CN107958316B - 一种轨道交通线路的列车停站优化方法及系统 - Google Patents

一种轨道交通线路的列车停站优化方法及系统 Download PDF

Info

Publication number
CN107958316B
CN107958316B CN201810044390.0A CN201810044390A CN107958316B CN 107958316 B CN107958316 B CN 107958316B CN 201810044390 A CN201810044390 A CN 201810044390A CN 107958316 B CN107958316 B CN 107958316B
Authority
CN
China
Prior art keywords
station
train
slow
passenger
travel time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810044390.0A
Other languages
English (en)
Other versions
CN107958316A (zh
Inventor
罗钦
侯宇菲
莫义弘
顾孟琪
李伟
张雄飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Technology University
Original Assignee
Shenzhen Technology University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Technology University filed Critical Shenzhen Technology University
Priority to CN201810044390.0A priority Critical patent/CN107958316B/zh
Publication of CN107958316A publication Critical patent/CN107958316A/zh
Application granted granted Critical
Publication of CN107958316B publication Critical patent/CN107958316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于轨道交通技术领域，提供了轨道交通线路的列车停站优化方法，包括：获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件；若满足，采集所述待优化线路的基本信息；对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化。通过本发明实施例可以提高乘客的出行效率，对沿线客流起诱增作用，在大小交路条件下，可以缩短车底的周转率、减少线路的车底运用数量，降低运营成本。

