CN105046379A - 一种城市公交发车时刻表优化方法 - Google Patents

Abstract

本发明公开了一种城市公交发车时刻表优化方法。所述方法利用公交车车载AFC刷卡系统采集的历史刷卡数据，提取公交线路沿线的客流需求及沿线交通状况，并以此为基础，将公交时刻表优化抽象为非线性优化问题，采用遗传算法对公交时刻表进行优化。本发明仅依靠公交车车载AFC刷卡系统的刷卡数据即可实现对公交线路沿线的客流需求及沿线交通状况的提取，并采用遗传算法对公交发车时刻表进行优化，极大减少了人的参与，有效降低人力和时间的浪费，同时也有助于公交运行效率和服务水平的提高。

Description

一种城市公交发车时刻表优化方法

技术领域

本发明涉及城市公交调度领域，具体涉及一种城市公交发车时刻表优化方法。

背景技术

公交时刻表是地面公交调度的核心组成部分，也是影响公交运营计划制定的关键。设计合理的公交时刻表，能够有效提高公交车的运载能力、运行效率和服务质量，从而提升公交吸引，改善城市交通运行拥堵问题。公交时刻表优化所要解决的主要问题是如何有效合理分配每辆公交车到达及驶离每个站台的时间，使之与公交需求及沿线交通状况变化的规律相适应。

目前，我国传统地面公交时刻表的制定还是以人工制定为主，即以调度人员主观感受为基础确定发车间隔和车辆人员配班。这要求公交调度人员具有丰富的工作经验、较高的计算水平以及负责的工作态度，系统性的考虑乘客需求、车辆限制以及其它诸多实际因素。虽然人工调度方法具有一定的实用性，但由于受到调度人员业务水平、主观经验等条件的限制，很难保证公交运行的整体效率和服务质量。

此外，由于国内混合交通的现状，以及交通事故、突发性的交通拥堵、突发性的公交集中出行需求、公交车辆故障等突发事件，导致传统地面公交的运行具有一定的随机性，使得地面公交提供的公交服务与实际的地面公交需求相背离，从而导致预先设计的公交时刻表难以有效提供期望的地面公交服务质量。并且，对于公交线路沿线客流需求数据的获取，也存在着极大的困难。广泛使用的人工调查法不但需要耗费大量的人力、物力，而且由于人工调查法自身的限制，只适用于短期调查，从而难以获得真实的客流需求结果。

如何在国内当前交通条件下对公交时刻表进行合理、有效的优化，提高公交车辆的运行效率和服务水平，成为交通行业管理者和广大人民群众的迫切需求。

综观国内当前公交发车时刻表优化方法的研究和应用，国内发车时刻表优化存在的不足及问题主要有：

1.缺乏科学、先进的公交发车时刻表优化技术。目前国内公交时刻表大多人工制定，不但受调度人员自身水平影像较大，且需耗费大量时间，从而难以有效提高公交运行的整体效率和服务质量。

2.难以获得可靠的沿线公交运行及客流需求数据。由于国内交通环境和交通调查方法的限制，难以获得准确、充足的沿线公交运行及客流需求数据，从而难以为关键时刻表的优化提供有效的数据支撑。

发明内容

针对目前国内公交时刻表人工制定为主，以及沿线公交运行和客流需求数据获取困难等问题，本发明提出了一种城市公交发车时刻表优化方法。其目的在于：基于AFC(AutomaticFareCollection，自动收费采集)刷卡系统的刷卡数据，提取沿线交通状况和公交客流需求，采用遗传算法，以乘客总等待时间最小作为优化目标，对原有公交时刻表进行优化，以得到适应沿线交通状况和公交客流需求的公交时刻表。

本发明采取以下技术方案：

一种城市公交发车时刻表优化方法，包括以下步骤：

1)在所属线路所有公交车上安装AFC刷卡系统，通过AFC刷卡系统汇聚所有公交车辆刷卡数据；其中，一辆公交车一次停靠站点产生的上车和下车刷卡数据为一条刷卡数据；每条所述刷卡数据包含车辆、站点、时间、刷卡人数四个主要信息；所述AFC刷卡系统的计价方式采用分段制，即乘客上车和下车时都必须刷卡；

