以共享交通工具為特點的車輛共乘,可以有效減少路上行駛車輛數(shù)量,對降低出行費用,緩解交通擁堵和減輕環(huán)境污染有著重要的意義。大數(shù)據背景下智能出行的發(fā)展趨勢就是在車輛行駛中對乘客請求進行實時匹配的動態(tài)共乘。雖然動態(tài)共乘已經在學術界進行了多年的研究,但由于實際道路網絡的復雜性,離線預約的不靈活性和資源有限等原因,對它的研究仍舊缺乏實踐的普適性。特別是在現(xiàn)代大城市的交通網絡中,道路網絡通常更為復雜,有許多的單向路和高架橋路段。受此現(xiàn)狀的啟發(fā),本文考慮了動態(tài)共乘匹配算法中尚未深入研究的真實道路信息。主要工作成果如下:(1)整理介紹了國內外車輛共乘的研究現(xiàn)狀以及相關的理論。(2)研究了動態(tài)車輛共乘的模型與匹配算法,針對動態(tài)共乘SHAREK系統(tǒng)的匹配算法中的不足進行修改,并在匹配算法中加入了單向路中高架橋路段作為啟發(fā)式信息進行預處理,通過兩段算法來提前篩選一些不會成為Skyline結果的司機,減少了復雜的實際道路網絡計算,提高匹配算法的效率。(3)使用MNTG網站生成的數(shù)據集進行實驗,對本文的算法進行評估,與SHAREK進行比較,結果表現(xiàn)了更高的成功率;通過實驗驗證了考慮單行路因素能夠有效的縮短系統(tǒng)的...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

圖２．?１?ＶＲＰ求解算法分類??Ｆｉｇ．２．１?Ｃｌａｓｓｆｉｃａｔｉｏｎ?ｏｆ?ｓｏｌｖｉｎｇ?ｍｅｔｈｏｄｓ??２．２車輛共乘及相關研究??

?大連海事大學碩士學位論文???機制和生成解的算法各不相同。其中最經典的智能啟發(fā)式算法包括：禁忌搜索算法［３５］、??模擬退火算法［３６］、遺傳算法［３７］、蟻群算法［３８］、粒子群優(yōu)化算法［３９］和人工神經網絡算法。??＾?精確算法??１／＾??Ｉ?＼?，?，?＾構造啟發(fā)式算法....

圖２．?５?ＭＮＴＧ的Ｗｅｂ界面??Ｆｉｇ．?２．５?Ｔｈｅ?Ｗｅｂ?ｉｎｔｅｒｆａｃｅ?ｏｆ?ＭＮＴＧ??ＭＮＴＧ在兩個領域具有很好的可擴展性：??（１）可以輕松擴展以支持各種道路網絡交通生成器

乘問題的算法研究???應的改善包裝，使其易于使用、配置和可以獲取到任意區(qū)域的道路網絡交通數(shù)據集。要??通過ＭＮＴＧ生成道路網絡交通數(shù)據，用戶只需使用其用戶友好的Ｗｅｂ界面在地圖上指??定任意空間范圍，選擇對應的道路網絡交通生成的方法，并將道路網絡交通生成的請求??提交給服務器即可....

圖３．?１價格模型??

?大連海事大學碩士學位論文???要搭載乘客ｒ跑完乘客的行程（仍辦「７＞扣），直到乘客的終點最后，司機從乘客的??終點Ａ？返回到司機的終點）。??

圖４．?１?ＳＨＡＲＥＫ數(shù)據集的路網圖??Ｆｉｇ．?４．１?Ｒｏａｄ?ｎｅｔｗｏｒｋ?ｏｆ?ｔｈｅ?ＳＨＡＲＥＫ?ｄａｔａ?ｓｅｔ??

?動態(tài)共乘問題的算法研宄???４動態(tài)共乘匹配算法的性能分析??４．１實驗數(shù)據??４．１．１數(shù)據集??本文的實驗數(shù)據均通過Ｍｉｎｎｅｓｏｔａ?Ｔｒａｆｆｉｃ?Ｇｅｎｅｒａｔｏｒ（ＭＮＴＧ）生成。ＭＮＴＧ是一款道??路網絡交通生成器，由明尼蘇達州大學開發(fā)。ＭＮＴＧ生成器集成了?Ｏｐｅ....

本文編號：3904749