CN109300326B - 一种基于实时gps的公交短时动态调度方法 - Google Patents

Abstract

本发明公开了一种基于实时GPS的公交短时动态调度方法，包括下述步骤：根据实时GPS数据确定当前线路上相邻两辆公交车的最大线路距离maxdis，结合当前线路的总长linedis，确定线路均衡系数λ；其中将主站、副站看做虚拟公交车参与确定相邻两辆公交车的最大线路距离中；将当前线路均衡系数λ与预先设置的两个阈值α₁，α₂进行比较，当λ≤α₁时，不做调整；当α₁＜λ≤α₂时，重新调整后续发车间隔；当λ＞α₂，从主站进行加车；所述的阈值α₁取值为根据排班计划当前线路公交车按照理想状态运行时的线路均衡系数且满足0＜α₁＜α₂＜1。

Description

一种基于实时GPS的公交短时动态调度方法

技术领域

本发明是一种基于实时GPS的公交短时动态调度方法，涉及一种基于人工神经网络的公交短时动态调度的启发式算法。

背景技术

近年来，随着城市居民收入水平的逐渐提高，私人汽车保有量呈现爆炸式增长，随之而来的是城市交通状况的日益恶化，交通拥堵状况日益严重。如何解决交通拥堵问题是世界各国政府面临的严峻考验。公共交通具有载量大、运送效率高、能源消耗低、相对污染小和运输成本低等优点，公交车辆是公共交通的主要载体，是城市公民出行的主要选择，因此，大力发展公交出行已经成为全球各大城市解决交通拥挤的主要方案。在公交日常运营管理中，合理的公交调度是保证公交正常运行的关键所在。

传统公交调度方案是一种静态调度，静态调度假定公交出行环境是固定的、不变的，它根据客流的高峰、平峰时段将一天划分为几个时间段，每个时间段确定一个固定的发车间隔，这个过程通常称为制定排班计划。如何制定合理的排班计划是公交静态调度的核心问题。

现有的公交静态调度方法主要通过将遗传算法和模拟退火算法引入到公交调度模型的求解中，有的公交静态调度方法是以乘客总候车时间和公交公司所有车辆的总驶里程加权组合作为目标函数，建立优化模型，并采用时间步长法进行模型求解，从而确定排班计划。

但是，上述静态调度模型大多基于理想情况，如假定公交车辆匀速行驶、客流量均匀等，这些模型并不能准确反映公交车辆的实际运行环境。公交车辆在实际运行时，由于早晚高峰产生的客流量骤增，交通拥挤、车辆故障等突发情况给公交车辆的正常运行带来了很大的不确定性，因此，传统模型效果并不理想，无法满足公交车辆实际调度需求。

针对公交车辆的静态调度存在的缺陷，有的公交调度方法引入随机变量，建立随机优化模型，在一定程度上改进了传统静态调度模型的不足，也有的公交调度方法引入了神经网络技术对公交静态调度进行建模分析的研究。此外，有的公交调度方法给出了动态调度和静态调度相结合的公交调度策略，即正常情况下，公交车辆按照静态调度方法运行，当在线公交车俩发生延时情况时，对在线公交车辆进行在线调整，如调整发车间隔等，遇到突发情况如车辆故障、交通严重拥堵时，进行临时加车、公交车跳站等操作。

但是，上述这些公交调度方法往往对各种调度措施的定义比较模糊，并且对何时应该采取何种措施没有严格的量化指标进行判断。

发明内容

根据上述现有技术存在的问题，本发明的目的在于提出一种基于实时GPS的公交短时动态调度方法，实现了公交调度的大间隔实时预警、智能推荐调度措施、实时调整发车间隔的功能，为公交智能调度最终实现提供了理论参考。

为实现上述目的，本发明采取以下技术方案：一种基于实时GPS的公交短时动态调度方法，包括下述步骤：

根据实时GPS数据确定当前线路上相邻两辆公交车的最大线路距离maxdis，结合当前线路的总长linedis，确定线路均衡系数λ；其中将主站、副站看做虚拟公交车参与确定相邻两辆公交车的最大线路距离中；

将当前线路均衡系数λ与预先设置的两个阈值α₁，α₂进行比较，当λ≤α₁时，不做调整；当α₁＜λ≤α₂时，重新调整后续发车间隔；当λ＞α₂，从主站进行加车；所述的阈值α₁取值为根据排班计划当前线路公交车按照理想状态运行时的线路均衡系数且满足0＜α₁＜α₂＜1。

