CN104200286A - 一种城市轨道交通时刻表优化技术应用框架 - Google Patents

Abstract

本发明公开了一种城市轨道交通时刻表优化技术应用框架，包括以下功能模块Moudle1：客流数据提取及预处理模块；Moudle2：站间客流分配律提取模块；Moudle3：站台乘客到达率提取模块；Moudle4：调度模型构建及解析模块；Moudle5：优化结果输出及验证模块。各模块功能界定如下：Moudle1负责从原始客流数据中提取出有效乘客交易信息，以供后续环节使用；Moudle2和Moudle3承担了对后续建模至关重要的客流特性参数提取功能；Moudle4作为本框架的核心，实现了基于客流特性参数的调度优化模型构建及求解；Moudle5主要用于将优化结果转换为相应的列车时刻表。本发明可用于城市轨道交通线路现行发车时刻表的优化调整；亦可与短时客流预测技术相结合，为未来一定时期内列车运营调度计划的制定提供技术支撑。

Description

一种城市轨道交通时刻表优化技术应用框架

技术领域

本发明涉及一种城市轨道交通时刻表优化技术应用框架，属于城市轨道交通智能化技术。

背景技术

随着城市轨道交通的迅猛发展，路网结构日趋复杂、输送客流量日益增大。城市轨道交通系统能否正常、高效地运营，不仅取决于轨道和车辆等基础设施条件，更有赖于运营管理及其技术手段的先进性。而列车时刻表作为轨道交通运营管理的核心、乘客与运营公司衔接的纽带，其优化技术研究也日益受到重视。

城市轨道交通属于城市公共交通范畴，与道路公共交通颇有相似之处。因此，国内外学者通常借鉴道路公交调度优化的研究方法对轨道交通时刻表优化问题进行研究。由于道路公交并非封闭的交通运输系统，难以全面、精确地对实时客流数据进行统计，道路公交调度模型通常是基于某种假定的客流到达规律(如符合均匀分布、泊松分布等)来计算统计时段内的上车人数；下车人数同样需要根据某种事先约定的下车方案(如正比于车内实时乘客数等)来确定。现有的轨道交通时刻表优化研究大多沿用了此类方法，也取得了一些研究成果。近年来，随着轨道交通自动售检票系统(Automatic FareCollection,AFC)的普遍采用，乘客交易信息的全面采集和客流特征的准确提取成为可能，这也为基于实际客流需求的调度模型构建奠定了基础。

时刻表优化技术是城市轨道交通运营管理所涉及的一项关键技术，其实施好坏直接影响到轨道交通运营的各个环节。能够依据实时客流信息、灵活改变列车运行方式的时刻表动态优化技术是列车时刻表优化技术的发展方向，不过由于现有技术手段的限制，通常的时刻表优化方法是借助分析历史客流数据来指导当前运营调度安排。目前，相关研究主要集中在以优化目标函数为导向的调度模型建立以及求解算法设计两方面，且多为借鉴道路交通调度优化的相关成果，忽略了对轨道交通历史交易信息的深入挖掘，尚未形成轨道交通时刻表优化技术体系框架。有鉴于此，为提高城市轨道交通运营管理水平、最大限度地发挥其骨干作用，迫切需要一种面向客流需求的轨道交通时刻表优化技术应用框架，以系统地解决实际运营过程中发车时刻表的优化调整问题。

发明内容

发明目的：针对当前城市轨道交通实际运营过程中，列车时刻表的优化调整主要依靠调度人员经验、缺乏理论依据等问题，本发明提出了一种基于历史客流数据的时刻表优化技术应用框架，并对其核心模块及功能实现进行了具体的阐述，以期为城市轨道交通运营调度提供参考。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种城市轨道交通时刻表优化技术应用框架，包括如下功能模块：

