CN103198648B - 用于公交系统的自适应调度方法 - Google Patents

Abstract

本发明公开了一种用于公交系统的自适应调度方法，具体根据自适应规律，充分利用历史数据，实时数据使公交调度系统从实际出发，利用实际情况，得到一种更合理的调度方法，即利用历史客流量数据、历史发车间隔时间和历史行车时间分别预测客流量数据、发车间隔时间和行车时间，并通过预测到的客和流量数据行车时间对发车间隔时间进行调整。本发明的方法在现有的公交调度系统中考虑交通拥挤因素，通过利用历史数据，实时数据，能使公交调度系统从实际情况出发，利用实际情况，回到实际情况，实现公交调度系统的自适应，具有很高的收敛速度和鲁棒性。

Description

用于公交系统的自适应调度方法

技术领域

本发明属于城市智能公共交通系统技术领域，具体涉及一种用于公交系统的自适应调度方法。

背景技术

公交车辆调度，即公交车辆线路日常营运的调度，其主要任务是依照行车作业计划的规定并结合具体情况对公交车辆进行实时调度。

公共交通是城市的重要基础设施。同时，交通系统是一个具有随机性、模糊性和不确定性的复杂系统。随着中国经济与社会的飞速发展，交通需求和交通供给的矛盾日益突出，直接加剧交通拥挤。常规缓解交通拥挤的角度主要是从城市规划与土地利用，基础设施调整与完善，交通结构三个方面出发。从交通结构角度出发，优化公共交通和鼓励公交出行，能提高交通利用率，且在缓解交通拥挤方面具有重大作用。由于现有的公交调度系统并未进一步考虑到交通拥挤的因素，导致车辆使用率低，车辆调度不合理等情况。因此，常规公共交通在缓解交通拥挤、提高出行便捷等方面，受到一定限制。比如：乘客流量大且交通拥挤不堪时，一味缩短发车间隔是无效的，相反会增加公交公司运营成本和加剧交通拥挤的情况。如果将发车间隔控制在一定时间上，能综合到乘客、公交公司、交通路况的三方利益。

遗传算法在公交调度上受到普遍关注，而相对于当前复杂的交通环境，标准的遗传算法很难真正起到解决问题的作用。标准的遗传算法通常只有一个种群，且交叉率和变异率这两个参数是固定的，导致其存在早熟以及收敛速度慢的不足，造成了公交调度中的车辆使用率低。

发明内容

本发明的目的是为了克服现有的公交调度存在的上述问题，提供一种用于公交系统的自适应调度方法。

本发明的技术方案：一种用于公交系统的自适应调度方法，包括以下步骤：

S1、根据统计的历史路线乘客流量预测乘客流量；

S2、根据统计的历史发车间隔预测发车时间间隔；

S3、根据统计的历史路线行车时间预测路线行车时间；

S4、获取乘客到达率、交通拥挤率的值；

S5、获取最终发车时间间隔的值；

S6、根据步骤S5预测到的发车时间间隔并获取当天的乘客流量及当天的路线行车时间对第二天的发车时间间隔进行预测。

进一步的，步骤S1具体包括如下分步骤：

S11、将历史路线乘客流量表示为矩阵P，P矩阵为M*N的二维矩阵，其中，行向量为同时间段不同站点客流量，列向量为相同站点不同时间段的乘客到达率，M为各时间段，N为各站点，将P矩阵转化为二进制编码的初始种群P₀，并选取种群规模Scope和遗传代数Gen；

S12、计算初始种群P₀的适应值函数f^α(p)：

$f^{\mathrm{\α}}\left(p\right)={\left(\underset{i=1}{\overset{n*N}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}$

其中，α为预先设定的选择算子指数，Pmi为初始种群中P₀第m行第i列元素，n为矩阵P元素对应的二进制位数；

S13、根据步骤S12获得的适应值函数f^α(p)计算选择概率：

$P_{\mathrm{choice}}=\frac{f^{\mathrm{\α}}\left(p\right)}{\underset{j=1}{\overset{\mathrm{Scope}}{\mathrm{\Σ}}}{f}^{\mathrm{\α}}\left(p\right)}=\frac{{\left(\underset{i=1}{\overset{n*N}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}}{\underset{j=1}{\overset{\mathrm{scope}}{\mathrm{\Σ}}}{\left(\underset{i=1}{\overset{n*N}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}}$

