CN102136190A - 城市公交客运事件应急响应调度管理系统及方法 - Google Patents

Abstract

本发明涉及一种城市公交客运事件应急响应调度管理系统及方法，综合运用实测数据、事件预测模型与算法、事件实时调度模型与算法相结合的方法，科学集成地理信息技术、定位技术和现代通信技术，利用公交网络智能化发展的公交应急调度技术和城市公共客运系统多方式协调调度技术，以网络化公共客运车辆调度和运营调度管理为核心，基于城市公共客运交通系统多方式及多线路间智能协同调度关键理论和方法，建立面向城市公共客运系统事件下的应急协调调度模型及方法。为城市公交事件实时调度提供良好的理论、方法和技术支持，有效地减少事件识别时间、产生快速的实时调度策略、高效地消除事件产生的影响、恢复行车计划来有效提高公交车的运行效率和安全。

Description

城市公交客运事件应急响应调度管理系统及方法

技术领域

本发明涉及一种交通管理技术，特别涉及一种城市公交客运事件应急响应调度管理系统及方法。

背景技术

目前，我国的许多城市在加强智能公共交通系统的建设，但是实际上目前的建设水平距离真正的智能公交系统相差甚远，有的认为安装上GPS和电子站牌就是智能公交了，实际上这些只是一点点基础而已，如智能公交系统中最基础的信息服务系统只是停留在静态信息服务上；另外实时智能调度在一条线路上都无法实现，原因就是有些城市智能公交系统中真正的问题（如交通控制对公交运营的影响关系、调度模型的影响因子的确定等等）没有解决。诚然，信息技术、计算机网络技术的广泛应用推动了城市公交向智能化方向发展。然而单线智能公交在运营过程中存在车辆间信息不明、换乘情况不明、缺乏动态信息服务等问题，严重影响了公交的服务水平，因此传统公交线路智能化调度系统正向公交网络化智能管理系统过渡。目前，公交网络化智能应急技术的研究还较滞后，随着相关技术的发展，研究公交网络化智能应急技术具有重大理论价值和现实意义。基于地理信息技术(GIS技术)、定位技术(GPS技术)和现代通信技术，研究公交网络智能化应急系统技术和多种客运方式协调调度技术，正引起广大研究人员的浓厚兴趣。

美国的城市公共交通管理局已经启动了智能公共交通系统项目“Advanced Public Transportation Systems（APTS）”。美国的APTS主要研究基于动态公共交通信息的实时调度理论和实时信息发布理论，以及使用先进的电子、通讯技术提高公交运营效率和服务水平的实施技术。在公共客运系统中一些州已有事件的应急处理系统（是发生事件后的应急处理）。在公交事件的预测技术方面、在交通事故影响公交运营系统方面的研究还没有深入研究。但是美国在交通事件（并没有涉及公交事件的研究）自动检测方面研究较早，现较为成熟的模式识别算法，这类算法是根据事件产生前后交通变量的差值是否超过某一给定的阈值来判断事件, 进而激发事件报警。这类算法主要包括1965年由美国加利福尼亚运输部Payne等学者开发的加利福尼亚(California ) 算法，该算法是双截面算法, 它基于事件发生时上游截面占有率将增加, 下游截面占有率将减少这一事实。另外开发于1991 年莫尼卡(Monica)算法，属于欧盟DRIVE项目中的子项目LMonica 算法在HERM ES项目的头两年期间被测试，它是建立在连续车辆之间车头视距的测量值与方差及速度差的基础之上, 当这些参数经历大规模扰动超过预设阈值时, 事件报警系统启动LMonica 算法，此算法的研究与车道数和其它路段的交通行为无关。在2005年Mak,C.L. and Henry S.L.Fan 学者提出了关于交通事件的测试方法，在2006年在上述研究基础上创新性的研究成果，即提出速度与事件的关系模型。在2004年和2005年Jiuh-Biing Sheu 教授分别提出信号过程对事件关联度特性影响模型和 公交事件模糊综合评判方法，这对公交事件的深入研究奠定了基础，只是研究的环境为信号并不随流量发生变化以及不是混合交通流的情况。在2007年Barry Kirwan 教授对各种运输方式的安全系统进行了分析与设计，没有提出具体的设计模型，但是在结构框架的设计上还是很有借鉴意义 。