进一步的，所述的线路均衡系数

满足0≤λ≤1。

进一步的，所述的阈值α₁的赋值公式如下：

其中，inter₀为根据排班计划当前时刻的发车间隔，T为假设当前线路公交车按照正常车速匀速运行的单程耗时。

进一步的，所述的阈值α₂最优取值

进一步的，当α₁＜λ≤α₂时，重新调整后续发车间隔通过BP神经网络预测发车间隔，或者等分法预测发车间隔，或者结合BP神经网络和等分法预测发车间隔。

进一步的，所述的结合BP神经网络和等分法预测发车间隔通过加权平均得到最终的发车间隔inter：inter＝k₁*inter₁+k₂*inter₂；k₁+k₂＝1，inter₁、inter₂分别为利用BP神经网络和等分法预测得到的发车间隔。

进一步的，所述的k₁取值范围0.5-0.7。

进一步的，所述的BP神经网络预测发车间隔通过将线路长度、站点个数、单程运行时间、客流量、待发车数和在线车辆数导入神经网络输入层，利用BP神经网络进行训练，对当前线路的发车间隔inter₁进行预测。

进一步的，当λ＞α₂，从主站进行加车通过下述方式实现：

首先，根据当前路线公交车上行或者下行情况，以及最大线路距离涉及的相邻两辆公交车的实时GPS位置数据、运动速度，考虑车辆相对运动，确定从主站开始出发的临时车运行至最大线路距离两辆公交车中间位置的时间范围t；

临时车的行驶速度v为中国城市道路的限速上限，则临时车需要到达的指定站点位置为距离主站距离v×t范围的最近的站点。

进一步的，当当前线路公交车为上行情况，

当当前线路公交车为下行情况，

上述，S₀为临时车出发时，主站距离最大线路距离涉及的相邻两辆公交车记为A、B最近的距离；S_AB为当前线路上相邻两辆公交车的最大线路距离maxdis；v₀为车辆A和B的移动速度；v_max、v_min为临时车在当前线路上的移动最大、最小速度。

本发明与现有技术相比的优点在于：

(1)本方法通过利用公交在线车辆的实时GPS数据，充分分析了在交通拥挤严重、客流量骤增情况下的公交调度运营机制，可以有效弥补传统公交静态调度的不足，减少人工调度中人为因素的干扰，进而实现公交调度的自动化和智能化。

(2)本发明针对于公交调度过程中大间隔状态的判断首次提出均衡系数这一概念，将现有的人为主观判断大间隔状态这一方式进行量化，从而极大地提高了大间隔状态判断的准确性，能够有效地避免“大间隔”的产生，以尽可能减少大间隔造成的影响。

(3)本发明在公交车辆的发车间隔重计算上结合了BP神经网络算法和等分启发式算法，神经网络算法考虑因素较为全面，更加符合实际性的要求，而等分启发式算法简单有效，从而使得本发明计算的公交车辆的发车间隔准确性更高、工程实践性更强。

(4)本发明在确定加车的站点位置上，充分考虑了公交车辆的相对移动问题，能够给出更为精准的加车允许的时间范围以及加车站点，从而大大降低了人为加车失误，更具有可靠性。

(5)本发明一种基于实时GPS的公交短时动态调度方法可结合先进的软件技术，建立公交短时动态调度系统。该系统在突发情况下，可以有效地减少乘客的候车时间，同时，借助公交实时GPS数据，该系统可以有效监测在线车辆的运行状况，实时预警，并智能推荐相应调度措施，从而显著提高公交调度的运营管理水平，对公交调度智能化的完善有着重要意义。

附图说明

图1是贵阳市公交11号线路发生大间隔时的在线公交车辆运营图；

图2是本发明一种基于实时GPS的公交短时动态调度方法流程图；

图3是三层BP神经网络结构图；

图4是BP神经网络预测发车间隔图示；

图5是公交间隔示意图；

图6是加车相对位移图；

图7是本发明一种基于实时GPS的公交短时动态调度方法原理图；

图8是均衡系数与周圈运行时间的关系图；

图9是合理间隔与预测间隔比较图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述：

公交车辆按照正常的排班计划和发车间隔发车后，到达每个站点的预期时间是相对确定的。假如一辆公交车没有按照正常时间到达指定站点，比如晚点10分钟，通过设置时间阈值，可以实时监控在线公交车辆的到站时间情况，从而比较准确地对大间隔进行预警。大间隔预警就是利用在线公交车辆的实时GPS撞点数据，连续、实时监测当前线路是否发生大间隔，并且大间隔报警时，还需要进一步确认当前大间隔的严重程度。