其中，分母表示Scope规模种群的Scope个适应值之和；

S14、根据预先设定的遗传代数Gen和选择概率P_choice形成子代种群P_N，当达到最大遗传代数时，迭代终止获得最终的子代种群P_N；

S15、利用预先设定的变异概率P_d对子代种群P_N进行变异操作，得到最优种群；

S16、将子代种群中适应值最高的个体插入初始种群P₀中，将到的最优种群转化为实数矩阵P_s作为预测的乘客流量。

进一步的，步骤S2具体包括如下分步骤：

S21、将历史发车间隔表示为矩阵T，T矩阵的大小为：1*M，其中，M为各时间段，矩阵中的元素用Δt表示，为对应时段的发车间隔时间；并将矩阵T转化为二进制编码的初始种群T₀，选取其种群规模Scope'和遗传代数Gen'；

S22、根据乘客和公交公司利益建立适应值：

f(Δt)＝β*Profit_乘客*Δt+χ*Profit_公交*Δt

其中，Profit_公交是乘客等公交所造成的损失，Profit_公交公交公司的运营成本，β、χ是预先设定的两个加权因子；

S23、根据步骤S22获得的适应值计算选择概率：

${P_{\mathrm{choice}}}^{\′}=\frac{f\left(\mathrm{\Δt}\right)}{\underset{i=1}{\overset{{\mathrm{Scope}}^{\′}}{\mathrm{\Σ}}}f\left(\mathrm{\Δt}\right)}$

其中，分母表示共Scope'个种群的适应值之和；

S24、根据预先设定的遗传代数Gen'和选择概率P_choice'形成子代种群T_N，当达到最大遗传代数时，迭代终止获得最终的子代种群T_N；

S25、根据预先设定的变异概率P_d'对子代种群T_N进行变异操作。

S26、将子代种群中适应值最高的个体插入初始种群T₀中，将所得到的最优种群转化为实数矩阵T_s作为时间间隔的预测结果，即得到预测的历史发车间隔。

进一步的，步骤S3具体包括如下分步骤：

S31、将历史路线行车时间其表示为矩阵D，D矩阵大小为：M*Num，其中，行M为各时间段，列Num为发班班次，并将矩阵D转化二进制编码的初始种群D₀，选取其种群规模Scope''和遗传代数Gen''；

S32、根据S1中所得到的乘客流量P_s和时间段M建立适应值，

f(d)＝β'*d+χ'*M

其中，P_mi为矩阵D第m行第i列元素，即d为是同一时间段的乘客流量，β'和χ'表示预先设定的加权因子；

S33、根据步骤S22获得的适应值计算选择概率：

${P_{\mathrm{choice}}}^{\′\′}=\frac{f\left(d\right)}{\underset{j=1}{\overset{{\mathrm{Scope}}^{\′\′}}{\mathrm{\Σ}}}f\left(d\right)}$

其中，分母表示共Scope''个种群的适应值之和；

S34、根据预先设定的遗传代数Gen''和选择概率P_choice''形成子代种群D_N，当达到最大遗传代数时，迭代终止获得最终的子代种群D_N；

S35、利用预先设定的变异概率P_d''对子代种群D_N进行变异操作，获得最优种群；

S36、将子代种群中适应值最高的个体插入初始种群D₀中，将所得到的最优种群转化为实数矩阵D_s作为预测的路线行车时间。

进一步的，步骤S4的具体过程如下：

根据步骤S1的预测到的P_s计算每个时间段乘客流量，将其建立为1*M大小的矩阵P_T，其中，矩阵P_T中的第i个元素记为P_Mj为矩阵P_s第M行j列元素。进而得到矩阵P_T中所有元素的和P_总，即即同一时间段内乘客流量总量，最终得到同一时段乘客到达的平局流量：

