基于模块化仿真的共享汽车联合调度优化

蒋阳升; 李衍; 李皓; 胡路; 唐优华

doi:10.3969/j.issn.0258-2724.20210083

基于模块化仿真的共享汽车联合调度优化

doi: 10.3969/j.issn.0258-2724.20210083

蒋阳升^{1, 2,},
李衍^{1, 2},
李皓^{1, 2,},
胡路^{1, 2},
唐优华^{1, 2, ,}

1.
西南交通大学交通运输与物流学院，四川成都 610031
2.
西南交通大学综合交通大数据应用技术国家工程实验室，四川成都 610031

基金项目: 国家自然科学基金（71901183）；四川省应用基础研究（JDSKCXZX202001）；成都市科技项目（2019-YF05-02657-SN）

详细信息

作者简介:
蒋阳升（1976—），男，教授，博士，研究方向为公共交通与共享交通等，E-mail：jiangyangsheng@swjtu.cn

通讯作者:
唐优华（1977—），男，教授级高级工程师，博士，研究方向为智能交通，E-mail：tyhctt@swjtu.cn

中图分类号: U491.2
计量
- 文章访问数: 792
- HTML全文浏览量: 263
- PDF下载量: 71
- 被引次数: 0
出版历程
- 收稿日期: 2021-02-02
- 修回日期: 2021-08-18
- 网络出版日期: 2022-10-15
- 刊出日期: 2021-09-13

Optimization for Joint Relocation of Carsharing Based on Modular Simulation

JIANG Yangsheng^{1, 2
,},
LI Yan^{1, 2},
LI Hao^{1, 2
,},
HU Lu^{1, 2},
TANG Youhua^{1, 2
, ,}

1.
School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China
2.
National Engineering Laboratory of Integrated Transportation Big Data Application Technology, Southwest Jiaotong University, Chengdu 610031, China

摘要

摘要:
运营商在调度车辆时单独采用员工或顾客调度策略均难以有效解决共享汽车分布不均衡导致的盈利难问题. 为此，在传统时空网络基础上，考虑道路拥堵和用车需求随时间变化对运营的影响，基于C# 语言和O²DES （object-oriented discrete event simulation）离散事件仿真框架，建立由模块化站点和路段模型组成、可高效率运行的共享汽车仿真系统；在此基础上，提出一个以运营商日均净收益最大化为目标，联合决策车辆库存量阈值和行程定价的仿真优化模型，并为解决随机环境下的全局优化问题，设计了EGA-OCBA （elitist genetic algorithm with optimal computing budget allocation）算法；最后，以成都市的5个共享汽车站点为例，验证了仿真优化模型的有效性. 仿真优化结果表明：在相同车队规模下，与采用固定价格的顾客调度策略相比，联合策略可使日均净收益提升10.37%～162.30%；与单独的员工调度策略相比，联合策略可使日均净收益提升15.34%.
- 共享汽车 /
- 离散事件仿真 /
- 动态定价 /
- 阈值触发调度 /
- 精英遗传算法（EGA） /
- 最优计算量分配（OCBA）
Abstract:
It is difficult for operators to effectively solve the profitable difficulty caused by the imbalanced distribution of shared vehicles when considering staff-based and customer-based relocation alone. Thus, based on the traditional space-time network, the impact of time-varying road congestion and trip demands on the operation is considered. Based on C# language and O²DES (object-oriented discrete event simulation) framework, an efficient carsharing system model composed of modular station and road segment models is built. Moreover, a simulation-optimization model that jointly determines vehicle inventory thresholds and trip pricing is proposed to maximize the daily net revenue of operators. In order to solve the global optimization problem in a random environment, an elitist genetic algorithm (EGA) with optimal computing budget allocation (OCBA) is designed. Finally, a case study in Chengdu with five sites is conducted to demonstrate the efficiency of the proposed simulation-optimization model. The results show that with the same fleet size, the optimal design can increase the average daily net revenue by 10.37%−162.30% compared with customer-based relocation (fixed pricing); the optimized scheme can increase the profit by 15.34% compared with separate staff-based relocation.
- carsharing /
- discrete-event simulation /
- dynamic pricing /
- threshold-triggering relocation /
- elitist genetic algorithm (EGA) /
- optimal computing budget allocation (OCBA)

HTML全文

松散颗粒堆积体在自然界和工业生产活动中广泛存在，如滑坡堆积体、尾矿库、排土场及工程废弃土方、工业废渣等，其具有结构松散、孔隙度大、粒间结合力差等特点，有复杂的力学性质和相对较高的失稳风险. 在对这类边坡稳定性监测中，各类新型传感器、3D扫描仪、GPS、地理信息系统（GIS）、遥感（RS）以及干涉合成孔径雷达等新技术逐步得到应用^[1-3]，但以上技术主要是基于地表或浅部范围的位移和变形场，对边坡内部变形和滑坡孕育过程却难以掌握.

