CN105787586A - 一种最大化时空可达性的公交线路站点优化布设方法 - Google Patents

Abstract

本发明涉及一种最大化时空可达性的公交线路站点优化布设方法，包括以下步骤：确定单条公交线路布设的位置及走向并得到公交线路布设线；采集乘客出行聚集点数据；采集城市活动设施点数据；采集公交线路沿线的步行网络数据，并将其与公交线路布设线、乘客出行聚集点及城市活动设施点关联起来；计算从出行聚集点到活动设施点的总出行时间；判断总出行时间与逗留活动时间的和是否大于总可利用时间；构建公交线路站点优化布设模型；利用遗传算法得到最大化时空可达性的公交线路站点布设方案。本发明通过引入时空可达性作为目标函数，得到最优的公交线路站点布设方案，该布设方案满足了出行者的出行目的需求，提高了公交线路的服务水平。

Description

一种最大化时空可达性的公交线路站点优化布设方法

技术领域

本发明涉及公共交通规划领域，更具体地说是一种最大化时空可达性的公交线路站点优化布设方法。

背景技术

随着我国经济的发展，城市人口规模不断扩大，居民的出行面临越来越多的问题，随着小汽车数量的急剧增长，城市道路拥堵问题越趋严重。为了缓解城市交通拥堵问题，城市管理者提出了“公交优先”等发展战略。公共交通在城市居民出行中起到越来越大的作用，而公交站点的布设影响着公共交通的运营效率及服务水平，如当单条公交线路站点数量过多时，站点建设投资增多，公交车辆停靠站次数增多而导致行程时间增加，而当单条公交线路站点数量较少时，则会增加居民到站点的步行时间。因此需要采取合理科学的公交线路站点布设方案，以使总体的效益达到最佳。

现今居民出行逐渐追求可达性，可达性作为衡量交通系统服务水平的一个重要指标，表征的是居民在特定的交通出行方式下到达服务或活动设施的难易程度。可达性的计算方法包括累积机会法、重力模型法及时空效用法等，主要用来对现实中的几何网络尤其是道路交通网络的连通性、可达性水平进行度量与评价。其中，时空可达性指的是从个体角度出发，通过个体在特定的时间-空间约束下，能够到达的时间-空间区域以及相应活动的选择来度量可达性水平，能够较好地描述出个体出行的时空过程，反映个体出行的目的需求。

目前，根据已有研究的公交线路站点优化布设模型根据目标函数的不同，可将其分为：1.最小化总花费的模型；2.最小化行程时间的模型；3.最小化步行时间的模型；4.最大化客流覆盖面的模型。即是说已有的公交线路站点优化布设模型基本上都是从居民出行的机动性角度出发，需要利用到OD(Origin-Destination)客流量来进行计算，并没有考虑到居民出行的可达性这一重要指标，而且OD客流量的获取难度较大，需要进行较大规模的实际交通调查，同时获取精度也不太高。

发明内容

本发明所要解决的技术问题是克服现有技术中的不足，提供一种引入时空可达性的最大化时空可达性的公交线路站点优化布设方法。

为解决现有技术问题，本发明采用的技术方案是：

一种最大化时空可达性的公交线路站点优化布设方法，包括以下步骤：

S1、确定单条公交线路布设的位置及走向，得到公交线路布设线；

S2、采集公交线路沿线的乘客出行聚集点数据，包括其经度、纬度等信息；

S3、采集公交线路沿线的城市活动设施点数据，包括其经度、纬度等信息；

S4、采集公交线路沿线的步行网络数据，并将其与公交线路布设线、乘客出行聚集点及城市活动设施点关联起来；

S5、计算在时刻τ从某一个乘客出行聚集点i到某一个城市活动设施点j的总出行时间t(i,j)，所述t(i,j)包括去程i到j及回程j到i的时间；

S6、设定乘客从出行聚集点i到活动设施点j的总可利用时间为T(i,j)，乘客在活动设施点j的逗留活动时间为判断是否小于等于T(i,j)，是则λ_ij＝0，否则λ_ij＝1，对于j∈A均成立，其中D为城市活动设施点集合，A为出行聚集点集合；

S7、构建公交线路站点优化布设模型其中D为城市活动设施点集合，A为出行聚集点集合，该模型目标值Z为最大化一定时空约束下可达活动设施的数量，也即是最小化一定时空约束下不可达活动设施的数量；

