CN106228275A - 基于蚁群算法定制公交线路的方法 - Google Patents

Abstract

本发明公开一种基于蚁群算法的定制公交线路的方法，其特征在于，包括：采集需求信息进行数据分析，建立规划模型；根据所述规划模型，构建优化模型；基于蚁群算法构建计算模型，对所述优化模型获取最优解集。本发明提供的方法，能够实现定制公交需求覆盖率最大和平均上座率最高，从而有效提高公交车的利用率，提升乘客的满意度并降低定制公交的运营成本。

Description

基于蚁群算法定制公交线路的方法

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于蚁群算法定制公交线路的方法。

背景技术

随着经济的快速发展，我国汽车的保有量在迅速增长，因而给各主要城市带来了交通拥堵的难题。对此，国内外经验实践充分证明，解决交通拥堵的一个主要方式就是大力发展城市的公共交通工具，减少汽车出行数量。传统的城市公交作为一种重要的公共交通工具，与小汽车相比，其便捷性、舒适度和速度等方面都处于明显的劣势。在这种背景下，一种新的城市公共交通方式-定制公交应运而生。

目前，定制公交的运营主体主要有两类企业：传统公交公司和新兴互联网企业。传统公交公司的线路规划，多是依据公交出行记录和行业经验开通线路，缺乏对站点的细致分析，导致上座率不高。互联网企业则主要是根据用户需求征集等形式得出经行站点，再进行线路规划，其线路规划只关注提交需求的用户，因而用户需求覆盖率偏低。

因而如何科学地进行公交线路规划，以同时保证上座率和需求覆盖率，是目前业界亟待解决的问题。

发明内容

根据本发明的一个方面，提供了一种基于蚁群算法定制公交线路的方法，以解决现有的公交线路规划方法上座率不高和覆盖率低的问题。其中，该方法包括：

采集需求信息进行数据分析，建立规划模型；

根据所述规划模型，构建优化模型；

基于蚁群算法构建计算模型，对所述优化模型获取最优解集。

通过本发明的方法，使用蚁群算法对采集的需求信息进行计算，可以有效提高公交车的利用率，提升乘客的满意度并降低定制公交的运营成本。

在一些实施方式中，采集需求信息进行数据分析，建立规划模型包括：设置调查问卷，针对各出行小区通过调查问卷获取出行的需求信息，包括是否有意愿乘坐定制公交、主要意愿上车点位置、主要出行目的地和出行时间范围；对需求信息进行分析，提取输入参数，包括计算小区的交通出行量和获取输入参数信息，输入参数信息包括主要意愿上车点位置、需求数量、主要出行目的地、高低峰时间、以及客流量；对提取的输入参数抽象化，通过数学建模构建规划模型。由此，可以获取真实可靠的调查报告，并且基于调查信息进行分析就可以构建规划模型。

在一些实施方式中，对提取的输入参数抽象化，通过数学建模构建规划模型包括：将主要意愿上车点位置抽象化为需求上车点S，将各小区抽象化为A，在各小区A_i设置定制公交的需求上车点S_i，设定小区的交通出行量为q(A_i)；将出行目的地抽象化为D，设置距离矩阵L为L＝{l(S_i,S_j),i＝1,2,3...,j＝1,2,3...}，构建定制公交线路P为P＝{S_i,i∈P}，线路流量为q(P_i)，线路总里程为L(P_i)；根据定制公交线路P的线路流量，构建线路P的上座率为根据线路总里程构建线路运行时间为其中，tp是指线路P采用的定制公交车型，C_tp为该车型的容量，VC为车辆的平均运行速度。由此，可以实现根据需求构建规划模型。

在一些实施方式中，其中，根据规划模型，构建优化模型包括：根据构建出的定制公交线路P的线路流量q(P_i)和小区交通出行量q(A_i)，构建线路的服务率的优化模型为根据构建出的定制公交线路P的上座率rp，构建所有线路的平均上座率的优化模型为Max(At)＝∑rp。由此，可以实现基于定制公交需求覆盖率最大和平均上座率最高对规划模型进行优化。

