CN109377048B - 一种综合交通网络枢纽节点选择方法 - Google Patents
一种综合交通网络枢纽节点选择方法 Download PDFInfo
- Publication number
- CN109377048B CN109377048B CN201811235450.3A CN201811235450A CN109377048B CN 109377048 B CN109377048 B CN 109377048B CN 201811235450 A CN201811235450 A CN 201811235450A CN 109377048 B CN109377048 B CN 109377048B
- Authority
- CN
- China
- Prior art keywords
- city
- transportation
- module
- stations
- scheme
- 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
Links
- 238000010187 selection method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008878 coupling Effects 0.000 claims abstract description 30
- 238000010168 coupling process Methods 0.000 claims abstract description 30
- 238000005859 coupling reaction Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000010006 flight Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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"
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G06Q50/40—
Abstract
本发明提出一种综合交通网络枢纽节点选择方法,用于识别高铁和航空交通中起关键作用的枢纽节点。本方法在计算机中设置数据处理模块和优化求解模块,优化求解模块包括需求分配模块和方案评价模块;数据处理模块获取各城市夜晚灯光数据、高铁站点、机场数据等等,搭建空铁耦合网络;优化求解模块在预设的枢纽节点个数下,对空铁耦合网络求取最优的枢纽节点选择方案;需求分配模块对所有城市对进行运输需求分配,将运输需求分配到城市对的最短路径上;方案评价模块对所有枢纽节点选择方案计算总运输成本和总换乘次数,选出最优方案。本发明网络建模方式更加符合实际,符合实际中大城市之间运输需求,能同时兼顾运输成本的降低和运输效率的保持。
Description
技术领域
本发明涉及交通规划和复杂网络领域,尤其涉及一种对综合交通网络运营,本发明中主要涉及高铁和航空交通,起关键作用的枢纽节点的识别方法。
背景技术
随着中国航空运输和高铁运输业的飞速发展,机场数目,高铁站点日益增多,运输量也不断增大,缩短了各个城市之间的距离,有效降低了生成运输成本,乘坐飞机和高铁出行成了愈加重要的交通方式。随着交通产业的蓬勃发展,人们出行往往采用多种交通方式搭配。如何在各种交通方式的综合利用的现状下,做到更好地降低整体的运输成本的同时,保障运输效率和便捷性已经成了一个亟待解决的问题。
复杂网络分析方法是一种对复杂系统的抽象和描述方式,是研究复杂系统的一种有效角度和方法。借用复杂网络理论,我们将中国真实航空运输和高铁运输建模成空铁耦合网络。空铁耦合网络中存在某些极为重要的交通枢纽站点,通过在这些站点进行转运,可以在有效降低整体运输成本的同时保障整体交通网络的运输便捷性。识别出这些枢纽节点,可以为国家交通运输管理部门降低运输成本,提高运输效率提供支撑方法。现有方法中,大多直接通过局部信息来识别枢纽节点,例如通过某个站点的运输量大小,但是这样的方法过于简单,没有利用整体信息,难以反映整个交通网络的真实情况。
目前,从整体角度考虑枢纽节点的选择的工作大多只考该节点失效之后,交通网络效率下降的多少。例如《一种高速路网关键路段的识别方法》(中国专利申请,公开号为106981194A)中,对高速路网进行社团划分,利用概率化方法和背包思想求解关键路段。但是该工作针对高速路网,仅仅考虑了交通效率,而在综合交通网络,尤其是空铁耦合网络中,交通运输成本也是影响枢纽选择的一项重要因素。