如图1所示，本发明一种基于实时GPS的公交短时动态调度方法原理如下：

正常情况下，在线公交车辆按静态调度产生的排班计划在公交线路上运行，但由于各种突发情况的产生，会导致在线运行的公交车辆晚点，甚至在同一公交站点会同时到达两辆公交车的情况，此时，该线路的公交车就产生了“大间隔”，如图2所示；当发生大间隔预警时，根据预定的阈值判断此时的大间隔所处的状态；根据大间隔所处的状态分别进行处理：当属于非大间隔时不做调整；当属于轻度大间隔时重调发车间隔；当属于重度大间隔时加车处理。从而能够有效避免“大间隔”的产生，保证该线路的公交车辆调度正常运转。

具体来说，本发明一种基于实时GPS的公交短时动态调度方法如图7所示步骤如下：

(1)当大间隔预警发生时，判断大间隔所处的状态，具体主要根据线路均衡系数λ与阈值α₁，α₂之间的关系进行判断。

a)线路均衡系数λ

假设当前线路的长度为linedis，当前线路上相邻两辆公交车(主站、副站也看做虚拟公交车)的最大线路距离为maxdis，其中两辆公交车的线路距离为公交车沿公交线路的轨迹长度。定义线路均衡系数如式(1)：

均衡系数λ满足0≤λ≤1均衡系数越接近0，表示当前线路车辆分布越均匀，越接近1，表示当前线路车辆的间隔越大。特别的，当λ＝0或λ＝1时，表示当前线路除去主、副站外，没有实际运行的公交车。

b)两个阈值α₁，α₂

对于一条固定线路，给定大间隔系数的两个阈值α₁，α₂，满足0＜α₁＜α₂＜1。公交日常排班计划是假设公交运行环境良好的条件下由静态调度产生，是衡量公交运行环境良好与否的标准，因而参数α₁，α₂的确定可以由当时的排班计划确定，根据排班计划，假设当前时刻的发车间隔为inter₀，假设当前线路公交车按照正常车速匀速运行的单程耗时为T，此时线路上均匀分布着

辆公交车，此时的线路均衡系数可以作为参数α₁的输入值，见式(1)。参数α₂的取值介于1和α₁之间，可以取中间值，见式(2)。

(1.1)计算线路均衡系数λ

(1.2)判断大间隔所处的状态并采取不同调度措施

按照上述公式计算当前线路的阈值α₁，α₂，并实时计算综合均衡系数λ，对大间隔所处的状态及采取的相应调度措施如下：当λ≤α₁时，此时属于非大间隔状态，不做调整；当α₁＜λ≤α₂时，此时属于轻度大间隔，需要重新调整发车间隔，跳至步骤(2)；当λ＞α₂，此时属于重度大间隔，需要从主站进行加车，调至步骤(3)。

(2)公交车辆的发车间隔重计算

如果当前线路的均衡系数取值介于给定的参数α₁和α₂之间，需要对当前线路的发车间隔进行重新调整。本发明采用神经网络技术和传统等分算法相结合来重新调整发车间隔。当然也可以单独采用下面的BP神经网络预测发车间隔或者等分法预测发车间隔。

(2.1)BP神经网络预测发车间隔

图3给出了三层BP神经网络的结构示意图，BP神经网络的特点是从输入层到隐含层，隐含层到输出层的各个结点直接都是全链接。层与层之间的传递如公式(4)：

f(x)＝θ(∑a_ix_i) (4)

其中

称为Sigmoid函数，是常用的激活函数。每次迭代产生一个输出，将输出结果与测试样本的正确结果进行比较，建立使得误差达到最小的数学模型，通过修改链接权重，使得误差逐渐减小。

将BP神经网络应用于预测公交车的发车间隔中，首先需要确定影响发车间隔的因素。公交运行中影响公交发车间隔的因素有很多，主要有线路长度、站点个数、单程运行时间、客流量、待发车数和在线车辆数等，将以上数据导入神经网络输入层，利用BP神经网络进行训练，可以对当前线路的发车间隔inter₁进行有效的预测，见图4。

(2.2)等分法预测发车间隔

等分启发式算法首先需要确定当前路况下，公交车正常行驶的单程时长，然后通过以往经验给出当前线路的平均两车间隔，之后根据当前线路的划分段数将单程时长等分，最后给出当前线路的发车间隔，算法具体步骤如下：