与研究较为充分的岩土体滑坡不同，颗粒堆积体具有其力学特殊性，堆积体一般通过粒间相互作用来获得抗剪强度^[4]，其失稳早期特征涉及到力链的断裂与形成、颗粒重排、颗粒间摩擦和裂隙形成等. 由于这些微观力学过程会释放出瞬态弹性波，即声发射（AE）现象，因此，有机会通过AE技术观察和理解颗粒间微观力学过程. Shiotani^[5]对比了土质边坡失稳中微震与声发射之间的差异，发现早期预测可用较高共振频率的AE传感器，而频率较低的微震传感器则对失稳后期较敏感. Dixon等^[6]应用AE检测土壤颗粒间摩擦和位移. 李文彪等^[7]将AE用于松散颗粒介质边坡、路堤稳定性的研究. Codeglia等^[8]开发了一种利用波导杆从剪切区域向传感器传输AE信号的系统，采用振铃计数（RDC）来量化声发射活动并在现场长期监测，得到AE信号和地下水位及积雪等之间的关系. Jiang等^[9]开展了多种情况下颗粒材料环剪试验，发现剪切阻力、压实度和滑移位移以及声能释放与剪切速率和粒径的关联，并证实基于AE的破坏先兆预测可行性. Hu等^[10]提出用声发射和微震联合监测，获得更准确和及时的预测结果. 贺可强^[11]依据传统极限平衡法和位移时序预测法的特点，提出堆积层滑坡位移动力学评价方法. 龙小翠^[12]根据声发射源的信号特征和定位结果对山体滑坡的临滑时间和滑坡的规模进行预测. 尽管声发射波的衰减特性影响了其在工程中的大规模应用，但不少学者已开展各类应用并取得可喜成果^[13].

以上研究主要围绕岩土体等固结材料，而针对松散颗粒体声发射特征的定量研究依然不充分. 松散颗粒的剪切破坏过程涉及大量粒间作用，其AE信号蕴含与破坏形式和过程相关的大量信息，这使得可通过AE特征数据挖掘来揭示其内在力学行为与过程. 本文开展了不同速率下的松散颗粒直剪过程声发射特征试验研究，旨在为堆积体边坡稳定性监测提供研究思路和数据支撑.

1. 试验设计

试验颗粒材料采用中国ISO标准砂（GSB08—1337），利用高频振筛机筛分出0.5～1.0 mm的砂粒作为试验原料，试件尺寸ϕ61.8×40 mm. 参考土体直剪力学特性和相关技术规范^[14]，将试验剪切速率设置为8级，分别为0.8、1.2、1.6、2.0、2.4、2.8、3.2 mm/min和3.6 mm/min，法向压应力设置为200 kPa. 采用ZFY-1A型非饱和土应变控制式直剪仪作为试验平台，其压力室能较好屏蔽环境噪声；剪切试验过程若无峰值，则剪切位移至6～8 mm时停机；声发射检测采用北京软岛DS5-16B多通道声发射仪. 试验装置如图1所示.

图 1 试验仪器及试件

Figure 1. Test instrument and specimen

下载: 全尺寸图片幻灯片

上部金属剪切盒上安装1个陶瓷压电传感器，全程记录声发射信号参数与波形信息. 在试验过程中，声发射检测仪以3 MHz的采样频率进行连续数据采集，RS-2A陶瓷压电传感器频率响应范围为100～400 kHz，信号经过40 dB前端放大器后进入主机，最后通过终端处理系统提取特征参数并开展信号分析.

2. 试验结果

2.1 力学特性

根据直剪试验采集的数据，可以获取不同剪切速率下颗粒体的抗剪强度参数. 图2显示剪切峰值应力最大值接近150 kPa，不同速率下松散颗粒的剪切峰值应力相差不大，剪切速率对其抗剪强度的影响不明显.