得到各时间段乘客到达率，将其表示为Arrive矩阵，其中，

根据步骤S3的预测到的Ds得到每个时间段所发车的行车时间，将其建立为1*M规模矩阵D_T，其中，矩阵D_T中的第i个元素记为D_Mj为矩阵D_s中的第M行j列元素，进而得到矩阵D_T中所有元素的和D_总，即即同一时间段内发车行车总时间，最终得到同一时段发车的行车时间的平均时间：

计算各时间交通拥挤率，将其表示为Traffic矩阵，其中，矩阵Traffic中的第i个元素记为：

进一步的，步骤5的具体过程如下：

根据步骤S2预测到的T_s得到每个时间段乘客流量，将其建立为大小1*M一维矩阵Δt，其中，矩阵Δt中的第i个元素记为其中，T_Mj为矩阵T_s第M行j列元素；

获取Arrive的标准值，选取次高峰时间段乘客流量作为乘客流量标准值：

其中，(P_T)_标准值为预先设定的值；

获取Traffic的标准值，选取次高峰时间段的发车时间作为发车时间标准值，：

其中，(D_T)_标准值为预先设定的值；

Arrive与Arrive标准值作比较，Traffic与Traffic标准值作比较得到四种情况，调整Δt，得到最终的预测发车间隔时间ΔT：

A.当Arrive大于Arrive_标准值且Traffic大于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Traffic*Arrive，即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}$

B.当Arrive大于Arrive_标准值且Traffic小于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Traffic*Arrive，

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}$

C.当Arrive小于Arrive_标准值且Traffic大于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Traffic；

${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}$

D.当Arrive小于Arrive_标准值时且Traffic小于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Arrive；

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}$

将ΔT作为最终的预测的发车时间间隔。

进一步的，步骤6具体包括如下分步骤：

S61.将步骤S5中获取的ΔT值转化为总群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群中T₀中，得到T₀'；

S62.获取当天的乘客流量转化种群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群中P₀中，得到P₀'；

S63.获取当天的路线行车时间转化为种群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群D₀中，得到D₀'；

S64.通过S61—S63所得到的T₀'、P₀'、D₀'替换S1—S3中的初始种群T₀、P₀、D₀，以得到新的ΔT'覆盖ΔT的值作为第二天的发车间隔预测结果。

本发明的有益效果是：本发明对公交调度方法进行改进，根据自适应规律，充分利用历史数据，实时数据使公交调度系统从实际出发，利用实际情况，得到一种更合理的调度方法来解决现实情况中的公交调度不合理的地方，即利用历史客流量数据、历史发车间隔时间和历史行车时间分别预测客流量数据、发车间隔时间和行车时间，并通过预测到的客和流量数据行车时间对发车间隔时间进行调整。因此，本发明的方法在现有的公交调度系统中进一步考虑交通拥挤因素，通过充分利用历史数据，实时数据，能使公交调度系统从实际情况出发，利用实际情况，回到实际情况，最终实现公交调度系统的自适应，具有很高的收敛速度和鲁棒性。

附图说明

图1是将乘客流量矩阵P转化为初始种群P₀的示意图。

图2是本发明实施例用于公交系统的自适应调度方法的流程示意图。

具体实施方式

在对本发明的具体实施例做详细的说明前，首先介绍如下几个关键的概念。

历史路线乘客流量：将历史路线乘客流量表示为矩阵P，P矩阵为M*N的二维矩阵，其中，M为各时间段，N为各站点。图1为将P矩阵转化为二进制编码的初始种群P₀的一个示例，并选取种群规模Scope和遗传代数Gen，以种群的选择、变异、重组方法得到最大遗传代数的最优种群，其中，P₀通过矩阵P中元素P_mn＝S{0,1}l转化为链长为l的个体，即为初始种群。

令初始种群P₀的适应值函数f^α(p)为：根据实际情况令种群规模Scope∈[30，150]，并由适应值函数f^α(p)得到选择概率：

根据实际情况令种群遗传代数Gen∈[40,80]，利用选择概率P_choice，形成子代种群P_N，当达到最大遗传代数时，算法终止。

历史发车间隔：将历史发车间隔表示为矩阵T，T矩阵为1*M的一维数组，矩阵中的元素用Δt表示，对应为时段的发车间隔时间，并将矩阵T转化为二进制编码的初始种群T₀，选取其种群规模Scope'和遗传代数Gen'，以种群的选择、变异、重组方法得到最大遗传代数的最优种群，其中，T₀通过矩阵T中元素T_mn＝S{0,1}^l，转化为链长为l的个体,即为初始种群。

