一种基于可持续发展的多模式实时车辆共乘匹配方法

1.本发明涉及车辆共乘技术领域，尤其涉及一种基于可持续发展的多模式实时车辆共乘匹配方法。

背景技术：

2.实时车辆共乘即将大量乘客的出行需求分配与提供出行服务意愿的私家车车主共享，分配闲置运输资源，高效的实时乘车共享不仅为供需双方提供了较为可观的经济利益，而且还创造了显著的环境优势和社会福利。实时车辆共乘问题一般采用两步方式解决，首先建立整体数学模型，其次根据模型特性引入有效的启发式，最优化或近似算法对其进行求解。建立可持续发展的运营模式是现如今共乘平台所需亟待解决的问题，然而现有对车辆共乘匹配方法均主要针对经济单方面目标进行优化，如平台定价、促销方式、盈利匹配模型等，未考虑可持续发展方面面临的环境和其余属性方面问题。从环境侧角度考虑，私人车辆是产生二氧化碳排放并导致交通拥堵的主要原因，车辆共乘效率的提升可有效缓解这一现象。从其余属性侧角度考虑，车辆共乘承担着提高交通系统效率和利用率的责任，共乘中的安全因素也是如今社会热点问题之一。但是，不同侧的目标相互制约，甚至矛盾。因此，需要建立基于可持续发展三重底线即经济侧、环境侧、其余属性侧的整体数学模型，对可持续发展三重底线中不同目标的平衡进行综合考虑，并提出其对应的多目标优化问题的高效求解方法。

技术实现要素：

3.针对上述现有技术的不足，本发明提供一种基于可持续发展的多模式实时车辆共乘匹配方法。
4.为解决上述技术问题，本发明所采取的技术方案是：一种基于可持续发展的多模式实时车辆共乘匹配方法，包括如下步骤：
5.步骤1：将车辆共乘模式分为出租车模式和顺风车模式；
6.出租车模式即车主作为兼职或全职运输服务提供者，由共乘平台统一派遣，以满足乘客的出行需求。
7.顺风车模式即车主和乘客都有各自的出发点和目的地，寻求行程共享。
8.步骤2：分别定义多模式实时车辆共乘的经济侧、环境侧和其余属性侧的评价指标；
9.所述经济侧的评价指标除考虑传统共乘模式中共乘距离和车主收入因素外，还计入车主成本消耗和乘客花费；
10.所述经济侧的评价指标的定义如下：
11.以车主-乘客匹配对＜d，r＞表示出租车模式下车主d为乘客r服务，或顺风车模式下车主d与乘客r共享行程；
12.在出租车模式下：车主收取路线的费用，支出路线和路线
的燃油磨损费用；
13.在顺风车模式下：车主收取路线的费用，支出路线的燃油磨损费用；
14.在车主-乘客匹配对《d，r》中车主的利润μ
《d，r》
对应的目标函数公式如下：
[0015][0016]
其中，以路径w(m，n)表示道路网络g中从点m到点n的路径，以表示路径w(m，n)的空间长度，以表示所属路径w
*
(m，n)中点m到点n之间的最短空间长度；od表示出租车模式下可向乘客提供运输服务车主d的起点，o
′d、o
″d表示顺风车模式下提供行程共享的车主d的起始点和目的地，p
′r、p
″r表示乘客r的起始点和目的地，ν，τ分别为单位长度的平均收入和平均成本。
[0017]
所述环境侧的评价指标以碳排放作为评价指标；
[0018]
所述环境侧的评价指标的定义如下：
[0019]
车主-乘客匹配对＜d，r＞中车主的平均碳排放量对应的目标函数公式如下：
[0020][0021][0022][0023]
其中，表示车主-乘客匹配对＜d，r＞中车主的平均碳排放量，表示未能匹配成功的车主产生的碳排放，表示未匹配成功的乘客产生的碳排放，h1每单位长度产生的平均碳排放量，h2表示每单位时间产生的平均碳排放量，α和β表示衡量其二值重要程度的权重；以∑
(i，j)∈w(m，n)
θ
ij
表示路径w(m，n)的时间长度，以表示所属路径w
*
