文摘

由于越来越多的人乘飞机,在机场客流增加,乘客下车,皮卡的问题对城市交通产生巨大影响。在机场打的的困难仍然是社会的一个热点问题。针对出租车资源优化分配的问题,本文基于成本效益分析方法确定影响出租车司机的决策的因素。函数方程等数学方法,BP神经网络算法和排队论是用于建立一个完整的决策模型为出租车司机和调度的优化模型在机场效率。结论已经被吸引,机场出租车资源的分配应安排密切相关司机的收入和机场线的布局。

1。介绍

快速发展的交通网络,飞机已经成为人们最重要的交通工具之一(1]。下飞机后,大多数乘客到目的地城市地区(或周边地区)和出租车已经成为主要的交通工具之一(2]。结果,在机场出租车调度已成为一个研究的问题,为提高载客的效率。报道在一些贡献,改善交通条件在机场可以促进经济发展3,4]。因此,出租车调度效率(语音)机场经济区的发展具有重要意义。

成本效益分析(CBA)是一种有效的方法来评估投资选择的潜在经济影响(5,6]。经理应该收集相关信息不确定因素的决策过程,以便他们可以做出最好的选择7]。通过考虑到多种不同的选择影响的背景下艰难的预算仲裁,CBA法使决策过程定量分析,为决策者提供之前的策略。2009年,Damart和罗伊利用CBA法评估的决策背景交通基础设施在法国,发现公共资源合理化使用和涉众接受的选择是两个元素影响交通基础设施的改善在法国6]。2016年,Burgain等人应用CBA为改善拥挤的机场操作在机场出发的业务(8]。上述研究CBA用于分析和改善决策问题但有限的研究决策策略,在机场的出租车司机。

误差反向传播(BP)神经网络是神经网络的一种算法,可以应用在研究领域,如智能控制、组合优化、图像处理(9]。自20世纪末以来,BP网络在交通工程领域得到了广泛的应用。2002年,苏莫和预测客流量实时交通利用神经网络(10]。之后,他等人应用反向传播(BP)网络预测航道的总量(11]。2013年,勇和道客运的需求特征分析BP网络算法(12]。郑等人做了预测和设计公路运输网络规划与预测模型构建BP神经网络在2018年初(下13]。

HRRN是一种最常用的调度方法在现代操作系统(14),它可以用来提高系统的运行效率,是一个优秀的调度算法。2003年,刘等人HRRN方法应用于总线仲裁(15]。苏伦德拉Varma HRRN策略用于分析基于优先级的系统考虑破裂时间,到达时间,和优先级142013年)。所有上述文献有效利用BP网络预测动态交通、和HRRN分析优先级调度系统在机场。然而,有限的关注运输和旅客之间的交互。

提高效率合理,从Damart的研究获得的经验,在法国,两面,出租车司机和管理部门在双流机场将被考虑。调度效率的优化模型是由首先构建决策模型为出租车司机在双流机场,出租车已经考虑的动态运动。其次,可以建立了调度模型考虑出发的双流机场的计划。一些沉淀的变化将很难确保调度模型的有效性。因此,有必要考虑和控制相关的更改(16]。提高调度模型的敏感性,不同天气条件和假日影响决策模型和调度模型讨论了。全面的风险评价方法,包括风险指数框架和相关的定量方法也很重要17]。然而,这种方法不需要因为风险评价不是本研究的重点。最终,最后模型构建了一个良好的灵敏度。

2。材料和方法

出租车司机减少乘客在机场将面临两个选择:选项1:去移民区域和队列的乘客回到这座城市。出租车司机必须去指定的停车场排队由于“先”的基础上。等待时间的长度取决于数量的出租车和乘客的数量在队列中,这需要一定的时间成本。选项2:直接返回到城市的乘客。出租车司机支付空载费用和从机场可能会失去潜在收入。