图 2 剪应力-位移图

Figure 2. Shear stress-displacement diagram

下载: 全尺寸图片幻灯片

2.2 振铃计数及AE能量

松散颗粒介质在不同剪切速率下的AE信号特征是：剪切速率越大，其振铃计数数量也越大，如图3（a）所示. 图3（b）为振铃计数的箱线图，对应中位数分别为69.0、69.0、129.0、140.0、207.5、351.0、357.0、468.0次，进一步从统计分布规律上证明了上述规律. 为更好地揭示振铃计数变化规律，将振铃计数值进行累计处理. 如图3（c）所示，剪切速率越大，累计数增加越快.

图 3 振铃计数变化示意

Figure 3. Schematic of ringing count changes

下载: 全尺寸图片幻灯片

不同剪切速率下的AE能量释放规律与振铃计数演化规律类似. AE能量对比分析如图4（a）所示，剪切速率越大，能量也越大. 分布统计分析如图4（b）所示，能量与剪切速率呈现出明显的正相关性，剪切速率越大，能量变化趋势越向高能量集中. 但当速率较大时，能量增加将逐渐放缓. 将能量值进行累计处理，如图4（c）所示，剪切速率越大，累计能量越大.

图 4 不同剪切速率下AE能量变化示意

Figure 4. Schematic of AE energy variations at different shear rates

下载: 全尺寸图片幻灯片

直剪过程中振铃计数和能量都与加载速率密切相关，剪切速率越快，振铃计数和信号能量越大，这也为基于AE信号特征来预测松散颗粒体剪切速度提供了基础.

2.3 b值分析

b值（式（1））是小事件数与大事件数的比值，常作为判定裂隙发展情况的参数^[15].

$b = \dfrac{{20\lg\; {\mathrm{e}}}}{{A - {A_{\min }}}},$

(1)

式中：A为平均幅值，A_min为最小幅值.

b值随时间的演化规律如图5（a）所示. 在加载过程中b值逐渐减小，这是由于剪切破坏所引起的颗粒间的摩擦和力链重排等事件越来越频繁和显著，即大事件比例不断增加. 较大的剪切速率下b值相对较小，说明快速的直剪运动相较于速率较慢的直剪运动，大事件会多一些. 但当速率超过一定值后，b值都较小，差异不再明显. 将不同速率下的b值作箱线图进行统计学分析，如图5（b）所示. 8种剪切速率下b值中位数分别为0.85、0.77、0.62、0.56、0.44、0.33、0.33、0.31，即剪切速率越快，b值则越小，在统计学上表现出明显的相关性，但随着剪切速度的增加，b值减小趋势逐渐放缓.

图 5 不同剪切速率下b值变化示意

Figure 5. Diagram of b value variations at different shear rates

下载: 全尺寸图片幻灯片

2.4 AE演化阶段

基于试验数据中剪切力的时间阶段特征，结合文献[16-17]，将剪切试验曲线划分成不同的剪切破坏过程. 以剪切速率0.8 mm/min为例（见图6），可以直观展现出振铃计数的变化趋势与剪切力的演化阶段直接相关.

图 6 松散颗粒体剪切破坏过程分段示意

Figure 6. Sectional diagram of shear failure process of loose particles

下载: 全尺寸图片幻灯片

1）上升阶段. 剪切力不断增大，对应振铃计数也逐步增加，并且剪切力在上升阶段分为3次递增：阶段Ⅰ为剪密阶段，剪切力和振铃计数都迅速增加，剪切力斜率较大，颗粒间开始相互挤压并且伴随一些突变事件发生，如剧烈挤压产生的颗粒滑动；阶段Ⅱ为弹性阶段，增长速度趋于平稳；阶段Ⅲ为应变硬化阶段，剪切力增长减缓，斜率逐步降低，颗粒间互相咬合导致整体强度的增加. 2）稳定阶段. 剪切力达到峰值并趋于平稳后，振铃计数也达到最高水平并趋于平稳，此阶段颗粒内部间的裂隙已扩展贯通，形成大尺寸的剪切裂隙.

将8组速率下AE演化规律进行对比分析，振铃计数与剪切力均存在对应关系（图7），振铃计数在上升阶段不断增大，进入稳定阶段达到峰值并趋于平稳；AE能量亦与剪切力的阶段有关（图8），能量释放中位数分别为144.67、166.93、212.46、233.26、296.10、389.44、391.64、424.14 mV•ms，AE能量释放强度随剪切速率增加而增大.

