發(fā)布時間：2020-11-18 20:10

　　 城市公共自行車的出現(xiàn)有效的解決了短途出行“最后一公里”的問題,已經(jīng)成為公共交通體系中不可或缺的環(huán)節(jié)。然而,在其快速發(fā)展的同時,由于交通的潮汐性以及車輛調度的不及時,出現(xiàn)了公共自行車系統(tǒng)站點車輛的供需不平衡現(xiàn)象,極大程度上影響系統(tǒng)的發(fā)展以及出行用戶的使用體驗。如何提前準確的預測出系統(tǒng)各個站點的出行需求量并在此基礎上進行合理的車輛調度對于解決調度的滯后性具有重要意義。本文通過對城市公共自行車出行影響因素的分析、對站點的出行需求量進行預測并在此基礎上提出了系統(tǒng)的車輛調度機制,為城市公共自行車系統(tǒng)持久發(fā)展提供了重要的理論依據(jù)。首先,本文闡述了國內(nèi)外城市公共自行車站點規(guī)劃、需求量預測以及車輛調度問題的研究現(xiàn)狀,分析了目前公共自行車系統(tǒng)發(fā)展所存在的供需不平衡,調度不及時等問題。以美國舊金山灣區(qū)城市公共自行車出行數(shù)據(jù)、天氣數(shù)據(jù)為基礎,對其進行數(shù)據(jù)挖掘,分析了氣象條件(溫度、濕度、風速、云量、天氣)對站點騎行量的影響并對其進行了相關性分析;對站點的騎行量從時間尺度(月、周、日、小時)的變化規(guī)律進行了分析;此外,還分析了站點與站點之間的關聯(lián)性,從而把握系統(tǒng)站點的出行特點。其次,在對系統(tǒng)騎行量影響因素分析的基礎上,使用聚類算法對站點進行時空聚類,以此得到站點的相關站點簇,接下來利用對數(shù)優(yōu)化方法對異常數(shù)據(jù)進行轉換,減少異常數(shù)據(jù)對預測模型的影響,并利用泛化性能較好的隨機森林構建需求量預測模型,對不同的站點簇分別建立不同的預測模型,使得模型對同一站點簇內(nèi)的數(shù)據(jù)更有針對性,從而提高預測模型的預測精度。最后,對車輛調度問題的定義以及分類進行了闡述,分析了目前公共自行車系統(tǒng)車輛調度所存在的問題,考慮了用戶出行需求的隨機性,結合上述預測分析結果提出了一種價格激勵機制的車輛調度方法,實現(xiàn)公共自行車系統(tǒng)站點的供需平衡。在提高服務水平的同時,降低了系統(tǒng)調度人員重新放置車輛的需要,從而節(jié)省系統(tǒng)運營成本。
【學位單位】：太原理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U491.225;TP18
【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 論文選題背景及意義
        1.1.1 選題背景
        1.1.2 選題意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 城市公共自行車站點規(guī)劃問題
        1.2.2 城市公共自行車站點需求量預測
        1.2.3 城市公共自行車系統(tǒng)車輛調度問題
    1.3 研究內(nèi)容及結構安排
        1.3.1 研究內(nèi)容
        1.3.2 結構安排
第2章 城市公共自行車出行數(shù)據(jù)特征分析
    2.1 數(shù)據(jù)來源及描述
        2.1.1 站點信息
        2.1.2 出行記錄
        2.1.3 氣象數(shù)據(jù)
        2.1.4 站點狀態(tài)
    2.2 數(shù)據(jù)預處理
        2.2.1 缺失值處理
        2.2.2 數(shù)據(jù)量化處理
    2.3 影響因素分析
        2.3.1 氣象因子
        2.3.2 時間因子
        2.3.3 關聯(lián)站點
    2.4 本章小結
第3章 城市公共自行車需求量預測分析
    3.1 公共自行車系統(tǒng)預測分析
    3.2 隨機森林算法
        3.2.1 決策樹
        3.2.2 集成學習
        3.2.3 隨機森林算法
    3.3 基于隨機森林的需求量預測模型
        3.3.1 站點時空聚類
        3.3.2 對數(shù)優(yōu)化
        3.3.3 輸入/輸出變量的確定
        3.3.4 參數(shù)的設置
        3.3.5 評價指標
    3.4 實例預測
        3.4.1 需求量預測模型
        3.4.2 空間聚類
        3.4.3 時間聚類
        3.4.4 預測分析
    3.5 本章小節(jié)
第4章 基于價格激勵機制的車輛調度模型
    4.1 車輛調度分析
        4.1.1 公共自行車車輛調度問題描述
        4.1.2 公共自行車車輛調度類型的劃分
        4.1.3 公共自行車車輛調度類型所存在的問題
    4.2 調度模型構建
        4.2.1 問題描述
        4.2.2 模型參數(shù)
        4.2.3 模型建立
    4.3 實例分析
        4.3.1 實驗數(shù)據(jù)
        4.3.2 實驗結果分析
    4.4 本章小結
第5章 總結與展望
    5.1 全文總結
    5.2 研究展望
參考文獻
致謝
攻讀碩士學位期間的研究成果

