(shù)都設(shè)為一次且是相互獨立的，因此建立出行影響因素方程X＝[x₀x₁...x_m]＝[上學(xué)出行方式、家庭住址、性別、上學(xué)離家時間、出行人數(shù)、所在年級班級、學(xué)校所在位置、放學(xué)出行時間]。m＝8因此根據(jù)數(shù)據(jù)分析中不同影響因子的影響程度對影響因素進行經(jīng)驗分組，并計算AIC值，如下表1所示。

基于上表結(jié)果，選取序號為3即AIC值最小的特征組合(上學(xué)出行方式、家庭住址、上學(xué)離家時間)，可得到最好的解釋擁堵情況且包含最少影響因子的模型。在先驗信息確定了影響因子后，我們結(jié)合如圖3所示的計算過程進行計算。

所用到的赤池信息量定義如下式所示：

AIC＝2k-2ln(L)

式中k為獨立參數(shù)個數(shù)，L為似然函數(shù)。這里采用赤池信息量模型AIC如下式所示：

AIC_H＝logσ²+(m/n)logn

其中σ²為模型方差，m為模型的最高參數(shù)，n為參數(shù)個數(shù)。

S2：依據(jù)特征參數(shù)子集，計算概率密度，并計算相對密度和平均密度，得到交通擁堵程度；

理論上校車應(yīng)當(dāng)選擇不擁堵的路段進行行駛，但是經(jīng)過數(shù)據(jù)分析，不擁堵路段需要搭乘校車的學(xué)生較少，并不是校車行駛最優(yōu)路線，當(dāng)校車行駛在半擁堵路線時，搭乘一部分學(xué)生后，會相對減小道路擁堵情況，這時半擁堵路段演變?yōu)椴粨矶侣范?，同時，擁堵路段將會“感染”不擁堵路段，使自身交通壓力得以分散，從而減輕擁堵路段的交通壓力，其演化模型如圖4所示。

當(dāng)健康個體與感染個體相接觸時,健康個體將以p的概率被感染；同時，感染個體以δ概率恢復(fù)為健康個體。定義有效傳播率為λ＝p/δ。無標(biāo)度網(wǎng)絡(luò)中健康節(jié)點、感染節(jié)點和被移除節(jié)點的相對密度S_k(t)、I_k(t)和R_k(t)隨時間演化滿足非線性微分方程。

S3：劃分區(qū)域，對每一區(qū)域內(nèi)學(xué)生點進行初始靜態(tài)路徑規(guī)劃；

按照實際情況，根據(jù)每一輛車的可載人數(shù)n，該學(xué)校乘車總?cè)藬?shù)N。得到校車數(shù)量。根據(jù)校車數(shù)量劃分各區(qū)域，以學(xué)校為中心，根據(jù)地理位置，使每個區(qū)域包含學(xué)生數(shù)量大體相近；

將學(xué)生地理位置信息導(dǎo)入到ArcGis軟件中，得到如圖5所示結(jié)果。每個區(qū)域內(nèi)學(xué)生點確定后，以學(xué)校為出發(fā)點，尋找最近的學(xué)生點，依次連接成初始靜態(tài)路徑，所得到結(jié)果如圖6所示。

S4：基于靜態(tài)路徑和交通擁堵程度建立動態(tài)預(yù)測最優(yōu)路線模型；

結(jié)合上述分析得到的靜態(tài)路徑和擁堵程度A，建立動態(tài)預(yù)測最優(yōu)路線模型。模型變量包含擁堵程度A、兩節(jié)點距離D和行使路線相對靜態(tài)路徑的偏離量E，模型系數(shù)則對應(yīng)于各模型變量的系數(shù)。最后利用變量和系數(shù)，組成下式動態(tài)預(yù)測最優(yōu)路線模型：

L＝αA+βD+δE

S5：依次判斷出最優(yōu)點，得到最優(yōu)路徑；

根據(jù)上述公式可以判斷最優(yōu)的下一個點，依次選取到第n個點，最終得到校車最優(yōu)規(guī)劃路線。導(dǎo)入模型和數(shù)據(jù)，最后就形成了如圖7所示的實際最優(yōu)路徑。

實施例2

對實施例1中的步驟S2進行進一步解釋說明，將校車各段行駛路線的擁堵情況看做個體，根據(jù)上述分析的影響因素得到不同路段的擁堵程度，可以分別對應(yīng)三種狀態(tài)：不擁堵狀態(tài)、半擁堵狀態(tài)、擁堵狀態(tài)?？蓪⒉粨矶聽顟B(tài)路段視為健康狀態(tài)S，半擁堵狀態(tài)視為感染狀態(tài)I，擁堵狀態(tài)視為被移除狀態(tài)R。