北京交通大学邵春福教授，开发了模拟道路交通异常事件下的交通流动，直观显示受道路异常事件影响的交通流变化系统，为制定交通管理措施奠定基础。交通部公路科学研究所ITS中心的高海龙，研究开发的高速公路事件管理系统，此系统已应用于首都高速公路发展有限公司，实践证明减少1/3的事件反应时间，从应用效果来看还是很理想的。韩印教授在2006年阐述了基于神经网络的公交事件识别机理，说明模式识别的事件预测处理和特征选择的过程，同时探讨了基于BP神经网络智能协调调度模型建立思想和变量标定。天津大学系统工程研究所贺国光教授提出了一种基于粗集理论预处理数据的神经网络交通事件自动检测算法。这些都为在事件智能识别及应急响应的深入研究奠定理论基础。

发明内容

本发明是针对现代交通管理智能化不足的问题，提出了一种城市公交客运事件应急响应调度管理系统及方法，综合运用实测数据、事件预测模型与算法、事件实时调度模型与算法相结合的方法，科学集成地理信息技术（GIS技术）、定位技术（GPS技术）和现代通信技术，利用公交网络智能化发展的公交应急调度技术和城市公共客运系统多方式协调调度技术，以网络化公共客运车辆调度和运营调度管理为核心，基于城市公共客运交通系统多方式及多线路间智能协同调度关键理论和方法，建立面向城市公共客运系统事件下的应急协调调度模型及方法。

本发明的技术方案为：一种城市公交客运事件应急响应调度管理系统，包括GPS子系统、GIS地理信息子系统、客流自动统计子系统、道路交通状态采集子系统、通信子系统及调度中心，安装于每辆公交车上的GPS子系统采集车辆定位数据与短信息，通过通信子系统的移动通信网，传至调度中心；GIS地理信息系统接收车辆定位数据，处理后将车辆信息的地图映射与目标值对应显示；客流自动统计子系统可实时接收、统计和远程监控车辆的客流数据，并建立数据库通过通信子系统送调度中心；道路交通状态采集子系统采集各个路段交叉口上游的检测线圈信号、通过交叉口的占有率、速度及流量信息参数，处理后通过通信子系统送调度中心；调度中心将处理结果送各个车辆，通信子系统分为移动通信网和固定通信网两部分。

一种城市公交客运事件应急响应调度管理方法，包括城市公交客运事件应急响应调度管理系统，包括如下具体步骤：

1）定义的公交事件反应在公交系统的运营上表现出大间隔、超车及晚点事件：

a）串车：指不在行车调度计划之内，后车超越前车的现象，这破坏了公交车辆运行的均匀性，导致部分乘客等车时间增加；

b）大间隔：指公交线路相邻两辆公交车到达同一站点的间隔时间超出发车间隔时间，并且偏离程度超过系统设定的阈值；

c）晚点：指车辆到达首末站的时间偏离行车计划到达的时间，并且偏离程度超过系统设定的阈值；

2）通过城市公交客运事件应急响应调度管理系统采集数据信息，通过采用模糊聚类分析的方法，对比历史事件及检测事件的隶属度相似度系数，当相似度超过系统设定的阈值即可判别检测事件产生原因与历史事件产生原因相类似，实现了公交事件产生原因的识别；

3）选取实时的公交站点客流数据和路段交通状态两个参数，公交站点客流数据采用聚类分析和逐步回归分析的方法将站点客流量数据分组，用代表站点的客流量数据获得组内其他站点客流量数据，采用C值聚类分析方法获得路段交通状态，在此基础上采用动态模糊聚类分析方法预测公交事件的产生；