(1)客流数据提取及预处理模块

所述客流数据提取及预处理模块以城市轨道交通AFC系统采集的历史上某线路在一个完整运营日内的所有乘客交易记录作为模块输入，得到某一开行方向的有效乘客交易信息。

(2)站间客流分配律提取模块

该模块的主要功能是根据不同时段内轨道交通进站客流在出站站点间分布规律的差异，将一个完整的运营日划分为若干个前后相继的运营时段，并确定各运营时段的站间客流分配规律。其实现环节如下：

①以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入，计算单位时间间隔ΔT内站间客流OD分配矩阵序列S：{s₁,s₂,...,s_k,...}，其中(s_k)_ij表示对应时间间隔内从第i站进站的乘客在第j站出站的分配率；

②根据单位时间间隔内站间客流OD分配矩阵的相似性，采取多维有序样本聚类分析方法将运营日全天划分为K个统计时段，并确定各时段对应的站间客流OD分配矩阵A_k，其中k＝1,2,…,K；K为划分的运营时段数；(A_k)_ij表示第k统计时间段内从第i站进站的乘客在第j站出站的分配率。

(3)站台乘客到达率提取模块

该模块的主要功能是构建乘客通过闸机进站的到达率函数，并在此基础上考虑乘客站内走行时间的影响，提取乘客到达站台的规律。其实现环节如下：

①以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入，统计各站点给定时间间隔内乘客通过闸机进站的平均到达率序列L_j：{l_j1,l_j2,...,l_jk,...}，其中j＝1,2,…,J；J为单线站点总数目；l_jk表示对应时间间隔内乘客通过闸机进入站点j的平均到达率；

②选取插值函数对离散序列L_j进行拟合，得到随时间连续变化的站点乘客到达率r_j(t)，其中j＝1,2,…,J；所述插值函数可为拉格朗日插值、分段线性插值、三次样条插值等；

③以视频监测器采集的通道和楼梯客流量以及乘客步速数据、站厅平面布置图标注的通道和楼梯基本尺寸以及乘客进站路径作为模块输入，估算乘客在站厅内的平均走行时间δ_j；结合站内走行时间的影响对站点乘客到达率r_j(t)进行修正，得到站台乘客到达率R_j(t)，其中j＝1,2,…,J。

(4)调度模型构建及解析模块

该模块以站间客流分配律提取模块和站台乘客到达率提取模块提供的客流特性参数(K、A_k、R_j(t)，其中k＝1,2,…,K；j＝1,2,…,J)作为输入数据，构建列车调度优化模型并给出求解。其实现环节如下：

①以分时发车间隔为决策变量、社会综合满意度为目标函数、最大最小发车间隔及列车平均满载率为约束条件构建列车调度优化模型；

②采用混合遗传算法求解模型，得到优化的分时发车间隔。

(5)优化结果输出及验证模块

该模块的主要功能是将调度优化模型求解所得的分时发车间隔转换为列车时刻表，并与现行发车时刻表进行对比验证。其实现环节如下：

①以调度模型构建及解析模块提供的分时发车间隔作为模块输入，按下式输出各运营时段的列车时刻表：其中k＝1,2,…,K；i＝1,2,…，m_k。上式中，表示第k时段的第i次车的发车时刻；t_k表示第k时段的起始时刻，也是第k时段首班车的发车时刻；Δt_k表示第k时段的发车间隔；m_k表示第k时段总的发车次数，有

其中为下取整函数，k＝1,2,...,K；T_k表示第k时段的长度。

②将现行发车时刻表输入该模块，得到优化的列车时刻表与现行发车时刻表的对比验证。具体体现为在客流需求保持不变的前提下，与两者相对应的各项轨道交通运营指标间的差异。所述轨道交通运营指标可为乘客平均候车时间、车内实时平均乘客数、列车满载率等。

