CN106203678A - 一种面向轨道运营中断的公交应急联动疏运方法 - Google Patents

Abstract

本发明公开了一种面向轨道运营中断的公交应急联动疏运方法，属于城市轨道交通技术领域。一种面向轨道运营中断的公交应急联动疏运方法，通过定义遗传算法的染色体编码规则给定公交车辆资源调度方案，利用动态系统仿真推演获取公交车辆循环疏运次数的值，在结合两者的基础上计算各中断车站的总疏运时间，确定公交应急联动疏运的最优方法。本发明不但能够缩短乘客疏运时间，还能够节约实际调用的公交车辆总数，从而有效提高疏运效率和降低疏运成本。

Description

一种面向轨道运营中断的公交应急联动疏运方法

技术领域

本发明属于城市轨道交通技术领域，涉及一种面向轨道运营中断的公交应急联动疏运方法。

背景技术

轨道交通网络内突发事件的发生具有完全随机性，轨道交通运营企业会针对各类具体突发事件制订应急预案。当轨道交通线网内发生较长时间运营中断事件下(如中断运营30min以上事件)，通常需要启动公交应急联动疏运，相应采取“大小交路(轨道正常运营区段)+公交短驳(轨道中断运营区段)”的运输组织方式以维持城市公共交通系统的基本服务水平。

针对公交应急疏运问题，国外He、Sayyady、Goerigk、Lv均以公交车辆疏散总时间最小为目标建立整数规划模型，并设计遗传算法、禁忌搜索算法、模拟退火算法等启发式算法求解。国内胡华磊以疏散车辆总行驶里程最小为目标建立了整数规划模型，他将公交车辆最大循环行驶次数设为固定值，在提出等效驻车点概念的基础上利用表上作业法求解。已有的公交应急疏散研究存在以下不足：第一，公交应急疏运问题包含了应急公交车辆资源调度和公交车辆疏运线路规划两个子问题，已有研究往往只研究某一个子问题或者将两个子问题分割成两阶段进行优化，没有考虑两者之间的耦合关系，因此难以获得系统最优解；第二，在面向轨道运营中断的公交应急联动疏运问题中，由于应急公交车辆资源有限和待疏运轨道乘客需求量较大，一般情况下应急公交车辆需要多次往返才能完成全部受影响乘客的疏运，因此该问题属于多循环公交车辆应急疏运问题，公交车辆的循环疏运次数应作为决策变量单独进行优化。已有研究往往针对单循环公交应急疏运问题或者提前设定公交车辆的最大循环疏运次数，这虽然降低了该问题的求解难度，但一定程度限制了优化效果，并降低了模型的实践应用价值。

发明内容

本发明针对面向轨道运营中断的公交应急联动疏运问题，提出其优化流程，并设计一种基于动态系统仿真的改进启发式遗传算法，求解公交车辆资源调度方案和公交车辆的循环疏运次数，得到公交应急联动疏运的最优方法，能够有效提高疏运效率和降低疏运成本。

一种面向轨道运营中断的公交应急联动疏运方法，通过定义遗传算法的染色体编码规则给定公交车辆资源调度方案，利用动态系统仿真推演获取公交车辆循环疏运次数的值，在结合两者的基础上计算各中断车站的总疏运时间，确定公交应急联动疏运的最优方法。

所述面向轨道营运中断的公交应急联动疏运问题的优化流程，步骤如下：

步骤一：设定启动公交应急联动疏运的阈值条件；

步骤二：确定轨道交通待疏运车站范围；

步骤三：划分公交应急联动责任区，确定公交应急派车点的可选择空间区域范围；

步骤四：根据轨道交通应急预案对公交车辆到达轨道车站的应急响应时间要求和既有公交线路的本线最低服务水平要求，确定责任区内参与应急联动疏运的公交应急派车点的集合以及各公交应急派车点可抽调的最大公交车辆数；

