수요응답형 대중교통체계 시스템은 사용자의 요청에 따라 서비스 차량의 경로와 스케줄을 설정하는 유동적인 대중교통 서비스이다. 도시 지역에서 대중교통 시스템의 중요성이 증가함에 따라, 수요응답형 대중교통체계를 위한 안정적이고 빠른 경로탐색 방법의 개발 또한 다양하게 연구되고 있다. 본 연구에서는 빠르고 효율적인 다중차량경로 탐색을 위해, 수요 기종점들의 클러스터링 기술을 활용한 종점수요 우선탐색의 휴리스틱 방법이 제안되었다. 제안된 방법은 기종점 수요 분포가 무작위인 경우, 집중된 경우와 방향성을 가지는 경우에 대하여 테스트되었다. 제안된 알고리즘은 수요밀도의 증가로 인한 서비스 비율의 감소를 저감시키며, 계산 속도가 비교적 빠른 장점을 보인다. 또한, 다른 클러스터링 기반 알고리즘에 비해 수요밀도 증가에 따른 서비스 비율 감소율이 낮고, 차량 용량의 활용성이 개선된 반면, 차량 운행경로 길이의 증가로 승객의 차량 탑승시간은 상대적으로 증가하는 특성을 보인다.
수요응답형 대중교통체계 시스템은 사용자의 요청에 따라 서비스 차량의 경로와 스케줄을 설정하는 유동적인 대중교통 서비스이다. 도시 지역에서 대중교통 시스템의 중요성이 증가함에 따라, 수요응답형 대중교통체계를 위한 안정적이고 빠른 경로탐색 방법의 개발 또한 다양하게 연구되고 있다. 본 연구에서는 빠르고 효율적인 다중차량경로 탐색을 위해, 수요 기종점들의 클러스터링 기술을 활용한 종점수요 우선탐색의 휴리스틱 방법이 제안되었다. 제안된 방법은 기종점 수요 분포가 무작위인 경우, 집중된 경우와 방향성을 가지는 경우에 대하여 테스트되었다. 제안된 알고리즘은 수요밀도의 증가로 인한 서비스 비율의 감소를 저감시키며, 계산 속도가 비교적 빠른 장점을 보인다. 또한, 다른 클러스터링 기반 알고리즘에 비해 수요밀도 증가에 따른 서비스 비율 감소율이 낮고, 차량 용량의 활용성이 개선된 반면, 차량 운행경로 길이의 증가로 승객의 차량 탑승시간은 상대적으로 증가하는 특성을 보인다.
The Demand Responsive Transit (DRT) system is the flexible public transport service that determines the route and schedule of the service vehicles according to users' requests. With increasing importance of public transport systems in urban areas, the development of stable and fast routing algorithm...
The Demand Responsive Transit (DRT) system is the flexible public transport service that determines the route and schedule of the service vehicles according to users' requests. With increasing importance of public transport systems in urban areas, the development of stable and fast routing algorithms for DRT has become the goal of many researches over the past decades. In this study, a new heuristic method is proposed to generate fast and efficient routes for multiple vehicles using demand clustering and destination demand priority searching method considering the imbalance of users' origin and destination demands. The proposed algorithm is tested in various demand distribution scenarios including random, concentration and directed cases. The result shows that the proposed method reduce the drop of service ratio due to an increase in demand density and save computation time compared to other algorithms. In addition, compared to other clustering-based algorithms, the walking cost of the passengers is significantly reduced, but the detour time and in-vehicle travel time of the passenger is increased due to the detour burden.
The Demand Responsive Transit (DRT) system is the flexible public transport service that determines the route and schedule of the service vehicles according to users' requests. With increasing importance of public transport systems in urban areas, the development of stable and fast routing algorithms for DRT has become the goal of many researches over the past decades. In this study, a new heuristic method is proposed to generate fast and efficient routes for multiple vehicles using demand clustering and destination demand priority searching method considering the imbalance of users' origin and destination demands. The proposed algorithm is tested in various demand distribution scenarios including random, concentration and directed cases. The result shows that the proposed method reduce the drop of service ratio due to an increase in demand density and save computation time compared to other algorithms. In addition, compared to other clustering-based algorithms, the walking cost of the passengers is significantly reduced, but the detour time and in-vehicle travel time of the passenger is increased due to the detour burden.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 차량용량 활용 및 서비스 비율이 높으며 계산속도가 비교적 빠른 기종점 클러스터링 방법을 결합한 휴리스틱 경로탐색 알고리즘을 제안한다. 2장에서는 수요응답형 대중교통 시스템 및 차량경로탐색 방법론에 대한 이론적 배경을 설명하고, 3장에서는 본 연구에서 제안하는 기종점 클러스터링 기반의 경로탐색 방법론에 대해 설명한다.