具体的，所述模块(1)中，乘客交易记录中某一开行方向的有效乘客交易信息的提取步骤如下：

①考虑到乘客出站交易记录中包含了进站站点信息，故根据交易类型关键字对所有出站交易记录进行提取待用；

②由于本应用只涉及轨道交通线路某一个开行方向，故根据站间OD矢量方向对所有出站交易记录进行上、下行分流；

③鉴于出站交易记录的完整数据项对本应用有冗余，故编制数据处理程序对所有上行或下行出站交易记录中有效数据项进行提取，以减轻后续模块数据处理的负担。

④在确保数据完整采集前提下，对其进行有效性验证，删减错误数据，填补缺省数据，得到有效乘客交易信息。

具体的，所述模块(2)中，在提取单位时间间隔内站间客流OD分配矩阵序列时，单位时间间隔ΔT的选取可采取“试凑法”，即根据聚类分析的结果选择使得类内相似度较大而类间差异较明显的待选方案。

具体的，所述模块(4)中，根据从历史交易记录中提取的乘客站台到达率和站间客流分配律来统计每班次列车的上下车人数及站台乘客的总等待时间，构建发车模型；其次，在建模过程中应充分考虑客流的滞后效应，即根据每班次列车抵达各站台的时间来确定相匹配的客流特征参数，使优化模型更为精确；最后，采用社会综合满意度作为优化目标函数，其表现形式为乘客候车满意度、乘车体验满意度以及公司运营满意度的加权和，其表达式如下：f_society＝α×f_wait+β×f_travel+γ×f_operate。其中α、β、γ为权值系数且满足α+β+γ＝1。

更为具体的，所述模块(4)中，结合模拟退火算法在局部搜索方面的优势设计综合改进的遗传操作算子，以克服标准遗传算法易于产生模式欺骗和早熟现象、收敛于局部最优解的缺陷。

有益效果：本发明提供的城市轨道交通时刻表优化技术应用框架，其优点在于：

①根据单位时间间隔内站间客流OD分配矩阵的聚类特性来进行运营时段的划分，体现了线路上各站点区域客流吸引能力的时空分布；

②基于实际的乘客站台到达率和站间客流分配率而不是某种假定的客流概率分布来建立列车调度优化模型，更具可信度和说服力；

③采用遗传算法求解优化模型时，将模拟退火等机制融入遗传算法流程，提高了遗传算法的运行效率及求解质量；

④本应用框架各模块功能相对独立，便于选用合适的软硬件平台编程实现。

附图说明

图1为本发明的体系框架及各模块间耦合关系示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种城市轨道交通时刻表优化技术应用框架，下面结合实例对本发明做出进一步的说明。

Module1：客流数据提取及预处理模块

不妨选取南京地铁AFC系统采集的历史上某个工作日南京地铁一号线完整的乘客交易记录作为模块输入，按以下步骤对后续环节所需的有效乘客交易信息进行提取：

①根据交易类型关键字对所有出站交易记录进行提取待用；

②根据站间OD矢量方向对所有出站交易记录进行上、下行分流；

③编制数据处理程序对所有上行或下行出站交易记录中有效数据项(线路编号、交易站点编号、交易类型、交易时间、进站站点编号、进站时间等)进行提取；

④在确保数据完整采集前提下，对其进行有效性验证，删减错误数据，填补缺省数据，得到有效乘客交易信息。

Module2：站间客流分配律提取模块

该模块功能的具体实现环节如下：

①预设单位时间ΔT＝5min，按时间间隔ΔT将一个完整的运营日划分为若干个前后相继的时间片段；

②以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入，编制数据处理程序提取各时间片段内的站间客流OD分配矩阵序列S：{s₁,s₂,...,s_k,...}；

③将当前较流行的Fisher有序样品聚类分析方法推广到多维情形，对站间客流OD分配矩阵序列S进行聚类分析，并根据聚类结果将运营日全天划分为K个统计时段；

④分别重设ΔT＝8min、10min、12min和15min，重复以上环节，根据聚类分析的结果选择使得类内相似度较大而类间差异较明显的待选方案并依此确定最终分类；