发明内容
在综合交通运输日益成为主流交通趋势的同时,如何有效降低运营成本和提升运输效率成为一个亟待解决的问题,本发明针对空铁耦合网络提供了一种综合交通网络枢纽节点选择方法,以解决该问题。
本发明提供的综合交通网络枢纽节点选择方法,在计算机中设置有数据处理模块和优化求解模块,优化求解模块还包括需求分配模块和方案评价模块;所述方法包括:
首先,通过数据处理模块获取各城市夜晚灯光数据、各城市的高铁站点、所有机场数据、以及机场航班和高铁车次数据,搭建空铁耦合网络;所搭建的空铁耦合网络中将每个高铁站点及每个机场站点都作为一个节点,站点之间有车次或者航班视为有一条有向连边,同一城市的站点之间互相均有有向连边;
其次,在预设的枢纽节点个数下,通过优化求解模块对空铁耦合网络求取最优的枢纽节点选择方案;利用需求分配模块对所有城市对进行运输需求分配,将运输需求分配到城市对的最短路径上;利用方案评价模块对所有枢纽节点选择方案计算总运输成本和总换乘次数,选出最优方案。
所述的需求分配模块,对于城市p到城市q之间的运输需求分配,考虑所有城市p的站点到城市q站点之间的最短路径;设置两个站点的一条边ya的权重ua为:
ua(ya)=αapa+βta
其中,pa表示边ya的票价,αa为边ya的打折因子,ta表示边ya的时间,β为ta的权重参数;当ya连接的两个站点均为枢纽节点时,设置αa为一个小于1的常数,否则设置αa为1。
选取路径权重最小的路径为最短路径,城市p,q之间的需求全部通过最短路径rp,q运输。
所述的方案评价模块利用第二代非支配排序进化算法来求解最优方案,求解时将枢纽节点选择方案x利用下面编码方式编码为向量z,如下:
对于枢纽节点选择方案x,对应地将所有站点编号为1,2,…L,L为所有机场站点和高铁站点的数量总和;将枢纽节点的编号组成向量y=(y1,y2,…,yK),其中yi∈{1,2,…K}且 设置新向量z=(z1,z2,…,zK),其中1≤zi≤L-i+1且表示整数,然后建立z和y之间的映射关系如下:z1是序列{1,2,…,L}中值为y1的元素所排的序号,将y1从序列{1,2,…,L}中去除得到新序列,z2是当前序列中值为y2的元素所排的序号,以此类推,得到向量z。
相对于现有技术,本发明优点与积极效果在于:
(1)本发明方法中的数据处理模块中利用城市灯光数据和引力模型模拟城市之间的运输需求,这种方式比较合理,符合实际中大城市之间运输需求更大的实际情况。
(2)本发明提出的空铁耦合网络建模方式以站点为节点,网络建模方式更加符合实际。
(3)本发明方法提出了一种编码解码方式,解决了搜索空间不连续的问题,避免搜索过多无效解。
(4)本发明设计的综合交通枢纽选择方法能够同时兼顾运输成本的降低和运输效率的保持。
附图说明
图1是本发明的枢纽节点选择方法涉及的功能模块组成示意图;
图2是本发明实施例搭建的一个空铁耦合网络示意图;
图3是本发明的采用第二代非支配排序进化算法求解优化目标的流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明首先将真实航空网络、高铁网络抽象建模成空铁耦合网络,再通过多目标优化方法寻找最优的枢纽节点选择方案。枢纽节点指空铁耦合网络整体运输过程中起最重要作用的站点,通过对这些站点的加大投资可以在保障运输效率的同时有效降低整体运输成本。本发明方法从复杂网络科学角度出发,能够从宏观角度挖掘空铁耦合网络中枢纽节点的选择,解决枢纽节点选择问题,指导实际应用。
本发明的原理是:航空网络以机场为节点,航线为连边,高铁网络以高铁站为节点,高铁车次直达为连边,在同一个城市的所有站点之间相互具有耦合边,抽象搭建出来空铁耦合网络。耦合边是指同一个城市的站点之间通过公路、地铁等交通方式可以实现站点之间互相连通,抽象为同一个城市内的所有站点之间互相有连边。通过中国各个城市的夜晚灯光数据和引力模型生成各个城市之间的运输需求数据,对每种枢纽节点选择方案,通过“最短路径”规则将这些运输需求分配到相应的运输路径上,使得整体运输成本尽可能小,并且总体换乘次数尽可能少,提高运输便捷性。
本发明提供的综合交通网络枢纽节点选择方法所涉及的功能模块,如图1所示,包括数据处理模块和优化求解模块。优化求解模块还包括需求分配模块和方案评价模块。
数据处理模块用于根据获取的各城市夜晚灯光数据、站点数据、所有高铁站点经纬度、所有机场数据和航线数据,搭建中国空铁耦合网络。
现有搭建的网络中多数是以城市为节点,城市之间有航线或车次即视为有一条无向连边。本发明中模型更加贴合实际,空铁耦合网络建模方式为以站点为节点,站点之间有车次或者航班视为有一条有向连边,并且同一城市的站点之间互相均有连边。