도시 지역에서 이 시스템은 대중교통 간의 연결, 야간시간의 교통 서비스, 대중교통 인프라가 미흡한 지역 등에 성공적으로 활용될 수 있다. 본 연구에서 제시된 수요응답형 대중교통 시스템은 도심 지역에서 복잡하게 변화하는 수요에 대응해 유동적인 경로로 운행하여, 발생한 교통 수요에 대한 응답 비율을 높임과 동시에 대중교통 차량용량의 활용성을 높이는 것을 목적으로 한다.
본 연구에서는 수요응답형 대중교통 차량의 용량활용 및 서비스 비율을 높이는 것을 목적으로 하는 클러스터링 방법 기반의 휴리스틱 경로탐색 알고리즘이 제안되었다. 제안된 알고리즘은 수요 기종점들의 방문순서를 고려해 수요위치를 클러스터링하여 초기경로를 구성하고, 우회거리 비교를 통해 경로를 수정하며, 추가 조건을 만족하는 미배정수요를 가능한 경로에 추가해 초기경로를 개선한다.
제안 방법
본 논문에서 제안한 차량경로탐색 방법론을 기존의 알고리즘 1) two-index formulation (Furtado et al., 2017), 2) Shared Demand Responsive Transportation problem with Meeting Point(SDRT-MP)(Czioska et al,, 2019)과 비교한다. two-index formulation model은 Mixed-integer programming을 이용한 차량경로탐색 방법으로, 각각의 방문 지점을 잇는 경로를 선택하는 integer programming의 해를 구하는 방법이며, 본 논문에서는 Genetic algorithm을 통해 MIP의 해를 구하였다.
수요위치 클러스터링 시 승객의 최대 도보 허용 시간은 3분, 도보 허용 거리는 200m로 제한하였다. 또한, 수요밀도에 따른 결과 변화를 살펴보기 위해, 네트워크의 승객 수를 20명에서 300명까지 변화시키며 수요밀도에 따른 결과를 확인한다. 알고리즘 과정의 무작위성으로 인한 영향을 최소화하여 경향성을 확인하기 위하여, 한 시나리오에 대한 20회 반복수행 결과의 평균값을 구한다.
이번 장에서는 클러스터링을 활용한 휴리스틱 경로탐색과 경로개선 단계로 나뉜 다중차량 경로탐색 방법론을 제안한다. 본 알고리즘은 (1)사전 정의된 수의 차량 각각의 초기 노선을 생성하는 초기경로 구성 과정, (2)초기경로의 정차지점을 수정하여 개선하는 과정, (3)이전 과정에서 처리되지 못한 수요를 경로에 추가하는 미배정수요 삽입 과정의 3단계로 이루어진다.
본 연구에서 제안한 방법론의 성능평가는 첫째, 3단계로 구분된 과정의 진행상황에 따른 순차적 변화, 둘째, 수요 시나리오 변화에 따른 비교, 셋째, 기존의 알고리즘과의 비교로 이뤄진다.
첫 번째 시나리오는 정해진 네트워크 안에서 무작위 위치로 생성된 수요이고, 두 번째 시나리오는 집중된 기점과 분산된 종점으로 이루어져 한 지점으로부터 흩어지는 수요패턴을 묘사한다. 세 번째 시나리오는 통일된 방향성을 가진 수요로 구성되는데, 수요의 방향성 특성이 잘 보이도록 하면서 수요밀도가 유지되도록 하기 위하여 정사각형 형태 네트워크를 같은 넓이의 직사각형 형태로 조정하였다. 수요 시나리오의 세부 사항은 [Table 4]과 같다.
수요패턴 차이에 따른 알고리즘의 성능을 비교하기 위해 총 3가지의 서로 다른 수요패턴을 표현하는 시나리오로 경로생성 결과를 확인한다. 첫 번째 시나리오는 정해진 네트워크 안에서 무작위 위치로 생성된 수요이고, 두 번째 시나리오는 집중된 기점과 분산된 종점으로 이루어져 한 지점으로부터 흩어지는 수요패턴을 묘사한다.