⑤根据最终分类结果计算各运营时段起讫及相应的站间客流OD分配矩阵A_k(其中k＝1,2,…,K)。

Module3：站台乘客到达率提取模块

该模块功能的具体实现环节如下：

①不妨设置给定时间间隔为15min，以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入，编制数据处理程序统计各站点15min时间间隔内乘客通过闸机进站的平均到达率序列L_j：{l_j1,l_j2,...,l_jk,...}(其中j＝1,2,…,J)；

②选取工程中广泛使用的三次样条插值函数对序列L_j进行拟合，得到随时间连续变化的站点乘客到达率r_j(t)(其中j＝1,2,…,J)；

③以视频监测器采集的通道和楼梯客流量以及乘客步速数据、站厅平面布置图标注的通道和楼梯基本尺寸以及乘客进站路径作为模块输入，估算乘客在各站点内的平均走行时间δ_j；结合站内走行时间的影响对站点乘客到达率r_j(t)进行修正，得到站台乘客到达率R_j(t)，近似有如下关系：R_j(t)＝r_j(t-δ_j)(其中j＝1,2,…,J)。

Module4：调度模型构建及解析模块

该模块功能的具体实现环节如下：

①基于历史交易数据中提取的客流特性参数(K、A_k、R_j(t))，以分时发车间隔为决策变量、社会综合满意度为目标函数、最大最小发车间隔及列车平均满载率为约束条件构建列车调度优化模型如下：

Max f_society＝α×f_wait(ω_ave)+β×f_travel(H_ave)+γ×f_operate(p_perday)，其中α+β+γ＝1。

上式中，ω_ave表示一个完整运营日该线路所有车次的平均车内实时乘客数；H_ave表示一个完整运营日该线路所有乘客的平均等车时间；p_perday为一天运营时间内该线路所有车次的运营净收益。且有如下关系成立：

$\left(a\right){\mathrm{\ω}}_{\mathrm{ave}}=\frac{1}{\left(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{m}_k\right)\×\left(\underset{j=1}{\overset{J-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_j\right)}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{m_k}{\mathrm{\Σ}}}\underset{j=1}{\overset{J-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}^k\×{\mathrm{\μ}}_j$

其中，表示第k时段从首站发出的第i次车在离开车站j时车内实时乘客数；μ_j表示列车从站点j开行到站点j+1所需的时间；

$\left(b\right)\left\{\begin{array}{c}{\mathrm{\ω}}_{i1}^k=P_{i1}^k\\ {\mathrm{\ω}}_{\mathrm{ij}}^k={\mathrm{\ω}}_{\mathrm{ij}-1}^k+P_{\mathrm{ij}}^k-\underset{s=1}{\overset{j-1}{\mathrm{\Σ}}}{P}_{\mathrm{is}}^k\×{\left(A_{\mathrm{\ξ}}\right)}_{\mathrm{sj}}\end{array}\right.;$ j≥2且ξ为与相对应的运营时段编号

其中，表示第k时段从首站发出的第i次车在第j站带走的乘客数；

$\left(c\right)P_{\mathrm{ij}}^k={\∫}_{{\mathrm{\ϵ}}_{\mathrm{ij}}^k+{\mathrm{\σ}}_j-{\mathrm{\Δt}}_k}^{{\mathrm{\ϵ}}_{\mathrm{ij}}^k+{\mathrm{\σ}}_j}{R}_j\left(t\right)\mathrm{dt}$

其中，σ_j表示列车运行途中在站点j的停留时间，特别地σ₁＝0；表示第k时段从首站发出的第i次车抵达车站j的时刻，且有

${\mathrm{\ϵ}}_{\mathrm{ij}}^k=t_i^k+\underset{s=1}{\overset{j-1}{\mathrm{\Σ}}}({\mathrm{\σ}}_s+{\mathrm{\μ}}_s),$ 特别地 ${\mathrm{\ϵ}}_{i1}^k=t_i^k;$