如图2所示,为一个空铁耦合网络示例,空铁耦合网络中包括高铁网络和航空网络。图2中上层为航空网络,下层为高铁网络,虚线圆圈代表城市,用字母表示,将位于同一城市的航空站点或高铁站点圈在一起。图2中三角形代表机场,正方形代表高铁站,站点用数字表示,上层的连边代表航线,下层的连边代表铁路,航空网络与高铁网络中相同的城市用虚线连接。从图中可以看出,只有a城市和d城市同时有机场和高铁站,即只有1,7,8之间和4,5,10之间能够换乘,b,c,e城市都仅有一个机场,f,g,h城市都仅有一个高铁站。图2中所建立的空铁耦合网络中对同一城市的站点之间互相均设置有有向连边,即图中的双箭头边。
优化求解模块根据用户预先设置的枢纽节点个数等,对空铁耦合网络,求取最优的枢纽节点选择方案。优化求解模块中的需求分配模块就是用来对该问题进行数据建模和求解,得到所有城市对之间的最短路径,对每个城市对,将运输需求分配到该城市对的最短路径上。优化求解模块中的方案评价模块用来计算总运输成本和总换乘次数。求取最优枢纽节点选择方案是一个优化算法寻优过程,优化算法中的种群中的每一个个体,即一种枢纽选择方案。
需求分配模块用于求解最优枢纽选择方案,为空铁耦合网络中的所有城市对进行运输需求分配。下面首先说明本发明的空铁耦合网络上的运输分配数学模型:
C:所有城市集合,|C|=n;n为网络中城市的数量;
A:所有机场站点集合,|A|=n_air;n_air为机场数量;
T:所有高铁站点集合;|T|=n_train;n_train为高铁站数量。
K:关键站点数量。关键站点也就是枢纽节点。K的值由用户预先设置。
Dp,q:城市p,q之间的运输需求。D=(Dp,q)|C|×|C|表示所有城市对之间的运输需求。空铁耦合网络中,城市p和城市q之间的需求Dp,q用下式计算:
其中,lp和lq分别是城市p和城市q的灯光数据,该数据还可以综合衡量GDP和人口来获得,dp,q是城市p和城市q之间的欧式距离。
rp,q:表示城市p,q之间的最短路径。
v:表示所有边上的流量,va表示边ya上的流量,也就是分配到边ya上的总运输量。va是需求分配模块执行之后,即所有城市对之间的需求均分配到对应的最短路径之上之后,对每一条边ya,将所有城市对中最短路径包含ya的运输需求累加,得到va。
Δp,q:是指示矩阵,代表所有边是否属于城市p到q的最短路径rp,q;
Δ:连边路径指示矩阵,Δ=(Δp,q,p,q∈C)。
对于两个不同城市,城市p到城市q之间的运输需求分配过程如下:
考虑所有城市p的站点到城市q站点之间的最短路径,每条边ya的权重ua如下计算:
ua(ya)=αapa+βta
其中pa表示边ya的票价,航空、高铁或换乘票价是按照欧式距离乘以一个对应的系数来得到,系数是指航空、铁路或公路的单位距离成本。考虑到规模经济效益,即枢纽节点之间的单位运输成本会降低,为边ya引入打折因子αa,当ya连接的两个站点均为枢纽节点时,设置αa为一个小于1的常数,否则设置αa为1。αa可根据下面公式来设置:
设边ya=(i,j),打折因子αa=1-0.2*xixj,0.2由(1-0.8)得到,打折因子可以调整。其中,xi用于标记站点i是否是枢纽节点,当站点i是枢纽节点时,xi为1,否则xi为0;xj为同样设置。
ta表示边ya的时间,航空、高铁、换乘的运输时间按照欧式距离除以三种交通方式平均速度得到。β为一个权重参数。
β用以衡量经济成本和时间成本的比重,一般值采用1.2(参考文献:X Wang,QMeng,Discrete intermodal freight transportation network design with routechoice behavior of intermodal operators,《Transportation Research Part BMethodological》,2017,95:76-104)。
任意路径的权重通过将该路径上所有边的权重相加得到,路径权重最小的路径为最短路径。城市p,q之间的需求全部通过最短路径rp,q运输。
方案评价模块用于根据不同枢纽节点选择方案,分配需求到整个网络中去,根据规模经济计算整体运输成本和换乘次数。
优化目标1:整体交通网络运输成本C(x)最小:
优化目标2:整体换乘次数T(x)最少:
min T(x)
约束条件:
关键站点个数K约束:∑i∈A∪Txi=K
流量约束:∑p,qΔp,qDp,q=v,即所有城市对之间的流量均按照最短路径分配。
对于图2所示的实施例,从a城到h城,h城只有一个高铁站,a城一个机场,两个高铁站,从a城到h城可行路径有:
可行路径1:1-4-10-12
可行路径2:7-9-11-12
可行路径3:8-10-12
