基于Spark平台城市出租车乘客出行特征分析

从海量出租车GPS轨迹数据中挖掘和分析城市出租车乘客的出行特征,可以为城市交通管理者和出租车行业管理者在城市交通规划与管理、城市交通流均衡与车辆调度等方面提供决策依据.基于Spark大数据处理分析平台,选择YARN作为资源管理调度系统,采用HDFS分布式存储系统,对出租车GPS轨迹数据进行挖掘.给出了基于Spark平台的出租车乘客出行特征的挖掘方法,包括出租车乘客出行距离分布、出租车使用时间分布及出租车出行需求.实验结果表明,基于Spark平台分析方法能够快速且准确的分析出出租车乘客出行特征.     

基于ZigBee技术的出租车调度系统

目前出租车呼叫调度系统大多依赖于人工调度中心第三方平台,由于需乘客、话务员、出租车司机三方交互,调度效率往往较低,不能及时解决乘客便捷快速的乘车需求。为此,提出一种基于ZigBee技术的自组网出租车调度系统。系统包含车载响应子系统、站牌预约点子系统和信号中继装置,乘客通过系统和进入自组网内的司机直接交流,无需经过调度中心等第三方平台,实现了出租车的"自助式"调度,即直接交互、快速响应,又节省乘客使用第三方平台的费用。系统采用的RFID刷卡预付约定金等措施,可有效解决乘客和出租车司机在预约出租车期间出现的爽约行为。     

公交网络中多目的地路线推荐系统的研究与实现

以城市公交网络为背景,提出了基于多目的地的出行线路问题,对于乘客去往多个目的地的乘车时间短、站点换乘方便、路线快捷具有重要意义。系统在使用中可以在多个目的地的查询中快速推荐最优路线,给乘客的出行带来了更多的便捷。     

交通大数据驱动的地铁和出租车接驳出行规划

现有的城市居民常用出行工具为出租车、公交车和地铁,城市道路的拥挤使得机动车的便捷性大打折扣,地铁也难以覆盖城市各个角落。针对此问题提出了一种接驳出租车和地铁的出行方案,基于上海交通数据的详细分析,提取不同时段下每条道路的行驶时间,地铁线路的出行时间,并对城市分区域计算等车时间,给乘客提供不同时段的差异化线路规划服务和一个较为准确的出行时间。接驳地铁和出租车的出行方式能够在保证较低的出行时间条件下较为明显地降低乘客的出行价格,减少城市道路压力,降低社会的整体能耗,同时在某些拥堵线路上能够提供给乘客出行时间较少也较为准确的方案,增加了公共交通系统的覆盖范围。     

共享汽车系统空车调度的鲁棒优化模型

面向共享汽车系统的运营商与潜在用户,针对实现最大利润的空车调度问题,同时考虑乘客需求信息的不确定性对调度过程的影响,利用基于可调决策规则的鲁棒优化方法进行建模与求解.在共享汽车系统中,乘客的出行需求是不确定的,给出相应的不确定集合描述,将乘客的出行需求限制在一定的区间内,并灵活限制时间上的乘客需求之和,以减小模型的保守性.在此基础上引入可调决策规则,使得空车调度的策略可以根据已实现的需求进行调整,提出空车调度的鲁棒优化模型及其可解的线性规划形式.仿真实验利用真实的滴滴订单信息模拟用户使用共享汽车出行的需求,展示该模型所提出的空车调度策略(相较于确定性模型)会投入更多的费用在空车调度上,使运营商在平均意义和最差情况下均获得更大的利润并满足更多的乘客需求,表明所提出模型的鲁棒性和实用性.     

基于位置服务的出租车调度系统的研究与设计

出租车作为城市居民出行的重要辅助交通工具,目前存在空驶率高、营运效率低下、乘客打车难等一系列问题。解决这些问题的关键在于科学合理地调度出租车,有效分配出租车的运能资源。基于位置服务和Google Maps等技术,设计一种以乘客为中心的出租车集中式调度算法和一种新的最短路径算法,在此基础上开发相应的智能调度系统。该系统的使用能有效提高出租车行业的运营效率,改善城市环保,解决现有出租车电召业务中所存在的问题。     

自动驾驶出租车调度系统研究综述

人工智能和大数据科学的发展带来了新一代产业革命。基于人工智能、大数据、车联网等技术的自动驾驶出租车调度系统将成为下一代交通系统的重要组成部分。文中从车联网环境下的自动驾驶调度系统的数学建模问题和系统构建两个方面对现有的文献进行了梳理和讨论。针对乘客出行需求的动态不确定性的共享问题,着重讨论了自动驾驶出租车在不同路径共享模式下的路径规划,以及共享合乘定价和智能调度系统构建的关键技术。最后,总结了自动驾驶出租车在解决交通拥堵和减少资源浪费方面的优势,并指出了自动驾驶出租车系统的技术难点和发展趋势。     