Description

一种轨道交通线路的列车停站优化方法及系统
技术领域
本发明属于轨道交通技术领域，尤其涉及一种轨道交通线路的列车停站优化方法及系统。
背景技术
随着城市规模的不断扩张，我国城市化进程明显加快，城市轨道交通也向各卫星城镇延伸，由此产生了市域轨道交通线路。市域轨道交通线路主要服务于中心城区和市郊之间的通勤交通，具有距离长、设站多、客流时空分布不均衡等特点，不仅能为城郊两地提供长距离输送服务，又能缓解城市内的密集出行，对城市轨道交通整体网络优化起重要作用。
快慢列车停站方案研究是城市轨道交通开行方案研究的重点内容之一，它能够有效的提升城市轨道交通系统的运营效率，在快车缩短乘客出行时间的同时，保证慢车对沿线客流的吸引力。但快车在使用过程中一定涉及越行问题，即增加了乘坐被越行慢车出行的乘客的等待时间，使得被跨行车站的客运服务水平有所下降，且快车的开行对数的设定、越行方案的生成都将影响系统的运营效率，因此快慢车停站方案是否合理需要权衡利弊。且由于市域轨道交通线路沿线的客流分布不均衡，有必要采用大小交路嵌套模式来解决客流问题，提高小交路区段的运力水平，实现大小交路条件下的市域轨道交通线路快慢列车停站方案优化研究。
美国、法国、英国、德国、日本等国家早在20世纪中叶就已在城市道交通中应用快慢车模式，2014年初，我国上海地铁16号线首次采用快慢车模式。学者们关于列车停站方案近年来进行了较多的研究。张鹏等通过分析快车在越行站越行慢车的模式，利用Lingo软件得出在不同的快慢车比例下，乘客节约的旅行时间也不相同的结论。王琳等引入阻抗函数分析乘客的换乘行为，设计遗传-模拟退火算法求解不同停站方案下，乘客旅行时间和企业成本的变化。廖建奇分别对单一交路和大小交路模式下的大站快车开行方案进行分析，以所有乘客的总节省时间最大为目标，分别建立大站快车开行方案优化模型。高毅以全线所有乘客总旅行时间和企业运营成本综合最小为目标，构建市域线快慢车和多交路结合运营模式下的列车开行方案优化模型。
但是在现有的城市轨道交通出行优化方案中，仅仅考虑乘客的总出行时间，未考虑开行快慢车时快车停靠站的影响，导致出现优化路线不完善的问题。
发明内容
本发明所要解决的技术问题在于提供一种轨道交通线路的列车停站优化方法及系统，旨在解决现有的城市轨道交通出行优化方案中，仅仅考虑乘客的总出行时间，未考虑开行快慢车时快车停靠站的影响，导致出现优化路线不完善的问题。
本发明是这样实现的，一种轨道交通线路的列车停站优化方法，包括：
步骤A，获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件；
步骤B，若满足，采集所述待优化线路的基本信息，所述基本信息包括线路长度、站点数量、站间距、列车启动加速度、列车制动加速度、列车最高运行速度、列车编组、列车定员、最小追踪间隔时间以及优化时段单方向交通出行量数据；
步骤C，对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；
步骤D，将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化；
其中，所述优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数。
本发明还提供了一种轨道交通线路的列车停站优化系统，包括：
特征判断单元，用于获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件；
信息获取单元，用于当所述客流特征满足开行快慢车的条件时，采集所述待优化线路的基本信息，所述基本信息包括线路长度、站点数量、站间距、列车启动加速度、列车制动加速度、列车最高运行速度、列车编组、列车定员、最小追踪间隔时间以及优化时段单方向交通出行量数据；
矩阵获取单元，用于对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；
方案获取单元，用于将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化；
其中，所述优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数。
本发明与现有技术相比，有益效果在于：本发明实施例通过获取待优化线路的客流特征，根据该客流特征判断是否满足开行快慢车的条件，若满足，则获取该待优化线路的基本信息，根据该基本信息生成优化矩阵，将该优化矩阵输入优化模型中，利用遗传算法求解该优化模型的近似最优解，得到快车停站方案，以该快车停站方案对该待优化线路进行优化。本发明实施例提供的优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数，通过该优化模型得到的快车停站方案虽然因为越行会使得部分乘客在站停车等待时间增加，线路通过能力有所下降，但乘客整体出行时间缩短。在合理的停站方案下，开行快慢列车可以提高乘客的出行效率，而且对沿线客流起到一定的诱增作用，同时，在大小交路条件下，该快车停站方案可以缩短车底的周转率、减少线路的车底运用数量，从而降低运营成本。
附图说明
图1是本发明实施例提供的一种轨道交通线路的列车停站优化方法的流程图；
图2是本发明实施例提供的一种轨道交通线路的列车停站优化系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明实施例提供一种基于快慢车列车组合运营的市域轨道交通线路的列车停站优化方法，包括：
S1，获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件。在本步骤中，当客流断面呈现凸起型，即客流断面分布不均衡时，待优化线路满足开行快慢列车的条件。
S2，若满足，采集所述待优化线路的基本信息，所述基本信息包括线路长度、站点数量、站间距、列车启动加速度、列车制动加速度、列车最高运行速度、列车编组、列车定员、最小追踪间隔时间以及优化时段单方向交通出行量数据。在本步骤中，当判断待优化线路的客流特征满足开行快慢列车的条件时，采集该待优化线路的基本信息，该基本信息中包括优化时段单方向交通出行量数据，即OD客流数据。
S3，对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；
S4，将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化；
S5，研究优化后的线路对乘客出行时间的影响，以及线路通过能力的折损率等。
其中，所述优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数。
在本实施例中，乘客的出行时间包括乘客候车时间、乘客在途运行时间和乘客在途停车等待时间，而优化模型采用大小交路嵌套模式，大交路开行慢车和快车，小交路仅开行慢车，快车和慢车的技术参数相同，不受停站方案影响，该优化模型中列车的单向运行情况，不考虑列车折返，该优化模型仅仅针对市域轨道交通线路的运输能力充足，能满足客流需求，无乘客滞留情况，而且待优化线路的车站均具有越行条件，同时优化模型在构建过程中仅仅考虑乘客到达服从正态分布的随机到达，且由于乘客出行一般不愿意换乘，故采用一站到达，不考虑同线不同类型列车换乘方案，该优化模型采用大小交路嵌套模式，大小交路条件下乘客乘坐快慢列车的全过程，根据乘客起讫点的不同确定乘客的出行时间；
其中，所述优化模型的构建步骤包括：
S4100，当起点站i是大交路非共线运行区段的慢车站，终点站j是任意区段的车站时，乘客的出行时间T1为：
Figure BDA0001550430990000051
其中，
Figure BDA0001550430990000052