在一些实施方式中，其中，基于蚁群算法构建计算模型，对优化模型获取最优解集包括：根据优化模型，设置蚁群算法的禁忌表，并根据禁忌表的内容构建计算模型；对设置的需求上车点S_i，按距离目的地D的距离远近，由远及近进行排序；对排序后的需求上车点，根据计算模型进行蚁群算法搜索，获取最优解集。由此，可以基于蚁群算法获取最优解集，以实现定制公交的需求覆盖率最大和平均上座率最高，降低公交的运营成本。

在一些实施方式中，禁忌表设置为包括距离和容量两方面内容，计算模型包括距离约束计算模型和容量约束计算模型，其中，

距离约束的计算模型为：对任意需求上车点S_k(S_k∈NS)，当前服务节点S_j的距离约束条件为l(S_j,S_k)+l(S_j,D)>ω*l(S_j,D)，其中，ω为自定义的约束值，NS为需求未被覆盖或者未被完全覆盖的需求上车点的集合；

容量约束的计算模型为：对当前服务节点S_j，满足容量约束条件为q_Pi+q(S_j)≤C_tp，当前服务节点可被服务的需求量计算模型为当前服务节点未被服务的需求量计算模型为其中，为当前线路P_i的目前已服务的需求总量，q(S_j)为当前服务节点S_j的剩余未被服务的需求量。由此，可以实现定制公交的距离和时间的合理化配置，保证在公交运行的合理路径距离和运行时间，提高用户体验。

在一些实施方式中，对排序后的需求上车点，根据计算模型进行蚁群算法搜索，获取最优解集包括：根据距离约束和容量约束的计算模型获取需求可被完全覆盖的服务节点，根据需求可被完全覆盖的服务节点计算蚁群的解集；根据预设的蚁群数量和迭代次数，输出蚁群的最优解集。由此，可以基于距离约束和容量约束获取规划模型的最优解集，实现定制公交的最优化线路规划。

在一些实施方式中，根据距离约束和容量约束的计算模型获取需求可被完全覆盖的服务节点，根据需求可被完全覆盖的服务节点计算蚁群的解集包括：

将当前蚁群置于最远的需求上车点，并将最远的需求上车点作为当前服务节点S_j，设定需求已被完全覆盖的服务节点的集合为DS，需求未被覆盖或未被完全覆盖的需求上车点的集合为NS；

重复以下操作直至NS集合为空：

对于当前线路的当前服务节点S_j，按照距离约束条件更新禁忌表，

-将满足距离约束条件的服务节点加入禁忌表，并将其从集合NS中删除，选择次远的需求上车点作为下一个当前服务节点S_j，重复该步骤，直至出现不满足距离约束条件的当前服务节点；

对不满足距离约束条件的当前服务节点，根据容量约束的计算模型，计算当前服务节点的未被服务的需求量并判断的值，当满足时，将当前服务节点S_j加入DS节点集合，并从NS集合中删除当前服务节点S_j，同时更新当前线路P_i的服务需求总量；

从NS集合获取下一个次远的需求上车点作为当前线路的新的当前服务节点S_j。由此，可以基于距离约束和容量约束，实现公交线路上座率和服务率的最大化。

在一些实施方式中，根据预设的蚁群数量和迭代次数，输出蚁群的最优解集包括：记录该蚁群的解集DS，并更新蚁群数量；判断蚁群数量是否大于第一预设值，

-当不大于第一预设值时，将更新后的蚁群数量作为当前蚁群的序号，重新根据距离约束和容量约束计算蚁群的解集，直至蚁群数量大于第一预设值，

-当蚁群数量大于第一预设值时，更新最优解集为当前的蚁群的解集DS；

更新迭代次数，并判断迭代次数是否大于第二预设值，

-当迭代次数不大于第二预设值时，将蚁群序号重新设定为初始值一，重新根据距离约束和容量约束计算蚁群的解集，直至迭代次数大于第二预设值，

-当迭代次数大于第二预设值时，输出最优解集。由此，可以根据需求上车点数量，设置蚁群数量和迭代次数的上限，从而进一步保证规划出的定制公交线路的运行距离和时间的合理化。