S8、利用遗传算法对S7提出的优化布设模型进行求解，得到最大化时空可达性的公交线路站点布设方案。

本发明通过引入时空可达性作为发明模型的目标函数，考虑了居民出行的时空过程，最后得到一种最优的公交线路站点布设方案，该布设方案更好地满足了出行者的出行目的需求，从而能够提高公交线路的服务水平。

优选地，所述步骤S5中，计算从某一个乘客出行聚集点i到某一个城市活动设施点j的总出行时间t(i,j)的具体步骤包括：

S501、利用步行网络计算乘客从出行聚集点i到出发站点m的步行时间以及从到达站点n到目的城市活动设施点j的步行时间

S502、计算乘客从出行聚集点i到城市活动设施点j的出行时间为其中，l_mn为出发站点m与到达站点n之间的距离，v为公交车辆的行驶速度，为公交车辆在每个公交站点上下客的停靠站时间，为0-1变量，当乘客从出行聚集点i到活动设施点j时，同时m,n∈S^S，S^S为被选择的候选公交站点集合；

S503、利用步行网络计算从目的城市活动设施点j到出发站点p的步行时间以及从到达站点q到乘客出行聚集点i的步行时间

S504、计算乘客从城市活动设施点j返回到出行聚集点i的出行时间为其中，l_pq为出发站点p与到达站点q之间的距离，v为公交车辆的行驶速度，为公交车辆在每个公交站点上下客的停靠站时间，为0-1变量，当乘客从活动设施点j到出行聚集点i时，同时p,q∈S^S，S^S为被选择的候选公交站点集合；

S505、计算从乘客出行聚集点i到某一个城市活动设施点j的总出行时间为t(i,j)＝t^τ(i,j)+t^τ′(j,i)。

优选地，所述步骤S7中，所构建公交线路站点优化模型的具体约束条件包括：

a.其中D为城市活动设施点集合，A为出行聚集点集合；

b.l_min≤l≤l_max，其中l为两相邻站点的距离变量，l_max为两相邻站点的最大距离，l_min为两相邻站点的最小距离；

c.确保去程方向至少有一个站点可以到达出行聚集点i的约束条件：其中为0-1决策变量，表示在去程方向的站点m是否被选择；为0-1变量，表示从站点m能否到达出行聚集点i，且m∈S，S为候选公交站点集合；

d.确保回程方向至少有一个站点可以到达出行聚集点i的约束条件：其中为0-1决策变量，表示在回程方向的站点m是否被选择；

e.确保去程方向从出行聚集点i出发至少可以到达一个站点的约束条件：其中为0-1变量，表示从出行聚集点i能否到达站点m；

f.确保回程方向从出行聚集点i出发至少可以到达一个站点的约束条件： ${\mathrm{\Σx}}_m^{(-1)}{\mathrm{\θ}}_i^m\≥1,\∀i\∈D;$

g.确保去程方向至少有一个站点可以到达活动设施点j的约束条件： ${\mathrm{\Σx}}_m^{\left(1\right)}{\mathrm{\θ}}_m^j\≥1,\∀j\∈A;$

h.确保回程方向至少有一个站点可以到达活动设施点j的约束条件： ${\mathrm{\Σx}}_m^{(-1)}{\mathrm{\θ}}_m^j\≥1,\∀j\∈A;$

i.确保去程方向从活动设施点j出发至少可以到达一个站点的约束条件： ${\mathrm{\Σx}}_m^{\left(1\right)}{\mathrm{\θ}}_j^m\≥1,\∀j\∈A;$

j.确保回程方向从活动设施点j出发至少可以到达一个站点的约束条件： ${\mathrm{\Σx}}_m^{(-1)}{\mathrm{\θ}}_j^m\≥1,\∀j\∈A.$

优选地，所述步骤S8中，利用遗传算法对S7中的优化布设模型进行求解的具体步骤包括：

S801、将步骤S1中得到的单条公交线路站点布设线按照一定的距离间隔选取候选公交站点，然后对双向公交线路站点布设方案进行0-1编码；

S802、初始化符合模型约束条件及遗传算法相关约束条件的种群；

S803、优化布设模型的决策变量为x⁽¹⁾及x^(-1)，将两者看做一个整体即x＝{x⁽¹⁾,x^(-1)}，所述步骤S7中所构建模型的目标值Z为最小化一定时间-空间约束下不可达的活动设施点的数量，则遗传算法的适应度函数可以设为f(x)＝M-Z，其中M是大于Z最大值的正常数，x为种群个体的适应度值，进而计算得到种群个体的适应度值；