2)根据步骤1)得到的刷卡数据计算得到在不同时段公交车辆经过各个站点之间路段的路段旅行速度以及在不同时段各个站点的旅客平均到达率；

3)构建公交发车时刻表优化模型，确定优化目标，其中本方法的优化目标为乘客总等待时间：

第i个班次经过站点k时所有该站点上车乘客的总等待时间WT_i,k为：

${\mathrm{WT}}_{i,k}=\frac{1}{2}{P}_{i,k}{(t_{i,k}-t_{i-1,k})}^2$

其中，1≤i≤n，1≤k≤K，n为公交线路优化时刻表总的发车班次数量，K为公交线路的站点数量；

P_i,k为第i个班次到达站点k时所处时段，该站点的平均旅客到达率；

t_i,k为第i个班次到达站点k的时间；t_i-1,k为第i-1个班次到达站点k的时间；根据步骤2)中获得的不同时段各个路段的路段旅行速度得到；

则乘客总等待时间为：

$f\left(T\right)={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{k=1}^K{\mathrm{WT}}_{i,k}$

即公交发车时刻表优化模型为：

minf(T)

$s.t.\left\{\begin{array}{c}n\≤N\\ t_1=t_{earliest}^o\\ t_n=t_{last}^o\end{array}\right.$

其中：T＝[t₁,t₂,t₃,...,t_n]^T∈Eⁿ，为所有可行解，为所有可能的时刻表各班次的发车时刻；

n为公交线路优化后时刻表总的发车班次数量；

N为优化前公交线路时刻表总的发车班次数量；

t₁为公交线路优化后时刻表首班发车时刻；

为优化前公交线路时刻表首班发车时刻；

t_n为公交线路优化后时刻表末班发车时刻；

为优化前公交线路时刻表末班发车时刻；

4)以首班公交车的发车时刻为0，其后各班次落后首发班次的时间为其各自的发车时间，按顺序排列构成长度为L的基础时刻表Timetable；

5)令各发车时间均为0构建全0数组；利用遗传算法求解步骤3)中公交时刻表优化模型最优解；

6)根据步骤5)中遗传算法求得的最优解计算各站到站时间；并得到最终的优化时刻表。

所述步骤1)中，对于公交车站点停靠无乘客上下车的情况，需要对刷卡数据补0。

所述步骤2)获取的公交车辆在不同时间段各个站点间的路段旅行速度数据可以表征沿线交通状况；当某段时间某一路段交通拥堵时，该路段的路段旅行速度就会下降。

所述步骤5)中的遗传算法步骤如下：

51)对全0数组按顺序对第二位至倒数第二位之间的每一位进行变异，形成M个个体构成初始种群P₀，并根据步骤4)计算种群各个体的适应度函数，即Fit(f(T))＝c_max-f(T)；其中，c_max为估计的目标函数f(T)的最大值；定义最大遗传代数G；

52)判断当前遗传代数是否小于最大遗传代数G，若是，则转入步骤53)，否则转入步骤55)；

53)根据适应度函数Fit(f(T))＝c_max-f(T)，采用轮盘赌选择算子，选择适应度高的个体遗传给下一代；

54)先采用单点交叉算子对种群中各个体进行交叉操作，之后采用高斯近似突变算子对种群中各个体进行变异操作，产生新的种群，遗传代数加1；返回步骤52)

55)计算新的种群中各个体的适应度函数Fit(f(T))＝c_max-f(T)；

56)为适应度最优的个体计算各站到站时间，并输出最终的优化时刻表。

步骤51)中，所述变异采用高斯近似突变算子进行变异。

步骤51)中，所述c_max取原始时刻表的总等待时间。

本发明采用上述技术方案，具有以下有益效果：

1.无需进行大规模的交通调查，只要公交车上装有AFC刷卡系统，并采用分段式计费方式，即可基于AFC刷卡系统的刷卡数据，提取线路沿线交通状况、各个路段在不同时间段的路段旅行速度以及各个路段在不同时间段的公交客流需求，节省了大量的人力和时间的消耗。