步骤五：以各中断车站完成疏运的总时间最短为优化目标，进行公交应急联动疏运建模与求解，获得公交应急联动最优疏运方法。

所述公交应急联动疏运建模采用基于动态系统仿真的改进启发式遗传算法，遗传算法中用染色体编码规则生成一个随机的初始染色体，得到一个随机的公交车辆资源调度方案，在此基础上，利用动态系统仿真推演得到的公交车辆循环疏运次数来计算各中断车站的总疏运时间，将各中断车站的最大总疏运时间作为计算染色体的适应度函数值，判定是否满足收敛准则，满足收敛准则得到公交应急联动疏运的最优方法；不满足收敛标准则进行变异操作产生新的染色体，得到一个新的公交车辆资源调度方案，再利用动态系统仿真推演得到的公交车辆循环疏运次数来计算各中断车站的最大总疏运时间，循环迭代优化直到满足收敛标准，得到公交应急联动最优疏运方法。

所述收敛准则为计算当前染色体的适应度函数值和上一次染色体的适应度函数值的变化率，如果变化率不为0，则为不满足收敛准则，迭代优化；反之则为满足收敛准则，停止迭代。

所述变异操作，假定当前公交车辆资源调度方案中的总疏运时间最长、最短的中断车站分别为|L|、|S|，变异算子优化策略如下：

a：当任一公交派车点还有可调用车辆且从派车点往中断站|L|的行驶时间小于中断站|L|的总疏运时间时，则从公交派车点往中断站|L|增派1辆车，公交车辆资源调度方案的车队规模增加1辆；

b：当所有公交派车点都没有可调用车辆且中断站|S|至少派有2辆车时，从中断站|S|往中断站|L|调派1辆车，公交车辆资源调度方案的车队规模不变。

所述定义遗传算法的染色体编码规则随机生成染色体，所述染色体为任一公交车辆资源调度方案，优化变量包括各公交派车点调派的车辆总数集和各公交派车点往各轨道中断车站调派的车辆数集，所述染色体编码规则为各派车点可调用最大车辆数集乘以一个[0，1]区间内的随机值后取整作为各公交派车点调派车辆总数集，在各公交派车点调派车辆总数集乘以另一个[0，1]区间内的随机值后取整作为各公交派车点往各中断车站调派车辆数集。

所述染色体编码规则，定义如下：A代表任一随机的公交车辆资源调度方案，X_j为各公交派车点调派的车辆总数，X_ij为各公交派车点往各轨道中断车站调派的车辆数，公交应急联动疏运系统中有m个公交派车点、n个中断车站，则A的表达式为

$\begin{array}{c}A=(X_1,\mathrm{...},X_j,\mathrm{...},X_m;x_{11},\mathrm{..},x_{i1},\mathrm{...},x_{n1};\mathrm{...};x_{1j},\mathrm{...},x_{ij},\mathrm{...},x_{nj};\mathrm{...};x_{1m},\mathrm{...},x_{im},\mathrm{...},x_{nm})\\ =\left(\right|{\mathrm{\α}}_1{D}_1|,\mathrm{..},|{\mathrm{\α}}_j{D}_j|,\mathrm{..},|{\mathrm{\α}}_m{D}_m|;|{\mathrm{\β}}_1{X}_1|,\mathrm{..},|{\mathrm{\α}}_1{D}_1|-\underset{i=1}{\overset{n-1}{\Σ}}|{\mathrm{\β}}_i{X}_1|;\mathrm{...};|{\mathrm{\β}}_n{X}_1|,\mathrm{...},|{\mathrm{\α}}_m{D}_m|-\underset{i=1}{\overset{n-1}{\Σ}}|{\mathrm{\β}}_i{X}_m\left|\right)\end{array}$

其中β_i和α_j均是[0，1]区间内的随机值，||表示取整。

有益效果

本发明将公交车辆资源调度方案和公交车辆循环疏运次数二者作为一个动态系统的两个互耦环节，克服了以往二阶段分割式优化方法难以获得系统最优解的缺陷；针对公交应急联动疏运问题的模型特点，结合动态系统仿真和启发式遗传算法的特点，设计基于动态系统仿真的改进启发式遗传算法求解模型，实证表明，该算法在求解效率和优化结果方面均优于标准遗传算法；针对公交应急联动疏运需求超过单辆公交车疏运能力的特点，将公交循环疏运次数作为单独的决策变量，利用动态系统仿真推演其变量值，在提高求解复杂度的同时提高了模型和算法的实际应用价值。本发明不但能够缩短乘客疏运时间，还能够节约实际调用的公交车辆总数，从而有效提高疏运效率和降低疏运成本。