초기경로는 미리 정해진 수의 경로를 순차적으로 구성하는 과정이므로, 먼저 생성된 경로에 많은 수의 승객이 배정되거나 나중 생성된 경로의 우회가 클 수 있다. 이러한 초기경로를 개선하기 위해 방문지점을 인접한 경로와 비교하여 더 나은 경로를 탐색한다. [Fig.
이번 장에서는 클러스터링을 활용한 휴리스틱 경로탐색과 경로개선 단계로 나뉜 다중차량 경로탐색 방법론을 제안한다. 본 알고리즘은 (1)사전 정의된 수의 차량 각각의 초기 노선을 생성하는 초기경로 구성 과정, (2)초기경로의 정차지점을 수정하여 개선하는 과정, (3)이전 과정에서 처리되지 못한 수요를 경로에 추가하는 미배정수요 삽입 과정의 3단계로 이루어진다.
본 연구에서는 수요응답형 대중교통 차량의 용량활용 및 서비스 비율을 높이는 것을 목적으로 하는 클러스터링 방법 기반의 휴리스틱 경로탐색 알고리즘이 제안되었다. 제안된 알고리즘은 수요 기종점들의 방문순서를 고려해 수요위치를 클러스터링하여 초기경로를 구성하고, 우회거리 비교를 통해 경로를 수정하며, 추가 조건을 만족하는 미배정수요를 가능한 경로에 추가해 초기경로를 개선한다. 이 경로탐색 방법론은 서비스 비율, 평균 도보시간, 평균 우회시간, 차량 운송거리 비율, 계산 소요시간으로 평가되었다.
초기경로 구성, 경로개선, 미배정수요 삽입 과정 진행에 따른 순차적 변화과정을 살펴봄으로서, 다중경로 탐색 과정의 중간결과를 평가하고 각 과정의 영향을 확인한다. 각 과정에 따른 변화를 살펴보면 수요밀도가 증가함에 따라 서비스 비율이 감소하지만 승객의 평균 도보시간은 1.
대상 데이터
시스템은 사전 예약된 수요에 대해 1시간동안 운행되는 경로를 할당한다. 사용된 기본 수요 시나리오는 3000x3000(m2)의 네트워크에서 무작위로 생성된 수요이며, 무작위성으로 인해 가까운 거리의 이동 요청이 발생하지 않도록 수요 기종점간의 최소거리는 600m로 제한한다. 출발 및 도착 차고지의 위치는 네트워크의 중앙인 (1500m, 1500m) 로 설정되었고, 도로 네트워크는 250m 거리로 정의된 격자 형태이다.
사용된 기본 수요 시나리오는 3000x3000(m2)의 네트워크에서 무작위로 생성된 수요이며, 무작위성으로 인해 가까운 거리의 이동 요청이 발생하지 않도록 수요 기종점간의 최소거리는 600m로 제한한다. 출발 및 도착 차고지의 위치는 네트워크의 중앙인 (1500m, 1500m) 로 설정되었고, 도로 네트워크는 250m 거리로 정의된 격자 형태이다. 차량 및 경로의 수는 4대, 차량용량은 15인승이며, 차량 주행속도와 승객 보행속도는 30km/h 와 4km/h이다.
데이터처리
또한, 수요밀도에 따른 결과 변화를 살펴보기 위해, 네트워크의 승객 수를 20명에서 300명까지 변화시키며 수요밀도에 따른 결과를 확인한다. 알고리즘 과정의 무작위성으로 인한 영향을 최소화하여 경향성을 확인하기 위하여, 한 시나리오에 대한 20회 반복수행 결과의 평균값을 구한다.
그 중 two-index formulation 방법은 수요 위치에 차량이 직접 방문하기 때문에 모든 수요에 대해 사용자 도보 시간이 0이고, SDRT-MP는 요청한 모든 수요에 서비스하므로 서비스 비율이 항상 1로 나타난다. 알고리즘의 계산 속도를 비교하기 위해 계산시간을 확인하였으나 SDRT-MP의 경우 Czioska의 논문에서 사용된 네트워크 크기와 본 논문에서 제안된 알고리즘 및 two-index formulation 방법으로 구현한 것의 차이가 커서, 제안된 알고리즘과 two-index formulation 방법의 계산속도만 비교하였다.