航班到达的数量在一定的时间内,汽车的数量已经在停车场某些信息,司机可以观察到。通常,司机的决定与他的个人经历,如航班到达某一时间段的数量和可能的乘客的数量18]。如果乘客想要得到下飞机后乘出租车,他们必须排队到指定停车场,搭车。机场的出租车管理人员负责定量释放出租车进入停车场,安排一定数量的乘客登机。

为了建立一个合理的决策模型对于出租车司机,本文使用成本效益分析仔细区分因素对利润的影响等在机场,回到城市的利润。司机在机场等了的好处,司机的等待成本和获得的收入将乘客回到城市需要考虑。其中,等待司机成本预测的数量有航班到港,客流数量,假设交通流,和其他变量如天气条件(19]。至于司机回到市区的好处将乘客,本文主要考虑成本的空运行在去市区的路上和收入来自载着乘客在城市地区。乘客的收入和成本的空运行受到距离的影响从机场到市区的距离不同的目的地城市地区(20.,21]。正态分布之间的距离机场和市区,市区内的距离由实时修改地图,以便获得司机选择的决策模型在城市地区运送旅客。最后,通过比较利润的司机在机场等了利润的司机去接送旅客,司机的最好的决定。整个成本效益分析的流程图如图1:

2.1。出租车司机建设决策模型

2.1.1。假设

(1)出租车司机的行为是符合“理性代理人”的假设,这意味着出租车司机总是选择最大的决策计划预期的经济效益。(2)当学习的情况在机场出租车载客,假定的乘客数量总是大于1,这意味着出租车司机总是能够接收旅客在机场。(3)当乘客在机场坐出租车,它假定的交通量总是等于或大于0,这意味着乘客可能会出租车在停车场没有等待,或者他们可能需要等待一段时间让一辆出租车。(4)单向收入获得的出租车司机在机场等了大于单向载着乘客在城市地区获得的收入。(5)出租车司机的收入和成本,乘客只携带相关距离,食物,燃料成本,没有与位置的关系。(6)距离机场到城市和城市区域内的正态分布。(7)出租车服务的费用在日夜都是一样的。(8)所有的出租车都是加油92号汽油(燃料在中国使用)。

2.1.2。符号的解释

解释符号表1。

2.2。对出租车司机建立决策模型

首先,本文认为主要影响因素在机场停车场的客流在中国是:(1)在机场客流;(2)在机场航班号;(3)天气条件;(4)周六和周日等假期的影响。因为天气条件的影响和假期是很难被量化,前两个因素主要考虑。

2.2.1。乘客在停车场的数量

根据停车场客流量的影响因素:(1)在机场客流;(2)在机场入境的数量和停车场客流量之间的函数关系和影响因素已经得到使用BP神经网络: 在哪里代表的客流量的影响因素停车场。

2.2.2。在停车场乘客的等待时间

考虑出租车司机等待时间的影响因素:(1)乘客在停车场的数量(2)停车场交通流量

乘客等待时间之间的数学关系,客流量在停车场可以表达的 在哪里是排队的乘客的数量在停车场,之间的时间差距是当最后出租车刚刚捡起和下一个出租车在停车场,然后呢是旅客的登机时间。

2.2.3。出租车司机在停车场等待时间

考虑到出租车司机总是假设能够接收乘客在停车场,出租车司机之间的数学关系的等待时间和乘客的等待时间可以表示如下(22]: 在哪里 系数是影响机场的位置是系数的大小影响机场,然后呢和代表的乘客数量和出租车在机场停车场在某个时刻。当确定了机场,的值 和乘客和司机在机场停车场可以确定在特定的时间,这样的出租车司机在停车场等待时间可以计算的

2.2.4。出租车司机的等待成本

因为出租车司机的等待成本等于出租车司机的收入直接回到市区在同一时间23),成本之间的关系可以表示为等待时间和等待时间 在哪里每小时是预期收益等是当司机的等待时间是司机在停车场。

2.2.5。出租车司机在停车场等候着的利润

司机的收入计算在停车场等待-等待成本,等待司机在机场停车场的收入可以表示为 在哪里机场和城市之间的距离,是出租车起价的里程车费是每公里里程超过后 , 是燃料成本每公里出租车,起始价格。