分别计算成本后选择总成本最小的路径作为a城到h城的路径。
优化求解模块中利用第二代非支配排序进化算法(NSGA-II)来求解成本最小的路径。NSGA-II算法是用来求解枢纽节点选择问题的,该算法迭代过程中,计算种群个体适应值时,需要求解成本最小的路径(需求分配模块),之后计算整体运输成本和换乘次数(方案评价模块)。
NSGA-II是一个基于非支配排序的多目标进化算法(MOEA),它缓解了NSGA算法计算复杂度高、非精英机制和需要制定共享参数的难点。NSGA-II包含一个计算复杂度较低的快速非支配排序方法,和一个通过结合父代和子代种群以及选择最佳解决方法(根据适应度和扩展性)创建交配池的选择算子。对不同的测试问题进行的模拟仿真结果表明NSGA-II在大多数问题中,与其他进化策略和强性Pareto进化算法——两个注重创造具有多样性Pareto占优前沿面的精英机制的多目标进化算法——相比能找到相对扩展性较好的解以及更能收敛于实际Pareto占优的前沿面。鉴于NSGA-II算法的优异性能,本发明采用NSGA-II算法求解空铁耦合网络中枢纽节点选择问题。
NSGA-II算法最重要的步骤就是对选择枢纽节点的编码。本发明针对所要解决的问题设计了一种编码解码方式,避免了搜索空间不连续,提升了搜索效率。本发明设计的编码解码方式具体如下:
将所有站点编号为1,2,…L,其中L=n_air+n_train,选择K个站点为其中的枢纽节点,表示为x=(x1,x2,…,xL),其中xi∈{0,1}且满足∑1≤i≤Lxi=K。因为直接将这种二进制编码表示方式作为染色体会带来许多问题,例如交叉和变异操作可能导致重复选择枢纽节点,以及无法保证满足枢纽节点个数的约束条件。针对这个问题,本发明设计了一种编码方式,将枢纽节点的编号组成向量y=(y1,y2,…,yK),其中yi∈{1,2,…K}且设置一个新向量z=(z1,z2,…,zK),其中1≤zi≤L-i+1且表示整数,然后建立z和y之间的映射关系如下:z1是序列{1,2,3…,L}中值为y1的元素所排的序号,从序列{1,2,3…,L}中将值为y1的元素去除得到新的站点编号序列;z2是去除元素后的当前序列中值为y2的元素所排的序号,从当前序列中将值为y2的元素去除,z3是去除元素y2后的当前序列中值为y3的元素所排的序号,以此类推,得到整个z=(z1,z2,…,zK)。
举例:L=5,K=3,即5个节点中选择3个作为枢纽节点,例如选择2,4,5三个节点作为枢纽节点,则:
初始表示方法为x=(x1,x2,x3,x4,x5)=(0,1,0,1,1),对应编号序列为{1,2,3,4,5},枢纽节点向量y=(y1,y2,y3)=(2,4,5);编码过程如下,序列{1,2,3,4,5}中y1=2为第二个元素,则z1=2,序列去除第二个元素,变成{1,3,4,5},y2=4是序列中第三个元素,所以z2=3,序列去除y2变成{1,3,5},其中y3=5是第三个元素,所以z3=3,即z=(z1,z2,z3)=(2,3,3),z即为染色体基因型,将x表示成z的过程即编码过程。
解码过程即编码过程的逆过程:z=(z1,z2,…,zK),y1是序列x中第z1个元素,从序列x中将第z1个元素去除,y2是当前序列x中第z2个元素,依次类推,得到整个y=(y1,y2,…,yK)。仍以上面的例子来说,当z=(2,3,3),序列{1,2,3,4,5}中第2个元素为2,所以y1=2,序列变成{1,3,4,5},第三个元素为4,所以y2=4,此时序列变为{1,3,5},其中第三个元素为5,所以y3=5,即y=(2,4,5),即x=(0,1,0,1,1)。
本发明的编码方式优点主要有两个:该编码染色体长度较小,占用内存较少;该编码在进行对应位置交叉,变异时不会生成违反约束的解。
如图3所示,采用NSGA-II算法求解最优枢纽节点选择方案的主要步骤如下:
步骤1:iter为演化代数,初始化为0。随机产生初始种群P,种群个体数量为N。
种群P中每一个个体代表一种枢纽节点选择方案,即每个个体表示为z=(z1,z2,…,zK),种群个体数量即备选方案的数量。
初始种群中每个个体是在所有站点中随机选择K个作为枢纽节点,之后按照最短路径分配原则去进行需求分配。
步骤2:对种群中每个个体进行解码,得到关键站点选择方案x=(x1,x2,…,xL),计算各个体评价值C(x)和T(x)。C(x)的值即对应图3中的eval1,T(x)的值即对应图3中的eval2。
步骤3:对种群进行非支配排序并计算个体层级rank和相同层级个体间的拥挤距离crowding distance。
步骤4:利用锦标赛选择法得到新的种群P1。具体规则为:随机选择两个个体,选择层级较小的个体,若层级相同,则选择拥挤距离大的个体。