(m，n)中点m到点n之间最短距离的对应时间。
[0024]
所述其余属性侧的评价指标包括服务总数、性别差异、优先级差异和通勤时间；
[0025]
所述其余属性侧的评价指标的定义如下：
[0026]
所述服务总数以车主-乘客匹配对＜d，r＞的总和表示已提供共乘服务乘客的数量；
[0027]
所述性别差异以性别差异指数来量化共乘安全性；
[0028]
所述优先级差异采用优先级差异指数来量化共乘人不同的优先级；
[0029]
所述通勤时间在出租车模式下为乘客在接受服务前的等待时间；在顺风车模式下通勤时间取决于其为乘客服务的额外时间；
[0030]
共乘过程中通勤时间对应的目标函数公式如下：
[0031][0032]
其中，以表示车主-乘客对＜d，r＞对应的通勤时间。
[0033]
步骤3：定义多模式实时车辆共乘的数学模型，分别建立经济侧、环境侧和其余属性侧的目标函数，并定义模型的约束条件，具体过程如下：
[0034]
步骤3.1：建立经济侧目标函数：
[0035][0036]
其中，表示车主集合，表示乘客集合；令表示匹配计划，当＜di，rj＞匹配对形成时，其二进制值等于1；
[0037]
步骤3.2：建立环境侧目标函数：
[0038][0039]
步骤3.3：建立其余属性侧目标函数：
[0040][0041]
其中，ω1，ω2，ω3和ω4为调整不同子目标重要级的权重因子，其值基于平台服务策略或评估方法决定；ζ
＜d，r＞
表示车主-乘客匹配对＜d，r＞的性别差异指数，若车主和乘客性别相同等于0，反之为1，权重因子φ根据性别问题在夜间更为突出的特点调整性别差异指数的权重；ψr表示乘客的优先级差异指数，若乘客提供年龄yr超过阈值ym，或根据乘客身体状况cr，定义其优先级差异指数ψr等于1；
[0042]
步骤3.4：定义约束条件，限制一名车主单次只与一名乘客相匹配：
[0043][0044][0045]
步骤3.5：定义约束条件，确保正利润，满足匹配可行性的必要条件：
[0046][0047]
步骤3.6：定义帕累托最优：
[0048]
optf(λ)＝[f1(λ)，f2(λ)，
…
，fn(λ)]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0049]
s.t.λ∈π
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中，f(λ)是目标函数的集合，λ是
可行解的集合。
[0050]
步骤4：针对求解多目标模型最优解问题，采用基于密度的ε-constraint方法生成帕累托前沿；首先，利用路由字典机制预测每个车主和乘客之间的最佳路线，其次，使用基于cplex的分支定界法来解决匹配问题，然后确定车主-乘客对＜d，r＞各指标值，求解模型的单目标优化版本，最后，使用基于密度的ε-constraint方法生成帕累托前沿，具体过程如下：
[0051]
步骤4.1：生成单侧底线边界数据：
[0052]
步骤4.1.1：以分别为经济侧目标函数、环境侧目标函数和其余属性侧目标函数的上限，以分别为上述目标函数的下限，计算对应上下限极值
[0053]
步骤4.1.2：移除最外层约束，迭代求解双目标模型，定义约束条件：
[0054][0055]
其中，将经济侧目标函数极值作等均分，为的倒数；
[0056]
步骤4.1.3：通过单独优化经济侧目标函数，得到最优解以表示经济侧目标函数中的值；
[0057]
步骤4.1.4：以作为目标的上限，计算未优化目标环境侧目标函数和其余属性侧目标函数在中的值，分别表示为和
[0058]