S804、判断种群个体的适应度值是否达到了最大迭代代数，是则输出最优公交线路站点布设方案并结束，否则转到步骤S805；

S805、利用选择、交叉和变异等操作产生新一代种群；

S806、判断步骤S805产生的新种群中每个个体是否都符合步骤S7中优化布设模型的约束条件，是则转到步骤S803，否则转到步骤S805。

与现有技术相比，本发明的公交线路站点优化布设方法具有很多优点，具体表现在：1.考虑了居民个体出行的实际时空过程；2.计算了时空可达性，切实反映了居民出行的实际目的；3.不涉及到OD客流的调查采集过程，减少了模型实现的复杂性。基于以上特点，本发明的最大化时空可达性的公交线路站点优化布设方法可以减少交通调查人力物力的耗费，并提高公交线路的服务水平。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例个体出行的时空可达性示意图。

图3为本发明实施例的公交线路站点布设方案遗传算法编码示意图。

图4为本发明实施例的遗传算法示意图。

图5为本发明实施例的适应度值变化曲线示意图。

具体实施方式

以下结合附图对本发明做进一步的解释说明。附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

如图1所示的一种最大化时空可达性的公交线路站点优化布设方法，具体包括以下信息：

在步骤“获取公交线路线”中，利用ArcMapGIS软件绘制实际单条公交线路线的地理信息，包括线路的起终点经纬度坐标及线路的实际线形。

在步骤“采集出行聚集点数据”中，通过互联网地图获取公交线路沿线出行聚集点的位置信息，包括经度、纬度等，并将其导入到ArcMap地图中。

在步骤“采集城市活动设施点数据”中，通过互联网地图获取公交线路沿线城市活动设施点的位置信息，包括经度、纬度等，并将其导入到ArcMap地图中。

在步骤“采集步行网络数据，建立步行网络”中，通过互联网地图获取公交线路沿线的步行网络数据，将其与公交线路、出行聚集点、城市活动设施点关联起来，构建完整的步行网络。

在步骤“构建公交线路站点优化布设模型”中，时空可达性通常利用时空棱镜的方法进行计算，即统计时空棱镜内的诸如商业、娱乐网点数目作为评价的指标。如图2所示，区域内所有的城市活动设施点集合为A，那么在时刻t₀从家o出发，在活动地点逗留活动最小活动时间T_min后，在时刻t₀+T返回到家o，那么时空可达性也即可达的城市活动设施点集合为 $M_o=\{a\∈A|t^{t_0}(o,a)+t_a^w+t^{t_0}(a,o)\≤T(o,a)\},$ 其中T(o,a)为总可利用时间，为家o到活动设施点a的出行时间，为活动设施点a到家o的出行时间，为在活动设施点a的活动时间。进而可以构建交线路站点优化布设模型其中D为城市活动设施点集合，A为出行聚集点集合。

在步骤“利用遗传算法对模型进行求解，得到最优方案”中，首先对步骤“获取公交线路线”得到的公交线路站点布设线按照一定的距离间隔取候选公交站点，然后对双向公交线路站点布设方案进行0-1编码。如图3所示，1表示该候选站点被选取，0表示该站点未被选取，如去程有十个候选站点，4个站点被选中，那么去程的编码方案可能为1001001001，回程同样有十个候选站点，3个站点被选中，回程的编码方案可能为1000100001，那么双向的公交线路站点布设方案的一种可能编码方案为10010010011000100001，接着具体的求解算法步骤如图4所示，总共包括五个步骤，分别为：

Step1：初始化符合模型约束及遗传算法相关约束的种群；

Step2：优化模型的决策变量为x⁽¹⁾及x^(-1)，可以将两者看做一个整体即x＝{x⁽¹⁾,x^(-1)}，上述构建的模型目标值Z为最小化一定时间-空间约束下不可达的活动设施点的数量，即遗传算法的适应度函数可以设为f(x)＝M-Z，其中M是大于Z最大值的正常数，x为种群个体的适应度值，然后根据适应度函数f(x)计算种群个体的适应度值；

Step3：判断是否达到了最大迭代代数，是则输出最优公交线路站点布设方案并结束，否则转到Step4；

Step4：利用选择、交叉、变异等操作产生新一代种群；

Step5：判断Step4产生的新种群中每个个体是否都符合模型的约束，是则转到Step2，否则转到Step4。

这里结合本发明公布一个具体的最大化时空可达性的公交线路站点优化布设方法，具体步骤如下：

1.建立一条长10km的公交线路线；

2.获取公交线路沿线分布的60个出行聚集点及60个城市活动设施点的经纬度信息；

3.设定出行的总可利用时间为4h，在设施点的最小活动时间为2.5h，公交车辆行驶速度为20km/h，公交车辆在每个站点的平均停靠站时间为30s，相邻两站点距离间隔为400-600m，出发时刻为上午10时；