步骤5:对P1个体进行交叉操作得到种群P2。
步骤6:对P2个体进行变异操作得到临时种群Q。
步骤7:执行精英策略。合并种群P和Q,根据评价值对其进行非支配排序,并选择N个个体形成新的种群。
步骤8:判断当前演化代数iter是否达到最大演化代数Maxiteration,若是,则算法结束,否则,设置iter自增1,然后转到步骤2执行。
在NSGA-II算法迭代完成后输出所有Pareto最优解,即若干互不支配的个体。个体x1是Pareto最优解,是指不存在某个解x的个体评价值C(x)和T(x)均比C(x1)和T(x1)小。
显然,所描述的实施例也仅仅是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (5)
1.一种综合交通网络枢纽节点选择方法,其特征在于,在计算机中设置有数据处理模块和优化求解模块,优化求解模块还包括需求分配模块和方案评价模块;所述方法包括:
首先,通过数据处理模块获取各城市夜晚灯光数据、各城市的高铁站点、所有机场数据、以及机场航班和高铁车次数据,搭建空铁耦合网络;所搭建的空铁耦合网络中将每个高铁站点及每个机场站点都作为一个节点,站点之间有车次或者航班视为有一条有向连边,同一城市的站点之间互相均有有向连边;
其次,在预设的枢纽节点个数下,通过优化求解模块对空铁耦合网络求取最优的枢纽节点选择方案;利用需求分配模块对所有城市对进行运输需求分配,将运输需求分配到城市对的最短路径上;利用方案评价模块对所有枢纽节点选择方案计算总运输成本和总换乘次数,选出最优方案;
所述的需求分配模块根据下面方法来计算城市对的运输需求:
城市p和城市q之间的运输需求Dp,q用下式计算:
其中,lp和lq分别是城市p和城市q的夜晚灯光数据,dp,q是城市p和城市q之间的欧式距离;
对于城市p到城市q之间的运输需求分配,考虑所有城市p的站点到城市q站点之间的最短路径;两个站点的一条边ya的权重ua为:
ua(ya)=αapa+βta
其中,pa表示边ya的票价,αa为边ya的打折因子,ta表示边ya的时间,β为ta的权重参数;当ya连接的两个站点均为枢纽节点时,设置αa为一个小于1的常数,否则设置αa为1;
任意路径的权重通过将该路径上所有边的权重相加得到,路径权重最小的路径为最短路径,城市p,q之间的需求全部通过最短路径rp,q运输。
3.根据权利要求1所述的方法,其特征在于,所述的方案评价模块根据不同枢纽节点选择方案,分配运输需求到整个空铁耦合网络中,计算整体运输成本和换乘次数,包括两个优化目标:
优化目标1:整体交通网络运输成本C(x)最小:
优化目标2:整体换乘次数T(x)最少:
min T(x)
约束条件:
关键站点个数K约束:∑i∈A∪Txi=K;
流量约束:∑p,qΔp,qDp,q=v,表示所有城市对之间的流量均按照最短路径分配;
其中,向量x表示一个枢纽节点选择方案,向量x的纬度是所有机场站点和高铁站点的数量总和,x中的元素xi取值1或0,取值为1时代表该站点为枢纽节点,取值为0是代表该站点不是枢纽节点;A为所有机场站点集合,T为所有高铁站点集合;K为枢纽节点数量;Dp,q表示城市p与q之间的运输需求;v表示所有边上的流量,v中元素va表示分配到边ya上的运输量;Δp,q代表所有边是否属于城市p到q的最短路径rp,q,Δp,q中元素取值1或0,当边ya属于路径r=rp,q,r是城市p到q的站点对w的一条路径,此时取值为1,否则取值为0;αa为边ya的打折因子,pa表示边ya的票价;为所有航空边的集合,为所有高铁边的集合,为所有换乘边的集合。
5.根据权利要求4所述的方法,其特征在于,所述的方案评价模块利用第二代非支配排序进化算法来求解最优方案,在求解时,先将选择方案x编码为向量z,每个个体用一个向量z表示,在计算个体评价值时先将向量z解码为向量x,再计算x的整体交通网络运输成本C(x)和整体换乘次数T(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235450.3A CN109377048B (zh) | 2018-10-23 | 2018-10-23 | 一种综合交通网络枢纽节点选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235450.3A CN109377048B (zh) | 2018-10-23 | 2018-10-23 | 一种综合交通网络枢纽节点选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377048A CN109377048A (zh) | 2019-02-22 |