2.2.6款。出租车司机的利润直接回到这座城市

通过计算运载乘客的司机的收入的城市-空运行成本开车去市区,可以得到相应的利润。考虑到不同的距离,当距离小于 ,利润可以表示为

当的距离大于 ,利润可以表示为 在哪里成功是出租车司机的数量的乘客在城市地区每小时。最后,出租车司机的决策模型是通过比较收入的价值来自等候在机场停车场,直接回到城市。

当 ,出租车司机应该选择在停车场等。

当 ,出租车司机应该选择回到这个城市直接接送旅客。

当 ,出租车司机应该选择等待在停车场或返回到城市直接接送旅客。

2.3。定量分析

现在认为,在停车场等候的乘客数量是50,出租车的数量是20,机场相关系数 。旅客携带12公里,距离区和载客距离市区4公里。相关数据的出租车费用 , , , ,和 。这时,一个场景分析可以执行,给一个司机在当前形势下的决定。

根据已知的条件下,乘客的等待时间

司机的等待时间

司机的利润是等待

司机的利润直接从回到市区

因此,在当前形势下,司机应选择在机场等在停车场。

3所示。结果与讨论

3.1。出租车司机的决策模型应用到实际的条件

成都的出租车的相关数据已收集到某一天。结合建立的模型模拟条件下,模型的合理性及其相关因素的依赖通过结合BP神经网络分析。

通过查询相关信息,我们得到的信息表所示2。

通过查找成都双流机场的相关数据,本文采用BP神经网络算法,如图2- - - - - -4,建立相关模型,航班的数量,客流数量,数量的乘客在停车场,在停车场和出租车的数量一天:

根据这种关系模型,选择一组特定的时间点,和相应的数量的乘客和出租车的数量在停车场被输出,并进一步执行数据分析模型来验证模型的合理性,找出相关因素的依赖。

3.2。第一阶段的敏感分析

通过选择时间点集,乘客和出租车的数量在停车场的成都双流机场获得摘要:18日4;41岁的13;41岁,33;57岁,27岁;57岁,37岁;57岁的47个;83年,34岁;83年,44岁;95年,42岁。据出租车司机上面建立的决策模型,通过Matlab计算相应的乘客等待时间价值,出租车司机等待时间价值,利润的出租车司机在停车场等待并直接返回市区可以导出,如表所示3:

根据百度地图的热图和人群分布地图,可能的目的地选择出租车司机从机场,和去目的地的概率模拟的热图(26),如图5。

的正态分布概率之间的关系,乘客到目的地,距离机场到城市(或从一个地方到目的地城市。平均运送距离从机场到市区11.54和标准差是2.27,城市内的平均距离是4,标准偏差为1.1,如图6。