4.按50m的间隔对以选取的10km场的公交线路线获取候选公交站点集合，共201个，编号为0，1，2，3……200；

5.利用遗传算法求解模型。

如表1所示最终得到的站点最优布设方案：

序号	去程站点编号	返程站点编号	去程站点编号	返程站点编号
					1	(0)	(0)	(111)	(111)
2	(9)	(10)	(120)	(122)
					3	(19)	(21)	(129)	(131)
4	(27)	(29)	(138)	(140)
					5	(39)	(40)	(149)	(151)
6	(47)	(48)	(158)	(159)
					7	(59)	(58)	(170)	(171)
8	(69)	(68)	(181)	(179)
					9	(80)	(79)	(191)	(190)
10	(91)	(89)	(200)	(200)5 -->
					11	(102)	(101)

图5为求解模型的适应度值变化曲线示意图。从中可以看出，种群个体的适应度值达到了最大迭代代数。这种最大化时空可达性的公交线路站点优化布设方法考虑了居民个体出行的实际时空过程，计算了时空可达性，切实反映了居民出行的实际目的，同时不涉及到OD客流的调查采集过程，减少了模型实现的复杂性，最大化时空可达性的公交线路站点优化布设模型可以减少交通调查人力物力的耗费，并提高单条公交线路的服务水平。

显然，本发明的上述实施例仅仅是为清楚地说明本专利所作的举例，而并非是对本发明的实施方式的限定。在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种最大化时空可达性的公交线路站点优化布设方法，其特征在于，包括以下步骤：

S1、确定单条公交线路布设的位置及走向，得到公交线路布设线；

S2、采集公交线路沿线的乘客出行聚集点数据；

S3、采集公交线路沿线的城市活动设施点数据；

S4、采集公交线路沿线的步行网络数据，并将其与公交线路布设线、乘客出行聚集点及城市活动设施点关联起来；

S5、计算在时刻τ从某一个乘客出行聚集点i到某一个城市活动设施点j的总出行时间t(i,j)，所述t(i,j)包括去程i到j及回程j到i的时间；

S6、设定乘客从出行聚集点i到活动设施点j的总可利用时间为T(i,j)，乘客在活动设施点j的逗留活动时间为利用步骤S5中的总出行时间t(i,j)，判断是否小于等于T(i,j)，是则设定参数λ_ij＝0，否则设定参数λi_j＝1，对于均成立，其中D为城市活动设施点集合，A为出行聚集点集合；

S7、利用上述步骤构建公交线路站点优化布设模型该模型目标值Z为最大化一定时空约束下可达活动设施的数量，也即是最小化一定时空约束下不可达活动设施的数量；

S8、利用遗传算法对步骤S7中的优化布设模型进行求解，得到最大化时空可达性的公交线路站点布设方案。

2.根据权利要求1所述的最大化时空可达性的公交线路站点优化布设方法，其特征在于，所述步骤S5中，计算从某一个乘客出行聚集点i到某一个城市活动设施点j的总出行时间t(i,j)的具体步骤包括：

S501、利用步行网络计算乘客从出行聚集点i到出发站点m的步行时间以及从到达站点n到目的城市活动设施点j的步行时间

S502、计算乘客从出行聚集点i到城市活动设施点j的出行时间为 $t^{\mathrm{\τ}}(i,j)={\mathrm{\γ}}_{ij}^{mn}\left(t_{im}^{walk}+t_{nj}^{walk}\right)+{\mathrm{\γ}}_{ij}^{mn}(\frac{l_{mn}}{v}+(n-m\left)t_s^w\right),$ 其中，l_mn为出发站点m与到达站点n之间的距离，v为公交车辆的行驶速度，为公交车辆在每个公交站点上下客的停靠站时间，为0-1变量，当乘客从出行聚集点i到活动设施点j时，同时m,n∈S^S，S^S为被选择的候选公交站点集合；