历史行车时间：将历史路线行车时间其表示为矩阵D，D矩阵的大小为M*Num，其中，Num为发班班次，并将矩阵D转化二进制编码的初始种群D₀，选取其种群规模Scope''和遗传代数Gen''，以种群的选择、变异、重组方法得到最大遗传代数的最优种群。

乘客到达率Arrive：通过初始种群P₀的最优种群获取乘客的到达率Arrive。

乘客到达率Arrive_标准值：选取次高峰时间段乘客流量作为乘客流量标准值。

       公式（1）

交通拥挤率Traffic：通过初始种群D₀的最优种群获取交通拥挤率Traffic。

交通拥挤率Traffic_标准值：选取次高峰时间段的发车时间作为发车时间标准值。

         公式（2）

最终发车时间间隔ΔT：根据Arrive、Traffic、Arrive_标准值、Traffic_标准值，并通过Δt获取最终发车时间间隔ΔT，并将ΔT覆盖Δt作为最终预测结果。

本实施例中所涉及的数据均来自于GIS-T（Geographic Information System forTransportation）。

如图2所示，本发明的用于公交系统的自适应调度方法的具体步骤如下：

S1.统计历史路线乘客流量，得到预测路线乘客流量；

将历史路线乘客流量表示为矩阵P，P矩阵为的为M*N的二维矩阵，其中，M为各时间段，N为各站点。将P矩阵转化为二进制编码的初始种群P₀，并选取种群规模Scope和遗传代数Gen。以种群的选择、变异、重组方法得到最大遗传代数的最优种群。具体分步骤如下：

S11、乘客流量表示为大小为M*N的二维矩阵P，模拟现实情况取M＝12，N＝20(12个时间段（8:00—20:00），20个车站)，即矩阵P的大小为12*20。如图1所示，将矩阵P转化为12*(20*6)规模的矩阵的初始矩阵P₀。P₀中元素通过P中元素P_mn＝S{0,1}^l转化来，其中，链长l＝6（即客流量在0—63之间）。

S12、令初始种群P₀的适应值函数f^α(p)：

$f^{\mathrm{\α}}\left(p\right)={\left(\underset{i=1}{\overset{n*20}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}$            公式（3）

其中，α为选择算子指数，可以有效控制搜索空间，当α越大适应值高的个体容易被选择，当α越小，适应值其有效性越有限。

S13、根据实际情况令种群规模Scope∈[30，150]，并由公式（3）得到选择概率：

$P_{\mathrm{choice}}=\frac{f^{\mathrm{\α}}\left(p\right)}{\underset{j=1}{\overset{\mathrm{Scope}}{\mathrm{\Σ}}}{f}^{\mathrm{\α}}\left(p\right)}=\frac{{\left(\underset{i=1}{\overset{n*20}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}}{\underset{j=1}{\overset{\mathrm{scope}}{\mathrm{\Σ}}}{\left(\underset{i=1}{\overset{n*20}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}}$          公式（4）

S14、根据实际情况令种群遗传代数Gen∈[40,80]，利用公式（4）中的选择概率P_choice,形成子代种群P_N，当达到最大遗传代数时，算法终止。

S15、根据预先设定的变异概率P_d对子代种群P_N进行变异操作。这里的变异概率P_d可以根据实际需要进行选取，属于本领域的常规技术手段，不再详细说明。

S16、最后将自带种群中适应值最高的个体插入初始种群P₀中，并将所得到的最优种群转化为实数矩阵P_s作为客流量的预测结果。

S2.统计历史发车间隔，得到预测的历史发车间隔；

将历史发车间隔表示为矩阵T，T矩阵为7*M的二维数组。其中，列向量M为各时间段，矩阵中的元素用Δt表示，其意义为对应时段的发车间隔时间。并将矩阵T转化为二进制编码的初始种群T₀，选取其种群规模Scope'和遗传代数Gen'，以种群的选择、重组方法得到最大遗传代数的最优种群。具体步骤如下：