4）通过公交线路实时站点客流量数据，通过建立以乘客利益和公交公司利益最大化的公交车辆投放需求量模型获取在事件下对公交车辆的需求量；通过采用BP神经网络训练的方法，在输入道路交通状态的参数及各个站点客流量数据的情况下，获取公交车辆的发车组合形式。

所述步骤2）中模糊聚类分析的方法，具体步骤为：

Ⅰ）确定分析对象，即论域                                                

其中下标n代表被分类对象的数量，各个被分类对象被指定为一个样本，并且各个样本

通过一组

个指标的列矩阵来刻画：

其中

为第

个被分类对象对应于第个指标的数值，得到一个

维的矩阵

，叫做原始的记录矩阵；

Ⅱ）标准化各指标数据，得到一个正规化后的矩阵：；

Ⅲ）获取相似关系矩阵，在对应指标集上，被标准化后矩阵的每一行数据为各被分类对象的模糊集合：

，式中

为指标

隶属于集合

的隶属度，这样，各

就间接地明确了各对象

的本质特征，因此可用下面的计算方法中的一种方法来明确对象

和

之间的相似度，最终获得论域

上面的相似关系矩阵

，即

其中，

为一个方阵，它的行数和列数都跟被分类对象数

相等；

Ⅳ）聚类分析，将历史已诊断记录分为若干类，然后对现有的异常状态实行模式识别，模糊聚类直接用模糊相似关系矩阵

，采用编网法或者最大树法，依给定的

进行分类。

所述步骤3）中模糊C值聚类方法具体步骤：

步骤一：交通状态特征指标的提取，选择占有率、速度和单车平均占有率这3个指标作为交通状态的特征向量，即，特征向量的指标为

式中：指第i个时间间隔的占有率；为第i个时间间隔的交通流时间平均速度，

为第i个时间间隔的交通流量，将交通状态分为畅通、阻滞和堵塞3个类别；

步骤二：基于模糊C均值聚类的交通状态判别：

模糊聚类分析是一种基于划分的聚类算法，是

个样本集合，C为交通状态的类别数（C=3），

，

为每个聚类的中心，

是第个样本对于第

类的隶属度函数，用隶属度函数定义的聚类损失函数为：

式中b>1是一个可以控制聚类结果的模糊指数，其中模糊C均值聚类方法要求样本对于各个类聚类的隶属度之和为1，即

用迭代的方法求解得到各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类的划分。

本发明的有益效果在于：本发明城市公共客运系统智能化应急调度管理方法，为城市公交事件实时调度提供良好的理论、方法和技术支持，有效地减少事件识别时间、产生快速的实时调度策略、高效地消除事件产生的影响、恢复行车计划来有效提高公交车的运行效率和安全。

附图说明

图1为本发明城市公交客运事件应急响应调度管理方法示意图；

图2为本发明城市公交串车事件自动检测示意图；

图3为本发明城市公交大间隔事件自动检测示意图；

图4为本发明城市公交晚点事件自动检测示意图；

图5为本发明城市公交事件产生原因识别方法流程图；

图6为本发明城市公交事件实时调度策略技术流程图；

图7为本发明动态模糊神经网络结构示意图；

图8为本发明动态模糊神经网络站点客流量隶属度函数示意图；

图9为本发明动态模糊神经网络路段占有率隶属度函数示意图；

图10为本发明动态模糊神经网络训练规则示意图；

图11为本发明动态模糊神经网络训练误差示意图；

图12为本发明BP神经网络产生公交发车组合形式示意图。

具体实施方式

如图1所示城市公交客运事件应急响应调度管理方法示意图，开始进行具体分析：

1、城市公交事件的定义及影响因素分析：

首先本发明对城市公交事件进行了定义，将城市公交事件定性描述为：公交系统由于外部环境的变化导致公交车辆的运行偏离了行车计划，且偏离行车计划的程度超出了一定的阈值，导致公交系统无法正常运转的现象称为公交事件。