图 7 不同速率下剪切破坏过程振铃计数规律

Figure 7. Ringing count law of shear failure process at different rates

下载: 全尺寸图片幻灯片

图 8 不同速率下剪切破坏过程能量规律

Figure 8. Energy law of shear failure process at different rates

下载: 全尺寸图片幻灯片

在上升阶段初期阶段Ⅰ，b值数值较大且较不稳定（图9），说明在剪切运动初始阶段松散颗粒体间的挤压还较轻微，并未有较大的挤压破坏或者力链断裂情况出现；阶段Ⅱ、Ⅲ剪切力平稳增大，对应b值下降，说明小尺寸事件减小，大尺寸事件相对增加，剪切过程造成颗粒体间更大的挤压破坏，剪切裂隙逐步形成. 在稳定阶段剪切力达到峰值并平稳，b值也在此阶段趋于平稳.

图 9 不同速率下剪切破坏过程b值规律

Figure 9. b value rule of shear failure process at different rates

下载: 全尺寸图片幻灯片

此外，剪切速率对AE特征演化及阶段划分具有明显影响，剪切速度越快，阶段Ⅱ、Ⅲ的持续时间越短，AE特征演化越迅速，能量施放速率越快. 如0.8 mm/min下上升阶段持续约260 s，振铃计数最高约150次/s；3.6 mm/min下上升阶段持续约40 s，振铃计数最高约600次/s. 随剪切速率增加，持续事件减少、AE率（单位时间的振铃计数）增加.

综上，通过振铃计数、AE能量、b值和剪切力对比分析可以发现，声发射特征参数和剪切力变化在剪切试验过程中趋势同步，而这与松散颗粒剪切破坏的过程性也是一致的.

2.5 频谱分析

对直剪试验AE信号采用快速傅里叶变换（FFT），得到功率谱，获得主频、频谱重心等信息. 主频即峰值频率，频谱重心为

$F_{\mathrm{C}} = \dfrac{{\displaystyle\int_0^{ + \infty } {fP(f){\mathrm{d}}f} }}{{\displaystyle\int_0^{ + \infty } {P(f){\mathrm{d}}f} }} ,$

(2)

式中：P（f）为信号在频率f处的功率谱.

频谱重心和剪切力对比分析如图10所示. 由图可知：较小剪切速率（0.8～2.0 mm/min）下，初始阶段频谱重心相对较大且波动性较大，普遍在350 kHz左右波动；随后进入阶段Ⅱ，剪切力迅速增加，频谱重心则不断快速下降. 经历阶段Ⅱ后，频谱重心开始放缓降低趋势；在稳定阶段的信号频谱重心基本稳定在250 kHz附近. 较大速率（2.4～3.2 mm/min）下，阶段Ⅰ频谱重心较大且不稳定；进入阶段Ⅱ，重心频率从300 kHz降到240 kHz；最后降至240 kHz左右并趋于稳定. 速率3.6 mm/min的频谱重心在阶段Ⅰ不太稳定，但后期依然呈现一定规律，240～290 kHz之间变化，在240 kHz左右趋于稳定.

图 10 不同速率下剪切破坏过程频谱重心规律

Figure 10. Spectral barycenter of shear failure process at different rates

下载: 全尺寸图片幻灯片

造成剪切破坏过程中声发射信号频率变化的主要原因可能是破裂尺度的变化. 松散体剪切破坏过程总是从微观到宏观，伴随着剪切破坏尺度的不断增加；而产生弹性波的频率也与破裂尺度密切相关，

一般而言，破裂尺度越大则信号频率越低. 因此，在松散颗粒剪切初期声发射信号频率较高，随着剪切破坏继续发展，剪切破坏面逐渐增大，信号频率则不断降低. 此外，图11横向对比了不同剪切速率下频谱重心分布差异性，可见剪切速率越快，频谱重心的下降越快，这与裂隙面发展速度是有关的. 以上研究揭示了松散颗粒堆积体剪切破坏情况以及剪切速率与声发射信号频率之间的内在关联.

图 11 不同速率下频谱重心分布情况

Figure 11. Distribution of spectral barycenter at different rates

下载: 全尺寸图片幻灯片

2.6 小波包频带能量占比

小波包变换可以对信号进行时频局部化分析，对AE信号进行3层小波包分解，根据采样定理划分频带，再计算各频带的能量百分比，即可反映出不同频带信号的变化趋势.