步骤4.1.5：切换优化目标，单独优化环境侧目标函数获得最优解以及目标函数的相应值和单独优化其余属性侧目标函数，获得最优解以及目标函数的相应值和其中和为环境侧目标函数和其余属性侧目标函数的上限，分别表示为和
[0059]
步骤4.2：对任一执行如下方法流程：
[0060]
步骤4.2.1：定义约束条件：
[0061][0062]
其中，将环境侧目标函数极值作等均分；
[0063]
步骤4.2.2：计算和之间的差值
[0064]
步骤4.2.3：采用步骤4.2.1为第二个约束条件最优化其余属性侧目标函数中任一值；
[0065]
步骤4.2.4：产生一组数量为的解集，以表示；
[0066]
步骤4.2.5：计算中任意两个相邻解和的欧氏距离ε
ij
；
[0067][0068]
步骤4.2.6：ε
ij
大于阈值再次优化其余属性侧目标函数，采用如下约束条件替换步骤4.2.1：
[0069][0070]
其中，是产生时相对应的值；
[0071]
步骤4.2.7：再次计算新解和原解之间的距离，如果距离仍大于再次插入一个新解到直到插入次数达到上限l
max
；
[0072]
步骤4.2.8：定义约束条件：
[0073][0074]
其中，将环境侧目标函数极值作等均分；
[0075]
步骤4.2.9：计算和之间的差值
[0076]
步骤4.2.10：采用步骤4.2.8为第二个约束条件最优化环境侧目标函数中任一值；
[0077]
步骤4.2.11：产生一组数量为的解集，以表示；
[0078]
步骤4.2.12：计算中任意两个相邻解和的欧氏距离εij：
[0079][0080]
步骤4.2.13：ε
ij
大于阈值再次优化环境侧目标函数，采用如下约束条件替换步骤4.2.4：
[0081][0082]
其中，是产生时相对应的值；
[0083]
步骤4.2.14：重复步骤4.2.7，采用相同的基于密度插入过程；
[0084]
步骤4.2.15：从到至少得到数量为的解集；
[0085]
步骤4.2.16：采用步骤4.2.1作为第一个约束条件；
[0086]
步骤4.2.17：对于步骤4.2.1中任一值，采用步骤4.2.8作为第二个约束条件；
[0087]
步骤4.2.18：优化经济侧目标函数中任一值，得到另一组数量的解集，用表示；
[0088]
步骤4.3：将步骤4.2中得到的数量为的解集进行组合归纳，生成帕累托前沿集；
[0089]
步骤4.4：采用迪杰斯特拉算法和可扩展路由字典机制获取车主和乘客之间的最佳路线和相应数值；目标模型需求的最佳路线包括出租车模式下路径和顺风车模式下路径
[0090]
步骤4.4.1：采用迪杰斯特拉算法计算从一个节点到道路网络中所有其他节点的最短路径；
[0091]
步骤4.4.2：创建可扩展路由字典存储步骤4.4.1中得出的路线相关数值；
[0092]
步骤4.4.3：多次执行迪杰斯特拉算法获取最佳路线；
[0093]
步骤4.4.4：计算两节点间最佳路线时，从字典中检索，获取最佳路线；若路线尚未计算，运行迪杰斯特拉算法并将结果存储在字典中。
[0094]
采用上述技术方案所产生的有益效果在于：
[0095]
1、本发明提供的基于可持续发展的多模式实时车辆共乘匹配方法，在综合考虑三重底线原则的基础上，有效的选择出最优的共乘组合，采用一种路线字典机制有效地生成私家车车主和乘客之间的最佳路线，结合最优化算法和帕累托前沿法获得所提出的多目标
模型的最佳解决方案；
[0096]
2、本发明除了考虑传统的经济因素外，还为环境和其余属性方面的绩效指标定义了额外的目标函数。同时引入出租车和顺风车两种共乘模式，开发了一个综合的多目标数学模型，通过考虑经济、环境和其余属性指标来优化目标函数。
[0097]