在一些实施方式中，其中，在基于蚁群算法获取规划解集之后，还包括：

采集路面实况信息，设计拥挤系数；

根据计算模型和拥挤系数，获取最优解集。由此，将获取的最优解集与拥挤系数相结合，根据拥挤系数对最优解集进行调整，从而保证在用户需求的时间段范围内，选择最优的发出时间，保证最低的拥挤系数，从而进一步提高公交线路的利用率和客户满意度，降低公交线路的运营成本。

附图说明

图1为本发明一实施方式的基于蚁群算法的定制公交线路的方法的流程图；

图2为本发明另一实施方式的基于蚁群算法的定制公交线路的方法的流程图；

图3为图1和图2所示实施方式中应用蚁群算法构建计算模型的方法流程图；

图4为图3所示实施方式中通过蚁群进行迭代获取最优解集的方法流程图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

图1示意性地显示了根据本发明的一种实施方式的基于蚁群算法的定制公交线路的方法的流程。如图1所示，该方法包括：

步骤S101：采集需求信息。

本发明实施例通过调查问卷针对各小区进行信息采集，具体为，对于n个出行小区A_i(i＝1,2,3…n)，设置对应的调查问卷B_i，调查问卷B_i的内容如可以包括是否有意愿乘坐定制公交、主要意愿上车点位置、主要出行目的地、出行时间范围等，以收集出行小区A_i的出行需求信息。其中，进行信息采集的方式，可以是通过纸质调查问卷在小区对住户进行上门抽样调查，也可以是通过业主微信群等渠道在网上发布调查问卷。通过在小区进行问卷调查的方式，可以获取真实可靠的调查报告。

步骤S102：对采集的需求信息进行数据分析，提取输入参数。

对采集到的出行小区A_i的需求信息进行数据分析，包括：统计居住人口中有意愿乘坐定制公交的数量之和，结合采集到的A_i小区问卷量与总居住人口的比率，估算出该小区的交通出行量q(A_i)(具体为通过比率与采集到的交通出行量的乘积，得到小区的总交通出行量)；根据问卷内容获取得到的出行上下车点的位置和需求数量、高低峰时间等信息，分析出生活区、办公区等地理位置分布数据，客流、高低峰、换乘等实时运营数据和互联网公交乘车查询数据；以及根据政府发布的异常路段，分析出路况、施工、交通管制数据，并在规划路线中避免通过这些区域。之后，根据分析结果提取出构建规划模型所需的输入参数，如提取主要意愿上车点位置、主要出行目的地、客流量、高低峰值等作为输入参数。

步骤S103：根据提取的输入参数，构建规划模型。

通过数学建模，将分析得到的数据和提出的输入参数抽象化(如将输入参数中的主要意愿上车点位置抽象化为需求上车点S)。具体包括，例如对于单目的地的定制公交规划问题，设定在该规划线路中存在多个小区A_i(i＝1,2,3…n)，在规模较小的小区设置一个定制公交需求上车点S_i，而在规模较大的小区适当增加需求上车点数量(如设置三个需求上车点)。把这些小区的出行目的地区均设为D，地区D中有数个需求上车点S_i，需求上车点S_i与D均处于城市路网中，点间距离为考虑城市交通组织和路网结构的车辆行驶距离，以距离矩阵L表示，L＝{l(S_i,S_j),i＝1,2,3...,j＝1,2,3...}。则定制公交线路P就是由需求上下车站点组成的有向路径，根据需求上车点为S_i，则有P＝{S_i,i∈P}，线路流量为q(P_i)，线路总里程为L(P_i)，根据线路流量就可以得到线路P的上座率为其中，tp是指线路P所采用的定制公交车型，C_tp为该车型的容量，而将线路运行时间抽象为T，根据线路总里程就可以得到线路运行时间T＝L(P_i)/VC，其中，VC为车辆的平均运行速度。由此，就构建出了定制公交线路P的规划模型。