实际数据的合理性和相关收购可以分析从双流机场出租车司机所建立的决策模型:(1)通过比较乘客等待时间的价值,它可以发现乘客的等待时间增加而越来越多的乘客在停车场,不会改变的越来越多的出租车停车场。这个结果是合理的,因为出租车在停车场的数量一直是足够的,所以不存在短缺的出租车,这不会影响乘客的等待时间。与此同时,排队和等待机制使其合理为乘客的等待时间增加乘客在停车场数量的增加。(2)通过比较出租车司机等待时间的价值,出租车司机等待时间的增长,越来越多的乘客在停车场,也增加了出租车的数量在停车场,出租车的数量的影响在停车场的出租车司机等待时间大于的乘客数量的影响。这样的结果是合理的,因为越来越多的乘客在停车场,增加出租车的数量会增加负载在机场的等候时间,提高出租车司机。同时,出租车的数量更大影响司机的等待时间,因为出租车司机还需要排队等待皮卡。因此,出租车的数量将直接影响到对出租车司机在停车场等待时间。相对而言,乘客的数量的影响时间等待出租车司机很小。(3)通过比较选择的等待出租车司机的收入回到市区,它可以显示,当运送距离选为达到最大概率( , ),等待出租车司机的收入会改变数量的变化的乘客和出租车在停车场,和出租车司机的收入直接返回到城市不会改变。这是因为司机的等待收入密切相关司机的等待时间,等待时间是影响乘客和出租车的数量。司机的收入直接开车到市区仅运送距离的影响从机场到市区,市区内。时的值和影响乘客的距离保持不变,司机的收入将不会受到影响。(4)同时,等待出租车司机的收入,比较的乘客数量和出租车的数量数据集(41岁13;41岁,33或57,27岁;57岁,37岁;57岁的47)。当乘客在停车场的数量不变,司机的收入减少等待出租车在停车场的数量增加。考虑到更大的出租车司机在停车场的数量,等待出租车司机的成本就越大,因此可以验证这个结果的合理性,减少司机的收入等。当乘客和出租车的数量(57岁47),可以发现,司机的收入在这个等待时间是12.6287元,这是非常接近的平均收入直接进入城市的司机乘客。数学关系的基础上建立的BP神经网络在Matlab,乘客和出租车的数量(57岁49),和司机的等待收入是11.87元,这是比司机去城市的平均收入,这意味着,当乘客的数量稳定在57和出租车在停车场的数量大于49岁的司机应该选择回到这个城市直接接送旅客。(5)此外,比较数量的乘客和出租车的数量数据集(41岁,33;57岁,37岁;83年,34),它可以显示,出租车的数量稳定时,等待司机的收入增加乘客数量下降。考虑到乘客的数量增加时,司机的等待成本增加,因此这个结果可以验证的有效性通过减少司机的收入等。当乘客和出租车的数量(83年,34),可以发现,司机的收入是11.3141元,约等于平均收入的司机直接去城市。它表明,当出租车的数量稳定在34岁左右和乘客的数量大于83,司机应选择直接返回到城市去接乘客。根据Matlab计算,产品之间的关系数量的乘客和交通量和司机的利润可以来源于表4。(6)综合考虑上述两种情况,我们可以计算出产品数量的乘客和出租车的数量做出判断选择的驱动程序。通过比较产品数量的乘客和出租车的数量和在机场等待司机的收入,它可以发现,司机的收入减少的产品等待乘客和出租车数量的增加。比较的乘客数量和出租车数量数据集(83年,34岁;83年,44岁),可以发现,当乘客和出租车数量的产品数量是2822,等待司机的收入13.61元,高于平均收入的回到市区,这是11.83元。当产品数量的乘客和出租车的数量是3652,等待司机的收入为9.32元,这是低于平均收入的司机直接返回市区的11.83元。可以得出结论,因此,它有一个数学关系等待司机的收入和产品数量的乘客和出租车的数量。通过寻找相对应的产品数量的乘客和出租车司机的等待收入约11.83元,可以判断司机的选择。(7)进一步比较上述两种情况的产品数据集(57,49个;83年,34),它可以发现57×49 = 2793和83×34 = 2822。所以,当产品数量的乘客和出租车的数量属于(2793、2822)的范围,而司机的等待收入的范围内(11.61,11.87)。产品价值等于2793时,司机等待收入11.87元,接近平均收入的司机回到市区,这是11.83元。所以,目标产品值大于2793,接近2793。基于这一结论,确定产品价值为2800。

因此,在第一阶段的敏感分析之后,出租车司机的决定如下。

当产品数量的乘客和出租车的数量 大于2800,出租车司机应该选择回到城市选择乘客;

当产品数量的乘客和出租车的数量 小于2800,出租车司机应该选择等待在机场的停车场。

当产品数量的乘客和出租车的数量 等于2800,出租车司机应该选择直接返回到城市接送旅客或在机场等在停车场。和当前决策模型对出租车司机对出租车司机可以写成 在哪里乘客的数量和吗是司机的数量。