성능/효과
초기경로 구성, 경로개선, 미배정수요 삽입 과정 진행에 따른 순차적 변화과정을 살펴봄으로서, 다중경로 탐색 과정의 중간결과를 평가하고 각 과정의 영향을 확인한다. 각 과정에 따른 변화를 살펴보면 수요밀도가 증가함에 따라 서비스 비율이 감소하지만 승객의 평균 도보시간은 1.5분에서 크게 변화가 없으며, 미배정수요 삽입 단계에서 차량의 우회시간이 크게 증가함을 알 수 있다. 또한, 차량 운송거리 비율 또한 1에 가까움을 확인할 수 있다.
5 내외의 값을 보여 제안된 알고리즘의 차량용량의 활용성이 높음을 알 수 있다. 계산속도의 경우, two-index formulation 방법에 비해 본 논문에서 제안한 차량경로탐색 방법론의 계산속도가 현저히 빠름을 확인할 수 있다.
제안된 차량경로 탐색 알고리즘의 성능은 수요 시나리오에 따라 달라지는데, 가까운 위치의 수요들을 함께 서비스하는 클러스터링 기반의 방법론이기에 집중된 수요위치를 가지는 수요패턴에서 승객의 평균 도보시간 및 우회시간이 짧은 결과를 보였다. 기존의 다른 알고리즘들과 비교하였을 때는 차량 운송거리 비율이 높게 유지되어 차량 용량 활용도가 높고, 수요밀도 증가에 따른 서비스 비율 감소가 낮은 경향성을 보였다. 또한, 제안된 알고리즘의 계산 시간이 다른 알고리즘에 비해 현저히 짧은 결과를 보였다.
7% 가량 작게 나타나며, 차량 운송거리 비율이 높아 차량용량의 활용성이 좋지만, 수요밀도가 증가할수록 평균 우회시간이 크게 길어진다. 또한 SDRT-MP와 비교하였을 때, 제안된 알고리즘의 평균도보시간은 1.5분, SDRT-MP의 평균 도보시간은 5.9분에서 8.5분 정도로 약 4.4분에서 7분 정도의 차이를 보인다. 제안된 알고리즘의 차량 운송거리 비율은 1에 가까운 반면 SDRT-MP의 차량 운송거리 비율은 0.
기존의 다른 알고리즘들과 비교하였을 때는 차량 운송거리 비율이 높게 유지되어 차량 용량 활용도가 높고, 수요밀도 증가에 따른 서비스 비율 감소가 낮은 경향성을 보였다. 또한, 제안된 알고리즘의 계산 시간이 다른 알고리즘에 비해 현저히 짧은 결과를 보였다.
본 연구에서는 클러스터링 방법을 이용한 경로탐색 알고리즘이 다양한 상황의 수요 시나리오에서 적합한 솔루션을 얻을 수 있음을 보인다. 잦은 정차로 인한 운행 시간 증가를 줄이기 위해 사용된 클러스터링 기술 기반의 다중차량 경로탐색 방법론은 차량 정차 지점의 수를 저감시키고 차량 용량 활용성을 높여, 고밀도 수요를 갖는 대도시에서 높은 효율을 보인다.
제안된 알고리즘은 two-index formulation model과 비교하였을 때 수요밀도 증가에 따른 서비스 비율 감소가 36.5%에서 66.7% 가량 작게 나타나며, 차량 운송거리 비율이 높아 차량용량의 활용성이 좋지만, 수요밀도가 증가할수록 평균 우회시간이 크게 길어진다. 또한 SDRT-MP와 비교하였을 때, 제안된 알고리즘의 평균도보시간은 1.
4분에서 7분 정도의 차이를 보인다. 제안된 알고리즘의 차량 운송거리 비율은 1에 가까운 반면 SDRT-MP의 차량 운송거리 비율은 0.5 내외의 값을 보여 제안된 알고리즘의 차량용량의 활용성이 높음을 알 수 있다. 계산속도의 경우, two-index formulation 방법에 비해 본 논문에서 제안한 차량경로탐색 방법론의 계산속도가 현저히 빠름을 확인할 수 있다.
이 경로탐색 방법론은 서비스 비율, 평균 도보시간, 평균 우회시간, 차량 운송거리 비율, 계산 소요시간으로 평가되었다. 제안된 차량경로 탐색 알고리즘의 성능은 수요 시나리오에 따라 달라지는데, 가까운 위치의 수요들을 함께 서비스하는 클러스터링 기반의 방법론이기에 집중된 수요위치를 가지는 수요패턴에서 승객의 평균 도보시간 및 우회시간이 짧은 결과를 보였다. 기존의 다른 알고리즘들과 비교하였을 때는 차량 운송거리 비율이 높게 유지되어 차량 용량 활용도가 높고, 수요밀도 증가에 따른 서비스 비율 감소가 낮은 경향성을 보였다.