S21、历史发车间隔表示为规模7*M矩阵T,模拟现实情况取M＝12（12个时间段），即矩阵T的大小为7*12。将T矩阵转化为7*(12*5)大小的矩阵的初始矩阵T₀。T₀中元素通过T中元素T_mn＝S{0,1}^l转化来，其中，链长l＝5（即MinTime＝3，MaxTime＝15），将发车间隔限制在一定范围。

S22、根据乘客和公交公司利益建立适应值：

       公式（5）

其中，Profit_公交是乘客等公交所造成的损失，Profit_公交公交公司的运营成本，β、χ是不同的加权因子。

S23、根据实际情况令种群规模Scope'∈[30，140]，并由公式（5）得到选择概论：

${P_{\mathrm{choice}}}^{\′}=\frac{f\left(\mathrm{\Δt}\right)}{\underset{i=1}{\overset{{\mathrm{Scope}}^{\′}}{\mathrm{\Σ}}}f\left(\mathrm{\Δt}\right)}$        公式（6）

S24、根据实际情况令种群遗传代数Gen'∈[40,80]，利用公式（6）中的选择概率P_choice',形成子代种群T_N，当达到最大遗传代数时，算法终止。

S25、根据较小的变异概率P_d'对子代种群T_N进行变异操作。

S26、最后将子代种群中适应值最高的个体插入初始种群T₀中，并将所得到的最优种群转化为实数矩阵T_s作为时间间隔的预测结果，即得到预测的历史发车间隔；

S3.统计历史路线行车时间，得到预测历史行车时间：

将历史路线行车时间其表示为矩阵D，D矩阵的大小为：M*Num，其中，行M为各时间段，列Num为发班班次。并将矩阵D转化二进制编码的初始种群D₀，选取其种群规模Scope''和遗传代数Gen''。以种群的选择、变异、重组方法得到最大遗传代数的最优种群。具体合成步骤如下：

S31、历史发车间隔表示为M*Num大小的矩阵D，模拟现实情况取M＝12,Num＝20（12个时间段，发车班次20），即矩阵D的规模为12*20。将D矩阵转化为12*(20*7)规模的矩阵的初始矩阵D₀。D₀中元素通过D中元素D_mn＝S{0,1}^l转化来，其中链长l＝7，将行车时间限制在一定范围。

S32、根据S2中所得到乘客流量P_s和时间段建M立适应值：

f(d)＝β'*d+χ'*M       公式（7）

其中，P_mi为矩阵D第m行第i列元素，即d为是同一时间段的乘客流量，β'和χ'表示预先设定的加权因子。

S33、根据实际情况令种群规模Scope''∈[30，140]，并由公式（7）得到选择概率：

${P_{\mathrm{choice}}}^{\′\′}=\frac{f\left(d\right)}{\underset{i=1}{\overset{\mathrm{Scope}}{\mathrm{\Σ}}}f\left(d\right)}$         公式（8）

S34、根据预先设定的变异概率P_d''对子代种群D_N进行变异操作。

S35、根据实际情况令种群遗传代数Gen''∈[40,80]，利用公式（6）中的选择概率P_choice'',形成子代种群D_N，当达到最大遗传代数时，算法终止。

S36、最后将子代种群中适应值最高的个体插入初始种群D₀中，并将所得到的最优种群转化为实数矩阵D_s作为历史路线行车时间的预测结果。

S4.获取乘客到达率Arrive、交通拥挤率Traffic的值；

通过S1中的种群P₀的最优种群获取乘客的到达率Arrive，通过S3中的种群D₀的最优种群获取交通拥挤率Traffic。具体过程如下：

通过S1的P_s得到每个时间段乘客流量，将其建立为1*M规模矩阵P_T,其中并通过P_T得到P_总，即即同一时间段内乘客流量总量，最终得到同一时段乘客到达的平局流量：