表示乘坐大交路慢车从i站至j站的客流量，T表示优化时段长度，f1表示大交路慢车的发车频率，hw为0-1变量，表示当乘客乘坐的列车在前站被快车越行时，取值为1，产生Δte的延误时间，反之取值为0，tij表示i站至j站的区间运行时间，Tk1和Tk2分别为列车在第k个站点的停站时间以及列车在第k个站点的起停附加时间，xk为0-1变量，表示当乘客在旅行过程中被快车越行时，产生Δto的停站延误时间；
S4101，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的慢车站时，乘客的出行时间T2为：
S4102，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的快车站时，乘客的出行时间T3为：
Figure BDA0001550430990000062
Figure BDA0001550430990000063
其中，f2表示大交路快车的发车频率，
Figure BDA0001550430990000064
和
Figure BDA0001550430990000065
分别表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间，
Figure BDA0001550430990000066
表示乘坐大交路快车从i站至j站的客流量，sk为0-1变量，表示当列车在k站停站时，取值为1，反之取值为0；
S4103，当起点站i是小交路区段的慢车站，终点站j是小交路区段的任意车站时，乘客出行时间T4为：
Figure BDA0001550430990000067
Figure BDA0001550430990000068
其中，f3表示小交路慢车的发车频率，
Figure BDA0001550430990000069
和
Figure BDA00015504309900000610
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间，
Figure BDA00015504309900000611
表示乘坐小交路慢车从i站至j站的客流量；
S4104，当起点站i是小交路区段的慢车站，终点站j是大交路非共线运行区段的任意车站时，乘客出行时间T5为：
Figure BDA00015504309900000612
步骤D105，当起点站i是小交路区段的快车站，终点站j是小交路区段的慢车站时，乘客出行时间T6为：
Figure BDA0001550430990000071
Figure BDA0001550430990000072
其中，
Figure BDA0001550430990000073
和
Figure BDA0001550430990000074
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间；
S4106，当起点站i是小交路区段的快车站，终点站j是小交路区段的快车站时，乘客出行时间T7为：
Figure BDA0001550430990000075
Figure BDA0001550430990000076
其中，
Figure BDA0001550430990000077
表示选择乘坐大交路慢车的乘客的出行时间，
Figure BDA0001550430990000078
表示选择乘坐大交路快车的乘客的出行时间，
Figure BDA0001550430990000079
表示选择乘坐小交路慢车的乘客的出行时间；
S4107，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的慢车站时，乘客出行时间T8为：
Figure BDA00015504309900000710
S4108，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的快车站时，乘客出行时间T9为：
Figure BDA0001550430990000081
Figure BDA0001550430990000082
式中，
Figure BDA0001550430990000083
和
Figure BDA0001550430990000084
表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间。具体地，因为终点站是大交路的车站，所以不管起点即使位于小交路区段内，也只能选择乘坐运行在大交路的列车，又因为起点站是快车站，所以乘客既可以选择大交路慢车也可以选择大交路快车。
S4109，根据步骤D100到步骤D108进行快慢列车组合，得到乘客的总出行时间T(c)，
Figure BDA0001550430990000085
S4110，对于大小交路条件下未开行快慢列车的情况，当起点站i是大交路非共线运行区段的车站，终点站j是任意区段的车站时，乘客的总出行时间T1 (o)为：
Figure BDA0001550430990000086
S4111,对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是大交路非共线运行区段的车站时，乘客的出行时间
Figure BDA0001550430990000087
为：
Figure BDA0001550430990000088
S4112，对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是小交路区段的车站时，乘客的出行时间
Figure BDA0001550430990000089
为：
Figure BDA00015504309900000810
Figure BDA0001550430990000091
其中，
Figure BDA0001550430990000092
和
Figure BDA0001550430990000093
分别表示选择乘坐大交路列车和小交路列车的乘客的出行时间；
S4113，获取在传统大小交路站站停列车运营模式下，乘客的总出行时间T(o)，
Figure BDA0001550430990000094
S4114，根据T(c)和T(o)构建乘客总出行时间的优化模型：
Figure BDA0001550430990000095
S4115，建立优化模型的约束条件，包括：
最小发车频率约束：f1≥1，f2≥1，f3≥1；
断面满载率ηmax约束：
Figure BDA0001550430990000096
其中，a表示车辆定员数，m为列车编组数量。
在步骤S4中，利用遗传算法求解所述优化模型的近似最优解包括：
S4200，随机生成n0个初始个体。在本步骤中，所述n0个初始个体以二进制序列表示，所述二进制序列中0,1编号表示车站的类型，当车站编号为0时，表示快车在该站不停车，当编号为1时，表示快车在该站停车，所述二进制序列的编码长度为车站数量，且起始和结束的编号均为1。
S4201，以所述优化模型函数作为遗传算法的适应度函数，计算当前代个体的适应度函数值；
S4202，对n0个初始个体采用轮盘赌的选择算子，产生一样规模的新个体；
S4203，采用均匀交叉的交叉算子对步骤S4202中产生的新个体进行重组出新的种群；
S4204，按照变异概率对步骤S4203中得到的新的种群进行变异操作，得到变异后的种群；
S4205，计算变异后的种群中所有个体的适应度函数值，用变异后的种群中适应度函数值最好的个体替换步骤S4201中适应度函数值最差的个体，以增大优质个体的数量；
S4206，判断是否满足所述遗传算法的终止条件，若满足，则输出最优解，遗传算法结束，若不满足，则返回步骤S4201。
在步骤S5中，具体的分析计算包括：
S51，站站停慢车的线路通过能力表示为：
Figure BDA0001550430990000101
其中，hmin表示最小追踪间隔时间；
S52，快慢列车的越行通过能力由列车的开行频率决定，越行站是快慢列车系统通过能力的瓶颈，越行站前后两列车的最小列车追踪间隔是限制快慢列车系统通过能力的重要因素，当最小列车追踪间隔与慢车停站时间之和作为慢车之间的发车间隔时，能保证系统的通过能力是当期最大通过能力。