【相似文獻】

相關期刊論文 前10條

1 牛建軍;鄧志東;李超;;無線傳感器網(wǎng)絡分布式調度方法研究[J];自動化學報;2011年05期

2 馮葉;陳子兆;;無線傳感器網(wǎng)絡傳輸調度方法探討[J];中國新通信;2016年09期

3 杜浩;畢大平;李敏樂;;基于貝葉斯理論的電子支援偵察搜索調度方法[J];電光與控制;2017年01期

4 張月嶺;楊玉星;李寰;;基于乘客分類的電梯群控策略研究[J];微計算機信息;2008年12期

5 張星梅;;遠程網(wǎng)絡通信的均衡任務調度方法[J];自動化與儀器儀表;2018年04期

6 郭宏偉;薛乃鳳;;數(shù)字化車間的調度方法探析[J];科技與企業(yè);2012年11期

7 張春光;曾廣平;王洪泊;涂序彥;;一種多QoS驅動的物聯(lián)網(wǎng)資源分層調度方法[J];中北大學學報(自然科學版);2017年03期

8 林坤寧;;VoLTE業(yè)務的資源調度方法研究[J];移動通信;2016年20期

9 黨紅恩;;基于任務分割的云計算動態(tài)多DAG調度方法[J];內(nèi)蒙古師范大學學報(自然科學漢文版);2017年03期

10 楊梅芳;;云計算模式下多租戶軟件最優(yōu)調度方法仿真[J];計算機仿真;2018年07期

相關博士學位論文 前4條

1 牛建軍;無線傳感器網(wǎng)絡分布式調度方法研究[D];清華大學;2010年

2 左利云;云計算中基于任務特性和資源約束的調度方法研究[D];華南理工大學;2016年

3 田文奇;基于時空雙尺度的電動汽車換電站有序充電調度方法[D];北京交通大學;2013年

4 初翔;回報衰減的多類顧客排隊系統(tǒng)的調度方法研究[D];大連理工大學;2015年

相關碩士學位論文 前10條

1 種穎珊;公共自行車站點需求量預測及調度方法研究[D];太原理工大學;2019年

2 何赟燕;面向同步裝卸的集裝箱碼頭集成調度方法[D];寧波大學;2013年

3 張凱;基于運行模式的云計算資源調度方法研究[D];哈爾濱理工大學;2013年

4 韓鑫;基于NDN的無線傳感網(wǎng)協(xié)議設計與節(jié)點休眠調度方法研究[D];西北大學;2015年

5 方鶴;面向區(qū)域的公交調度方法研究[D];河北工業(yè)大學;2007年

6 吳志佩;基于多種吊橋同步裝卸的集裝箱碼頭集成調度方法[D];寧波大學;2013年

7 王�，�;基于規(guī)則組合的Job Shop多目標柔性調度方法研究[D];合肥工業(yè)大學;2009年

8 楊陽;面向Petri網(wǎng)的電子運送調度模型研究[D];南京航空航天大學;2006年

9 王華;社會保險管理信息系統(tǒng)中方法庫的設計與實現(xiàn)[D];湖南大學;2010年

10 楊海軍;基于快速需求響應的城市公共交通在線調度方法研究[D];天津大學;2007年

本文編號：2889148