$\left(d\right)H_{\mathrm{ave}}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{m_k}{\mathrm{\Σ}}}\underset{i=1}{\overset{J-1}{\mathrm{\Σ}}}{H}_{\mathrm{ij}}^k/\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{m_k}{\mathrm{\Σ}}}\underset{j=1}{\overset{J-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}^k$

其中，表示第k时段从首站发出的第i次车在车站j所带走乘客的总等车时间，且有

$H_{\mathrm{ij}}^k={\∫}_{{\mathrm{\ϵ}}_{\mathrm{ij}}^k+{\mathrm{\σ}}_j-{\mathrm{\Δt}}_{k}t}^{{\mathrm{\ϵ}}_{\mathrm{ij}}^k+{\mathrm{\σ}}_j}({\mathrm{\ϵ}}_{\mathrm{ij}}^k+{\mathrm{\σ}}_j-t)R_j\left(t\right)\mathrm{dt};$

$\left(e\right)p_{\mathrm{perday}}=c_{\mathrm{fare}}-c_{\mathrm{operate}}=c_{\mathrm{fare}}-L\×\mathrm{\τ}\×\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{m}_k$

其中，c_fare为一个完整运营日的票务收入，在客流需求给定的前提下为固定值；L为单程里程数；τ为车辆的单位距离运营成本系数。

目标函数中的权值系数应根据优化目标的侧重灵活选取，从公共服务的社会效益来看，应更加注重乘客的候车时间花费和乘车体验，因此本例选取α＝β＝0.4，γ＝0.2。

本例模型的约束条件选取如下：

(a)平均满载率约束

其中，Q_capacity为车内额定载客数；θ_min、θ_max分别为最小和最大期望平均满载率，其值通常按运营公司要求确定。

(b)最大、最小发车间隔约束

任意相邻两车之间的发车间隔要满足最大、最小发车时间间隔约束，即：

T_min≤Δt_k≤T_max

其中：T_max表示相邻两车之间的最大发车间隔；T_min表示相邻两车之间的最小发车间隔。

②将模拟退火思想融入遗传算法流程，设计一种遗传模拟退火算法来求解调度优化模型，算法伪代码如下：

算法Genetic Simulated Annealing

Step1进化代数计数器初始化：t←0

Step2随机产生初始群体P(t)

Step3评价群体P(t)的适应度

Step4个体交叉操作：P⁽¹⁾(t)←Crossover[P(t)]

Step5个体变异操作：P⁽²⁾(t)←Mutation[P(1)(t)]

Step6个体模拟退火操作：P⁽³⁾(t)←SimulatedAnnealing[P⁽²⁾(t)]

Step7评价群体P⁽³⁾(t)的适应度

Step8个体选择、复制操作：

Step9终止条件判断。若不满足终止条件，则：t←t+1，转step4；否则，输出当前最优个体

③借助MATLAB遗传算法工具箱，编程实现调度优化模型的求解，得到优化的分时发车间隔。

Module5：优化结果输出及验证模块

该模块功能的具体实现环节如下：

①基于Module4中求解得出的分时发车间隔，按下式计算得出各运营时段的发车时刻表：其中k＝1,2,…,K；i＝1,2,…，m_k。上式中，表示第k时段的第i次车的发车时刻；t_k表示第k时段的起始时刻，也是第k时段首班车的发车时刻；Δt_k表示第k时段的发车间隔；m_k表示第k时段总的发车次数，有

其中为下取整函数，k＝1,2,...,K；T_k表示第k时段的长度。

②将南京地铁一号线现行发车时刻表作为模块输入，经计算得到优化的发车时刻表与现行发车时刻表在乘客平均候车时间、车内实时平均乘客数、列车满载率等轨道交通运营指标上的差异，以验证优化结果的有效性。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种城市轨道交通时刻表优化技术应用框架，其特征在于：包括如下功能模块：