计算结果表明，能量基本集中在前2个较低频带，图12（a）～（h）为不同加载速率下0～187.5 kHz频带能量占比变化，而图12（i）～（p）则为187.5～375.0 kHz频带能量占比情况. 通过能量占比图可以看到，第1个频带（0～187.5 kHz，低频带）中能量占比不断增加，直到80%多，即AE信号频率总体呈现降低趋势，而高于375.0 kHz的频率会迅速衰减.

图 12 0～187.5 kHz及187.5～375.0 kHz频带能量占比变化情况

Figure 12. Variations in energy proportion of frequency bands of 0–187.5 and 187.5–375 kHz

下载: 全尺寸图片幻灯片

由此可见，在剪切过程中，声发射信号频率总体上会降低. 形成此规律的原因是随着直剪过程的进行，剪切接触面发生颗粒挤压、摩擦事件增加、咬合效果增强的现象，最终大事件数会占主导，所以呈现出信号强度大、频率小的变化趋势. 在松散体边坡预警中，可把信号的这种变化趋势看作出现宏观破坏的预警前兆.

3. 结　论

通过开展标准砂剪切声发射监测试验，获取了颗粒体在不同剪切速率下AE特征参数和频谱等的演化规律，为进一步研究堆积体边坡稳定性和安全监测预警提供一定理论依据.

1）振铃计数、AE能量和b值均对松散体剪切速率变化较为敏感，具有较好规律性. 振铃计数和能量都随剪切应力增大而增加，并且速率越大对应的振铃计数和AE能量亦越大；而b值变化规律恰好相反，剪切速率越大b值越小. 上述规律可为滑坡预测预警指标选取提供理论支持.

2）振铃计数、AE能量、b值与剪切破坏阶段密切相关. 在上升阶段中的剪密阶段Ⅰ、弹性阶段Ⅱ和应变硬化阶段Ⅲ，振铃计数和能量分别经历加速、平稳和减速增加，而b值则是分别经历加速、平稳和减速下降；在稳定阶段中，当剪切力达到峰值并趋于稳定后，相关参数亦趋于平稳.

3） AE信号频谱重心在剪切过程中逐步降低，剪切速率快的频谱重心下降也越快，大致从350 kHz降低至250 kHz左右，这与裂隙尺寸的形成速度有关系；此外，通过小波包分解也可发现较低频带能量占比逐步增加、较高频带能量占比逐步减少的变化规律.

图 1 时间与事件驱动机制

Figure 1. Time-driven and event-driven mechanisms

下载: 全尺寸图片幻灯片

图 2 共享汽车网络示意

Figure 2. Schematic of carsharing network

下载: 全尺寸图片幻灯片

图 3 模块化的路段事件

Figure 3. Event-diagram for a modularized path

下载: 全尺寸图片幻灯片

图 4 模块化的站点事件

Figure 4. Event-diagram for a modularized station

下载: 全尺寸图片幻灯片

图 5 EGA-OCBA算法流程

Figure 5. Flowchart of the EGA-OCBA algorithm

下载: 全尺寸图片幻灯片

图 6 路网案例

Figure 6. Road network for a case

下载: 全尺寸图片幻灯片

图 7 EGA-OCBA算法迭代过程

Figure 7. Iterative process of the EGA-OCBA algorithm

下载: 全尺寸图片幻灯片

表 1 路径模块事件

Table 1. Events of path module

类型	符号	说明
输入	$\alpha _{ij,n}^{( { {\text{p} }1} )}$	车辆 h 进入路段， $\forall h \notin {H_{ij,n}}\left( \tau \right)$
内部	$\beta _{ij,n}^{( {{\text{p}}1} )}$	更新车辆的剩余路程和时间戳
	$\beta _{ij,n}^{( { {\text{p} }2} )}$	车辆 h 加入到路段车辆集合
	$\beta _{ij,n}^{( {{\text{p}}3} )}$	根据路径状态计算平均速度
	$\beta _{ij,n}^{( {{\text{p}}4} )}$	更新共享汽车的预计离开时刻
	$\beta _{ij,n}^{( {{\text{p}}5} )}$	共享汽车 h “尝试”离开路段
输出	$\gamma _{ij,n}^{( {{\text{p}}1} )}$	车辆 h 离开路段， $\forall h \in {H_{ij,n}}( \tau )$