自动驾驶出租车动态合乘效益仿真分析

自动驾驶出租车共享出行是未来变革性的智能交通方式,它将带来前所未有的社会效益。共享订单数(合乘人数)是影响出行时间、费用、舒适度和运营成本的关键参数,然而鲜有研究对共享人数上限进行分析。为此,文中基于多人共享的路径规划方法,建立了一个自动驾驶出租车动态合乘的仿真系统。该系统由“搜索”“调度”“等待”3个模型组成,在变化乘车需求的情况下,对共享人数上限进行了探讨。在深圳市南山区41.25 km 2的路网上仿真不同共享人数上限和出行需求情况下的效益,结果表明,共享模式极大地提高了出行成功率(达到了20%)并降低了总耗时(降低到原来的3%~23%)。当共享人数上限达到一定值时,合乘效益逐渐收敛。在出行需求较高的情况下(人车比率大于5),共享人数上限设为3~4人时,合乘效益得到最大优化。实验结果充分说明了多乘客共享出行能够缓解当下“打车难”的问题,且随着出行需求的增加,自动驾驶共享模式相比传统非共享模式具有更强的鲁棒性。     

基于GIS的出租车调度算法

随着地理信息系统(GIS)与智能移动终端的普及,越来越多的基于GIS的出租车调度系统和打车软件被提出来,为合理规划出租车运力的投放、减少空车行驶的里程和资源的浪费,以使得乘客享受高品质的服务。而在现有的出租车调度系统中,由于缺乏合理的车辆调度算法,给社会资源带来了巨大的浪费。针对这种问题,通过GIS建模,将乘客抽象为GIS中的内点,然后通过内点快速归属算法查找附近的空车,并向附近空闲的出租车发出叫车服务。出租车在响应了用户的叫车服务后,使用城市道路网最短路径算法选择合理的路线前往乘客所在地以及将用户从出发点送往目的地,从而有效合理地利用出租车资源。最后通过模拟实验验证该算法的时效性和可行性。     

考虑驾乘人员公平性的网约出租车合乘路径优化模型

为了充分发挥合乘出租车承载率高、运营效益高及交通资源省等优点, 缓解城市打车难问题, 对网约出租 车合乘路径优化问题开展研究. 首先针对路网中网约出租车的供需情况, 以系统路径最短为优化目标建立目标函 数, 其次考虑网约出租车额定载客量、路径合理性、乘客利益及驾驶员收益与时间窗因素, 构建优化模型的约束条 件, 并结合绕行距离与乘客公平性原则进行费用约束, 使得绕行距离长的合乘子路径获得更多的费用补偿, 然后基 于遗传算法思想, 针对合乘路径中乘客需求起终点的次序问题, 设计了改进的交叉与变异算子. 最后依据大连市区 局部路网高峰时段内的出租车供需数据, 利用合乘路径优化模型及算法进行求解. 研究表明, 优化模型及算法可以 短时间寻求到系统近似最优解, 所得合乘方案较非合乘出行模式有效减少了出租车空驶率与乘客的出行成本, 提高 了驾驶员的平均收益.     

基于机器学习的智能出租车预测系统

为了更合理地调度出租车资源,提出基于机器学习的智能出租车预测系统.首先,对波尔图出租车GPS数据集进行分割处理,并抽取其中的一部分作为研究对象;接着利用回声状态网络算法预测旅行目的地;最后利用随机森林算法在相同情况下预测出租车抵达时间.实验表明本系统能根据当前的波尔图出租车GPS数据集预测出实际出租车某段旅程的目的地和旅程所需要的时间,以达到减少出租车资源浪费的目的.     