(1)客流数据提取及预处理模块

所述客流数据提取及预处理模块以城市轨道交通AFC系统采集的历史上某线路在一个完整运营日内的所有乘客交易记录作为模块输入，得到某一开行方向的有效乘客交易信息；

(2)站间客流分配律提取模块

所述站间客流分配律提取模块的主要功能是根据不同时段内轨道交通进站客流在出站站点间分布规律的差异，将一个完整的运营日划分为若干个前后相继的运营时段，并确定各运营时段的站间客流分配规律；其实现环节包括：

①以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入，计算单位时间间隔内站间客流OD分配矩阵序列；

②采取多维有序样本聚类分析方法，根据单位时间间隔内站间客流OD分配矩阵的聚类特性将运营日全天划分为若干个统计时段，并确定各时段内的站间客流OD分配矩阵；

(3)站台乘客到达率提取模块

所述站台乘客到达率提取模块的主要功能是构建乘客通过闸机进站的到达率函数，并在此基础上考虑乘客站内走行时间的影响，提取乘客抵达站台的规律；其实现环节包括：

①以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入，统计各站点给定时间间隔内乘客通过闸机进站的平均到达率序列；

②选取插值函数对离散数据进行拟合，得到随时间连续变化的站点乘客到达率；

③以视频监测器采集的通道和楼梯客流量以及乘客步速数据、站厅平面布置图标注的通道和楼梯基本尺寸以及乘客进站路径作为模块输入，估算乘客在站厅内的走行时间；结合站内走行时间的影响对站点乘客到达率进行修正，得到站台乘客到达率；

(4)调度模型构建及解析模块

所述调度模型构建及解析模块以站间客流分配律提取模块和站台乘客到达率提取模块提供的客流特性参数作为模块输入，构建列车调度优化模型并给出求解；其实现环节包括：

①以分时发车间隔为决策变量、社会综合满意度为目标函数、最大最小发车间隔及列车平均满载率为约束条件构建列车调度优化模型；

②采用混合遗传算法求解模型，得到优化的分时发车间隔；

(5)优化结果输出及验证模块

所述优化结果输出及验证模块的主要功能是将调度优化模型求解所得的分时发车间隔转换为列车时刻表，并与现行发车时刻表进行对比验证；其实现环节包括：

①以调度模型构建及解析模块计算得出的分时发车间隔作为模块输入，转换输出各运营时段的发车时刻表；

②将现行发车时刻表输入该模块，得到优化后的时刻表与现行发车时刻表的对比验证。

2.根据权利要求1所述的城市轨道交通时刻表优化技术应用框架，其特征在于：所述模块(1)中，乘客交易记录中某一开行方向的有效乘客交易信息的提取步骤如下：

①根据交易类型关键字对所有出站交易记录进行提取待用；

②根据站间OD矢量方向对所有出站交易记录进行上、下行分流；

③编制数据处理程序对所有上行或下行出站交易记录的有效数据项进行提取；

④在确保数据完整采集前提下，对其进行有效性验证，删减错误数据，填补缺省数据，得到有效乘客交易信息。

3.根据权利要求1所述的城市轨道交通时刻表优化技术应用框架，其特征在于：所述模块(2)中，在提取单位时间间隔内站间客流OD分配矩阵序列时，可采取“试凑法”来确定单位时间间隔的大小。

4.根据权利要求1所述的城市轨道交通时刻表优化技术应用框架，其特征在于：所述模块(4)中，根据从历史交易记录中提取的乘客站台到达率和站间客流分配律来统计每班次列车的上下车人数及站台乘客的总等待时间，构建发车模型；其次，在建模过程中应充分考虑客流的滞后效应，即根据每班次列车抵达各站台的时间来确定相匹配的客流特征参数；最后，采用社会综合满意度作为优化目标函数，其表现形式为乘客候车满意度、乘车体验满意度以及公司运营满意度的加权和。

5.根据权利要求1所述的城市轨道交通时刻表优化技术应用框架，其特征在于：所述模块(4)中，结合模拟退火算法在局部搜索方面的优势，设计混合遗传算法来求解调度优化模型。