S503、利用步行网络计算从目的城市活动设施点j到出发站点p的步行时间以及从到达站点q到乘客出行聚集点i的步行时间

S504、计算乘客从城市活动设施点j返回到出行聚集点i的出行时间为 $t^{{\mathrm{\τ}}^{\′}}(j,i)={\mathrm{\γ}}_{ji}^{pq}\left(t_{jp}^{walk}+t_{qi}^{walk}\right)+{\mathrm{\γ}}_{ji}^{pq}(\frac{l_{pq}}{v}+(p-q\left)t_s^w\right),$ 其中，l_pq为出发站点p与到达站点q之间的距离，v为公交车辆的行驶速度，为公交车辆在每个公交站点上下客的停靠站时间，为0-1变量，当乘客从活动设施点j到出行聚集点i时，同时p,q∈S^S，S^S为被选择的候选公交站点集合；

S505、计算从乘客出行聚集点i到某一个城市活动设施点j的总出行时间为t(i,j)＝t^τ(i,j)+t^τ′(j,i)。

3.根据权利要求1所述的最大化时空可达性的公交线路站点优化布设方法，其特征在于，所述步骤S7中优化布设模型包括以下约束条件：

$a.{\mathrm{\λ}}_{ij}=\left\{\begin{array}{c}0,t^{\mathrm{\τ}}(i,j)+t_j^w+t^{{\mathrm{\τ}}^{\′}}(j,i)\≤T(i,j)\\ 1,otherwise\end{array}\right.,\∀i\∈D,j\∈A,$ 其中D为城市活动设施点集合，A为出行聚集点集合；

b.l_min≤l≤l_max，其中l为两相邻站点的距离变量，l_max为两相邻站点的最大距离，l_min为两相邻站点的最小距离；

c.确保去程方向至少有一个站点可以到达出行聚集点i的约束条件：其中为0-1决策变量，表示在去程方向的站点m是否被选择；为0-1变量，表示从站点m能否到达出行聚集点i，且m∈S，S为候选公交站点集合；

d.确保回程方向至少有一个站点可以到达出行聚集点i的约束条件：其中为0-1决策变量，表示在回程方向的站点m是否被选择；

e.确保去程方向从出行聚集点i出发至少可以到达一个站点的约束条件：其中为0-1变量，表示从出行聚集点i能否到达站点m；

f.确保回程方向从出行聚集点i出发至少可以到达一个站点的约束条件： ${\mathrm{\Σx}}_m^{(-1)}{\mathrm{\θ}}_i^m\≥1,\∀i\∈D;$

g.确保去程方向至少有一个站点可以到达活动设施点j的约束条件： ${\mathrm{\Σx}}_m^{\left(1\right)}{\mathrm{\θ}}_m^j\≥1,\∀j\∈A;$

h.确保回程方向至少有一个站点可以到达活动设施点j的约束条件： ${\mathrm{\Σx}}_m^{(-1)}{\mathrm{\θ}}_m^j\≥1,\∀j\∈A;$

i.确保去程方向从活动设施点j出发至少可以到达一个站点的约束条件： ${\mathrm{\Σx}}_m^{\left(1\right)}{\mathrm{\θ}}_j^m\≥1,\∀j\∈A;$

j.确保回程方向从活动设施点j出发至少可以到达一个站点的约束条件： ${\mathrm{\Σx}}_m^{(-1)}{\mathrm{\θ}}_j^m\≥1,\∀j\∈A.$

4.根据权利要求1所述的最大化时空可达性的公交线路站点优化布设方法，其特征在于，所述步骤S8的具体步骤为：

S801、将步骤S1中得到的单条公交线路站点布设线按照一定的距离间隔选取候选公交站点，然后对双向公交线路站点布设方案进行0-1编码；

S802、初始化符合模型约束条件及遗传算法相关约束条件的种群；

S803、优化布设模型的决策变量为x⁽¹⁾及x^(-1)，将两者看做一个整体即x＝{x⁽¹⁾,x^(-1)}，所述步骤S7中所构建模型的目标值Z为最小化一定时间-空间约束下不可达的活动设施点的数量，则遗传算法的适应度函数可以设为f(x)＝M-Z，其中M是大于Z最大值的正常数，x为种群个体的适应度值，进而计算得到种群个体的适应度值；

S804、判断种群个体的适应度值是否达到了最大迭代代数，是则输出最优公交线路站点布设方案并结束，否则转到步骤S805；

S805、利用选择、交叉和变异等操作产生新一代种群；

S806、判断步骤S805产生的新种群中每个个体是否都符合步骤S7中优化布设模型的约束条件，是则转到步骤S803，否则转到步骤S805。