3.3。建立优化模型的调度效率

为了获得一个理想的调度效率的优化模型,介绍了反应比率最高(HRRN)调度策略处理器调度。基于该算法,动态优先级计算公式

在这个问题中,等待时间可能对应于时间,出租车司机在停车场等待乘客,服务时间可能对应于旅客登机时间:

因为旅客登机时间是作为分母,乘客登机时间快将得到优先,因为司机在停车场等待时间出现在分子上,司机和一个更长的等待时间也会更可取的,以防止条件,一个司机仍然等待。

在机场的停车场,乘客可以选择首先取决于线车所在(不同是不同的行)的登机时间和等待时间的出租车。同时,在大多数情况下,一个出租车司机在排队等待时间越长,越接近乘客的出租车应该小点。最后一个优先级计算公式可以表示为14] 在哪里一辆出租车的优先级,是旅客的登机时间对应的行吗我,的等待时间jth车线我在某一个时刻。

为了进一步优化整个平行线的合理性,本文优化整个调度算法基于最初的HRRN调度理论和把它变成一个概率的动态优先级调度算法。在该算法中,每个进程的优先级取决于服务时间和等待服务的时间。具体优化方法如下:

假设第一个出租车的优先级我th线是 ,当一辆出租车我th线成功走开时,系统将随机选择一个从两条线的第一个出租车作为下一个出租车的乘客。的第一辆车的概率我行被选中 。在选择之前,我们需要的尺寸并记录这个订单 下标在哪里 ,的相对重量是哪一个我线。

的计算方法如下:

首先考虑的相对重量我线,表示 。根据不同的直线,定义如下(15]:

为非空我线,其相对体重标准化的定义如下:

因此,为了优化机场乘坐的效率,从出租车司机的角度来看,管理系统应该更倾向于选择较长的出租车载客出租车等待时间和更高的优先级;从乘客的角度来看,管理部门应选择乘客登机时间较短。

3.4。定量分析

现在,假设有20个出租车和50名乘客在停车场等待和使用该模型来模拟现场,如图7:

假设 , :

因此,它可以被发现的概率被选中第一行的第一辆车是86.6%,而在第二行第一辆车的概率被选中的仅为13.4%。从这样的分析,可以得出的结论是,使用的概率在某些时刻第二行是第一行的概率远小于使用。原因是乘客倾向于选择最近的线上车,以减少所需的时间上车。

基于这样的结论,为了最大化整个骑行效率,管理部门应(1)增加相关的段落来减少所需的时间为乘客上网2和2号线的使用效率增加(2)提高出租车的优先级在第2行第2行提高使用效率

关于授予“优先级”,可以将进一步建议如下:(1)优先点可以添加到允许出租车返回优先进入这些线乘客这些出租车可以带更多的乘客每小时,增加他们的收入(2)线可分为长途和短途线,和乘客入口分离。乘客需要长途骑在长途客运线,和需要一个短途旅行的乘客队列在短途客运线。出租车的管理部门可以快速转移在不同的路线通过这些措施,这不仅保护出租车的收入也提高了乘客的乘坐效率。

因此,当前的调度优化模型可以绘制效率 在哪里是一辆出租车的调度优先级,是旅客登机时间,是乘客的等待时间。

自和依赖于乘客的电话号码吗和出租车号码 ,进一步优化模型可以写成

3.5。第二阶段的敏感分析

因为前面的出租车司机决策模型和优化模型的调度效率是基于一天在成都双流机场,该模型缺乏敏感性分析在不同的时间在一年。因此,进一步的敏感性分析,天气条件和假日将会考虑。

通过选择乘客数量的劳动节(蓝线)在成都双流机场,乘客数量的分布如图8相比,一个正常的工作日(红线),在工作日作为控制的一天。

与乘客数量控制天相比,它可以发现旅客度假数量明显高于正常的一天。

同样,作为显示在图9,通过选择一个雨天(黑线)在双流机场,乘客的数量低于一个那天晴天(红线),在阳光明媚的日子是要控制的天气条件。

根据上述的观察,结论可以得出,乘客的数量和天气条件是敏感的节日。

卢武铉等人采用了回归模型来模拟雪和温度的影响在高速公路上卡车交通(28),获得预期的结果。从卢武铉的研究,获得的经验,本文将运用回归模型进一步模拟天气条件的影响和度假旅客的数量。模拟天气条件和假期的影响,每个因素将被分为五个层次,包括控制水平。

3.5.1。天气条件

天气条件将被分为晴天(控制水平),小雨(1级),大雨(要求等级2),雷阵雨(三级),和暴风雪(四级)。乘客可以调节的数量乘以一个天气条件因素 ,和乘客数量 。通过收集典型的数据从成都双流机场的官方网站相应的天气条件,数据和预测之间的比较可以从图表现10。

图中红线控制水平和蓝线,绿线,分别为原始数据和预测。从结果可以看出,作为被强烈的天气条件,乘客的数量下降,和预测符合原始数据的趋势,等于 , , ,和 ,分别对天气条件1级,2级,3级和4级。

3.5.2。假日条件

假日条件将被分为工作日(控制),周末(1级),假期3天到5天(要求等级2),假期7天(3级),和假期超过7天(要求等级4),乘客的数量乘以一个假期因素来调节 ,和乘客数量 。通过收集典型的数据从成都双流机场的官方网站相应的天气条件,数据和预测之间的比较可以从图表现11。

图中红线控制水平和蓝线,绿线,分别为原始数据和预测。从结果可以看出,随着假期变得更长,乘客的数量上升,和预测通常符合原始数据,等于 , , ,和 ,分别度假条件1级,2级,3级和4级。

因此,从讨论结果,乘客的数量是敏感的天气条件和假期。因为出租车司机的数量会显著影响乘客数量,出租车的数量将敏感的天气条件和假期。

3.6。最终的模型

基于前面的讨论,天气条件的影响可以推导出一个函数 ,这取决于时间(日期) 。和假期的影响可以推断出一个函数 ,依赖于时间。

然后,最后出租车司机的决策模型可以导出

由于出租车的数量将会改变不同的乘客数量,出租车的数量将会是一个动态数量: 在哪里是影响因素由乘客数量的变化引起的。

然后,调度效率的最终优化模型可以获得 在哪里的优先级是一辆出租车吗j线当出租车数量 ,和是乘客的等待时间出租车号码是什么时候 ,和是出租车司机等待时间的出租车号码是什么时候 ,在哪里

4所示。结论

四个因素,乘客的数量,数量的出租车,天气条件,和假日期间,显著影响决策的出租车司机和调度效率出发机场区域。四个因素,许多乘客和出租车的数量有更多影响一天的情况下,尽管天气条件和假期影响的情况下在一年内从一天到另一天。通过计算乘客和出租车数量的产品数量在停车场在成都双流机场,出租车司机通常可以确定最好的选择,可以获得最大的回报。利用回归分析要考虑天气情况和假期,出租车司机可以有一个粗略的旅客数量每年在特定的一天在机场,做出理性的决定。此外,管理部门在双流机场可以预测交通流在每年特定的一天,这样可以提高调度效率采取预防行动。

为了进一步提高可靠性和精度,出租车司机的决策模型可以结合相关可靠的数据相对迅速地得到司机的最佳选择。调度效率的优化模型可以结合系统动力学理论,以快速有效地应对更复杂的排队情况,获得最有效的调度效率。

数据可用性

之前报道的数据被用来支持这项研究和可用http://youjia.chemcp.com/sichuan/chengdushi.html和http://www.cdtaxi.cn/和http://www.cdairport.com/。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

陈y钱和美国同样有助于。

确认

这项研究受到了安徽财经大学的项目:社会关系的影响机制研究的集成能力建设工程技术创新体系和能力改进机制(项目没有。ACKYC20044)和社会科学规划项目:蚌埠市晋升机制和对策研究城市质量管理能力:一个案例研究,蚌埠城市(项目没有。BB20B003)。