附图说明

图1为本发明的公交应急联动疏运问题示意图；

图2为本发明的公交应急联动疏运问题优化流程示意图；

图3为本发明的动态系统i的公交车辆在t时刻的运营状态示意图；

图4为本发明的动态系统仿真推演流程示意图；

图5为本发明的改进启发式遗传算法优化流程示意图；

图6为本发明的具体实施例背景示意图。

其中，附图1中表示公交应急派车点，表示中断运营车站，表示运营折返站，表示中断运营区间，表示公交车辆调派线路，→表示上行方向公交疏运路线，表示下行方向公交疏运路线；附图3中B表示派车点站，P表示中断站，S表示折返站，①表示从派车点驶往中断站，②表示在中断站停靠，③表示在折返站停靠，④表示返回中断站，⑤表示往折返站行驶，A表示第①运营状态下的公交车辆对应派车点子集，B表示第②运营状态下的公交车辆对应派车点子集，C表示第③运营状态下的公交车辆对应派车点子集，D表示第④运营状态下的公交车辆对应派车点子集，E表示第⑤运营状态下的公交车辆对应派车点子集；附图6中表示正常营运车站，表示折返站，●表示营运中断站，——表示正常营运区间，表示中断营运区间，表示公交应急派车点。

具体实施方式

下面结合具体实施例和附图，进一步阐述本发明。

公交应急联动疏运问题示意如图1所示，公交应急联动疏运是指在轨道交通运营中断期间，从公交派车点(包括应急配车点、公交停车场或首末站等)调度公交车辆，沿轨道线路上、下行运行方向，在中断车站与正常运营车站之间多次往返为受影响轨道乘客提供安全疏散和替代运输服务。公交应急联动疏运问题包含了从公交应急派车点到中断运营车站的应急公交车辆资源调度方案和应急公交车辆在中断运营车站和正常运营车站之间的循环疏运次数两方面的决策优化过程。

公交应急联动疏运问题优化流程如图2所示，具体步骤如下：

步骤一：设定启动公交应急联动疏运的阈值条件，通常只有在轨道交通线网内发生30min以上的运营中断事件下，才会启动公交应急联动疏运；

步骤二：确定轨道交通待疏运车站范围；

步骤三：划分公交应急联动责任区，确定公交应急派车点的可选择空间区域范围；

步骤四：根据轨道交通应急预案对公交车辆到达轨道车站的应急响应时间要求和既有公交线路的本线最低服务水平要求，确定责任区内参与应急联动疏运的公交应急派车点的集合以及各公交应急派车点可抽调的最大公交车辆数；

步骤五：设定各中断轨道车站的待疏运乘客需求，将动态系统仿真和启发式遗传算法相结合设计基于动态系统仿真的改进启发式遗传算法，以各中断车站完成疏运的总时间最短为优化目标，进行公交应急联动疏运建模与求解，同时求解公交车辆资源调度方案和公交车辆的循环疏运次数，获得公交应急联动最优疏运方法。

在给定公交车辆资源调度方案下，某中断车站的公交应急联动疏运过程可看作一个动态系统。在t时刻，参与该站疏运的公交车辆的派车点子集中的公交车辆j存在5种运营状态：①从派车点驶往中断站；②在中断站停靠；③在折返站停靠；④返回中断站；⑤往折返站行驶，见图3。定义图3中第①-④运营状态下的公交车辆对应派车点子集分别为A、B、C、D。因此，反映该动态系统t时刻的状态变量为：中断车站t时刻的待疏运乘客需求、公交车辆截止t时刻的已循环疏运次数、t时刻A、B、C、D集合元素。设定动态系统中的各状态变量随时间的演化规律，利用仿真推演求解公交车辆循环疏运次数的优化流程见图4，具体步骤如下：