2.基于实际公交运行数据，采用遗传算法对公交时刻表进行优化，无需人工主观制定，在极大提高了公交时刻表优化科学性的同时，也有效减少了公交调度人员的工作负担。

3.没有严格的交通状况限制，在各种规模的城市公交系统中都具有广泛的试用性。

附图说明

图1为本发明实施例进行发车时刻表优化的目标公交线路站点分布情况；

图2为本发明实施例的某公交线路某路段工作日各时间段旅行速度；

图3为本发明实施例的某公交线路某站点工作日旅客平均到达率日变化；

图4为本发明实施例的公交发车时刻表优化流程图；

图5为本发明实施例的某公交线路上行时刻表优化适应度函数变化曲线图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示：该公交线路为市区线路，首末站站点为火车站北广场与国防园，全长约20公里，途径18个中间站。该线路共有6辆公交车负责日常运营，采用1-3元多级票价，实行上下车刷卡，目前该线路的调度模式为固定时刻流水发班。本实施例中定义火车站北广场至国防园方向为上行，国防园至火车站北广场方向为下行，上行站点从火车站北广场至汽车客运北站依次为标记为站点1、2、3、……、19，下行站点国防园至朝阳新村依次标记为站点20、21、22、……、38。相应地，对于各站点之间的各个路段，依照起点站点的标号分别标记为路段1、2、3、……、38。

本发明基于AFC刷卡系统的刷卡数据，提取线路沿线交通状况和公交客流需求，采用遗传算法，以乘客总等待时间最小作为优化目标，对原有公交时刻表进行优化，以得到适应沿线交通状况和公交客流需求的公交发车时刻表。

如图4所示为基于AFC刷卡数据的城市公交发车时刻表优化方法流程图，具体实施步骤如下：

1)对AFC刷卡系统的刷卡数据进行预处理，主要包括将所有刷卡数据进行汇聚，即将一辆公交车一次停靠站点产生的上车和下车刷卡数据合并成一条数据，每条数据包含车辆、站点、时间、刷卡人数四个主要信息，对于公交车站点停靠无乘客上下车的情况，需要对刷卡数据补0。

2)根据步骤1)获取的AFC刷卡数据，对公交线路沿线各路段的交通状况变化规律进行提取，主要是利用从历史AFC刷卡数据中获取的各个公交车辆站点间的路段在不同时间段的路段旅行速度数据来表征沿线交通状况；当某一路段交通拥堵时，该路段的路段旅行速度就会下降；提取结果如图2所示。

3)根据步骤1)获取的AFC刷卡数据，对公交客流需求变化规律进行提取，主要是利用从AFC刷卡数据中提取的沿线各站点的乘客上下车人数，从而得到各时段各站点的旅客平均到达率来表征公交需求数据，即单位时间内的到达人数，提取结果如图3所示。

4)构建公交发车时刻表优化模型，确定优化目标，其中优化目标为乘客总等待时间最小。公交时刻表T^*为一个n×K的矩阵，该矩阵由n个发车时刻的集合构成，T＝[t₁,t₂,t₃,...,t_n]^T，结合各时段各路段的平均旅行速度计算得到，矩阵的每一行表示对应班次顺序经过K个站点的时间，其具体形式如下所示：

$T^{*}=\left[\begin{array}{ccc}{t}_{1,1}& ...& t_{1,K}\\ ...& ...& ...\\ t_{n,1}& ...& t_{n,K}\end{array}\right]---\left(1\right)$

式中，K为公交线路的站点数量，n为公交线路优化时刻表总的发车班次数量。

在已知各时段各站点的平均旅客到达率的条件下，任意一班车到达某站点时，上车乘客的等待时间为：

${\mathrm{WT}}_{i,k}=\frac{1}{2}{P}_{i,k}{(t_{i,k}-t_{i-1,k})}^2---\left(2\right)$