导致公交事件产生的可能性有：公交站点的客流量产生了突增或者突减；公交线路沿线道路交通状态的异常变化；道路交通产生事故，包括公交车辆本身发生的事故及道路车辆发生事故；公交运营车辆本身发生突发火灾、服务纠纷等；由于公交车行车计划所采用的基础数据包括了线路OD客流量数据、公交线路的运营时间，而OD客流量的数据与各时段公交站点客流量到达量有关、公交线路的运营时间与公交线路沿线的道路交通状态有关且与公交车辆是否发生交通事件等因素相关。此外，公交行车计划时刻表获取的参数均为历史采集数据的平均值或者是基于历史数据的基础上依据数学模型进行预测，具有明显的统计特征。这就导致了行车计划的默认假设条件为：公交车辆的站点OD客流量和运营时间在一段时间内事保持平稳的；公交系统的实际运营情况是站点OD客流量及运营时间因为外部环境的变化会出现较大的波动，若公交调度中心不进行在线实时调整依旧按照行车计划进行公交调度，此时就会产生公交事件或者公交事件严重程度加剧。

本发明定义的公交事件反应在公交系统的运营上表现出大间隔、超车及晚点事件：

1）串车：指不在行车调度计划之内，后车超越前车的现象，这破坏了公交车辆运行的均匀性，导致部分乘客等车时间增加。如图2所示；

2）大间隔：指公交线路相邻两辆公交车到达同一站点的间隔时间超出发车间隔时间，并且偏离程度超过系统设定的阈值，如图3所示；

3）晚点：指车辆到达首末站的时间偏离行车计划到达的时间，并且偏离程度超过系统设定的阈值，如图4所示。

2、城市公交事件自动检测及产生原因识别方法实施：

城市公交事件的自动检测及产生原因识别主要借助于安装在公交车辆上的GPS卫星定位系统、GIS地理信息系统、自动乘客计数器及检测线圈等：

GPS子系统:车辆定位(GPS)系统安装于每辆公交车，包括GPS定位、数据收发智能接口、液晶显示单元、信息输入及通讯机(车载台)等部分。它的功能是采集车辆定位数据与短信息，通过通信子系统的移动通信网，传至分公司调度中心。GPS定位模块接收GPS定位卫星的信号，通过解码及复杂的运算获得自己当前的位置、时间等信息。数据收发智能接口对这些信息加以处理，进行编码转换，信号调制等。再利用GPS高精度的时间信息，按时分方式确定本机的发射时序。完成自动上线、数据传输等功能，显示单元根据调度指令及本机状态显示信息；

GIS地理信息子系统:GIS地理信息系统接收车辆定位数据，完成车辆信息的地图映射。其功能包括地理信息和数据信息的输入输出、地图的显示和编辑、车辆道路等信息空间数据查询、数据库的维护管理以及GPS定位数据的接收和处理、GPS数据的地图匹配、车辆状态信息的处理显示、意外情况的报警处理、车辆运行数据的保存及管理等。由GPS卫星导航所测到的公交车位置坐标、前进的方向都与实际行驶的路线轨迹存在一定误差，为修正这两者间的误差，使之与地图上的路线统一，需采用地图匹配技术，通讯机(车载台)加一个地图匹配电路，对汽车行驶的路线与电子地图上道路的误差进行实时相关匹配，并做自动修正，此时，地图匹配电路通过微处理单元的整理程序进行快速处理，得到汽车在电子地图上的正确位置，以指示出正确行驶路线；

客流自动统计子系统：利用先进的车载视频客流分析系统，通过GPRS网络与“车载客流分析终端”连接，可实时接收、统计和远程监控车辆的客流数据，并建立数据库；该系统通过对车辆客流量的分析，可提供只能调度方案，提高车辆运营效率；