S_k(t)、I_k(t)和R_k(t)分別為具有k個邊的節(jié)點處于不擁堵狀態(tài)、半擁堵狀態(tài)、擁堵狀態(tài)的相對密度，并且滿足歸一化條件：

S_k(t)+I_k(t)+R_k(t)＝1

S(t)、I(t)、R(t)分別表示網(wǎng)絡(luò)中所有節(jié)點處于不擁堵狀態(tài)、半擁堵狀態(tài)、擁堵狀態(tài)的平均密度，并且可用具有k個邊的節(jié)點的相對密度來表示：

其中，概率密度指的是網(wǎng)絡(luò)各路段之間聯(lián)系的擁堵程度。聯(lián)系越緊密，擁堵程度就越大，其計算公式如下：

P＝f(S,T,M)

P為概率密度，S為家庭住址，T為上學(xué)離家時間，M為上學(xué)出行方式。S、T、M是上述AIC準(zhǔn)則選取出的影響因素。

無標(biāo)度網(wǎng)絡(luò)中不擁堵狀態(tài)節(jié)點、半擁堵狀態(tài)節(jié)點和擁堵狀態(tài)節(jié)點的相對密度S_k(t)、I_k(t)和R_k(t)隨時間演化的非線性微分方程為：

其中，健康個體與感染個體相接觸時,健康個體將以p的概率被感染，同時，感染個體以δ概率恢復(fù)為健康個體，定義有效傳播率為λ＝p/δ；并且0≤Θ(t)≤1表示任意一條給定的邊與一個感染節(jié)點相連的概率，在無關(guān)聯(lián)無標(biāo)度網(wǎng)絡(luò)中，Θ(t)表達式為：

其中表示網(wǎng)絡(luò)節(jié)點平均度。

實施例3

對實施例1中的步驟S4進行進一步解釋說明：動態(tài)預(yù)測最優(yōu)路線模型為：

L＝αA+βD+δE

其中，A為擁堵程度，D為距離，E為偏離量；α為擁堵系數(shù)，β為距離系數(shù)，δ為偏離系數(shù)。

模型變量包含，

a、擁堵程度A：表示各路段在不同時間內(nèi)的擁堵狀況，可分為不擁堵狀態(tài)S(t)、半擁堵狀態(tài)I(t)、擁堵狀態(tài)R(t)。則：

b、距離D：表示當(dāng)前節(jié)點與下一節(jié)點之間的距離；

c、偏離量E：表示前進方向與預(yù)期方向的偏離程度，偏離程度取值為0°～90°。

模型系數(shù)包含，

a、擁堵系數(shù)α：表示各路段擁堵程度的調(diào)節(jié)參數(shù)；

b、距離系數(shù)β：表示當(dāng)前節(jié)點與下一節(jié)點距離的調(diào)節(jié)參數(shù)；

c、偏離系數(shù)δ：前進方向與預(yù)期方向偏離程度的調(diào)節(jié)參數(shù)。

其中擁堵系數(shù)與偏離系數(shù)所占比重較大，且三個系數(shù)滿足下式：

α+β+δ＝1

根據(jù)上述模型判斷最優(yōu)的下一個點，依次選取到第n個點。最終得到校車最優(yōu)規(guī)劃路線。

實施例4

本實施例針對實施例1-3提出的校車路徑優(yōu)化方法進行進一步驗證，采用ArcGis軟件進行地理數(shù)據(jù)分析，將學(xué)校和學(xué)生家庭住址導(dǎo)入系統(tǒng)，并通過上述方法找到最優(yōu)路徑。

以沈陽某一小學(xué)的一個區(qū)域為例子說明，取A小學(xué)有乘坐校車意愿的學(xué)生的地理位置信息，轉(zhuǎn)化經(jīng)緯度，導(dǎo)入ArcGIS平臺中，得到地理分布圖。根據(jù)地理分布將學(xué)生劃分為不同區(qū)域，針對各個區(qū)域?qū)W生的具體地理位置設(shè)計初始靜態(tài)路徑。并得出各點路徑的實時擁堵程度，最后利用動態(tài)預(yù)測最優(yōu)路線模型，以學(xué)校作為初始點，依據(jù)上一路徑點來動態(tài)選取下一路徑點，最后得出最優(yōu)動態(tài)路徑，得出如圖7所示結(jié)果。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。