S1：设置待疏运中断车站集和可参与疏运的公交派车点集合，设定动态系统中的各状态变量随时间的演化规律；

S2：在中断车站集中选择某一个车站作为待优化动态系统i；

S3：令动态系统时间步长t＝0，初始化动态系统i的状态变量：中断车站的初始待疏运乘客需求、公交车辆已循环疏运次数设为0、子集A、B、C、D设为空集；

S4：令动态系统往前推进单位时间步长，即令t＝t+1，根据设定的演化规律开展动态系统仿真推演；

S5：在时间步长t结束时，更新中断车站i的各状态变量值：中断车站t时刻的待疏运乘客需求、截止t时刻的公交车辆已循环疏运次数、t时刻子集A、B、C、D的元素值；

S6：判定：若中断车站i已完成全部乘客疏运，则转到S7；反之，转到S4；

S7：计算中断车站i的完成全部乘客疏运耗费的总疏运时间；

S8：判定：若中断车站集中的所有车站都完成了仿真推演，则转到步骤九；反之，转到S2；

S9：计算所有中断车站的最大总疏运时间，即求得改进遗传算法中某染色体的适应度函数值。

本发明中将动态系统仿真和启发式遗传算法相结合设计了一种混合优化算法，即基于动态系统仿真的改进启发式遗传算法，流程见图5，具体步骤如下：

T1：设定已知参数值，包括：各公交派车点可调用最大车辆数，各公交派车点至各中段站的行驶时间，各中段站至折返站的往返行驶时间，各中断站上下行方向的待疏运乘客数。

T2：定义染色体编码规则，随机产生初始染色体；染色体编码规则定义如下：A代表任一个随机的公交车辆资源调度方案，X_j为各公交派车点调派车辆总数，X_ij为各公交派车点往各中断车站调派车辆数，公交应急联动疏运系统中有m个公交派车点、n个中断车站，则A的表达式为

$\begin{array}{c}A=(X_1,\mathrm{...},X_j,\mathrm{...},X_m;x_{11},\mathrm{..},x_{i1},\mathrm{...},x_{n1};\mathrm{...};x_{1j},\mathrm{...},x_{ij},\mathrm{...},x_{nj};\mathrm{...};x_{1m},\mathrm{...},x_{im},\mathrm{...},x_{nm})\\ =\left(\right|{\mathrm{\α}}_1{D}_1|,\mathrm{..},|{\mathrm{\α}}_j{D}_j|,\mathrm{..},|{\mathrm{\α}}_m{D}_m|;|{\mathrm{\β}}_1{X}_1|,\mathrm{..},|{\mathrm{\α}}_1{D}_1|-\underset{i=1}{\overset{n-1}{\Σ}}|{\mathrm{\β}}_i{X}_1|;\mathrm{...};|{\mathrm{\β}}_n{X}_1|,\mathrm{...},|{\mathrm{\α}}_m{D}_m|-\underset{i=1}{\overset{n-1}{\Σ}}|{\mathrm{\β}}_i{X}_m\left|\right)\end{array}$

其中β_i和α_j均是[0，1]区间内的随机值，||表示取整。

T3：利用动态系统仿真推演该调车方案下参与疏运的公交车辆的循环疏运次数，并计算获得染色体的适应度函数值，具体步骤见图4；

T4：判定是否满足算法收敛准则：计算当前染色体的适应度函数值和上一次染色体的适应度函数值的变化率，如果变化率不为0，则转到T5；反之，算法收敛，该染色体对应的调车方案和仿真推演获得的公交循环疏运次数即为公交应急联动疏运最优方案。

T5：执行变异算子，产生新染色体，转到T3。

设当前公交车辆资源调度方案A中的总疏运时间最长、最短的中断车站分别为|L|、|S|，变异算子优化策略为：当公交派车点还有可调用车辆且从派车点往中断站|L|的行驶时间小于中断站|L|的总疏运时间时，则从公交派车点往中断站|L|增派1辆车，公交车辆资源调度方案A的车队规模增加1辆；当所有公交派车点都没有可调用车辆且中断站|S|至少派有2辆车时，从中断站|S|往中断站|L|调派1辆车，公交车辆资源调度方案A的车队规模不变。