       公式（9）

通过公式（11）所得到的P_平均，得到各时间段乘客到达率，将其表示为Arrive矩阵，其中，      公式（10）

通过S3中的D_s得到每个时间段所发车的行车时间，将其建立为1*M规模矩阵D_T，其中并通过D_T得到D_总，即即同一时间段内发车行车总时间，最终得到同一时段发车的行车时间的平均时间：

           公式（11）

由于公交车的交通拥挤率可以根据其行车时间影射出，所以能通过公式（13）所得的P_平均，得到各时间交通拥挤率，将其表示为Traffic矩阵，其中，

           公式（12）

S5.获取ΔT值；

根据Arrive、Traffic、Arrive标准值、Traffic标准值，并通过Δt获取最终发车时间间隔ΔT，并将ΔT覆盖Δt作为最终预测结果。具体过程如下：

通过S2的T_s得到每个时间段乘客流量，将其建立为大小1*M一维矩阵Δt，其中 ${\left(\mathrm{\Δt}\right)}_i=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{T}_{\mathrm{Mj}}.$

获取Arrive的标准值，选取次高峰时间段乘客流量作为乘客流量标准值。

       公式（13）

其中,(D_T)_标准值是预先设定的值，可以根据实际情况选取，(D_T)_标准值越大Traffic的标准值增大，(D_T)_标准值越小Traffic的标准值减小。

获取Traffic的标准值，选取次高峰时间段的发车时间作为发车时间标准值。

        公式（14）

其中，(P_T)_标准值是预先设定的值，可以根据实际情况选取，(P_T)_标准值越大Arrive的标准值增大，(P_T)_标准值越小Arrive的标准值减小。

Arrive与Arrive标准值作比较，Traffic与Traffic标准值作比较得到四种情况，调整Δt，得到最终的预测发车间隔时间ΔT：

A.当Arrive大于Arrive_标准值且Traffic大于Traffic_标准值时：

最终发车时间间隔ΔT＝Δt*Traffic*Arrive≤MaxTime，其中Arrive，Traffic由公式12，公式（14）获得。

即， ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}\≤15$       公式（15）

其中，MaxTime为最大发车时间间隔；

B.当Arrive大于Arrive_标准值且Traffic小于Traffic_标准值时：

最终发车时间间隔ΔT＝Δt*Traffic*Arrive≥MinTime

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}\≥3$       公式（16）

其中，MinTime为最小发车时间间隔；

C.当Arrive小于Arrive_标准值且Traffic大于Traffic_标准值时：

最终发车时间间隔ΔT＝Δt*Traffic≤MaxTime；

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}\≤15$       公式（17）

D.当Arrive小于Arrive_标准值时且Traffic小于Traffic_标准值时：

最终发车时间间隔ΔT＝Δt*Arrive≤MaxTime；

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}\≤15$        公式（18）

将ΔT的覆盖Δt的值作为最终预测结果。

S6.实现其自适应功能即根据步骤S5预测到的发车时间间隔并获取当天的乘客流量及当天的路线行车时间对第二天的发车时间间隔进行预测。

具体步骤如下：

S61、将步骤S5中获取的ΔT值转化为总群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群中T₀中，得到T₀'。

S62、获取当天的乘客流量转化种群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群中P₀中，得到P₀'。

S63、获取当天的当天路线行车时间转化为种群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群D₀中，得到D₀'。

S64、通过上面3个步骤，将所得到的T₀'、P₀'、D₀'替换S1—S3中的初始种群T₀、P₀、D₀，以得到新的ΔT'覆盖ΔT的值作为第二天的发车间隔预测结果。

模拟真实情况，确定Arrive标准值、Traffic标准值，通过ΔT数据及其生成的ΔT'数据验证该方法的自适应性。

可以看出，本发明的公交调度方法根据自适应规律，利用历史客流量数据、历史发车间隔时间和历史行车时间分别预测客流量数据、发车间隔时间和行车时间，并通过预测到的客和流量数据行车时间对发车间隔时间进行调整。因此，本发明的方法在现有的公交调度系统中进一步考虑交通拥挤因素，通过充分利用历史数据，实时数据，能使公交调度系统从实际情况出发，利用实际情况，回到实际情况，最终实现公交调度的自适应，具有很高的收敛速度和鲁棒性。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种用于公交系统的自适应调度方法，包括以下步骤：