下载: 导出CSV

表 2 站点模块事件

Table 2. Events of station module

类型	符号	说明
输入	$\alpha _i^{( {{\text{p}}1} )}$	顾客到达车站
	$\alpha _i^{( {{\text{p2}}} )}$	下达调度指令，向车站 i 调车
	$\alpha _i^{( {{\text{p3}}} )}$	表示车辆 h 归还到站点 i
内部	$\beta _i^{( {{\text{p1}}} )}$	判断车辆库存是否足够
	$\beta _i^{( {{\text{p2}}} )}$	更新车辆集合，车辆选择去向
	$\beta _i^{( {{\text{p3}}} )}$	判断是否执行调度指令
	$\beta _i^{( {{\text{p4}}} )}$	更新车辆和调度员数量
输出	$\gamma _i^{( {{\text{p1}}} )}$	表示车辆 h 离开站点 i， $\forall h \in {H_i\left( \tau \right)}$

下载: 导出CSV

表 3 车站初始状态

Table 3. Initial state of stations

站点	车辆数/辆	调度员数/人
1	6	2
2	4	2
3	5	2
4	5	2
5	5	2

下载: 导出CSV

表 4 动态定价方案

Table 4. Dynamic pricing scheme 元

时段	${A_{12}}$	${A_{13}}$	${A_{14}}$	${A_{15}}$	${A_{21}}$	${A_{23}}$	${A_{24}}$	${A_{25}}$	${A_{31}}$	${A_{32}}$
06：00—09：00	37.0	22.0	40.0	24.0	48.0	40.0	34.0	28.0	16.0	54.0
09：00—12：00	39.0	56.0	12.0	12.0	51.0	23.0	31.0	25.0	13.0	19.0
12：00—15：00	50.0	38.0	41.0	19.0	43.0	58.0	13.0	51.0	27.0	57.0
15：00—18：00	37.0	34.0	20.0	35.0	17.0	20.0	47.0	43.0	38.0	13.0
18：00—21：00	36.0	36.0	42.0	14.0	55.0	50.0	54.0	15.0	23.0	53.0
21：00—24：00	33.0	54.0	28.0	33.0	44.0	32.0	43.0	43.0	44.0	10.0

时段	${A_{34}}$	${A_{35}}$	${A_{42}}$	${A_{42}}$	${A_{43}}$	${A_{45}}$	${A_{51}}$	${A_{52}}$	${A_{53}}$	${A_{54}}$
06：00—09：00	46.0	31.0	33.0	37.0	56.0	37.0	54.0	10.0	10.0	34.0
09：00—12：00	48.0	58.0	10.0	25.0	35.0	12.0	27.0	59.0	36.0	34.0
12：00—15：00	48.0	32.0	27.0	14.0	34.0	48.0	55.0	32.0	12.0	22.0
15：00—18：00	25.0	48.0	37.0	29.0	28.0	27.0	30.0	16.0	20.0	19.0
18：00—21：00	53.0	30.0	21.0	58.0	24.0	22.0	12.0	18.0	57.0	42.0
21：00—24：00	45.0	23.0	39.0	40.0	50.0	54.0	54.0	42.0	51.0	39.0

下载: 导出CSV

表 5 阈值触发调度方案

Table 5. Threshold-triggering relocation scheme 辆

时段	$S_{ 1}^{ {\text{up} } }\left( \tau \right)$	$S_{ 1}^{ {\text{low} } }\left( \tau \right)$	$S_{ 2}^{ {\text{up} } }\left( \tau \right)$	$S_{ 2}^{ {\text{low} } }\left( \tau \right)$	$S_{ 3}^{ {\text{up} } }\left( \tau \right)$	$S_{ 3}^{ {\text{low} } }\left( \tau \right)$	$S_{ 4}^{ {\text{up} } }\left( \tau \right)$	$S_{ 4}^{ {\text{low} } }\left( \tau \right)$	$S_{ 5}^{ {\text{up} } }\left( \tau \right)$	$S_{ 5}^{ {\text{low} } }\left( \tau \right)$
06：00—09：00	19	18	17	5	17	6	15	12	9	6
09：00—12：00	23	13	11	7	12	5	24	4	17	2
12：00—15：00	13	11	20	19	4	2	21	20	21	2
15：00—18：00	15	5	15	6	19	1	7	5	22	0
18：00—21：00	9	6	12	6	13	2	24	4	23	7
21：00—24：00	12	6	17	16	7	0	22	1	23	15