式中：1≤i≤n，1≤k≤K；

WT_i,k为时刻表中第i个班次经过站点k时所有该站点上车乘客的总等待时间；

P_i,k为第i个班次到达站点k时所处时段，该站点的平均旅客到达率；可以

t_i,k为第i个班次到达站点k的时间；t_i-1,k为第i-1个班次到达站点k的时间；根据步骤2)中获得的不同时段各个路段的路段旅行速度得到；

则乘客总等待时间为：

$f\left(T\right)={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{k=1}^K{\mathrm{WT}}_{i,k}---\left(3\right)$

即公交发车时刻表优化模型为：

minf(T)

$s.t.\left\{\begin{array}{c}n\≤N\\ t_1=t_{earliest}^o\\ t_n=t_{last}^o\end{array}\right.---\left(4\right)$

式中：

T＝[t₁,t₂,t₃,...,t_n]^T∈Eⁿ，为所有可行解，即所有可能的时刻表各班次的发车时刻；

n为公交线路优化后时刻表总的发车班次数量；

N为优化前公交线路时刻表总的发车班次数量；

t₁为公交线路优化后时刻表首班发车时刻；

为优化前公交线路时刻表首班发车时刻；

t_n为公交线路优化后时刻表末班发车时刻；

为优化前公交线路时刻表末班发车时刻。

5)表1为某公交线路工作日原始时刻表，令表1的原始时刻表的首班公交车的发车时刻为0，其后各班次落后首发班次的时间为其各自的发车时间，按顺序排列构成长度为L的基础时刻表Timetable。

注：由于该表是调度人员按照经验制定的，通常没有车辆到站时间的估计，因此上述时刻表的到站时间均用“*”表示，并且没有中间站点的到站时间。

表1某公交线路原始时刻表(工作日)

6)以长度L构建全0数组，按顺序对第二位至倒数第二位之间的每一位采用高斯近似突变算子进行变异，形成M个个体构成初始种群P₀，并根据步骤4)计算种群各个体的适应度函数，即Fit(f(T))＝c_max-f(T)；其中，c_max为估计的目标函数f(T)的最大值；在本发明具体实施例中，c_max取原始时刻表的总等待时间5.5×10⁴分钟。

7)定义最大遗传代数G，本实施例中定义G＝1000。

8)判断当前遗传代数是否小于最大遗传代数G，若是，则转入步骤9)，否则转入步骤11)。

9)根据适应度函数Fit(f(T))＝c_max-f(T)，采用轮盘赌选择算子，选择适应度高的个体遗传给下一代；

10)先采用单点交叉算子对种群中各个体进行交叉操作，之后采用高斯近似突变算子对种群中各个体进行变异操作，产生新的种群；遗传代数加1；返回步骤8)；

11)计算新的种群中各个体的适应度函数Fit(f(T))＝c_max-f(T)；

12)为适应度最优的个体计算各站到站时间；并输出最终的优化时刻表，结果如表2所示。

表2某公交线路优化后的时刻表(工作日)

如表2所示，经过优化后的时刻表需要六辆常备车辆以及一辆后备车辆运营，后备车辆在15:49有客运北站出发，运行1.5个周期。

图5为在对上行时刻表进行优化时，适应度函数随着迭代运算次数增加而变化的曲线，随着迭代优化代数的增加，适应度函数在运行初期明显下降，随后逐渐平稳。总乘客等待时间从分钟降低至分钟，相应的，平均旅客等待时间从原时刻表的16分钟降低为最终的11分钟，与原时刻表相比有明显提升。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种城市公交发车时刻表优化方法，其特征在于，包括以下步骤：

1)在所属线路所有公交车上安装AFC刷卡系统；通过AFC刷卡系统汇聚所有公交车辆刷卡数据；其中，一辆公交车一次停靠站点产生的上车和下车刷卡数据为一条刷卡数据；每条所述刷卡数据包含车辆、站点、时间、刷卡人数四个主要信息；