道路交通状态采集子系统：利用安装于各个路段交叉口上游的检测线圈，采集通过交叉口的占有率、速度及流量信息参数，并将这些参数传输至信息中心，通过对数据的提取和处理能够判别路段的交通状态；

通信子系统:分为移动通信网和固定通信网两部分，提供车辆和分公司调度中心、分公司调度中心与总公司调度中心之间的信息传输通道。

本发明通过监控公交车辆的行驶轨迹，借助GIS地理信息系统，当两辆公交车辆的行驶轨迹发生交叉的时候即可检测到两辆公交车发生了串车事件即前车被后车超越；当两辆公交车辆的公交车辆之间的距离超过系统设定的阈值，即可判定前车与后车之间的距离超出了行车计划的要求，产生了大间隔事件；当一辆公交车到达首末站的实际时间与行车计划规定的时间超过了系统设定的阈值，即可判定该公交车辆发生了晚点事件；系统自动发出报警，通知调度中心工作人员系统发生了事件，并且给出发生事件车辆的相关信息。

本发明认为事件的发生具有一定的规律性，即事件产生原因具有一定的规律性，而且事件产生的原因最终反映在道路交通状态的改变及站点客流量的改变两个关键参数上，道路交通状态可以通过布设在交叉路口上游路段的检测线圈来获取反映道路交通状态的参数，反映了公交线路沿线路段的拥堵情况，检测线圈可采集包括占有率、速度及车流量三个参数；公交站点客流量参数可以通过自动乘客计数器来获取，反映了公交系统的需求变化情况。通过采用模糊聚类分析的方法，对比历史事件及检测事件的隶属度相似度系数，当相似度超过系统设定的阈值即可判别检测事件产生原因与历史事件产生原因相类似，如图5所示，具体步骤为：

1）确定分析对象，即论域

其中下标n代表被分类对象的数量，各个被分类对象被指定为一个样本，并且各个样本通过一组个指标的列矩阵来刻画：

其中

为第

个被分类对象对应于第个指标的数值。这样就得到一个

维的矩阵

，叫做原始的记录矩阵。

选择每个对象指标应保证有实际意义、代表性以及较高的分辨力。获取指标数据可通过利用历史统计数据或者直接观测方法。

2）标准化各指标数据，为分析比较做准备，同时注意因数据过小而导致指标的作用被降低，此过程称为数据的正规化。

标准化有很多方法，本发明采用一种较为简单而又易行的方法：

公式中的分母为原始记录矩阵第

列元素中最大值和最小值的之差。显然，标准化后数据已经被压缩到的闭区间内，也即

。这样得到一个正规化后的矩阵：

3）获取相似关系矩阵。在对应指标集上，被标准化后矩阵的每一行数据为各被分类对象的模糊集合：

，式中

为指标

隶属于集合

的隶属度。这样，各就间接地明确了各对象

的本质特征，因此可用下面的计算方法中的一种方法来明确对象

和

之间的相似度，最终获得论域

上面的相似关系矩阵

，即

其中，

为一个方阵，它的行数和列数都跟被分类对象数

相等。上述步骤也被简称为标定。

采用相关系数法计算相似系数

：

公式中：

4）聚类分析。其目的为将经有的历史已诊断记录分为若干类，类似于建立若干诊断模式，然后对现有的异常状态实行模式识别。模糊聚类直接用模糊相似关系矩阵

，采用编网法或者最大树法，依给定的

进行分类。

最后根据相似度大小，即可承认检测事件与历史事件具有某一程度的相似性，认为检测事件产生原因与历史事件产生原因相类似，这样即实现了公交事件产生原因的识别。

3、城市公交事件自动预测方法实施

调度中心获取公交事件的方式有两种，事件发生后监控中心的自动检测或者驾驶员的直接汇报，另外一种是根据影响因素实时变化，预测公交事件的发生；前面一种方式是一种被动的发现，而后面一种方式是主动发现，可以提前采取措施避免公交事件的发生。本发明选取实时的公交站点客流数据和路段交通状态两个参数，公交站点客流数据采用聚类分析和逐步回归分析的方法将站点客流量数据分组，用代表站点的客流量数据获得组内其他站点客流量数据，采用C值聚类分析方法获得路段交通状态，在此基础上采用动态模糊聚类分析方法预测公交事件的产生。