3、本发明设计了一种快速获取车主和乘客之间最优路径的有效方法，以及一种生成多目标帕累托前沿的有效方法。
[0098]
4、本发明提供明确考虑可持续性的最佳调度计划，相较于其他车辆共乘平台更能以智能方式平衡可持续发展中的三重底线原则，实现在线共乘平台的可持续发展规划。
附图说明
[0099]
图1为本发明实施例中基于可持续发展的多模式实时车辆共乘匹配方法的流程图；
[0100]
图2为本发明实施例中帕累托前沿生成方法流程图；
[0101]
图3为本发明实施例中基于密度的插入方法流程图；
[0102]
图4为本发明实施例中单目标模型的求解过程流程图。
具体实施方式
[0103]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0104]
如图1所示，本实施例中基于可持续发展的多模式实时车辆共乘匹配方法，包括如下步骤：
[0105]
步骤1：将车辆共乘模式分为出租车模式和顺风车模式；
[0106]
出租车模式即车主作为兼职或全职运输服务提供者，由共乘平台统一派遣，以满足乘客的出行需求。
[0107]
顺风车模式即车主和乘客都有各自的出发点和目的地，寻求行程共享。
[0108]
步骤2：分别定义多模式实时车辆共乘的经济侧、环境侧和其余属性侧的评价指标；
[0109]
所述经济侧的评价指标除考虑传统共乘模式中共乘距离和车主收入因素外，还计入车主成本消耗和乘客花费；
[0110]
所述经济侧的评价指标的定义如下：
[0111]
以车主-乘客匹配对＜d，r＞表示出租车模式下车主d为乘客r服务，或顺风车模式下车主d与乘客r共享行程；
[0112]
在出租车模式下：车主收取路线的费用，支出路线和路线的燃油磨损费用；
[0113]
在顺风车模式下：车主收取路线的费用，支出路线的燃油磨损费用；
[0114]
在车主-乘客匹配对＜d，r＞中车主的利润μ
《d，r》
对应的目标函数公式如下：
[0115][0116]
其中，以路径w(m，n)表示道路网络g中从点m到点n的路径，以表示路径w(m，n)的空间长度，以表示所属路径w
*
(m，n)中点m到点n之间的最短空间长度；od表示出租车模式下可向乘客提供运输服务车主d的起点，o
′d、o
″d表示顺风车模式下提供行程共享的车主d的起始点和目的地，p
′r、p
″r表示乘客r的起始点和目的地，ν，τ分别为单位长度的平均收入和平均成本。
[0117]
所述环境侧的评价指标以碳排放作为评价指标；
[0118]
所述环境侧的评价指标的定义如下：
[0119]
车主-乘客匹配对＜d，r＞中车主的平均碳排放量对应的目标函数公式如下：
[0120][0121][0122][0123]
其中，表示车主-乘客匹配对＜d，r＞中车主的平均碳排放量，表示未能匹配成功的车主产生的碳排放，表示未匹配成功的乘客产生的碳排放，h1每单位长度产生的平均碳排放量，h2表示每单位时间产生的平均碳排放量，α和β表示衡量其二值重要程度的权重；以∑
(i，j)∈w(m，n)
θ
ij
表示路径w(m，n)的时间长度，以表示所属路径w
*
(m，n)中点m到点n之间最短距离的对应时间。
[0124]
所述其余属性侧的评价指标包括服务总数、性别差异、优先级差异和通勤时间；
[0125]
所述其余属性侧的评价指标的定义如下：
[0126]
所述服务总数以车主-乘客匹配对＜d，r＞的总和表示已提供共乘服务乘客的数量；
[0127]
所述性别差异以性别差异指数来量化共乘安全性；
[0128]
所述优先级差异采用优先级差异指数来量化共乘人不同的优先级；
[0129]
所述通勤时间在出租车模式下为乘客在接受服务前的等待时间；在顺风车模式下通勤时间取决于其为乘客服务的额外时间；