快慢列车系统的通过能力可用公式
Figure BDA0001550430990000102
计算。
其中，p表示一个快慢列车组合中的慢车数，ts表示慢车的停站时间，hSF表示慢车与快车的发车间隔，hFS表示快车与慢车的发车间隔。
下面通过具体的例子对本发明实施例进行进一步地阐述：
步骤1：经调查，某市域轨道交通线路里程较长，轨道沿线发展水平不一致，且早高峰通勤人数较多，在不同车站的乘客乘降量也不一致，出现客流断面分布的不均衡现象。故选择为研究对象，进行快车停站方案的优化。
步骤2：经调查，某市域轨道交通线路长约40.5km，设站17座，最大站间距5.2km，最小站间距1.7km，全程区间运行时间为33.11min，列车采用A型车6节编组，列车最高运行速度可达100km/h，小交路区段为车站5～13；调查得到的站间距以及由该站间距和运行速度计算得到的区间运行时间如表1；预测得优化早高峰小时的OD客流量汇总结果如表2所示；
表1参数取值
Figure BDA0001550430990000111
表2高峰小时OD客流量(单位：人)
Figure BDA0001550430990000112
Figure BDA0001550430990000121
步骤3：根据OD客流数据可得单向运行方向的上下车客流情况，进而计算出单向各区间断面客流量，即可确定大小交路开行比例为1:1，快慢列车开行比例为1:3；
步骤4：在建模过程用到的参数，通过调查、计算和参考相关文献取经验值的方法，确定如表3所示：
表3参数取值
Figure BDA0001550430990000122
步骤5：求解遗传算法用到的参数，通过参考相关文献取经验值的方法，确定如表4所示：
表4算法参数取值
Figure BDA0001550430990000123
Figure BDA0001550430990000131
步骤6：利用遗传算法求解优化模型，多次计算得到近似最优解，从而得到最佳的快车停站方案如表5，1代表快车停站，0代表快车不停站：
表5最佳大交路快车停站方案
Figure BDA0001550430990000132
步骤7：根据快车停站优化方案，计算出乘客总出行时间与传统站站停列车开行方案相比产生的差异，如表6所示：
表6乘客旅行时间对比
Figure BDA0001550430990000133
从表6可以看出，在快慢列车组合运营模式下，由于开行大交路快车，长距离出行的乘客的出行时间减少，因此，乘客总旅行时间得到明显节省。并且经计算分析，在所得最佳方案中，大交路快车在车站5、车站7、车站11和车站13不停站越行慢车。
步骤8：设定参数hmin为120s，根据公式，站站停慢车的上行通过能力为30列/h。
步骤9：快慢列车上行的通过能力计算如下：
Figure BDA0001550430990000134
因此，快慢列车组合运营系统的通过能力为22列/h。虽然最大通行能力有所减小，但总的乘客旅行时间效益是很明显的。
综上，本发明实施例提出的快慢列车组合运营模式，以所有乘客总出行时间节约最大为目标函数，构建优化模型，使用遗传算法进行求解。研究表明，虽然越行会使得部分乘客在站停车等待时间增加，线路通过能力有所下降，但乘客整体出行时间缩短。
通过本发明实施例实践，在合理的停站方案下，开行快慢列车不仅可以提高乘客的出行效率，而且对沿线客流起到一定的诱增作用；同时，在大小交路条件下，该模式可以缩短车底的周转率、减少线路的车底运用数量，从而降低运营成本。
图2还示出了本发明实施例提供的一种轨道交通线路的列车停站优化系统，包括：
特征判断单元201，用于获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件；
信息获取单元202，用于当所述客流特征满足开行快慢车的条件时，采集所述待优化线路的基本信息，所述基本信息包括线路长度、站点数量、站间距、列车启动加速度、列车制动加速度、列车最高运行速度、列车编组、列车定员、最小追踪间隔时间以及优化时段单方向交通出行量数据；
矩阵获取单元203，用于对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；
方案获取单元204，用于将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化；
其中，所述优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数。
进一步地，当所述待优化线路的客流断面分布不均衡时，特征判断单元201判断所述待优化线路满足开行快慢列车的条件。
进一步地，乘客的出行时间包括乘客候车时间、乘客在途运行时间和乘客在途停车等待时间，所述优化模型采用大小交路嵌套模式，并根据乘客起讫点的不同确定乘客的出行时间；
列车停站优化系统还包括模型获取单元205，模型获取单元205用执行以下步骤：
步骤D100，当起点站i是大交路非共线运行区段的慢车站，终点站j是任意区段的车站时，乘客的出行时间T1为：
Figure BDA0001550430990000151
其中，
Figure BDA0001550430990000152
表示乘坐大交路慢车从i站至j站的客流量，T表示优化时段长度，f1表示大交路慢车的发车频率，hw为0-1变量，表示当乘客乘坐的列车在前站被快车越行时，取值为1，产生Δte的延误时间，反之取值为0，tij表示i站至j站的区间运行时间，Tk1和Tk2分别为列车在第k个站点的停站时间以及列车在第k个站点的起停附加时间，xk为0-1变量，表示当乘客在旅行过程中被快车越行时，产生Δto的停站延误时间；
步骤D101，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的慢车站时，乘客的出行时间T2为：
Figure BDA0001550430990000153
步骤D102，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的快车站时，乘客的出行时间T3为：
Figure BDA0001550430990000154
Figure BDA0001550430990000155
其中，f2表示大交路快车的发车频率，
Figure BDA0001550430990000156
和
Figure BDA0001550430990000157
分别表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间，
Figure BDA0001550430990000158
表示乘坐大交路快车从i站至j站的客流量，sk为0-1变量，表示当列车在k站停站时，取值为1，反之取值为0；
步骤D103，当起点站i是小交路区段的慢车站，终点站j是小交路区段的任意车站时，乘客出行时间T4为：
Figure BDA0001550430990000161
Figure BDA0001550430990000162
其中，f3表示小交路慢车的发车频率，
Figure BDA0001550430990000163
和
Figure BDA0001550430990000164
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间，
Figure BDA0001550430990000165
表示乘坐小交路慢车从i站至j站的客流量；
步骤D104，当起点站i是小交路区段的慢车站，终点站j是大交路非共线运行区段的任意车站时，乘客出行时间T5为：
Figure BDA0001550430990000166
步骤D105，当起点站i是小交路区段的快车站，终点站j是小交路区段的慢车站时，乘客出行时间T6为：
Figure BDA0001550430990000167
Figure BDA0001550430990000168
其中，
Figure BDA0001550430990000169
和