S1、根据统计的历史路线乘客流量预测乘客流量；

S2、根据统计的历史发车间隔预测发车时间间隔；

S3、根据统计的历史路线行车时间预测路线行车时间；

S4、获取乘客到达率、交通拥挤率的值；

S5、获取最终发车时间间隔的值；

S6、根据步骤S5预测到的发车时间间隔并获取当天的乘客流量及当天的路线行车时间对第二天的发车时间间隔进行预测；

步骤S1具体包括如下分步骤：

S11、将历史路线乘客流量表示为矩阵P，P矩阵为M*N的二维矩阵，其中，行向量为同时间段不同站点客流量，列向量为相同站点不同时间段的乘客到达率，M为各时间段，N为各站点，将P矩阵转化为二进制编码的初始种群P₀，并选取种群规模Scope和遗传代数Gen；

S12、计算初始种群P₀的适应值函数f^α(p)：

$f^{\mathrm{\α}}\left(p\right)={\left(\underset{i=1}{\overset{n*N}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}$

其中，α为预先设定的选择算子指数，Pmi为初始种群中P₀第m行第i列元素，n为矩阵P元素对应的二进制位数；

S13、根据步骤S12获得的适应值函数f^α(p)计算选择概率：

$P_{\mathrm{choice}}=\frac{f^{\mathrm{\α}}\left(p\right)}{\underset{j=1}{\overset{\mathrm{Scope}}{\mathrm{\Σ}}}{f}^{\mathrm{\α}}\left(p\right)}=\frac{{\left(\underset{i=1}{\overset{n*N}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}}{\underset{j=1}{\overset{\mathrm{scope}}{\mathrm{\Σ}}}{\left(\underset{i=1}{\overset{n*N}{\mathrm{\Σ}}}{p}_{\mathrm{mi}}\right)}^{\mathrm{\α}}}$

其中，分母表示Scope规模种群的Scope个适应值之和；

S14、根据预先设定的遗传代数Gen和选择概率P_choice形成子代种群P_N，当达到最大遗传代数时，迭代终止获得最终的子代种群P_N；

S15、利用预先设定的变异概率P_d对子代种群P_N进行变异操作，得到最优种群；

S16、将子代种群中适应值最高的个体插入初始种群P₀中，将到的最优种群转化为实数矩阵P_s作为预测的乘客流量；

步骤S2具体包括如下分步骤：

S21、将历史发车间隔表示为矩阵T，T矩阵的大小为：1*M，其中，M为各时间段，矩阵中的元素用Δt表示，为对应时段的发车间隔时间；并将矩阵T转化为二进制编码的初始种群T₀，选取其种群规模Scope'和遗传代数Gen'；

S22、根据乘客和公交公司利益建立适应值：

f(Δt)＝β*Profit_乘客*Δt+χ*Profit_公交*Δt

其中，Profit_公交是乘客等公交所造成的损失，Profit_公交公交公司的运营成本，β、χ是预先设定的两个加权因子；

S23、根据步骤S22获得的适应值计算选择概率：

${P_{\mathrm{choice}}}^{\′}=\frac{f\left(\mathrm{\Δt}\right)}{\underset{i=1}{\overset{{\mathrm{Scope}}^{\′}}{\mathrm{\Σ}}}f\left(\mathrm{\Δt}\right)}$

其中，分母表示共Scope'个种群的适应值之和；

S24、根据预先设定的遗传代数Gen'和选择概率P_choice'形成子代种群T_N，当达到最大遗传代数时，迭代终止获得最终的子代种群T_N；

S25、根据预先设定的变异概率P_d'对子代种群T_N进行变异操作；

S26、将子代种群中适应值最高的个体插入初始种群T₀中，将所得到的最优种群转化为实数矩阵T_s作为时间间隔的预测结果，即得到预测的历史发车间隔；

步骤S3具体包括如下分步骤：

S31、将历史路线行车时间其表示为矩阵D，D矩阵大小为：M*Num，其中，行M为各时间段，列Num为发班班次，并将矩阵D转化二进制编码的初始种群D₀，选取其种群规模Scope″和遗传代数Gen″；