步骤S104：对规划模型进行优化，构建优化模型。

由于，在实际运行中，定制公交满足所有乘客的需求成本过大，不符合经济规律，但在规划时也需要尽可能的使服务就给达到最高，即服务率最大。同时，为了保证成本和经济效益，也要保证线路规划合理，运营效率较高，即上座率最高。因而，需要基于定制公交需求覆盖率最大和定制公交平均上座率最高对构建的规划模型进行优化，以构建定制公交线路规划优化模型。由于，服务率为各线路承载的流量之和与各总定制公交需求流量之和的比率，且根据优化目标为1可知，服务率为小于1的小数，当服务率最高时无限趋近于1，根据前述内容可知各线路承载的流量为q(P_i)，交通出行需求量为q(A_i)，因而可得出根据本发明实施例的公交线路的服务率为：

Max(Sr)＝∑q(P_i)/∑q(A_i)

由前文可知，单条线路的上座率为因而可以得出所有线路的平均上座率为：

Max(At)＝∑rp

由此，就在步骤S103构建的规划模型的基础上，根据服务率和上座率构建出了满足覆盖率和上座率的上述优化模型。

步骤S105：基于蚁群算法构建计算模型，对优化模型计算最优解集。

蚁群算法是一种用来在图中寻找优化路径的算法，由Marco Dorigo在1992年提出，最初多用于解决TSP(Traveling Salesman Problem，旅行商问题，又称最短路径问题)问题，现广泛应用于多路径求解，如通讯网络中的路由设计、负载均衡、车辆调度等领域。本发明实施例应用蚁群算法对上述优化模型计算最优解集，以得到同时满足覆盖率和上座率的最优的公交规划线路。图3示意性地显示了本发明一种实施方式的应用蚁群算法求解最优定制公交线路的方法，如图3所示，应用蚁群算法对优化模型求解的具体步骤如下，包括：

步骤S301：根据优化模型，设置蚁群算法的禁忌表，构建距离约束和容量约束的计算模型。

禁忌表是蚁群算法设计的核心，其决定了蚁群搜索的原则和方向。根据本发明的目的和构建的优化模型，将本发明实施例的蚁群禁忌表设置为包括两方面内容：距离和容量，并分别建立优化模型对应的距离约束和容量约束。

其中，本发明实施例中建立距离约束的过程具体可以是：设定节点全集为TS，蚁群搜索的当前线路为P_i，当前服务节点为S_j，需求已被完全覆盖的服务节点的集合为DS，需求未被覆盖或者未被完全覆盖的需求上车点的集合为NS，则存在：DS+NS＝TS。设定蚁群中当前已加入路径的服务节点的集合为SS，显然有假定禁忌表为Tabu，为了确保定制公交的线路不会绕路太远，则对于任意的需求上车点S_k(S_k∈NS)，可构建距离约束条件为：

l(S_j,S_k)+l(S_j,D)>ω*l(S_j,D)

其中，ω是自定义的约束值，D为目的地，为了满足快速出行的需求，定制公交的线路距离不应大于ω倍的当前服务节点到目的地的距离，优选地，ω取值为2或3。

本发明实施例中建立容量约束的过程具体可以是：将当前服务节点S_j的当前剩余未被服务的需求量设定为q(S_j)，设定当前线路P_i的目前已服务的需求总量为则有：即服务节点S_j所代表的能被线路服务的需求量必然小于该线路的最大容量，由此可知该节点可被线路P_i服务的需求量为：因此，若将节点S_j选择为下个服务点，则其余未被服务的需求量更新为：此时，若判断则将服务节点S_j置入节点集DS，并将线路P_i的服务需求总量更新为