Figure BDA00015504309900001610
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间；
步骤D106，当起点站i是小交路区段的快车站，终点站j是小交路区段的快车站时，乘客出行时间T7为：
Figure BDA00015504309900001611
Figure BDA00015504309900001612
其中，
Figure BDA0001550430990000171
表示选择乘坐大交路慢车的乘客的出行时间，
Figure BDA0001550430990000172
表示选择乘坐大交路快车的乘客的出行时间，
Figure BDA0001550430990000173
表示选择乘坐小交路慢车的乘客的出行时间；
步骤D107，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的慢车站时，乘客出行时间T8为：
Figure BDA0001550430990000174
步骤D108，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的快车站时，乘客出行时间T9为：
Figure BDA0001550430990000175
Figure BDA0001550430990000176
式中，
Figure BDA0001550430990000177
和
Figure BDA0001550430990000178
表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间；
步骤D109，根据步骤D100到步骤D108进行快慢列车组合，得到乘客的总出行时间T(c)，
Figure BDA0001550430990000179
步骤D110，对于大小交路条件下未开行快慢列车的情况，当起点站i是大交路非共线运行区段的车站，终点站j是任意区段的车站时，乘客的总出行时间T1 (o)为：
Figure BDA00015504309900001710
步骤D111,对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是大交路非共线运行区段的车站时，乘客的出行时间
Figure BDA0001550430990000181
为：
Figure BDA0001550430990000182
步骤D112，对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是小交路区段的车站时，乘客的出行时间
Figure BDA0001550430990000183
为：
Figure BDA0001550430990000184
Figure BDA0001550430990000185
其中，
Figure BDA0001550430990000186
和
Figure BDA0001550430990000187
分别表示选择乘坐大交路列车和小交路列车的乘客的出行时间；
步骤D113，获取在传统大小交路站站停列车运营模式下，乘客的总出行时间T(o)，
Figure BDA0001550430990000188
步骤D114，根据T(c)和T(o)构建乘客总出行时间的优化模型：
Figure BDA0001550430990000189
步骤D115，建立优化模型的约束条件，包括：
最小发车频率约束：f1≥1，f2≥1，f3≥1；
断面满载率ηmax约束：
Figure BDA00015504309900001810
其中，a表示车辆定员数，m为列车编组数量。
进一步地，方案获取单元204具体用于执行以下步骤：
步骤D200，随机生成n0个初始个体；
步骤D201，以所述优化模型函数作为遗传算法的适应度函数，计算当前代个体的适应度函数值；
步骤D202，对n0个初始个体采用轮盘赌的选择算子，产生一样规模的新个体；
步骤D203，采用均匀交叉的交叉算子对步骤D202中产生的新个体进行重组出新的种群；
步骤D204，按照变异概率对步骤D203中得到的新的种群进行变异操作，得到变异后的种群；
步骤D205，计算变异后的种群中所有个体的适应度函数值，用变异后的种群中适应度函数值最好的个体替换步骤D201中适应度函数值最差的个体，以增大优质个体的数量；
步骤D206，判断是否满足所述遗传算法的终止条件，若满足，则输出最优解，遗传算法结束，若不满足，则返回步骤D201。
进一步地，所述n0个初始个体以二进制序列表示，所述二进制序列中0,1编号表示车站的类型，当车站编号为0时，表示快车在该站不停车，当编号为1时，表示快车在该站停车，所述二进制序列的编码长度为车站数量，且起始和结束的编号均为1。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种轨道交通线路的列车停站优化方法，其特征在于，包括：
步骤A，获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件；
步骤B，若满足，采集所述待优化线路的基本信息，所述基本信息包括线路长度、站点数量、站间距、列车启动加速度、列车制动加速度、列车最高运行速度、列车编组、列车定员、最小追踪间隔时间以及优化时段单方向交通出行量数据；
步骤C，对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；
步骤D，将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化；
其中，所述优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数；
乘客的出行时间包括乘客候车时间、乘客在途运行时间和乘客在途停车等待时间，所述优化模型采用大小交路嵌套模式，并根据乘客起讫点的不同确定乘客的出行时间；
其中，所述优化模型的构建步骤包括：
步骤D100，当起点站i是大交路非共线运行区段的慢车站，终点站j是任意区段的车站时，乘客的出行时间T1为：
Figure FDA0002680622240000011
其中，
Figure FDA0002680622240000012
表示乘坐大交路慢车从i站至j站的客流量；T表示优化时段长度；f1表示大交路慢车的发车频率；hw为0-1变量，表示当乘客乘坐的列车在前站被快车越行时，取值为1，产生Δte的延误时间，反之取值为0，tij表示i站至j站的区间运行时间；Tk1和Tk2分别为列车在第k个站点的停站时间以及列车在第k个站点的起停附加时间；xk为0-1变量，表示当乘客在旅行过程中被快车越行时，产生Δto的停站延误时间；
步骤D101，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的慢车站时，乘客的出行时间T2为：
Figure FDA0002680622240000021
步骤D102，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的快车站时，乘客的出行时间T3为：
Figure FDA0002680622240000022
Figure FDA0002680622240000023
其中，f2表示大交路快车的发车频率，
Figure FDA0002680622240000024
和
Figure FDA0002680622240000025
分别表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间，
Figure FDA0002680622240000026
表示乘坐大交路快车从i站至j站的客流量，sk为0-1变量，表示当列车在k站停站时，取值为1，反之取值为0；
步骤D103，当起点站i是小交路区段的慢车站，终点站j是小交路区段的任意车站时，乘客出行时间T4为：
Figure FDA0002680622240000027