基于区域划分的出租车统一推荐算法

针对在极端天气或交通繁忙时乘客无法快速搭乘出租车到达目的地的问题,提出一种基于区域划分的出租车统一推荐算法,不仅提供普通打车服务,同时提供拼车服务。首先,将区域作为旅程标识,在旅程匹配方面化不可能为可能;其次,在拼车服务中算法将两对路线相近的乘客进行即时匹配,帮乘客拼车共乘;最后,选取绕远时间比例最小的出租车推荐给用户。使用包含14747辆出租车的全球定位系统（GPS）数据对算法进行评估,与CallCab系统相比虽然在减少的总里程数上下降了10%左右,但每次拼车平均只需要多花费6%的时间,且降低的送达乘客总里程数同样达到30%,不仅大幅度减少汽车尾气的排放,同时在用户更加关注的时间消耗方面表现更佳。     

Time-optimal and privacy preserving route planning for carpool policy

To alleviate the traffic congestion caused by the sharp increase in the number of private cars and save commuting costs, taxi carpooling service has become the choice of many people. Current research on taxi carpooling services has focused on shortening the detour distances. While with the development of intelligent cities, efficiently match passengers and vehicles and planning routes become urgent. And the privacy between passengers in the taxi carpooling service also needs to be considered. In this paper, we propose a time-optimal and privacy-preserving carpool route planning system via deep reinforcement learning. This system uses the traffic information around the carpooling vehicle to optimize passengers’ travel time, not only to efficiently match passengers and vehicles but also to generate detailed route planning for carpooling vehicles. We conducted experiments on an Internet of Vehicles simulator CARLA, and the results demonstrate that our method is better than other advanced methods and has better performance in complex environments.

     

基于增强学习的网格化出租车调度方法

高度信息化的网格化城市管理可以为出租车运营优化提供新的实时动态乘客需求信息和车辆位置信息。以此为契机,针对城市出租车空驶率高和司乘匹配率低的问题,提出了一种网格化的出租车实时动态调度的增强学习控制方法。通过为出租车提供空驶巡游的动态最佳路线,新的控制方法旨在提高出租车的服务效率,并降低乘客的等待时间。首先,以城市单元网格为基础,明确出租车调度的关键问题;其次,以空驶路线的动态调整为控制手段,建立调度的增强学习模型;最后,给出求解模型的Q学习算法,并通过算例验证新调度方法的有效性。研究表明新方法可以有效提高司乘匹配率、增加总的出租车运营收入、减少乘客平均等车时间和减少总的出租车空驶时间。     

Understanding taxi drivers’ routing choices from spatial and social traces

Most of our learning comes from other people or from our own experience. For instance, when a taxi driver is seeking passengers on an unknown road in a large city, what should the driver do? Alternatives include cruising around the road or waiting for a time period at the roadside in the hopes of finding a passenger or just leaving for another road enroute to a destination he knows (e.g., hotel taxi rank)? This is an interesting problem that arises everyday in cities all over the world. There could be different answers to the question poised above, but one fundamental problem is how the driver learns about the likelihood of finding passengers on a road that is new to him (as he has not picked up or dropped off passengers there before). Our observation from large scale taxi driver trace data is that a driver not only learns from his own experience but through interactions with other drivers. In this paper, we first formally define this problem as socialized information learning (SIL), second we propose a framework including a series of models to study how a taxi driver gathers and learns information in an uncertain environment through the use of his social network. Finally, the large scale real life data and empirical experiments confirm that our models are much more effective, efficient and scalable that prior work on this problem.     

基于物联网技术的出租车调度系统设

针对目前基于站牌调度的出租车调度系统存在的易出现乘客抢上车插队、调度没有最优化和乘客/出租车爽约现象频发的不足,提出了基于物联网技术的出租车调度系统。系统在原站牌调度系统基础上,增加了感知层射频识别（RFID）读写器、传输层通用分组无线服务技术（GPRS）网关模块和应用层调度管理中心等。测试结果表明,该系统能够实现在城市内的各站牌预约点近距离调度站牌附近出租车,调度管理中心可实现各站牌点调度结果的管理与查询。     

Roboat III: An autonomous surface vessel for urban transportation

In this paper, we present our novel autonomous surface vessel platform, a full-scale Roboat for urban transportation. This 4-m-long Roboat is designed with six seats and can carry a payload of up to 1000 kg. Roboat has two main thrusters for cruising and two tunnel thrusters to accommodate docking and interconnectivity between Roboats. We build an adaptive nonlinear model predictive controller for trajectory tracking to account for payload changes while transporting passengers. We use a sparse directed graph to represent the canal topological map and then find the most time-efficient global path in a city-scale environment using the $A^{*}$ algorithm. We then employ a multiobjective algorithm's lexicographic search to generate an obstacle-free path using a point-cloud projected two-dimensional occupancy grid map. We also develop a docking mechanism to allow Roboat to “grasp” the docking station. Extensive experiments in Amsterdam waterways demonstrate that Roboat can (1) successfully track the optimal trajectories generated by the planner with varying numbers of passengers on board; (2) autonomously dock to the station without human intervention; (3) execute an autonomous water taxi task where it docks to pick up passengers, drive passengers to the destination while planning its path to avoid obstacles, and finally dock to drop off passengers.