步骤S302：对全部需求服务节点进行排序，并根据构建的距离约束条件和容量约束条件，进行蚁群算法搜索。

将获取的所有的需求上车点(即需求服务节点)按其与出行目的地距离的远近进行排序，选择最远点作为可行解搜索的起始点，根据距离约束条件和容量约束条件进行搜索。首先判断当前服务节点S_j是否满足约束条件，如果当前服务节点S_j满足上述约束条件，则说明加入该节点后公交线路的路径过长，不满足公交快速出行的需求，因而需要舍弃，此时需要将S_j加入禁忌表Tabu。而如果当前服务节点S_j满足长度约束(即不满足上述条件)，则进一步对该节点判断容量约束，根据容量约束的判断结果当服务节点S_j的服务需求量都被满足时，即满足时，将节点S_j置入节点集DS中，并更新当前线路的服务需求总量。然后选择下一个服务节点，并根据距离约束条件和容量约束条件进行判断，直至蚁群搜索的结果满足NS＝Φ则结束迭代。其中，通过蚁群进行迭代搜索所有的需求服务点，以获取最优解的具体步骤包括：

步骤S401：初始化蚁群参数。

对蚁群参数进行初始化，为了保证线路的距离和时间合理，首先根据设置的需求上车点的数量i，初始化蚁群总数为第一预设值G，并设定G＝(i-2)²和算法总迭代次数为第二预设值N，并设定N＝(i-2)²，并初始化当前迭代次数inner＝1。然后，将当前线路的所有的需求服务点(即获取的所有需求上车点)按照距离目的地的距离由远及近进行排序。

步骤S402：选定蚁群进行搜索，设定当前蚁群序号为ag＝1。

步骤S403：设定蚁群和当前服务节点，并初始化DS和NS集合的值。

将当前蚁群置于离目的地最远的需求服务点，将离目的地最远的需求服务点设置为当前服务节点S_j，同时初始化DS为空集合，NS为全部需求服务点的集合。

步骤S404：对于当前线路，按照距离约束条件更新该蚁群的禁忌表。

对于任意的需求上车点S_k(S_k∈NS)，判断当前服务节点S_j是否满足距离约束条件：l(S_j,S_k)+l(S_j,D)>ω*l(S_j,D)，如果满足则将S_j加入禁忌表，并将S_j从NS集合中删除，并根据排序后的需求服务点选择下一个次远的节点作为当前服务节点S_j，并继续进行步骤S404的判断，如果不满足上述约束条件则进行步骤S405。

步骤S405：结合禁忌表，按照容量约束条件更新服务需求点的状态与线路状态。

获取当前服务节点S_j的当前剩余未被服务的需求量q(S_j)，和当前线路P_i的目前已服务的需求总量计算该节点可被线路P_i服务的需求量因此，若将节点S_j选择为下个服务点，则其余未被服务的需求量更新为：

步骤S406：根据计算结果，确定线路的下个服务点。

根据步骤S405计算出的当前需求服务点S_j的剩余需求量，判断当前需求服务点S_j的剩余需求量是否为0，若则将服务节点S_j加入DS节点集，并从NS节点集中删去S_j，同时将线路P_i的服务需求总量更新为

步骤S407：判断NS节点集的值，如果NS为空，则蚁群的一次迭代结束，记录该蚁群的解集DS，计算模型目标函数值ag＝ag+1(即将蚁群的数量加一)，进行步骤S408；如果NS不为空则获取下一个次远的节点作为当前服务节点S_j，并进行步骤S404。

步骤S408：判断蚁群数量ag是否大于G，如果ag不大于G，则转步骤S403，选择下一个蚁群继续进行搜索计算，否则更新算法最优解集为当前蚁群的DS集合，进行步骤S409。