[0130]
共乘过程中通勤时间对应的目标函数公式如下：
[0131][0132]
其中，以表示车主-乘客对＜d，r＞对应的通勤时间。
[0133]
步骤3：定义多模式实时车辆共乘的数学模型，分别建立经济侧、环境侧和其余属
性侧的目标函数，并定义模型的约束条件，具体过程如下：
[0134]
步骤3.1：建立经济侧目标函数：
[0135][0136]
其中，表示车主集合，表示乘客集合；令表示匹配计划，当＜di，rj＞匹配对形成时，其二进制值等于1；
[0137]
步骤3.2：建立环境侧目标函数：
[0138][0139]
步骤3.3：建立其余属性侧目标函数：
[0140][0141]
其中，ω1，ω2，ω3和ω4为调整不同子目标重要级的权重因子，其值基于平台服务策略或评估方法决定；ζ＜d，r＞表示车主-乘客匹配对＜d，r＞的性别差异指数，若车主和乘客性别相同等于0，反之为1，权重因子φ根据性别问题在夜间更为突出的特点调整性别差异指数的权重；ψr表示乘客的优先级差异指数，若乘客提供年龄yr超过阈值ym，或根据乘客身体状况cr，定义其优先级差异指数ψr等于1；
[0142]
步骤3.4：定义约束条件，限制一名车主单次只与一名乘客相匹配：
[0143][0144][0145]
步骤3.5：定义约束条件，确保正利润，满足匹配可行性的必要条件：
[0146][0147]
步骤3.6：定义帕累托最优：
[0148]
optf(λ)＝[f1(λ)，f2(λ)，
…
，fn(λ)]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0149]
s.t.λ∈π
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中，f(λ)是目标函数的集合，λ是可行解的集合。
[0150]
步骤4：针对求解多目标模型最优解问题，采用基于密度的ε-constraint方法生成帕累托前沿，其流程如图2所示；首先，利用路由字典机制预测每个车主和乘客之间的最佳路线，其次，使用基于cplex的分支定界法来解决匹配问题，然后确定车主-乘客对＜d，r＞各指标值，求解模型的单目标优化版本，最后，使用基于密度的ε-constraint方法生成帕累托前沿，具体过程如下：
[0151]
步骤4.1：生成单侧底线边界数据：
[0152]
步骤4.1.1：以分别为经济侧目标函数、环境侧目标函数和其余属性侧目标函数的上限，以分别为上述目标函数的下限，计算对应上下限极值
[0153]
步骤4.1.2：移除最外层约束，迭代求解双目标模型，定义约束条件：
[0154][0155]
其中，将经济侧目标函数极值作等均分，为的倒数；
[0156]
步骤4.1.3：通过单独优化经济侧目标函数，得到最优解以表示经济侧目标函数中的值；
[0157]
步骤4.1.4：以作为目标的上限，计算未优化目标环境侧目标函数和其余属性侧目标函数在中的值，分别表示为和
[0158]
步骤4.1.5：切换优化目标，单独优化环境侧目标函数获得最优解以及目标函数的相应值和单独优化其余属性侧目标函数，获得最优解以及目标函数的相应值和其中和为环境侧目标函数和其余属性侧目标函数的上限，分别表示为和
[0159]
步骤4.2：对任一执行如下方法流程：
[0160]
步骤4.2.1：定义约束条件：
[0161][0162]
其中，将环境侧目标函数极值作等均分；
[0163]
步骤4.2.2：计算和之间的差值
[0164]
步骤4.2.3：采用步骤4.2.1为第二个约束条件最优化其余属性侧目标函数中任一值；
[0165]
步骤4.2.4：产生一组数量为的解集，以表示；