2)根据步骤1)得到的刷卡数据计算得到在不同时段公交车辆经过各个站点之间路段的路段旅行速度以及在不同时段各个站点的旅客平均到达率；

3)构建公交发车时刻表优化模型，确定优化目标，其中本方法的优化目标为乘客总等待时间：

第i个班次经过站点k时所有该站点上车乘客的总等待时间WT_i,k为：

${\mathrm{WT}}_{i,k}=\frac{1}{2}{P}_{i,k}{(t_{i,k}-t_{i-1,k})}^2$

其中，1≤i≤n，1≤k≤K，n为公交线路优化发车时刻表总的发车班次数量，K为公交线路的站点数量；

P_i,k为第i个班次到达站点k时所处时段，该站点的平均旅客到达率；

t_i,k为第i个班次到达站点k的时间；t_i-1,k为第i-1个班次到达站点k的时间；根据步骤2)中获得的不同时段各个路段的路段旅行速度得到；

则乘客总等待时间为：

$f\left(T\right)={\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{k=1}^K{\mathrm{WT}}_{i,k}$

即公交发车时刻表优化模型为：

minf(T)

$s.t.\left\{\begin{array}{c}n\≤N\\ t_1=t_{earliest}^o\\ t_n=t_{last}^o\end{array}\right.$

其中：T＝[t₁,t₂,t₃,...,t_n]^T∈Eⁿ，为所有可行解，为所有可能的时刻表各班次的发车时刻；

n为公交线路优化后时刻表总的发车班次数量；

N为优化前公交线路时刻表总的发车班次数量；

t₁为公交线路优化后时刻表首班发车时刻；

为优化前公交线路时刻表首班发车时刻；

t_n为公交线路优化后时刻表末班发车时刻；

为优化前公交线路时刻表末班发车时刻；

4)以首班公交车的发车时刻为0，其后各班次落后首发班次的时间为其各自的发车时间，按顺序排列构成长度为L的基础时刻表Timetable；

5)令各发车时间均为0构建全0数组；利用遗传算法求解步骤3)中公交发车时刻表优化模型最优解；

6)根据步骤5)中遗传算法求得的最优解计算各站到站时间；并得到最终的优化时刻表。

2.根据权利要求1所述的一种城市公交发车时刻表优化方法，其特征在于，所述步骤1)中，对于公交车站点停靠无乘客上下车的情况，对刷卡数据补0。

3.根据权利要求1所述的一种城市公交发车时刻表优化方法，其特征在于，所述步骤2)获取的公交车辆在不同时间段各个站点间的路段旅行速度数据可以表征沿线交通状况；当某段时间某一路段交通拥堵时，该路段的路段旅行速度就会下降。

4.根据权利要求1所述的一种城市公交发车时刻表优化方法，其特征在于，所述步骤5)中的遗传算法步骤如下：

51)对全0数组按顺序对第二位至倒数第二位之间的每一位进行变异，形成M个个体构成初始种群P₀，并根据步骤4)计算种群各个体的适应度函数，即Fit(f(T))＝c_max-f(T)；其中，c_max为估计的目标函数f(T)的最大值；定义最大遗传代数G；

52)判断当前遗传代数是否小于最大遗传代数G，若是，则转入步骤53)，否则转入步骤55)；

53)根据适应度函数Fit(f(T))＝c_max-f(T)，采用轮盘赌选择算子，选择适应度高的个体遗传给下一代；

54)先采用单点交叉算子对种群中各个体进行交叉操作，之后采用高斯近似突变算子对种群中各个体进行变异操作，产生新的种群，遗传代数加1；返回步骤52)；

55)计算新的种群中各个体的适应度函数Fit(f(T))＝c_max-f(T)；

56)为适应度最优的个体计算各站到站时间，并输出最终的优化时刻表。

5.根据权利要求4所述的一种城市公交发车时刻表优化方法，其特征在于，步骤51)中，所述变异采用高斯近似突变算子进行变异。