Figure FDA0002680622240000028
其中，f3表示小交路慢车的发车频率，
Figure FDA0002680622240000029
和
Figure FDA00026806222400000210
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间，
Figure FDA00026806222400000211
表示乘坐小交路慢车从i站至j站的客流量；
步骤D104，当起点站i是小交路区段的慢车站，终点站j是大交路非共线运行区段的任意车站时，乘客出行时间T5为：
Figure FDA0002680622240000031
步骤D105，当起点站i是小交路区段的快车站，终点站j是小交路区段的慢车站时，乘客出行时间T6为：
Figure FDA0002680622240000032
Figure FDA0002680622240000033
其中，
Figure FDA0002680622240000034
和
Figure FDA0002680622240000035
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间；
步骤D106，当起点站i是小交路区段的快车站，终点站j是小交路区段的快车站时，乘客出行时间T7为：
Figure FDA0002680622240000036
Figure FDA0002680622240000037
其中，
Figure FDA0002680622240000038
表示选择乘坐大交路慢车的乘客的出行时间，
Figure FDA0002680622240000039
表示选择乘坐大交路快车的乘客的出行时间，
Figure FDA00026806222400000310
表示选择乘坐小交路慢车的乘客的出行时间；
步骤D107，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的慢车站时，乘客出行时间T8为：
Figure FDA0002680622240000041
步骤D108，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的快车站时，乘客出行时间T9为：
Figure FDA0002680622240000042
Figure FDA0002680622240000043
式中，
Figure FDA0002680622240000044
和
Figure FDA0002680622240000045
表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间；
步骤D109，根据步骤D100到步骤D108进行快慢列车组合，得到乘客的总出行时间T(c)，
Figure FDA0002680622240000046
步骤D110，对于大小交路条件下未开行快慢列车的情况，当起点站i是大交路非共线运行区段的车站，终点站j是任意区段的车站时，乘客的总出行时间T1 (0)为：
Figure FDA0002680622240000047
步骤D111,对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是大交路非共线运行区段的车站时，乘客的出行时间
Figure FDA0002680622240000048
为：
Figure FDA0002680622240000049
步骤D112，对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是小交路区段的车站时，乘客的出行时间
Figure FDA0002680622240000051
为：
Figure FDA0002680622240000052
Figure FDA0002680622240000053
其中，
Figure FDA0002680622240000054
和
Figure FDA0002680622240000055
分别表示选择乘坐大交路列车和小交路列车的乘客的出行时间；
步骤D113，获取在传统大小交路站站停列车运营模式下，乘客的总出行时间T(o)，
Figure FDA0002680622240000056
步骤D114，根据T(c)和T(o)构建乘客总出行时间的优化模型：
Figure FDA0002680622240000057
步骤D115，建立优化模型的约束条件，包括：
最小发车频率约束：f1≥1，f2≥1，f3≥1；
断面满载率ηmax约束：
Figure FDA0002680622240000058
其中，a表示车辆定员数，m为列车编组数量。
2.如权利要求1所述的列车停站优化方法，其特征在于，在步骤B中，当所述待优化线路的客流断面分布不均衡时，判断所述待优化线路满足开行快慢列车的条件。
3.如权利要求1所述的列车停站优化方法，其特征在于，所述步骤D中，利用遗传算法求解所述优化模型的近似最优解包括：
步骤D200，随机生成n0个初始个体；
步骤D201，以所述优化模型函数作为遗传算法的适应度函数，计算当前代个体的适应度函数值；
步骤D202，对n0个初始个体采用轮盘赌的选择算子，产生一样规模的新个体；
步骤D203，采用均匀交叉的交叉算子对步骤D202中产生的新个体进行重组，得到新的种群；
步骤D204，按照变异概率对步骤D203中得到的新的种群进行变异操作，得到变异后的种群；
步骤D205，计算变异后的种群中所有个体的适应度函数值，用变异后的种群中适应度函数值最好的个体替换步骤D201中适应度函数值最差的个体，以增大优质个体的数量；
步骤D206，判断是否满足所述遗传算法的终止条件，若满足，则输出最优解，遗传算法结束，若不满足，则返回步骤D201。
4.如权利要求3所述的列车停站优化方法，其特征在于，所述n0个初始个体以二进制序列表示，所述二进制序列中0,1编号表示车站的类型，当车站编号为0时，表示快车在该站不停车，当编号为1时，表示快车在该站停车，所述二进制序列的编码长度为车站数量，且起始和结束的编号均为1。
5.一种轨道交通线路的列车停站优化系统，其特征在于，包括：
特征判断单元，用于获取待优化线路的客流特征，根据所述客流特征判断所述待优化线路是否满足开行快慢车的条件；
信息获取单元，用于当所述客流特征满足开行快慢车的条件时，采集所述待优化线路的基本信息，所述基本信息包括线路长度、站点数量、站间距、列车启动加速度、列车制动加速度、列车最高运行速度、列车编组、列车定员、最小追踪间隔时间以及优化时段单方向交通出行量数据；
矩阵获取单元，用于对所述基本信息进行处理，得到包括线路站间距、区间运行时分表和优化时段单方向交通出行量数据的优化矩阵；
方案获取单元，用于将所述优化矩阵输入优化模型中，利用遗传算法求解所述优化模型的近似最优解，得到快车停站方案，以所述快车停站方案对所述待优化线路进行优化；
其中，所述优化模型中包含有以节省所有乘客最大出行时间为目的，以快车是否停靠车站为变量的目标函数；
乘客的出行时间包括乘客候车时间、乘客在途运行时间和乘客在途停车等待时间，所述优化模型采用大小交路嵌套模式，并根据乘客起讫点的不同确定乘客的出行时间；
列车停站优化系统还包括模型获取单元，所述模型获取单元用于执行以下步骤：
步骤D100，当起点站i是大交路非共线运行区段的慢车站，终点站j是任意区段的车站时，乘客的出行时间T1为：
Figure FDA0002680622240000071
其中，
Figure FDA0002680622240000072
表示乘坐大交路慢车从i站至j站的客流量；T表示优化时段长度；f1表示大交路慢车的发车频率；hw为0-1变量，表示当乘客乘坐的列车在前站被快车越行时，取值为1，产生Δte的延误时间，反之取值为0，tij表示i站至j站的区间运行时间；Tk1和Tk2分别为列车在第k个站点的停站时间以及列车在第k个站点的起停附加时间；xk为0-1变量，表示当乘客在旅行过程中被快车越行时，产生Δto的停站延误时间；