CN109377048B true CN109377048B (zh) | 2020-06-12 |
Family
ID=65401684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811235450.3A Active CN109377048B (zh) | 2018-10-23 | 2018-10-23 | 一种综合交通网络枢纽节点选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377048B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340673A (zh) * | 2020-01-09 | 2020-06-26 | 北京航空航天大学 | 一种基于空铁耦合网络的出行耗时计算方法 |
CN111475898B (zh) * | 2020-03-09 | 2022-11-01 | 西南交通大学 | 考虑枢纽节点失效的中欧班列运输网络构建方法 |
CN111428998B (zh) * | 2020-03-23 | 2023-05-12 | 山东宜佳成新材料有限责任公司 | 一种基于铁路运输网络自相似特征的云清洁机器人布局方法 |
CN111797283B (zh) * | 2020-07-08 | 2024-03-05 | 深圳市活力天汇科技股份有限公司 | 一种基于无向加权图的空铁中转方法 |
CN113343400B (zh) * | 2021-06-23 | 2023-04-07 | 北京航空航天大学 | 一种城市群综合客运枢纽协同布局优化方法及系统 |
CN114418228A (zh) * | 2022-01-24 | 2022-04-29 | 南京工程学院 | 一种基于多层网络的空铁联运双层加权网络建模方法 |
CN115860601B (zh) * | 2022-11-23 | 2023-11-24 | 交通运输部公路科学研究所 | 基于快递量的高铁-公路快递网络脆弱节点预警监测平台 |
CN116090268B (zh) * | 2023-04-12 | 2023-07-14 | 四川省交通勘察设计研究院有限公司 | 一种公路交通网络枢纽节点识别方法、装置、设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217579A (zh) * | 2013-07-23 | 2014-12-17 | 同济大学 | 基于路段子网络冗余度的交通网络关键路段搜索方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2014MU00735A (zh) * | 2014-03-04 | 2015-09-25 | Tata Consultancy Services Ltd | |
CN105405090A (zh) * | 2015-12-20 | 2016-03-16 | 北京民航信息科技有限公司 | 一种空铁联运系统 |
CN106056247B (zh) * | 2016-06-02 | 2019-06-11 | 广东工业大学 | 一种用于城市内涝情境下最优交通路径的选取方法 |
-
2018
- 2018-10-23 CN CN201811235450.3A patent/CN109377048B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217579A (zh) * | 2013-07-23 | 2014-12-17 | 同济大学 | 基于路段子网络冗余度的交通网络关键路段搜索方法 |
Non-Patent Citations (1)
Title |
---|
面向航空交通系统的复杂网络与网络动力学研究;杜文博;《中国博士学位论文全文数据库 工程科技II辑》;20110615(第6期);第1-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109377048A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377048B (zh) | 一种综合交通网络枢纽节点选择方法 | |
Dong et al. | Planning of fast EV charging stations on a round freeway | |
CN108470444B (zh) | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 | |