下载: 导出CSV

表 6 策略净收益对比

Table 6. Net income comparison among strategies 元

策略	收益	策略	收益
联合调度策略	10374.68	动态定价无调度	8979.37
定价 15 元有调度	3955.25	定价 15 元无调度	3756.46
定价 20 元有调度	5888.43	定价 20 元无调度	5466.05
定价 25 元有调度	7055.95	定价 25 元无调度	6880.96
定价 30 元有调度	7863.41	定价 30 元无调度	7193.02
定价 35 元有调度	9234.57	定价 35 元无调度	8043.68
定价 40 元有调度	9826.50	定价 40 元无调度	8106.93
定价 45 元有调度	9504.22	定价 45 元无调度	7698.97
定价 50 元有调度	7973.05	定价 50 元无调度	7203.43

下载: 导出CSV

参考文献(26)

[1]	MARTIN E W, SHAHEEN S A. Greenhouse gas emission impacts of carsharing in North America[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(4): 1074-1086. doi: 10.1109/TITS.2011.2158539
[2]	DI FEBBRARO A, SACCO N, SAEEDNIA M. One-way carsharing[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012, 2319(1): 113-120. doi: 10.3141/2319-13
[3]	JORGE D, CORRELA G H D A. Carsharing systems demand estimation and defined operations: a literature review[J]. European Journal of Transport & Infrastructure Reaserch, 2013, 13(3): 201-220.
[4]	WANG L, LIU Q, MA W J. Optimization of dynamic relocation operations for one-way electric carsharing systems[J]. Transportation Research Part C: Emerging Technologies, 2019, 101: 55-69. doi: 10.1016/j.trc.2019.01.005
[5]	BARTH M, TODD M. Simulation model performance analysis of a multiple station shared vehicle system[J]. Transportation Research Part C: Emerging Technologies, 1999, 7(4): 237-259. doi: 10.1016/S0968-090X(99)00021-2
[6]	CATALANO M, CASTO B L, MIGLIORE M. Car sharing demand estimation and urban transport demand modelling using stated preference techniques[J]. European Transport, 2008, 40: 33-50.
[7]	CHEU R L, XU J X, KEK A G H, et al. Forecasting shared-use vehicle trips with neural networks and support vector machines[J]. Transportation Research Record: Journal of the Transportation Research Board, 2006, 1968(1): 40-46. doi: 10.1177/0361198106196800105
[8]	KEK A G H, CHEU R L, CHOR M L. Relocation simulation model for multiple-station shared-use vehicle systems[J]. Transportation Research Record: Journal of the Transportation Research Board, 2006, 1986(1): 81-88. doi: 10.1177/0361198106198600111
[9]	KEK A G H, CHEU R L, MENG Q, et al. A decision support system for vehicle relocation operations in carsharing systems[J]. Transportation Research Part E: Logistics and Transportation Review, 2009, 45(1): 149-158. doi: 10.1016/j.tre.2008.02.008
[10]	CAO G Y, WANG L, JIN Y, et al. Determination of the vehicle relocation triggering threshold in electric car-sharing system[C]//Proceedings of 2016 Chinese Intelligent Systems Conference. [S.1.]: Spring, 2016: 11-22
[11]	王宁,舒雅静,唐林浩,等. 基于动态定价的共享汽车自适应调度策略[J]. 交通运输系统工程与信息,2018,18(5): 12-17,74. doi: 10.16097/j.cnki.1009-6744.2018.05.003 WANG Ning, SHU Yajing, TANG Linhao, et al. Adaptive scheduling strategy in car-sharing system based on feedback dynamic pricing[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(5): 12-17,74. doi: 10.16097/j.cnki.1009-6744.2018.05.003
[12]	王宁,郑文晖,刘向,等. 基于用户激励的共享电动汽车调度成本优化[J]. 同济大学学报(自然科学版),2018,46(12): 1668-1675,1721. doi: 10.11908/j.issn.0253-374x.2018.12.008 WANG Ning, ZHENG Wenhui, LIU Xiang, et al. Relocation cost optimization model of electric vehicle sharing based on user incentive[J]. Journal of Tongji University (Natural Science), 2018, 46(12): 1668-1675,1721. doi: 10.11908/j.issn.0253-374x.2018.12.008