(2.2.1)输入当前线路站点个数n，当前时刻公交车的单程运行时长T；

(2.2.2)根据经验给出间隔参数p，使得每间隔p个站点有一辆公交，图5给出的示例表示每间隔3个站点有一辆公交车；

(2.2.3)假设公交车匀速行驶，等分单程时间得到当前发车间隔，见式(5)：

(2.3)加权平均处理得到最终的发车间隔结果

根据步骤(2.1)和(2.2)计算得到的结果inter₁和inter₂作加权平均得到最终的发车间隔inter，见式(6)：

inter＝k₁*inter₁+k₂*inter₂；k₁+k₂＝1 (6)

k₁最优取值范围0.5-0.7。

(3)确定加车站点的位置

如当前线路严重拥挤，或者在线公交车由于事故无法正常运行时，可能导致线路均衡系数大于α₂，此时，利用重新调整发车间隔来进行调度已经无法缓解当前线路乘客乘车需求，需要采取临时从主站加车的调度措施。

从主站临时加车，需要给出两个因子：允许的时间范围、加车站点。由于发生大间隔的两辆公交车处于实时运动之中，当加车从主站出发到达加车站点的这段时间，在线公交车也在移动中，因此，临时加车需要考虑相对移动问题。这需要结合在线公交车的实时GPS位置数据，给出临时加车的允许时间范围和加车站点位置。

考虑上行情况，车辆A和B发生严重大间隔，此时，需要从主站派一辆车直接跳站到A与B的中间位置。图6给出了示意图，假设临时加车的移动速度为v，车辆A和B的移动速度为v₀，匀速行驶，车辆A距离主张的距离S_A＝S_B。由示意图容易得到

S₀+v₀×t＝v×t-S_AB/2 (7)

由式(7)可得到时间范围如下，

式(8)中的参数S₀和S_AB可以通过公交车辆的实时GPS数据计算得到。在线公交车的车速可以通过当前线路长度除以实时的单程运行时间得到，见式(9)：

从主站出发的临时加车的行驶速度参照中国城市道路的限速上限v＝60km/h。临时加车的站点位置为距离主站距离为v×t的最近的站点。对于下行情况的分析，同上行情况类似，式(10)给出下行加车的允许时间范围。

上述S₀为临时车出发时，主站距离最大线路距离涉及的相邻两辆公交车记为A、B最近的距离；S_AB为当前线路上相邻两辆公交车的最大线路距离maxdis；v₀为车辆A和B的移动速度；v_max、v_min为临时车在当前线路上的移动最大、最小速度。

实施例

基于贵阳公交公司新版智能调度系统上11路的实际运营数据，对本发明一种基于实时GPS的公交短时动态调度方法从参数设计、预测精确度等方面进行全面的数值仿真。

(1)均衡系数的阈值设计

均衡系数的阈值对本发明的最终结果有着至关重要的影响。从公交实际运营情况来看，在当前线路比较拥挤的情况下，调度员采取调度的频率会更高，此时，算法的均衡系数应该敏感度更高，以便于及时调整发车间隔，阻止大间隔的发生；而在当前线路较为通畅时，调度员进行调度的频率明显降低，此时，算法的均衡系数的敏感度应该降低，减少不必要的调度。

图8给出了贵阳公交11号线路在工作日和国庆日期间，不同时段的周圈时间和均衡系数之间的对应关系。周圈运行时间可以有效的反映当前线路的拥挤程度，周圈时间越长，表明当前线路越拥挤。

从图8可以看出，在工作日线路的周圈时间在早晚高峰时段明显加长，呈现出典型的“双峰”曲线，而在工作日，线路的均衡系数也随着线路的拥挤程度而实时变化，在高峰时段，均衡系数的敏感度明显提高。在国庆日，11路的周圈时间在60分钟左右，比平常工作日高峰时段的接近100分钟的耗时要短很多，表明道路较为通畅，此时，线路的均衡系数表现也比较平稳，敏感度没有特别明显的变化。

(2)预测发车间隔算法测试

当线路比较拥挤时，在线运营的公交车会出现“叠车”，导致某些相邻公交车很近，而另外一些公交车则相距较远，导致乘客候车时间明显加长。当“叠车”现象不是特别严重时，调整发车间隔是公交日常调度最常用的措施。

表1给出了贵阳公交11路某一天不同时刻的单程运行时间和此时的合理的发车间隔，采用本发明提出的神经网络及等分法相结合的方法重新计算发车间隔，与合理发车间隔进行对照，见图9。该测试根据有经验的调度员在一天中不同时刻进行公交车辆调度所采集的发车间隔数据作为合理的发车间隔数据。从预测结果可以看出，重算发车间隔算法是可靠且有效的。