Yang et al. | A stochastic model for the integrated optimization on metro timetable and speed profile with uncertain train mass | |
CN108053037B (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
Huang et al. | Optimizing bus frequencies under uncertain demand: case study of the transit network in a developing city | |
CN109784530B (zh) | 基于中速磁浮线路通过能力的供电分区优化设置方法 | |
CN112347596B (zh) | 一种城市公交线网优化方法 | |
CN111695225A (zh) | 一种公交复合复杂网络模型及其公交调度优化方法 | |
Johar et al. | Transit network design and scheduling using genetic algorithm–a review | |
Chai et al. | An improved NSGA-II algorithm for transit network design and frequency setting problem | |
CN115048576A (zh) | 一种空港旅客群体出行方式柔性推荐方法 | |
Nunes et al. | Solving the multi‐objective bike routing problem by meta‐heuristic algorithms | |
Yu et al. | An optimization method for planning the lines and the operational strategies of waterbuses: the case of Zhoushan city | |
Wu et al. | Network equilibrium for congested multi‐mode networks with elastic demand | |
Gholami et al. | Train routing and timetabling via a genetic algorithm | |
Li | Multiparty coordinated logistics distribution route optimization based on data analysis and intelligent algorithm | |
CN115081153A (zh) | 一种考虑车载容量和站点容量的公交网络设计优化方法 | |
Zhang et al. | A study of metro organization based on multi-objective programming and hybrid genetic algorithm | |
Rahman et al. | Transit network design by hybrid guided genetic algorithm with elitism | |
Masliakova | Optimal routing and charging procedures for electric buses | |
Dobrzyńska et al. | Structure and dynamics of a public bike-sharing system. Case study of the public transport system in Białystok | |
Wang et al. | Route Optimization of Travelers' Intermodal Transport Considering Bounded Rationality | |
CN108960533B (zh) | 一种空中航路网优化方法 | |
Saeidi | A genetic algorithm for route optimization in public transportation problem |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |