基于移动互联大数据的网约共享出行供需演化机理与调控策略优化

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    71771198
  • 项目类别：
    面上项目
  • 资助金额：
    49.0万
  • 负责人：
    陈喜群
  • 依托单位：
    浙江大学
  • 学科分类：
    G0116.交通运输管理
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

As an emerging mobile connected way of travel, on-demand ride-sharing mobility generates massive, complex, heterogeneous, and multi-source mobility data in a large-scale spatial and temporal association, which contains a wealth of information to describe the complexity of transportation systems and is bound to affect the system performance and travel structure. This project addresses the problems of complexity and uncertainty of on-demand ride-sharing mobility. A macroscopic analytical model of the supply and demand is established based on stochastic queueing networks. The self-balance mechanism of supply and demand is revealed for the on-demand ride-sharing system. Driven by the mobile connected big data, this project deeply analyzes the individual travel chain characteristics and group travel patterns, establishes the spatial autocorrelation model of both supply and demand, develops the short-term forecasting model considering spatio-temporal correlations, and reveals the evolution mechanism of the on-demand ride-sharing supply and demand situation. An optimization model of comprehensive strategies is constructed using agent models. Meta-model algorithms are used to solve this problem, achieving the Pareto optimal strategy set. The results are applied to the quantitative analysis about the influence of on-demand ride-sharing mobility on the transportation system performance and human travel structure, and then used to support the optimal allocation of resources. This project systematically studies the balance and evolution mechanism of the on-demand ride-sharing mobility, and solves its optimization problem. The output provides decision support for policy makers and transportation management. The research project is of theoretical significance and of practical value.
网约共享机动车出行作为新兴的移动互联出行方式，产生了海量庞杂、异质多源、大尺度时空关联的交通大数据，蕴含描述复杂交通系统运行态势的丰富信息，势必对交通系统运行及出行结构产生影响。本项目针对网约共享机动车出行的复杂性和不确定性，构建基于随机排队网络的宏观供需模型，揭示系统供需自平衡机理；在移动互联大数据的驱动下，深入分析个体出行链特征和群体出行模式演变规律，构建供需空间自相关模型和考虑时空关联性的短时预测模型，揭示网约共享机动车出行供需态势演化机理；构建基于智能体的综合调控策略优化模型，开发元模型随机优化求解算法，生成帕累托最优调控策略集，定量分析网约共享机动车出行对城市交通系统运行状态、居民出行结构的影响，实现供需时空资源优化配置。项目在学术上对网约共享出行供需平衡机理、演化规律、策略优化进行系统性分析，在实践中为管理者制定相关政策和辅助决策支持提供理论依据，具有重要的理论意义和现实价值。

结项摘要

研究背景：随着“互联网+”战略与传统交通行业的深度融合，各种各样的网约共享出行平台应运而生。同时，城市交通需求与供给之间的矛盾日益突出，亟须采取政策、规划、管控等综合措施进行优化。因此，研究移动互联环境下交通系统的分析优化、交通行为人因机理与即时需求管理具有重要意义，特别是对网约共享出行的供需平衡机理、演化规律、优化策略进行系统分析是必要且迫切的。以往研究在刻画出行者时变性、非理性的出行选择特征时存在不足，而基于智能体的模型能够详细地描述出行行为，体现出行者个体行为差异性和时空异质性，有助于分析个体对系统整体运行状态的影响。.研究内容：针对网约共享出行行为复杂性和即时出行供需不确定性，构造了网约共享出行服务平台、乘客、以及司机的随机效用函数，建立了带有内生供给和内生需求的随机排队网络模型来描述共享出行系统。基于移动互联大数据，构建了基于动态贝叶斯网络的个人出行活动链生成模型，分析了群体出行模式演变规律，揭示了网约共享出行供需态势演化机理。建立了能够描述网约共享出行决策行为的智能体模型，进而构建了综合调控策略多目标优化模型，并提出了优化求解算法，为监管机构对网约共享出行系统的调控提供决策支持。.重要成果：构建了基于随机排队网络的宏观供需模型，揭示了网约共享出行系统供需自平衡机理。采用机器学习方法构建了网约共享出行供需时空效应模型和考虑时空关联性的短时预测模型。基于多源异构大数据，构建了电动汽车和汽油车并存的网约车司机行为模型和异质性共享出行平台竞合博弈模型。.成果数据：共发表SCI/SSCI论文37篇、EI论文4篇、国际会议论文20篇（其中一篇获得第12届计算交通科学国际研讨会最佳论文奖）。公开国家发明专利3项。培养学科博士后3人（已出站1人），博士研究生8人（已毕业3人），硕士研究生9人（已毕业4人）。项目组成员广泛开展国际合作，积极组织和参加学术交流活动，超额完成了研究目标。

项目成果

期刊论文数量（37）
专著数量（1）
科研奖励数量（0）
会议论文数量（19）
专利数量（2）
Spatial-temporal pricing for ride-sourcing platform with reinforcement learning
具有强化学习的乘车采购平台的时空定价
  • DOI：
    10.1016/j.trc.2021.103272
  • 发表时间：
    2021-09
  • 期刊：
    Transportation Research Part C: Emerging Technologies
  • 影响因子：
    --
  • 作者：
    Chuqiao Chen;Fugen Yao;Dong Mo;Jiangtao Zhu;Xiqun Chen
  • 通讯作者：
    Xiqun Chen
A spatial econometric model for travel flow analysis and real-world applications with massive mobile phone data
海量手机数据出行流分析及现实应用的空间计量模型
  • DOI：
    10.1016/j.trc.2017.12.002
  • 发表时间：
    2018-01-01
  • 期刊：
    TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES
  • 影响因子：
    8.3
  • 作者：
    Ni, Linglin;Wang, Xiaokun (Cara);Chen, Xiqun (Michael)
  • 通讯作者：
    Chen, Xiqun (Michael)
GraphSAGE-Based Traffic Speed Forecasting for Segment Network With Sparse Data
基于GraphSAGE的稀疏数据路段网络流量速度预测
  • DOI：
    10.1109/tits.2020.3026025
  • 发表时间：
    2020-10
  • 期刊：
    IEEE Transactions on Intelligent Transportation Systems
  • 影响因子：
    8.5
  • 作者：
    Jielun Liu;Ghim Ping Ong;Xiqun Chen
  • 通讯作者：
    Xiqun Chen
Spatial-Temporal Deep Tensor Neural Networks for Large-Scale Urban Network Speed Prediction
用于大规模城市网络速度预测的时空深度张量神经网络
  • DOI：
    10.1109/tits.2019.2932038
  • 发表时间：
    2020-09-01
  • 期刊：
    IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS
  • 影响因子：
    8.5
  • 作者：
    Zhou, Lingxiao;Zhang, Shuaichao;Chen, Xiqun
  • 通讯作者：
    Chen, Xiqun
Dynamic optimization strategies for on-demand ride services platform: Surge pricing, commission rate, and incentives
按需乘车服务平台的动态优化策略：峰时定价、佣金率和激励
  • DOI：
    10.1016/j.trb.2020.05.005
  • 发表时间：
    2020-08-01
  • 期刊：
    TRANSPORTATION RESEARCH PART B-METHODOLOGICAL
  • 影响因子：
    6.8
  • 作者：
    Chen, Xiqun (Michael);Zheng, Hongyu;Yang, Hai
  • 通讯作者：
    Yang, Hai

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

网络交通可靠性评价方法及影响因素研究
  • DOI：
    --
  • 发表时间：
    2018
  • 期刊：
    交通运输工程学报
  • 影响因子：
    --
  • 作者：
    陈喜群;刘教坤;胡浩强;崔尔佳;张帅超
  • 通讯作者：
    张帅超
基于手机信令数据的居民出行空间效应
  • DOI：
    --
  • 发表时间：
    2017
  • 期刊：
    浙江大学学报(工学版)
  • 影响因子：
    --
  • 作者：
    倪玲霖;张帅超;陈喜群
  • 通讯作者：
    陈喜群
基于手机信令数据的居民出行影响因素与空间效应研究
  • DOI：
    --
  • 发表时间：
    2017
  • 期刊：
    浙江大学学报(工学版)
  • 影响因子：
    --
  • 作者：
    倪玲霖;张帅超;陈喜群
  • 通讯作者：
    陈喜群
基于智能交通信息的预期与适应性元胞传输模型
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    Kongzhi Lilun Yu Yinyong/Control Theory and Applications
  • 影响因子：
    --
  • 作者：
    杨新苗;史其信;李力;陈喜群
  • 通讯作者：
    陈喜群

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

陈喜群的其他基金

政府监管背景下网约共享出行行为建模与多平台管理优化
  • 批准号：
    72171210
  • 批准年份：
    2021
  • 资助金额：
    48 万元
  • 项目类别：
    面上项目
共享出行交通管理
  • 批准号：
  • 批准年份：
    2019
  • 资助金额：
    120 万元
  • 项目类别：
    优秀青年科学基金项目
面向城市交通通道仿真的交通流建模与组织优化
  • 批准号：
    51508505
  • 批准年份：
    2015
  • 资助金额：
    20.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码