[13]	JORGE D, MOLNAR G, DE ALMEIDA CORREIA G H. Trip pricing of one-way station-based carsharing networks with zone and time of day price variations[J]. Transportation Research Part B: Methodological, 2015, 81: 461-482. doi: 10.1016/j.trb.2015.06.003
[14]	XU M, MENG Q, LIU Z Y. Electric vehicle fleet size and trip pricing for one-way carsharing services considering vehicle relocation and personnel assignment[J]. Transportation Research Part B: Methodological, 2018, 111: 60-82. doi: 10.1016/j.trb.2018.03.001
[15]	NOURINEJAD M, ROORDA M J. A dynamic carsharing decision support system[J]. Transportation Research Part E: Logistics and Transportation Review, 2014, 66: 36-50. doi: 10.1016/j.tre.2014.03.003
[16]	CHEN C H, LEE L H. Stochastic simulation optimization: optimal computing budget allocation[M]. Singapore: World Scientific, 2010: 40-60.
[17]	LI H B, ZHOU C H, LEE B K, et al. Capacity planning for mega container terminals with multi-objective and multi-fidelity simulation optimization[J]. IISE Transactions, 2017, 49(9): 849-862. doi: 10.1080/24725854.2017.1318229
[18]	LI H B, ZHU Y C, CHEN Y X, et al. The object-oriented discrete event simulation modeling: a case study on aircraft spare part management[C]//2015 Winter Simulation Conference (WSC). Piscataway: IEEE, 2015: 3514-3525.
[19]	ZEIGLER B P. Hierarchical, modular discrete-event modelling in an object-oriented environment[J]. Simulation, 1987, 49(5): 219-230. doi: 10.1177/003754978904900506
[20]	ZEIGLER B P, PRAEHOFER H, KIM T G. Theory of modeling and simulation: integrating discrete event and continuous complex dynamic systems[M]. Pittsburgh: Academic Press, 2000: 4-5.
[21]	ZHOU C H, LEE L H, CHEW E P, et al. A modularized simulation for traffic network in container terminals via network of servers with dynamic rates[C]//Proceedings of 2017 Winter Simulation Conference (WSC). Las Vegas: IEEE, 2017: 3150-3161.
[22]	HU L, ZHAO B, ZHU J X, et al. Two time-varying and state-dependent fluid queuing models for traffic circulation systems[J]. European Journal of Operational Research, 2019, 275(3): 997-1019. doi: 10.1016/j.ejor.2019.01.020
[23]	CHEN H C, CHEN C H, YUCESAN E. Computing efforts allocation for ordinal optimization and discrete event simulation[J]. IEEE Transactions on Automatic Control, 2000, 45(5): 960-964. doi: 10.1109/9.855560
[24]	CHEN C H, LIN J W, YÜCESAN E, et al. Simulation budget allocation for further enhancing the efficiency of ordinal optimization[J]. Discrete Event Dynamic Systems, 2000, 10(3): 251-270. doi: 10.1023/A:1008349927281
[25]	XIAO H, LEE L H. Simulation optimization using genetic algorithms with optimal computing budget allocation[J]. Journal of Simulation, 2014, 90(10): 1146-1157. doi: 10.1177/0037549714548095
[26]	MANDL C E. Evaluation and optimization of urban public transportation networks[J]. European Journal of Operational Research, 1980, 5(6): 396-404. doi: 10.1016/0377-2217(80)90126-5

施引文献

附加材料(0)

访问统计

点击查看大图

图(7) / 表(6)

计量

文章访问数: 792
HTML全文浏览量: 263
PDF下载量: 71
被引次数: 0

1. 试验设计
2. 试验结果
2.1 力学特性
2.2 振铃计数及AE能量
2.3 b值分析
2.4 AE演化阶段
2.5 频谱分析
2.6 小波包频带能量占比
3. 结　论

基于模块化仿真的共享汽车联合调度优化

doi: 10.3969/j.issn.0258-2724.20210083

作者简介: 蒋阳升（1976—），男，教授，博士，研究方向为公共交通与共享交通等，E-mail：jiangyangsheng@swjtu.cn

通讯作者: 唐优华（1977—），男，教授级高级工程师，博士，研究方向为智能交通，E-mail：tyhctt@swjtu.cn

计量

出版历程