[0166]
步骤4.2.5：计算中任意两个相邻解和的欧氏距离ε
ij
；
[0167][0168]
步骤4.2.6：ε
ij
大于阈值再次优化其余属性侧目标函数，采用如下约束条件替换步骤4.2.1：
[0169][0170]
其中，是产生时相对应的值；
[0171]
步骤4.2.7：再次计算新解和原解之间的距离，如果距离仍大于再次插入一个新解到直到插入次数达到上限l
max
，上述基于密度的插入方法的流程如图3所示；
[0172]
步骤4.2.8：定义约束条件：
[0173][0174]
其中，将环境侧目标函数极值作等均分；
[0175]
步骤4.2.9：计算和之间的差值
[0176]
步骤4.2.10：采用步骤4.2.8为第二个约束条件最优化环境侧目标函数中任一值；
[0177]
步骤4.2.11：产生一组数量为的解集，以表示；
[0178]
步骤4.2.12：计算中任意两个相邻解和的欧氏距离ε
ij
：
[0179][0180]
步骤4.2.13：ε
ij
大于阈值再次优化环境侧目标函数，采用如下约束条件替换步骤4.2.4：
[0181][0182]
其中，是产生时相对应的值；
[0183]
步骤4.2.14：重复步骤4.2.7，采用相同的基于密度插入过程；
[0184]
步骤4.2.15：从到至少得到数量为的解集；
[0185]
步骤4.2.16：采用步骤4.2.1作为第一个约束条件；
[0186]
步骤4.2.17：对于步骤4.2.1中任一值，采用步骤4.2.8作为第二个约束条件；
[0187]
步骤4.2.18：优化经济侧目标函数中任一值，得到另一组数量的解集，用表示；
[0188]
步骤4.3：将步骤4.2中得到的数量为的解集进行组合归纳，生成帕累托前沿集；
[0189]
步骤4.4：采用迪杰斯特拉算法和可扩展路由字典机制获取车主和乘客之间的最佳路线和相应数值；目标模型需求的最佳路线包括出租车模式下路径和顺风车模式模式下路径
[0190]
步骤4.4.1：采用迪杰斯特拉算法计算从一个节点到道路网络中所有其他节点的最短路径；
[0191]
步骤4.4.2：创建可扩展路由字典存储步骤4.4.1中得出的路线相关数值；
[0192]
步骤4.4.3：多次执行迪杰斯特拉算法获取最佳路线；
[0193]
步骤4.4.4：计算两节点间最佳路线时，从字典中检索，获取最佳路线；若路线尚未计算，运行迪杰斯特拉算法并将结果存储在字典中，本实施例中，单目标模型的最佳路径求解过程如图4所示。

技术特征：

1.一种基于可持续发展的多模式实时车辆共乘匹配方法，其特征在于，包括如下步骤：步骤1：将车辆共乘模式分为出租车模式和顺风车模式；步骤2：分别定义多模式实时车辆共乘的经济侧、环境侧和其余属性侧的评价指标；所述经济侧的评价指标除考虑传统共乘模式中共乘距离和车主收入因素外，还计入车主成本消耗和乘客花费；所述环境侧的评价指标以碳排放作为评价指标；所述其余属性侧的评价指标包括服务总数、性别差异、优先级差异和通勤时间；步骤3：定义多模式实时车辆共乘的数学模型，分别建立经济侧、环境侧和其余属性侧的目标函数，并定义模型的约束条件；步骤4：针对求解多目标模型最优解问题，采用基于密度的ε-constraint方法生成帕累托前沿；首先，利用路由字典机制预测每个车主和乘客之间的最佳路线，其次，使用基于cplex的分支定界法来解决匹配问题，然后确定车主-乘客对<d,r>各指标值，求解模型的单目标优化版本，最后，使用基于密度的ε-constraint方法生成帕累托前沿。2.根据权利要求1所述的基于可持续发展的多模式实时车辆共乘匹配方法，其特征在于，所述经济侧的评价指标的定义如下：以车主-乘客匹配对<d,r>表示出租车模式下车主d为乘客r服务，或顺风车模式下车主d与乘客r共享行程；在出租车模式下：车主收取路线的费用,支出路线和路线的燃油磨损费用；在顺风车模式下：车主收取路线的费用,支出路线的燃油磨损费用；在车主-乘客匹配对<d,r>中车主的利润μ