步骤D101，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的慢车站时，乘客的出行时间T2为：
Figure FDA0002680622240000073
步骤D102，当起点站i是大交路非共线运行区段的快车站，终点站j是任意区段的快车站时，乘客的出行时间T3为：
Figure FDA0002680622240000081
Figure FDA0002680622240000082
其中，f2表示大交路快车的发车频率，
Figure FDA0002680622240000083
和
Figure FDA0002680622240000084
分别表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间，
Figure FDA0002680622240000085
表示乘坐大交路快车从i站至j站的客流量，sk为0-1变量，表示当列车在k站停站时，取值为1，反之取值为0；
步骤D103，当起点站i是小交路区段的慢车站，终点站j是小交路区段的任意车站时，乘客出行时间T4为：
Figure FDA0002680622240000086
Figure FDA0002680622240000087
其中，f3表示小交路慢车的发车频率，
Figure FDA0002680622240000088
和
Figure FDA0002680622240000089
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间，
Figure FDA00026806222400000810
表示乘坐小交路慢车从i站至j站的客流量；
步骤D104，当起点站i是小交路区段的慢车站，终点站j是大交路非共线运行区段的任意车站时，乘客出行时间T5为：
Figure FDA00026806222400000811
步骤D105，当起点站i是小交路区段的快车站，终点站j是小交路区段的慢车站时，乘客出行时间T6为：
Figure FDA0002680622240000091
Figure FDA0002680622240000092
其中，
Figure FDA0002680622240000093
和
Figure FDA0002680622240000094
表示选择乘坐大交路慢车和选择乘坐小交路慢车的乘客的出行时间；
步骤D106，当起点站i是小交路区段的快车站，终点站j是小交路区段的快车站时，乘客出行时间T7为：
Figure FDA0002680622240000095
Figure FDA0002680622240000096
其中，
Figure FDA0002680622240000097
表示选择乘坐大交路慢车的乘客的出行时间，
Figure FDA0002680622240000098
表示选择乘坐大交路快车的乘客的出行时间，
Figure FDA0002680622240000099
表示选择乘坐小交路慢车的乘客的出行时间；
步骤D107，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的慢车站时，乘客出行时间T8为：
Figure FDA00026806222400000910
步骤D108，当起点站i是小交路区段的快车站，终点站j是大交路非共线运行区段的快车站时，乘客出行时间T9为：
Figure FDA0002680622240000101
Figure FDA0002680622240000102
式中，
Figure FDA0002680622240000103
和
Figure FDA0002680622240000104
表示选择乘坐大交路慢车和选择乘坐大交路快车的乘客的出行时间；
步骤D109，根据步骤D100到步骤D108进行快慢列车组合，得到乘客的总出行时间T(c)，
Figure FDA0002680622240000105
步骤D110，对于大小交路条件下未开行快慢列车的情况，当起点站i是大交路非共线运行区段的车站，终点站j是任意区段的车站时，乘客的总出行时间T1 (o)为：
Figure FDA0002680622240000106
步骤D111,对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是大交路非共线运行区段的车站时，乘客的出行时间
Figure FDA0002680622240000107
为：
Figure FDA0002680622240000108
步骤D112，对于大小交路条件下未开行快慢列车的情况，当起点站i是小交路区段的车站，终点站j是小交路区段的车站时，乘客的出行时间
Figure FDA0002680622240000109
为：
Figure FDA0002680622240000111
Figure FDA0002680622240000112
其中，
Figure FDA0002680622240000113
和
Figure FDA0002680622240000114
分别表示选择乘坐大交路列车和小交路列车的乘客的出行时间；
步骤D113，获取在传统大小交路站站停列车运营模式下，乘客的总出行时间T(o)，
Figure FDA0002680622240000115
步骤D114，根据T(c)和T(o)构建乘客总出行时间的优化模型：
Figure FDA0002680622240000116
步骤D115，建立优化模型的约束条件，包括：
最小发车频率约束：f1≥1，f2≥1，f3≥1；
断面满载率ηmax约束：
Figure FDA0002680622240000117
其中，a表示车辆定员数，m为列车编组数量。
6.如权利要求5所述的列车停站优化系统，其特征在于，当所述待优化线路的客流断面分布不均衡时，所述特征判断单元判断所述待优化线路满足开行快慢列车的条件。
7.如权利要求5所述的列车停站优化系统，其特征在于，所述方案获取单元具体用于执行以下步骤：
步骤D200，随机生成n0个初始个体；
步骤D201，以所述优化模型函数作为遗传算法的适应度函数，计算当前代个体的适应度函数值；
步骤D202，对n0个初始个体采用轮盘赌的选择算子，产生一样规模的新个体；
步骤D203，采用均匀交叉的交叉算子对步骤D202中产生的新个体进行重组出新的种群；
步骤D204，按照变异概率对步骤D203中得到的新的种群进行变异操作，得到变异后的种群；
步骤D205，计算变异后的种群中所有个体的适应度函数值，用变异后的种群中适应度函数值最好的个体替换步骤D201中适应度函数值最差的个体，以增大优质个体的数量；
步骤D206，判断是否满足所述遗传算法的终止条件，若满足，则输出最优解，遗传算法结束，若不满足，则返回步骤D201。
8.如权利要求7所述的列车停站优化系统，其特征在于，所述n0个初始个体以二进制序列表示，所述二进制序列中0,1编号表示车站的类型，当车站编号为0时，表示快车在该站不停车，当编号为1时，表示快车在该站停车，所述二进制序列的编码长度为车站数量，且起始和结束的编号均为1。
CN201810044390.0A 2018-01-17 2018-01-17 一种轨道交通线路的列车停站优化方法及系统 Active CN107958316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810044390.0A CN107958316B (zh) 2018-01-17 2018-01-17 一种轨道交通线路的列车停站优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810044390.0A CN107958316B (zh) 2018-01-17 2018-01-17 一种轨道交通线路的列车停站优化方法及系统

Publications (2)

Publication Number Publication Date
CN107958316A CN107958316A (zh) 2018-04-24
CN107958316B true CN107958316B (zh) 2020-12-01

Family

ID=61956276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810044390.0A Active CN107958316B (zh) 2018-01-17 2018-01-17 一种轨道交通线路的列车停站优化方法及系统

Country Status (1)

Country Link
CN (1) CN107958316B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764571B (zh) * 2018-05-28 2020-04-14 西南交通大学 一种重载列车运行的多目标优化方法
CN109034471A (zh) * 2018-07-23 2018-12-18 华侨大学 一种基于蜂群算法的铁道交通运营优化方法及系统
CN109278806B (zh) * 2018-08-13 2021-01-26 浙江众合科技股份有限公司 基于站停结果的ato自学习自适应精确站停系统及方法
CN111723963B (zh) * 2019-03-22 2022-09-20 南京理工大学 地铁车辆越站运能优化方法
CN110427402B (zh) * 2019-07-24 2021-10-08 上海工程技术大学 一种轨道交通故障延误传播及波及范围推估系统
CN111324853B (zh) * 2020-03-09 2023-06-27 西南交通大学 一种通道型高速铁路通过能力计算方法及系统
CN111626469B (zh) * 2020-04-10 2023-11-14 广州地铁集团有限公司 一种面向运能提升的快慢车开行优化方法
CN113723731B (zh) * 2020-05-26 2024-05-28 中车株洲电力机车研究所有限公司 基于客流特征的城市轨道交通运行图编制方法及系统
CN112330007B (zh) * 2020-10-30 2024-04-26 交控科技股份有限公司 面向乘客的换乘衔接优化方法及装置
CN112329347B (zh) * 2020-11-06 2022-09-02 西南交通大学 一种高速铁路列车停站方案优化方法
CN112766563A (zh) * 2021-01-15 2021-05-07 上海工程技术大学 一种市郊线路地铁快慢车停站序列确定方法及系统
CN113743718B (zh) * 2021-07-27 2024-03-29 深圳技术大学 开行跨线列车的运营方法、设备及计算机可读存储介质
CN113822461A (zh) * 2021-07-27 2021-12-21 深圳技术大学 一种轨道交通跨线运营优化方法、系统、设备及存储介质
CN113988371B (zh) * 2021-09-26 2023-04-07 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 基于客流直达的城市轨道交通跨站停开行方案优化方法
CN115115495A (zh) * 2022-07-13 2022-09-27 华南农业大学 公交区间车及大站快车站点集推荐方法、终端及存储介质
CN118709459A (zh) * 2024-08-30 2024-09-27 深圳技术大学 一种基于在线编解的城市轨道交通y型线路运营优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102741105A (zh) * 2009-10-23 2012-10-17 同进速铁社(Ittllc) 城市通勤铁路系统的经同步快车与慢车
WO2015028906A1 (en) * 2013-08-29 2015-03-05 Thales Canada Inc Context aware command and control system
CN104866931A (zh) * 2015-06-12 2015-08-26 北京交通大学 一种基于大站停车和多站协同限流的地铁客流组织方法
CN107180282A (zh) * 2017-07-01 2017-09-19 南京理工大学 一种高峰时段多列车节能优化方法
CN107330539A (zh) * 2017-05-18 2017-11-07 北京交通大学 基于客流分配的铁路列车运行图与停站方案协同优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9159238B2 (en) * 2008-10-02 2015-10-13 Microsoft Technology Licensing, LLP Location-aware selection of public transportation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102741105A (zh) * 2009-10-23 2012-10-17 同进速铁社(Ittllc) 城市通勤铁路系统的经同步快车与慢车
WO2015028906A1 (en) * 2013-08-29 2015-03-05 Thales Canada Inc Context aware command and control system
CN104866931A (zh) * 2015-06-12 2015-08-26 北京交通大学 一种基于大站停车和多站协同限流的地铁客流组织方法
CN107330539A (zh) * 2017-05-18 2017-11-07 北京交通大学 基于客流分配的铁路列车运行图与停站方案协同优化方法
CN107180282A (zh) * 2017-07-01 2017-09-19 南京理工大学 一种高峰时段多列车节能优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Train Timetabling at Rapid Rail Transit Lines: A Robust Multi- Objective Stochastic Programming Approach;HASSANNAVEBI E.et al;《Operational Research》;20161231;第1-43页 *
市域轨道交通开行方案的仿真与优化;梁君可;《中国优秀硕士学位论文全文数据库》;20160228;正文第35页-49页 *
市域轨道交通线路快慢列车停站方案研究;姚国如等;《交通运输研究》;20180205;第3卷(第6期);第46-60页 *

Also Published As

Publication number Publication date
CN107958316A (zh) 2018-04-24

Similar Documents

Publication Publication Date Title
CN107958316B (zh) 一种轨道交通线路的列车停站优化方法及系统
CN104239484B (zh) 一种基于多模式公交组合调度的时刻表编制方法
CN107036617B (zh) 一种出租车与地铁组合的出行路线规划方法及系统
CN105857350B (zh) 一种基于区间断面客流的高铁列车开行方法
Chen et al. A fuel-saving and pollution-reducing dynamic taxi-sharing protocol in vanets
CN110084397B (zh) 一种地铁直达线路规划方法
CN104851309B (zh) 一种交通诱导策略的实现方法
CN107246878B (zh) 一种导航路径的确定方法、装置及汽车
Gu et al. Exploring alternative service schemes for busy transit corridors
CN105427605B (zh) 一种考虑交通方式转移的公交专用道设置效益计算方法
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN110009131B (zh) 一种考虑多因素影响的网约车派单方法
Kang et al. Last train station-skipping, transfer-accessible and energy-efficient scheduling in subway networks
CN105448082A (zh) 一种可变间隔发车的快速公交车组合调度方法
CN113988371B (zh) 基于客流直达的城市轨道交通跨站停开行方案优化方法
CN117022398A (zh) 考虑客流分配的城市轨道交通列车时刻表优化方法及系统
CN108573600A (zh) 一种驾驶员行为诱导与局部交通流优化方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN113379159B (zh) 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN105679076A (zh) 一种城市公交车换乘协调调度方法
CN109584546A (zh) 一种快速-常规公交共享车道发车流量阈值的确定方法
CN113053156B (zh) 一种智能公交半径法站点寻址方法
CN105575135A (zh) 一种高密度路网地区的干线公交站间绿波设计系统
CN105448091B (zh) 一种城市信号交叉口机非隔离设施设置方法
Nash et al. Public transport priority in 2020: Lessons from Zurich

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 3002 Lantian Road, Pingshan District, Shenzhen, Guangdong

Applicant after: Shenzhen Technology University

Address before: 518060 Guangdong province Shenzhen City Pingshan District Lantian road 3002

Applicant before: Shenzhen Technology University

GR01 Patent grant
GR01 Patent grant