Bike3S:自行车共享系统模拟工具
在这篇论文中,我们提出并比较了在基于站点的自行车共享系统中为用户推荐站点的策略,首先是基于排队理论的推荐策略,其根据用户的利益推荐距离较近且更有可能找到自行车或停车位的站点;然后,我们进一步定义了一种策略,将特定用户的利益与全局系统的利益相结合,以实现在预期未来需求方面改善自行车和停车位分布,以隐式地避免或缓解平衡问题。我们通过对马德里自行车共享系统 BiciMAD 的实际数据进行了多个实验来评估我们的提议。
Jan, 2024
本论文提出了一个新的多功能、开源的共享出行仿真平台,用于模拟各种代理在真实交通网络上的行为和移动,为用户提供训练和测试各种优化算法的几个可访问门户,特别是强化学习算法,包括按需匹配、闲置车辆重定位和动态定价等各种任务。该平台能够有效地测试理论模型与模拟结果的拟合程度,并在实验中取得了较好的效果。
Mar, 2023
自行车共享系统是全球超过一千个城市中部署的,对许多城市交通系统起着重要作用。本研究利用摩比自行车的出行数据构建了一个优化的地理时空图,揭示了未来共享系统扩展时的最佳站点位置。使用路汶算法进行社区检测,发现不同时间粒度上呈现类似使用模式的自包含子网络。整体来看,本研究加强了自行车共享系统是物理时空系统的内在特性,并且社区的存在受到时空动态的驱动。这些发现可能有助于运营商提高再分配效率。
Mar, 2024
提出了一种基于凸松弛的近似框架,用于对共享车辆系统进行建模和优化,通过分析此近似框架的性质,得出了计算复杂度更低的解决方案并提供实际操作洞见,实现了对共享车辆系统的有效控制与管理。
Aug, 2016
骑行共享系统是提供生态友好的城市出行方式,有助于减轻交通拥堵和改善健康生活方式。本研究提出一种基于时空强化学习算法的动态均衡问题解决方案,在多种数据集上的实验证明其在减少需求损失方面优于传统模型,为城市出行提供更智能、强大的解决方案。
Feb, 2024
为了解决全球逐渐增加的交通排放和污染等挑战,共享电动出行服务(包括电动汽车、电动自行车和电动滑板车)已成为受欢迎的策略。然而,现有的共享电动出行服务存在重要的设计缺陷,包括服务集成不足、能源消耗预测不准确、可扩展性和地理覆盖有限,以及缺乏以用户为中心的视角,尤其是在多模式交通的背景下。更重要的是,目前没有一个统一的开源框架可以造福于电动出行研究界。本文旨在填补这一空白,提供一个开创性的共享电动出行开源框架。该提出的框架采用了代理人参与和模块化架构的方法,可以根据用户的偏好进行定制。我们通过使用改进的蚁群算法解决了一个综合多模式路线优化问题,从而证明了该框架的可行性。这项工作的主要贡献是提供一个协作透明的框架,以统一的方式应对电动出行研究领域的动态挑战。
Mar, 2024
鉴于近年来电动自行车与机械自行车的增加,本研究旨在开发一种全面了解移动动态的方法,区分不同的移动方式,并引入一种专为自行车量身定制的新型预测性维护系统。通过利用巴塞罗那的自行车共享系统 Bicing 的行程信息和维护数据,本研究对移动模式及其与自行车部件故障之间的关系进行了广泛分析,并应用了统计和机器学习生存模型来准确预测自行车的维护需求。
Apr, 2024
在车辆共享系统中,我们研究了一个最优投资问题,其中包括确定建立站点的顺序、车辆数量以及获得目标状态的策略,以及通过经营系统来最大化总利润的车辆数量和分配策略。该问题可以视为具有集合相关成本的旅行推销员问题的变体,并使用 A * 搜索算法进行解决。
Nov, 2023
该研究提出了一种评估天气条件对旧金山湾区自行车共享系统自行车站点数量预测的影响的方法,利用随机森林技术和指导向前逐步回归方法开发了回归模型,并利用贝叶斯信息准则进行了模型比较和开发。研究结果表明,日间时间、温度和湿度是重要的计数预测因子,并且天气变量是地理位置依赖的,因此应该在建模之前进行量化。在车站 i 处提供的自行车数量和日间时间是估算站点 i 自行车数量的最重要的变量。
Jun, 2020