本发明的具体实施例如图6所示，为上海轨道交通9号线市郊段因佘山-洞泾区段发生供电故障导致九亭站、泗泾站、佘山站、洞泾站、松江大学城站共5个车站中断运营1h，需从松江区抽调公交车辆对5个中断站的受影响乘客实施公交应急联动疏运，疏运目的地为中春路站和松江新城站。根据上海公交应急联动责任区划分，确定9号线沿线6个公交派车点共26条线路参与9号线应急疏运，各派车点可调用最大车辆数见表1；

表1各派车点至各中断站的可调用最大车辆数

公交派车点	公交线路	可抽调最大车辆数(辆)
			D1	S1、S10、S13、S2、S20、S32	10
D2	S11、S12、S16、S27	6
			D3	S14、S19、S24、S30、S31	9
D4	S3、S15、S17、S18、S28	7
			D5	S21、S22、S25	4
D6	S23、S33、S34	12

各派车点至各中断站的行驶时间见表2；

表2各派车点至各中断站的行驶时间(min)

各中断站至折返站的往返行驶时间见表3；

表3各中断站至折返站的往返行驶时间(min)

*定义公交车辆从中断站开往折返站为去程，反之为回程。

各中断站上下行方向的待疏运乘客数见表4，每辆公交车最大允许载客数为50人。

表4各中断站至折返站的待疏运乘客数(人)

*定义公交车辆从中断站开往中春路站为上行，开往松江新城站为下行。

利用Matlab对本文提出的基于动态系统仿真的改进启发式遗传算法和标准遗传算法进行编程实现和对比分析。设总群规模为200，最大进化代数为1000，变异率为0.6，标准遗传算法的交叉率为0.4。

各中断站的最优疏运时间对比如表5所示，其中基于动态系统仿真的改进启发式遗传算法的各站最大上行疏散时间为50min，最大下行疏散时间为50min，标准遗传算法的各站最大上行疏散时间为55min，最大下行疏散时间为56min，可以看出基于动态系统仿真的改进启发式遗传算法的各站最大疏散时间优于标准遗传算法的各站最大疏散时间。

表5各中断站的最优疏运时间对比

基于动态系统仿真的改进启发式遗传算法和标准遗传算法的优化结果对比分析如表6所示，改进启发式遗传算法的调车数为38辆，求解时间为194.2秒，标准遗传算法的调车数为42辆，求解时间为341.3秒，因此基于动态系统仿真的改进启发式遗传算法明显优于标准遗传算法。

表6两种算法的优化结果对比分析

总之，在求解公交应急联动疏运模型方面，本发明设计的基于动态系统仿真的改进启发式遗传算法在求解效率和优化结果方面均优于标准遗传算法，不但能够缩短各中断站完成乘客疏运所需的时间，还能够节约实际调用的公交车辆总数，从而有效提高疏运效率和降低疏运成本。

Claims (7)

1.一种面向轨道运营中断的公交应急联动疏运方法，其特征在于：通过定义遗传算法的染色体编码规则给定公交车辆资源调度方案，利用动态系统仿真推演获取公交车辆循环疏运次数的值，在结合两者的基础上计算各中断车站的总疏运时间，确定公交应急联动疏运的最优方法。

2.如权利要求1所述的面向轨道运营中断的公交应急联动疏运方法，其特征在于：所述面向轨道营运中断的公交应急联动疏运问题的优化流程，步骤如下：

步骤一：设定启动公交应急联动疏运的阈值条件；

步骤二：确定轨道交通待疏运车站范围；

步骤三：划分公交应急联动责任区，确定公交应急派车点的可选择空间区域范围；

步骤四：根据轨道交通应急预案对公交车辆到达轨道车站的应急响应时间要求和既有公交线路的本线最低服务水平要求，确定责任区内参与应急联动疏运的公交应急派车点的集合以及各公交应急派车点可抽调的最大公交车辆数；