S32、根据S1中所得到的乘客流量P_s和时间段M建立适应值，

f(d)＝β'*d+χ'*M

其中，P_mi为矩阵D第m行第i列元素，即d为是同一时间段的乘客流量，β'和χ'表示预先设定的加权因子；

S33、根据步骤S22获得的适应值计算选择概率：

${P_{\mathrm{choice}}}^{\′\′}=\frac{f\left(d\right)}{\underset{j=1}{\overset{{\mathrm{Scope}}^{\′\′}}{\mathrm{\Σ}}}f\left(d\right)}$

其中，分母表示共Scope″个种群的适应值之和；

S34、根据预先设定的遗传代数Gen″和选择概率P_choice″形成子代种群D_N，当达到最大遗传代数时，迭代终止获得最终的子代种群D_N；

S35、利用预先设定的变异概率P_d″对子代种群D_N进行变异操作，获得最优种群；

S36、将子代种群中适应值最高的个体插入初始种群D₀中，将所得到的最优种群转化为实数矩阵D_s作为预测的路线行车时间；

步骤S4的具体过程如下：

根据步骤S1的预测到的P_s计算每个时间段乘客流量，将其建立为1*M大小的矩阵P_T，其中，矩阵P_T中的第i个元素记为P_Mj为矩阵P_s第M行j列元素；进而得到矩阵P_T中所有元素的和P_总，即即同一时间段内乘客流量总量，最终得到同一时段乘客到达的平局流量：

得到各时间段乘客到达率，将其表示为Arrive矩阵，其中，

根据步骤S3的预测到的Ds得到每个时间段所发车的行车时间，将其建立为1*M规模矩阵D_T，其中，矩阵D_T中的第i个元素记为D_Mj为矩阵D_s中的第M行j列元素，进而得到矩阵D_T中所有元素的和D_总，即即同一时间段内发车行车总时间，最终得到同一时段发车的行车时间的平均时间：

计算各时间交通拥挤率，将其表示为Traffic矩阵，其中，矩阵Traffic中的第i个元素记为：

步骤5的具体过程如下：

根据步骤S2预测到的T_s得到每个时间段乘客流量，将其建立为大小1*M一维矩阵Δt，其中，矩阵Δt中的第i个元素记为其中，T_Mj为矩阵T_s第M行j列元素；

获取Arrive的标准值，选取次高峰时间段乘客流量作为乘客流量标准值：

其中，(P_T)_标准值为预先设定的值；

获取Traffic的标准值，选取次高峰时间段的发车时间作为发车时间标准值，：

其中，(D_T)_标准值为预先设定的值；

Arrive与Arrive标准值作比较，Traffic与Traffic标准值作比较得到四种情况，调整Δt，得到最终的预测发车间隔时间ΔT：

A.当Arrive大于Arrive_标准值且Traffic大于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Traffic*Arrive，即

B.当Arrive大于Arrive_标准值且Traffic小于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Traffic*Arrive，

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}$

C.当Arrive小于Arrive_标准值且Traffic大于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Traffic；

${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{Mj}}\right)}_i}$

D.当Arrive小于Arrive_标准值时且Traffic小于Traffic_标准值时：

发车时间间隔ΔT＝Δt*Arrive；

即 ${\left(\mathrm{\ΔT}\right)}_i={\left(\mathrm{\Δt}\right)}_i*\frac{M*\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{Mj}}\right)}_i}$

将ΔT作为最终的预测的发车时间间隔；

步骤6具体包括如下分步骤：

S61.将步骤S5中获取的ΔT值转化为总群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群中T₀中，得到T₀'；

S62.获取当天的乘客流量转化种群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群中P₀中，得到P₀'；

S63.获取当天的路线行车时间转化为种群的一个个体，并认为它是适应值最高的个体，通过种群重组插入初始种群D₀中，得到D₀'；

S64.通过S61—S63所得到的T₀'、P₀'、D₀'替换S1—S3中的初始种群T₀、P₀、D₀，以得到新的ΔT'覆盖ΔT的值作为第二天的发车间隔预测结果。