수요 시나리오에 따른 서비스 성능을 비교하였을 때, 서비스 비율 혹은 차량 운송거리 비율의 결과는 유사하다. 평균 도보시간 및 평균 우회시간은 밀집된 수요형태를 보이는 시나리오 2에서 가장 짧았고, 시나리오 1과 시나리오 3의 결과는 유사한 값으로 나타났다. 수요밀도가 20(pax/km2) 이상으로 비교적 높은 경우에 시나리오 3의 평균 우회시간이 길어지는데, 이는 미배정수요 삽입 단계에서 방향성을 가진 수요가 경로에 추가되며 반대 방향으로 왕복운행하는 구간이 생기기 때문이다.
후속연구
이러한 특성에 따라 수요 패턴의 변화에 대응하여 유동적인 경로로 운영 가능하며, 신속한 서비스 제공 및 솔루션 수정이 필요한 도시 지역의 대중교통체계를 위한 기술로서 활용될 수 있다. 그러나 본 연구에서는 수요 시나리오 패턴, 수요밀도의 크기 변화 외에 차량 수, 클러스터 크기 제약 등의 파라미터는 지정된 값으로 실험하였기 때문에 시스템의 최적화가 충분히 이루어지지 못했고, 경로개선 과정에서 서비스 비율 및 우회거리를 기준으로 사용하여 사용자 입장의 비용이 충분히 고려되지 못했다는 제한점이 존재한다. 또한 일정 범위 내의 시간에 대한 예약 수요로 경로를 산출하므로 실시간으로 발생하는 수요에 대응할 수는 없고, 수요 요청 시각의 범위가 넓다는 한계점이 있다.
(2019)와 같이 특정지점으로 승객들을 유도해 서비스하는 방법은 차량의 정차지점 수를 줄이고 우회길이를 단축하여 총 서비스 시간을 줄일 수 있다는 장점이 있다. 또한, 차후 실제 도로 기반의 시스템에 활용할 경우 선호되는 정차지점의 특성을 지정해, 보다 안전하거나 식별이 쉬운 정차지점을 우선하여 수요를 그룹화 할 수 있고, 승객의 정확한 위치와 같은 개인정보의 노출을 방지하는 효과도 있다. 이러한 장점들을 활용하기 위하여 Martínez-Salazar et al.
본 논문에서 제안된 알고리즘은 비교적 빠른 계산 속도를 가지며 수요밀도 변화에 따른 서비스품질 변화 민감도가 낮으므로, 보다 효율적이고 안정적인 경로를 신속하게 생성할 수 있으며 실제 상황에서 더 넓게 활용할 수 있다. 이러한 특성에 따라 수요 패턴의 변화에 대응하여 유동적인 경로로 운영 가능하며, 신속한 서비스 제공 및 솔루션 수정이 필요한 도시 지역의 대중교통체계를 위한 기술로서 활용될 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
수요응답형 대중교통체계란?
수요응답형 대중교통체계는 사용자의 요청에 따라 경로와 스케줄을 결정하는 대중교통 서비스이다. 버스나 기차 등의 기존 대중교통 시스템은 저렴한 비용으로 많은 승객들을 태울 수 있기 때문에 효율적이고 환경 친화적이나, 경로와 스케줄이 고정되어 있기 때문에 사용자가 이용하기 불편할 수 있다.
기존 대중교통 시스템이 아닌 택시와 같은 수단의 특징은?
버스나 기차 등의 기존 대중교통 시스템은 저렴한 비용으로 많은 승객들을 태울 수 있기 때문에 효율적이고 환경 친화적이나, 경로와 스케줄이 고정되어 있기 때문에 사용자가 이용하기 불편할 수 있다. 반대로 택시와 같은 수단은 사용자의 요청에 따라 서비스를 제공하여 편리하지만, 서비스 비용이 상대적으로 높은 단점이 있다. 이에 따라 고정적 계획의 버스 서비스와 유동적인 택시 서비스 사이에서 비용과 편의성을 함께 충족시킬 수 있는 수요응답형 대중교통 시스템에 대한 관심이 높아지고 있다.
버스나 기차 등의 기존 대중교통 시스템의 특징은?