1）模糊C值聚类方法具体步骤

道路交通状态对公交车辆运营的影响主要反映在运营的速度上，本发明决定采用模糊聚类分析的方法，结合道路交叉口检测线圈提供的速度、流量和占有率数据，设计公交道路交通状态判别方法。其步骤为：

步骤一：交通状态特征指标的提取。本发明选择占有率、速度和单车平均占有率这3个指标作为交通状态的特征向量，即

，特征向量的指标为

式中：

指第i个时间间隔的占有率；

为第i个时间间隔的交通流时间平均速度，

为第i个时间间隔的交通流量。本文将交通状态分为畅通、阻滞和堵塞3个类别。

步骤二：基于模糊C均值聚类的交通状态判别：

模糊聚类分析是一种基于划分的聚类算法，

是个样本集合，C为交通状态的类别数（C=3），

，

为每个聚类的中心，

是第个样本对于第

类的隶属度函数。用隶属度函数定义的聚类损失函数为：

式中b>1是一个可以控制聚类结果的模糊指数。其中模糊C均值聚类方法要求样本对于各个类聚类的隶属度之和为1，即

用迭代的方法求解上述两式，当算法收敛的时候，就得到各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类的划分。

依据感应线圈采集到的实时交通数据，通过模糊聚类将其分为3种交通状态，得到各类的中心点。依据各类的中心和上述隶属度计算公式建立判别函数，根据隶属度最大原则对公交线路各路段的交通状态进行判别。

2）动态模糊神经网络预测公交事件发生方法

动态模糊神经网络输入量的确定：动态模糊神经网络的输入量为公交站点的客流量矩阵，站点客流量数据分为多，中，少三个层次；路段的交通状态特征矩阵

，每个路段的交通状态分为畅通、阻滞和堵塞三个状态。每个站点客流量为多、中

，少

，每个路段的道路交通状态分为畅通、阻滞和拥堵

三个语言变量，模糊推理规则为

，其中

，代表站点客流量的三个状态；

，代表路段的三个状态；为公交的站点数；

为公交线路的路段数；

为晚点事件，

为晚点事件发生的概率；

为串车事件，

为串车事件发生的概率；

为大间隔事件，

为大间隔事件发生的概率。

建立动态模糊神经网络的结构：设计的动态模糊神经网络结构见附图6所示，分为5层。

第一层：为节点的输入层，每个节点分别表示一个输入的语言变量，前面部分为站点的客流量数据，分为多，中等和少三个语言变量；后面部分为路段交通状态

，分为顺畅，阻滞和拥堵三个语言变量。

第二层：称为隶属度函数层，每个节点分别代表一个隶属度函数，该隶属度是用如下的高斯函数来表示的：

，其中，是

的第

个隶属度函数，

是

的第

个高斯隶属度函数的中心，

是

的第个高斯函数的宽度，

是输入变量数（本文

），

是隶属函数的数量，也代表系统总得规则数。

第三层：称为

范数层，每个节点分别代表一个可能模糊规则里的

部分。因此，该层节点数反映了模糊规则数。第

个规则

的输出为

其中，

为第个单元的中心。由第二层公式可知道，该层的各个节点代表一个

单元。在以下的讨论中，模糊规则数与节点数将交替使用而不作解释。

第四层：称为归一化层，称该节点是N节点。很显然，模糊规则节点数和N节点数是一样的。第

个节点

的输出结果是

第五层：称为输出层，该层里面每个节点就表示为一个输出变量，该输出结果为所有输入信号的叠加：

其中，

是变量的输出，是

部分（结果参数）或者第个规则的连接权。本发明采用TSK模型：

最后根据前面分析得到的基础数据，以代表站点客流量数据和代表路段交通状态为输入参数，采用动态模糊神经网络的方法，根据模糊神经网络计算结果，即可预测将发生何种公交事件。两个参数的隶属度函数间附图7、8，网络训练结果见附图9、10。