表1发车间隔对照表

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。

Claims (6)

1.一种基于实时GPS的公交短时动态调度方法，其特征在于，包括下述步骤：

根据实时GPS数据确定当前线路上相邻两辆公交车的最大线路距离maxdis，结合当前线路的总长linedis，确定线路均衡系数λ；其中将主站、副站看做虚拟公交车参与确定相邻两辆公交车的最大线路距离；

将当前线路均衡系数λ与预先设置的两个阈值α₁，α₂进行比较：

当λ≤α₁时，不做调整；

当α₁＜λ≤α₂时，采用神经网络技术和传统等分算法相结合来重新调整后续发车间隔：采用神经网络技术和传统等分算法相结合来重新调整发车间隔或者单独采用BP神经网络预测发车间隔或者等分法预测发车间隔；

1)BP神经网络预测发车间隔：

层与层之间的传递如下式：

f(x)＝θ(∑a_ix_i)

其中

称为Sigmoid函数，是常用的激活函数；每次迭代产生一个输出，将输出结果与测试样本的正确结果进行比较，建立使得误差达到最小的数学模型，通过修改链接权重，使得误差逐渐减小；将公交运行中影响公交发射间隔的因素导入神经网络输入层，利用BP神经网络进行训练，对当前线路的发射间隔inter₁进行预测；

2)等分法预测发车间隔：

步骤一、输入当前线路站点个数n，当前时刻公交车的单程运行时长T；

步骤二、根据经验给出间隔参数p，使得每间隔p个站点有一辆公交；

步骤三、假设公交车匀速行驶，等分单程时间得到当前发车间隔：

3)当采用神经网络技术和传统等分算法相结合来重新调整后续发车间隔时，将1)2)中得到的发车间隔加权平均处理得到最终的发车间隔结果；

当λ＞α₂，从主站进行加车：

当公交线路为上行情况，车辆A和B发生严重大间隔，需要从主站派一辆车直接跳站到A与B的中间位置；假设临时加车的移动速度为v，车辆A和B的移动速度为v₀，匀速行驶，车辆A距离主站的距离S_A＝S_B，则时间范围如下，

式中的参数S₀和S_AB通过公交车辆的实时GPS数据计算得到；在线公交车的车速通过当前线路长度除以实时的单程运行时间得到：

从主站出发的临时加车的行驶速度参照中国城市道路的限速上限；临时加车的站点位置为距离主站距离为v×t的最近的站点；

下行加车的允许时间范围；

上述S₀为临时车出发时，主站距离最大线路距离涉及的相邻两辆公交车记为A、B最近的距离；S_AB为当前线路上相邻两辆公交车的最大线路距离maxdis；v₀为车辆A和B的移动速度；v_max、v_min为临时车在当前线路上的移动最大、最小速度；

所述的阈值α₁取值为根据排班计划当前线路公交车按照理想状态运行时的线路均衡系数且满足0＜α₁＜α₂＜1；

所述的线路均衡系数

满足0≤λ≤1；

所述的阈值α₁的赋值公式如下：

其中，inter₀为根据排班计划当前时刻的发车间隔，T为假设当前线路公交车按照正常车速匀速运行的单程耗时。

2.按照权利要求1所述的一种基于实时GPS的公交短时动态调度方法，其特征在于：所述的阈值α₂取1和α₁之间的中间值

3.按照权利要求1所述的一种基于实时GPS的公交短时动态调度方法，其特征在于：当α₁＜λ≤α₂时，重新调整后续发车间隔通过BP神经网络预测发车间隔，或者等分法预测发车间隔，或者结合BP神经网络和等分法预测发车间隔。

4.按照权利要求3所述的一种基于实时GPS的公交短时动态调度方法，其特征在于：所述的结合BP神经网络和等分法预测发车间隔通过加权平均得到最终的发车间隔inter：inter＝k₁*inter₁+k₂*inter₂；k₁+k₂＝1，inter₁、inter₂分别为利用BP神经网络和等分法预测得到的发车间隔。

5.按照权利要求4所述的一种基于实时GPS的公交短时动态调度方法，其特征在于：所述的k₁取值范围0.5-0.7。

6.按照权利要求3所述的一种基于实时GPS的公交短时动态调度方法，其特征在于：所述的BP神经网络预测发车间隔通过将线路长度、站点个数、单程运行时间、客流量、待发车数和在线车辆数导入神经网络输入层，利用BP神经网络进行训练，对当前线路的发车间隔inter₁进行预测。

Images