<d,r>
对应的目标函数公式如下：其中，以路径w(m,n)表示道路网络g中从点m到点n的路径，以表示路径w(m,n)的空间长度，以表示所属路径w
*
(m,n)中点m到点n之间的最短空间长度；o
d
表示出租车模式下可向乘客提供运输服务车主d的起点，o
′
d
、o
″
d
表示顺风车模式下提供行程共享的车主d的起始点和目的地，p
′
r
、p
″
r
表示乘客r的起始点和目的地，ν，τ分别为单位长度的平均收入和平均成本。3.根据权利要求1所述的基于可持续发展的多模式实时车辆共乘匹配方法，其特征在于，所述环境侧的评价指标的定义如下：车主-乘客匹配对<d,r>中车主的平均碳排放量对应的目标函数公式如下：
其中，表示车主-乘客匹配对<d,r>中车主的平均碳排放量，表示未能匹配成功的车主产生的碳排放，表示未匹配成功的乘客产生的碳排放，h1每单位长度产生的平均碳排放量，h2表示每单位时间产生的平均碳排放量，α和β表示衡量其二值重要程度的权重；以表示路径w(m,n)的时间长度，以表示所属路径w
*
(m,n)中点m到点n之间最短距离的对应时间。4.根据权利要求1所述的基于可持续发展的多模式实时车辆共乘匹配方法，其特征在于，所述其余属性侧的评价指标的定义如下：所述服务总数以车主-乘客匹配对<d,r>的总和表示已提供共乘服务乘客的数量；所述性别差异以性别差异指数来量化共乘安全性；所述优先级差异采用优先级差异指数来量化共乘人不同的优先级；所述通勤时间在出租车模式下为乘客在接受服务前的等待时间；在顺风车模式下通勤时间取决于其为乘客服务的额外时间；共乘过程中通勤时间对应的目标函数公式如下：其中，以表示车主-乘客对<d,r>对应的通勤时间。5.根据权利要求1所述的基于可持续发展的多模式实时车辆共乘匹配方法，其特征在于，所述步骤3的过程如下：步骤3.1：建立经济侧目标函数：其中，表示车主集合，表示乘客集合；令表示匹配计划，当<d
i
,r
j
>匹配对形成时，其二进制值等于1；步骤3.2：建立环境侧目标函数：
步骤3.3：建立其余属性侧目标函数：其中，ω1，ω2，ω3和ω4为调整不同子目标重要级的权重因子，其值基于平台服务策略或评估方法决定；ζ
<d,r>
表示车主-乘客匹配对<d,r>的性别差异指数，若车主和乘客性别相同等于0，反之为1，权重因子φ根据性别问题在夜间更为突出的特点调整性别差异指数的权重；ψ
r
表示乘客的优先级差异指数，若乘客提供年龄y
r
超过阈值y
m
，或根据乘客身体状况c
r
，定义其优先级差异指数φ
r
等于1；步骤3.4：定义约束条件，限制一名车主单次只与一名乘客相匹配：步骤3.4：定义约束条件，限制一名车主单次只与一名乘客相匹配：步骤3.5：定义约束条件，确保正利润，满足匹配可行性的必要条件：步骤3.6：定义帕累托最优：optf(λ)＝[f1(λ),f2(λ),
…
,f
n
(λ)]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)s.t.λ∈π
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中，f(λ)是目标函数的集合，λ是可行解的集合。6.根据权利要求1所述的基于可持续发展的多模式实时车辆共乘匹配方法，其特征在于，所述步骤4的过程如下：步骤4.1：生成单侧底线边界数据：步骤4.1.1：以分别为经济侧目标函数、环境侧目标函数和其余属性侧目标函数的上限，以分别为上述目标函数的下限，计算对应上下限极值步骤4.1.2：移除最外层约束，迭代求解双目标模型，定义约束条件：其中，将经济侧目标函数极值作等均分，为的倒数；步骤4.1.3：通过单独优化经济侧目标函数，得到最优解以表示经济侧目标函数中的值；
步骤4.1.4：以作为目标的上限，计算未优化目标环境侧目标函数和其余属性侧目标函数在中的值，分别表示为和步骤4.1.5：切换优化目标，单独优化环境侧目标函数获得最优解以及目标函数的相应值和单独优化其余属性侧目标函数，获得最优解以及目标函数的相应值和其中和为环境侧目标函数和其余属性侧目标函数的上限，分别表示为和步骤4.2：对任一执行如下方法流程：步骤4.2.1：定义约束条件：其中，将环境侧目标函数极值作等均分；步骤4.2.2：计算和之间的差值步骤4.2.3：采用步骤4.2.1为第二个约束条件最优化其余属性侧目标函数中任一值；步骤4.2.4：产生一组数量为的解集，以表示；步骤4.2.5：计算中任意两个相邻解和的欧氏距离ε
ij
；步骤4.2.6：ε
ij
大于阈值再次优化其余属性侧目标函数，采用如下约束条件替换步骤4.2.1：其中，是产生时相对应的值；步骤4.2.7：再次计算新解和原解之间的距离，如果距离仍大于再次插入一个新解到直到插入次数达到上限l
max
；步骤4.2.8：定义约束条件：其中，将环境侧目标函数极值作等均分；步骤4.2.9：计算和之间的差值步骤4.2.10：采用步骤4.2.8为第二个约束条件最优化环境侧目标函数中任一值；步骤4.2.11：产生一组数量为的解集，以表示；步骤4.2.12：计算中任意两个相邻解和的欧氏距离ε
ij
：步骤4.2.13：ε
ij
大于阈值再次优化环境侧目标函数，采用如下约束条件替换步骤
4.2.4：其中，是产生时相对应的值；步骤4.2.14：重复步骤4.2.7，采用相同的基于密度插入过程；步骤4.2.15：从到至少得到数量为的解集；步骤4.2.16：采用步骤4.2.1作为第一个约束条件；步骤4.2.17：对于步骤4.2.1中任一值，采用步骤4.2.8作为第二个约束条件；步骤4.2.18：优化经济侧目标函数中任一值，得到另一组数量的解集，用表示；步骤4.3：将步骤4.2中得到的数量为的解集进行组合归纳，生成帕累托前沿集；步骤4.4：采用迪杰斯特拉算法和可扩展路由字典机制获取车主和乘客之间的最佳路线和相应数值；目标模型需求的最佳路线包括出租车模式下路径和顺风车模式模式下路径步骤4.4.1：采用迪杰斯特拉算法计算从一个节点到道路网络中所有其他节点的最短路径；步骤4.4.2：创建可扩展路由字典存储步骤4.4.1中得出的路线相关数值；步骤4.4.3：多次执行迪杰斯特拉算法获取最佳路线；步骤4.4.4：计算两节点间最佳路线时，从字典中检索，获取最佳路线；若路线尚未计算，运行迪杰斯特拉算法并将结果存储在字典中。

技术总结

本发明公开一种基于可持续发展的多模式实时车辆共乘匹配方法，包括步骤1：将车辆共乘模式分为出租车模式和顺风车模式；步骤2：分别定义多模式实时车辆共乘的经济侧、环境侧和其余属性侧的评价指标；步骤3：定义多模式实时车辆共乘的数学模型，分别建立经济侧、环境侧和其余属性侧的目标函数，并定义模型的约束条件；步骤4：针对求解多目标模型最优解问题，采用基于密度的ε-constraint方法生成帕累托前沿。本发明开发了一个综合的多目标数学模型，通过考虑经济、环境和其余属性指标来优化目标函数，结合最优化算法和帕累托前沿法获得所提出的多目标模型的最佳解决方案。出的多目标模型的最佳解决方案。