步骤S409：更新迭代次数inner＝inner+1，判断当前迭代次数inner是否大于N，如果迭代次数inner不大于N，则转步骤S402，重新进行一次搜索计算，否则输出算法最优解集。

由此，就可以得到公交线路的最优解集。根据上述方法计算出的最优解集，满足公交线路的覆盖率最大和平均上座率最高，能够有效提高公交线路的利用率，降低运营成本。

图2所示的实施例描述了另一种实施方式的基于蚁群算法对定制公交线路进行规划的方法，如图2所示，本实施例在图1实施例的基础上，还包括：

步骤S106：采集路面实况信息，设计拥挤系数。

采集热点目的地(如交通流量最密集的前百分之三十的上下车点)附近的路面实况，设计拥挤系数β。具体例如可以为，通过现有的应用软件(如行讯通等)查看TPI(即交通拥堵指数)指数，并按周期动态(如连续7天)记录各时段的指数，以计算出各时段的TPI指数的均值，将该均值作为此区域在各时间段的当前拥挤系数β。

步骤S107：根据设计的拥挤系数，对获取的最优解集进行调整，获取最佳发车时间。

以计算得到的覆盖率最大且上座率最高的最优线路解集为基础，结合设计的拥挤系数，对最优解集进行调整，完成公交线路的最终规划。具体例如可以为，根据动态计算出的拥挤系数β，在满足规划时间段的前提下(即参照采集获取的出行时间范围进行分析)，获取拥挤系数最小的时间作为最佳发车时间，并将该发车时间作为最优解集的发车时间输出。

本发明的以上实施例，为定制公交的线路规划提供了一种科学的方法，可以有效提高公交的利用率，还能根据动态的拥挤系数合理设定发车时间，降低拥挤度，提升客户的满意度，并降低定制公交的运营成本，达到距离和时间的合理配置。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.基于蚁群算法的定制公交线路的方法，其特征在于，包括：

采集需求信息进行数据分析，建立规划模型；

根据所述规划模型，构建优化模型；

基于蚁群算法构建计算模型，对所述优化模型获取最优解集。

2.根据权利要求1所述的方法，其特征在于，所述采集需求信息进行数据分析，建立规划模型包括：

设置调查问卷，针对各出行小区通过调查问卷获取出行的需求信息，包括是否有意愿乘坐定制公交、主要意愿上车点位置、主要出行目的地和出行时间范围；

对所述需求信息进行分析，提取输入参数，包括计算小区的交通出行量和获取输入参数信息，所述输入参数信息包括主要意愿上车点位置、需求数量、主要出行目的地、高低峰时间、以及客流量；

对提取的输入参数抽象化，通过数学建模构建规划模型。

3.根据权利要求2所述的方法，其中，所述对提取的输入参数抽象化，通过数学建模构建规划模型包括：

将所述主要意愿上车点位置抽象化为需求上车点S，将各小区抽象化为A，在各小区A_i设置定制公交的需求上车点S_i，设定小区的交通出行量为q(A_i)；

将出行目的地抽象化为D，设置距离矩阵L为L＝{l(S_i,S_j),i＝1,2,3...,j＝1,2,3...}，构建定制公交线路P为P＝{S_i,i∈P}，线路流量为q(P_i)，线路总里程为L(P_i)；

根据定制公交线路P的线路流量，构建线路P的上座率为根据线路总里程构建线路运行时间为其中，tp是指线路P采用的定制公交车型，C_tp为该车型的容量，VC为车辆的平均运行速度。