4、城市公交事件下的实时调度方法实施

1）公交事件下的实时调度策略制定

站点客流量突增且道路交通状态拥堵的情况：站点客流量突增，意味着调度中心需要投放更多的车辆，才能在保证满载率等服务水平的约束下满足运送客流的需要；但同时道路交通状态处于拥堵状况，公交车辆容易堵在拥堵路段无法快速周转，与调度中心的目标可能构成一对矛盾；为了解决需求与供给能力的矛盾，本发明考虑对投放的车辆运行模式进行优化，即仅从客流需求的车辆中抽出部分车辆作为机动车辆，发车形式为区间车、大站快车或绕线行驶等运行形式，从而降低拥堵路段对公交运行产生的影响；城市公交事件两个状态参数的组合可有以下四个情况：

站点客流量突增且道路交通状态良好的情况：此情况变的相对简单，整个运行环境仅对公交车辆的保有量有一定的要求，道路交通状态的约束被弱化，因此仅根据实时调度模型优化行车计划即可；

站点客流量突减且道路交通状态拥堵的情况：该情况是对公交车辆的实际需求较行车计划有所减少，但是道路交通状态降低了公交车辆的运营速度或可能导致车辆堵在某些拥堵路段，此时可以考虑根据实时调度模型更新行车计划，同时优化车辆的发放模式；

站点客流量突减且道路交通状态良好的情况：该情况变得简单，只要根据实时调度模型调整行车计划，同时调度中心通过约束车辆的行驶速度保证车辆的平稳均匀运行即可避免公交事件的发生。

本发明对城市公交事件下的调度策略分两步走，第一：先通过公交线路实时站点客流量数据，通过建立以乘客利益和公交公司利益最大化的公交车辆投放需求量模型获取在事件下对公交车辆的需求量；第二：通过采用BP神经网络训练的方法，在输入道路交通状态的参数及各个站点客流量数据的情况下，获取公交车辆的发车组合形式，以解决道路拥堵对公交运营产生的影响。调度策略流程见附图11。

2）公交事件下的公交车辆需求量

以乘客等待时间最短来反映乘客的利益，以车公里数最小作为公交公司的利益，以公交公司车辆保有量作为约束条件，建立目标函数，以实时采集的公交站点客流量数据作为输入条件，获取实时的公交车辆投放需求量。

3）公交事件下的公交发车组合形式

以实时计算的公交车辆投放需求量作为约束条件，以站点客流分布量及道路交通状态作为输入条件，采用BP神经网络训练，得出在实时条件下的公交车发车组合形式，最终获取事件下的行车计划，见附图12。

Claims (4)

1.一种城市公交客运事件应急响应调度管理系统，其特征在于，包括GPS子系统、GIS地理信息子系统、客流自动统计子系统、道路交通状态采集子系统、通信子系统及调度中心，安装于每辆公交车上的GPS子系统采集车辆定位数据与短信息，通过通信子系统的移动通信网，传至调度中心；GIS地理信息系统接收车辆定位数据，处理后将车辆信息的地图映射与目标值对应显示；客流自动统计子系统可实时接收、统计和远程监控车辆的客流数据，并建立数据库通过通信子系统送调度中心；道路交通状态采集子系统采集各个路段交叉口上游的检测线圈信号、通过交叉口的占有率、速度及流量信息参数，处理后通过通信子系统送调度中心；调度中心将处理结果送各个车辆，通信子系统分为移动通信网和固定通信网两部分。