수요응답형 대중교통체계는 사용자의 요청에 따라 경로와 스케줄을 결정하는 대중교통 서비스이다. 버스나 기차 등의 기존 대중교통 시스템은 저렴한 비용으로 많은 승객들을 태울 수 있기 때문에 효율적이고 환경 친화적이나, 경로와 스케줄이 고정되어 있기 때문에 사용자가 이용하기 불편할 수 있다. 반대로 택시와 같은 수단은 사용자의 요청에 따라 서비스를 제공하여 편리하지만, 서비스 비용이 상대적으로 높은 단점이 있다.
참고문헌 (19)
Alonso-Gonzalez M. J., Liu T., Cats O., Van Oort N. and Hoogendoorn S.(2018), "The potential of demand-responsive transport as a complement to public transport: An assessment framework and an empirical evaluation," Transportation Research Record, vol. 2672, no. 8, pp.879-889.
Cervero R.(1997), Paratransit in America: Redefining mass transportation, Greenwood Publishing Group.
Cristian C. and Jayakrishnan R.(2002), "Design and operational concepts of high-coverage point-to-point transit system," Transportation Research Record: Journal of the Transportation Research Board, vol. 1783, pp.178-187.
Czioska P., Kutadinata R., Trifunovic A., Winter S., Sester M. and Friedrich B.(2019), "Real-world meeting points for shared demand-responsive transportation systems," Public Transport, vol. 11, no. 2, pp.341-377.
Diana M., Dessouky M. M. and Xia N.(2006), "A model for the fleet sizing of demand responsive transportation services with time windows," Transportation Research Part B: Methodological, vol. 40, no. 8, pp.651-666.
Furtado M. G. S., Munari P. and Morabito R.(2017), "Pickup and delivery problem with time windows: A new compact two-index formulation," Operations Research Letters, vol. 45, no. 4, pp.334-341.
Goel P., Kulik L. and Ramamohanarao K.(2016), "Optimal pick up point selection for effective ride sharing," IEEE Transactions on Big Data, vol. 3, no. 2, pp.154-168.
Hao W., Ma C., Moghimi B., Fan Y. and Gao Z.(2018), "Robust optimization of signal control parameters for unsaturated intersection based on tabu search-artificial bee colony algorithm," IEEE Access, vol. 6, pp.32015-32022.
Ho S. C., Szeto W. Y., Kuo Y. H., Leung J. M., Petering M. and Tou T. W.(2018), "A survey of dial-a-ride problems: Literature review and recent developments," Transportation Research Part B: Methodological, vol. 111, pp.395-421.
Ma C., Hao W., Wang A. and Zhao H.(2018), "Developing a coordinated signal control system for urban ring road under the vehicle-infrastructure connected environment," IEEE Access, vol. 6, pp.52471-52478.
Martinez L. M., Viegas J. M. and Eiro T.(2015), "Formulating a new express minibus service design problem as a clustering problem," Transportation Science, vol. 49, no. 1, pp.85-98.
Pages L., Jayakrishnan R. and Cortes C.(2006), "Real-time mass passenger transport network optimization problems," Transportation Research Record: Journal of the Transportation Research Board, vol. 1964, pp.229-237.
Psaraftis H. N.(1980), "A dynamic programming solution to the single vehicle many-to-many immediate request dial-a-ride problem," Transportation Science, vol. 14, no. 2, pp.130-154.
Quadrifoglio L., Maged M. D. and Kurt P.(2007), "An insertion heuristic for scheduling mobility allowance shuttle transit (MAST) services," Journal of Scheduling, vol. 10, pp.25-40.
Saberi M. and Verbas I. O.(2012), "Continuous approximation model for the vehicle routing problem for emissions minimization at the strategic level," Journal of Transportation Engineering, vol. 138, no. 11, pp.1368-1376.
Stiglic M., Agatz N., Savelsbergh M. and Gradisar M.(2015), "The benefits of meeting points in ride-sharing systems," Transportation Research Part B: Methodological, vol. 82, pp.36-53.
Ullah W.(2016), Analysis of urban demand responsive transport in Helsinki metropolitan area: Case Kutsuplus.
Yan Y., Liu Z., Meng Q. and Jiang Y.(2013), "Robust optimization model of bus transit network design with stochastic travel time," Journal of Transportation Engineering, vol. 139, no. 6, pp.625-634.
Yu Y., Machemehl R. B. and Xie C.(2015), "Demand-responsive transit circulator service network design," Transportation Research Part E: Logistics and Transportation Review, vol. 76, pp.160-175.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.