步骤五：以各中断车站完成疏运的总时间最短为优化目标，进行公交应急联动疏运建模与求解，获得公交应急联动最优疏运方法。

3.如权利要求2所述的面向轨道运营中断的公交应急联动疏运方法，其特征在于：所述公交应急联动疏运建模采用基于动态系统仿真的改进启发式遗传算法，遗传算法中用染色体编码规则生成一个随机的初始染色体，得到一个随机的公交车辆资源调度方案，在此基础上，利用动态系统仿真推演得到的公交车辆循环疏运次数来计算各中断车站的总疏运时间，将各中断车站的最大总疏运时间作为计算染色体的适应度函数值，判定是否满足收敛准则，满足收敛准则得到公交应急联动疏运的最优方法；不满足收敛标准则进行变异操作产生新的染色体，得到一个新的公交车辆资源调度方案，再利用动态系统仿真推演得到的公交车辆循环疏运次数来计算各中断车站的最大总疏运时间，循环迭代优化直到满足收敛标准，得到公交应急联动最优疏运方法。

4.如权利要求3所述的面向轨道运营中断的公交应急联动疏运方法，其特征在于：所述收敛准则为计算当前染色体的适应度函数值和上一次染色体的适应度函数值的变化率，如果变化率不为0，则为不满足收敛准则，迭代优化；反之则为满足收敛准则，停止迭代。

5.如权利要求3所述的面向轨道运营中断的公交应急联动疏运方法，其特征在于：所述变异操作，假定当前公交车辆资源调度方案中的总疏运时间最长、最短的中断车站分别为|L|、|S|，变异算子优化策略如下：

a：当任一公交派车点还有可调用车辆且从派车点往中断站|L|的行驶时间小于中断站|L|的总疏运时间时，则从公交派车点往中断站|L|增派1辆车，公交车辆资源调度方案的车队规模增加1辆；

b：当所有公交派车点都没有可调用车辆且中断站|S|至少派有2辆车时，从中断站|S|往中断站|L|调派1辆车，公交车辆资源调度方案的车队规模不变。

6.如权利要求1所述的面向轨道运营中断的公交应急联动疏运方法，其特征在于：所述定义遗传算法的染色体编码规则随机生成染色体，所述染色体为任一公交车辆资源调度方案，优化变量包括各公交派车点调派的车辆总数集和各公交派车点往各轨道中断车站调派的车辆数集，所述染色体编码规则为各派车点可调用最大车辆数集乘以一个[0，1]区间内的随机值后取整作为各公交派车点调派车辆总数集，在各公交派车点调派车辆总数集乘以另一个[0，1]区间内的随机值后取整作为各公交派车点往各中断车站调派车辆数集。

7.如权利要求6所述的面向轨道运营中断的公交应急联动疏运方法，其特征在于：所述染色体编码规则，定义如下：A代表任一随机的公交车辆资源调度方案，X_j为各公交派车点调派的车辆总数，X_ij为各公交派车点往各轨道中断车站调派的车辆数，公交应急联动疏运系统中有m个公交派车点、n个中断车站，则A的表达式为

$\begin{array}{c}A=\left(X_1,...,X_j,...,X_m;x_{11},...,x_{i1},...,x_{n1};...;x_{1j},...,x_{ij},...,x_{nj};...;x_{1m},...,x_{im},...,x_{nm}\right)\\ =\left(\left|{\mathrm{\α}}_1{D}_1\right|,...,\left|{\mathrm{\α}}_j{D}_j\right|,...,\left|{\mathrm{\α}}_m{D}_m\right|;\left|{\mathrm{\β}}_1{X}_1\right|,...,\left|{\mathrm{\α}}_1{D}_1\right|-\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}\left|{\mathrm{\β}}_i{X}_1\right|;...;\left|{\mathrm{\β}}_n{X}_1\right|,...,\left|{\mathrm{\α}}_m{D}_m\right|-\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}\left|{\mathrm{\β}}_i{X}_m\right|\right)\end{array}$

其中β_i和α_j均是[0，1]区间内的随机值，||表示取整。