2.一种城市公交客运事件应急响应调度管理方法，包括城市公交客运事件应急响应调度管理系统，其特征在于，包括如下具体步骤：

1）定义的公交事件反应在公交系统的运营上表现出大间隔、超车及晚点事件：

a）串车：指不在行车调度计划之内，后车超越前车的现象，这破坏了公交车辆运行的均匀性，导致部分乘客等车时间增加；

b）大间隔：指公交线路相邻两辆公交车到达同一站点的间隔时间超出发车间隔时间，并且偏离程度超过系统设定的阈值；

c）晚点：指车辆到达首末站的时间偏离行车计划到达的时间，并且偏离程度超过系统设定的阈值；

2）通过城市公交客运事件应急响应调度管理系统采集数据信息，通过采用模糊聚类分析的方法，对比历史事件及检测事件的隶属度相似度系数，当相似度超过系统设定的阈值即可判别检测事件产生原因与历史事件产生原因相类似，实现了公交事件产生原因的识别；

3）选取实时的公交站点客流数据和路段交通状态两个参数，公交站点客流数据采用聚类分析和逐步回归分析的方法将站点客流量数据分组，用代表站点的客流量数据获得组内其他站点客流量数据，采用C值聚类分析方法获得路段交通状态，在此基础上采用动态模糊聚类分析方法预测公交事件的产生；

4）通过公交线路实时站点客流量数据，通过建立以乘客利益和公交公司利益最大化的公交车辆投放需求量模型获取在事件下对公交车辆的需求量；通过采用BP神经网络训练的方法，在输入道路交通状态的参数及各个站点客流量数据的情况下，获取公交车辆的发车组合形式。

3.根据权利要求2所述城市公交客运事件应急响应调度管理方法，其特征在于，所述步骤2）中模糊聚类分析的方法，具体步骤为：

Ⅰ）确定分析对象，即论域                                                

其中下标n代表被分类对象的数量，各个被分类对象被指定为一个样本，并且各个样本

通过一组

个指标的列矩阵来刻画：

其中

为第

个被分类对象对应于第

个指标的数值，得到一个

维的矩阵

，叫做原始的记录矩阵；

Ⅱ）标准化各指标数据，得到一个正规化后的矩阵：

；

Ⅲ）获取相似关系矩阵，在对应指标集上，被标准化后矩阵的每一行数据为各被分类对象的模糊集合：，式中

为指标

隶属于集合的隶属度，这样，各

就间接地明确了各对象

的本质特征，因此可用下面的计算方法中的一种方法来明确对象和之间的相似度

，最终获得论域上面的相似关系矩阵

，即

其中，

为一个方阵，它的行数和列数都跟被分类对象数

相等；

Ⅳ）聚类分析，将历史已诊断记录分为若干类，然后对现有的异常状态实行模式识别，模糊聚类直接用模糊相似关系矩阵，采用编网法或者最大树法，依给定的

进行分类。

4.根据权利要求2所述城市公交客运事件应急响应调度管理方法，其特征在于，所述步骤3）中模糊C值聚类方法具体步骤：

步骤一：交通状态特征指标的提取，选择占有率、速度和单车平均占有率这3个指标作为交通状态的特征向量，即

，特征向量的指标为

式中：指第i个时间间隔的占有率；

为第i个时间间隔的交通流时间平均速度，

为第i个时间间隔的交通流量，将交通状态分为畅通、阻滞和堵塞3个类别；

步骤二：基于模糊C均值聚类的交通状态判别：

模糊聚类分析是一种基于划分的聚类算法，

是

个样本集合，C为交通状态的类别数（C=3），

，

为每个聚类的中心，是第

个样本对于第类的隶属度函数，用隶属度函数定义的聚类损失函数为：

式中b>1是一个可以控制聚类结果的模糊指数，其中模糊C均值聚类方法要求样本对于各个类聚类的隶属度之和为1，即

用迭代的方法求解得到各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类的划分。

Images