4.根据权利要求3所述的方法，其中，所述根据所述规划模型，构建优化模型包括：

根据构建出的定制公交线路P的线路流量q(P_i)和小区交通出行量q(A_i)，构建线路的服务率的优化模型为

根据构建出的定制公交线路P的上座率rp，构建所有线路的平均上座率的优化模型为Max(At)＝∑rp。

5.根据权利要求4所述的方法，其中，所述基于蚁群算法构建计算模型，对所述优化模型获取最优解集包括：

根据所述优化模型，设置蚁群算法的禁忌表，并根据禁忌表的内容构建计算模型；

对设置的需求上车点S_i，按距离目的地D的距离远近，由远及近进行排序；

对排序后的需求上车点，根据计算模型进行蚁群算法搜索，获取最优解集。

6.根据权利要求5所述的方法，其特征在于，所述禁忌表设置为包括距离和容量两方面内容，所述计算模型包括距离约束计算模型和容量约束计算模型，其中，

所述距离约束的计算模型为：对任意需求上车点S_k(S_k∈NS)，当前服务节点S_j的距离约束条件为l(S_j,S_k)+l(S_j,D)>ω*l(S_j,D)，其中，ω为自定义的约束值，NS为需求未被覆盖或者未被完全覆盖的需求上车点的集合；

所述容量约束的计算模型为：对当前服务节点S_j，满足容量约束条件为当前服务节点可被服务的需求量计算模型为当前服务节点未被服务的需求量计算模型为其中，为当前线路P_i的目前已服务的需求总量，q(S_j)为当前服务节点S_j的剩余未被服务的需求量。

7.根据权利要求6所述的方法，其中，所述对排序后的需求上车点，根据计算模型进行蚁群算法搜索，获取最优解集包括：

根据距离约束和容量约束的计算模型获取需求可被完全覆盖的服务节点，根据需求可被完全覆盖的服务节点计算蚁群的解集；

根据预设的蚁群数量和迭代次数，输出蚁群的最优解集。

8.根据权利要求7所述的方法，其中，所述根据距离约束和容量约束的计算模型获取需求可被完全覆盖的服务节点，根据需求可被完全覆盖的服务节点计算蚁群的解集包括：

将当前蚁群置于最远的需求上车点，并将最远的需求上车点作为当前服务节点S_j，设定需求已被完全覆盖的服务节点的集合为DS，需求未被覆盖或未被完全覆盖的需求上车点的集合为NS；

重复以下操作直至NS集合为空：

对于当前线路的当前服务节点S_j，按照距离约束条件更新禁忌表，

-将满足所述距离约束条件的服务节点加入禁忌表，并将其从集合NS中删除，选择次远的需求上车点作为下一个当前服务节点S_j，重复该步骤，直至出现不满足所述距离约束条件的当前服务节点；

对不满足所述距离约束条件的当前服务节点，根据容量约束的计算模型，计算当前服务节点的未被服务的需求量并判断的值，当满足时，将当前服务节点S_j加入DS节点集合，并从NS集合中删除当前服务节点S_j，同时更新当前线路P_i的服务需求总量；

从NS集合获取下一个次远的需求上车点作为当前线路的新的当前服务节点S_j。

9.根据权利要求8所述的方法，其中，所述根据预设的蚁群数量和迭代次数，输出蚁群的最优解集包括：

记录该蚁群的解集DS，并更新蚁群数量；

判断蚁群数量是否大于第一预设值，

-当不大于第一预设值时，将更新后的蚁群数量作为当前蚁群的序号，重新根据距离约束和容量约束计算蚁群的解集，直至蚁群数量大于第一预设值，

-当蚁群数量大于第一预设值时，更新最优解集为当前的蚁群的解集DS；

更新迭代次数，并判断迭代次数是否大于第二预设值，

-当迭代次数不大于第二预设值时，将蚁群序号重新设定为初始值一，重新根据距离约束和容量约束计算蚁群的解集，直至迭代次数大于第二预设值，

-当迭代次数大于第二预设值时，输出最优解集。

10.根据权利要求2至9任一项所述的方法，其中，在基于蚁群算法获取最优解集之后，还包括：

采集路面实况信息，动态计算拥挤系数；

根据所述拥挤系数，实时获取以所述最优解集为规划结果的公交线路的最佳发车时间。