CN109544927B - 一种多层网络协同限行方法 - Google Patents

一种多层网络协同限行方法 Download PDF

Info

Publication number
CN109544927B
CN109544927B CN201811502216.2A CN201811502216A CN109544927B CN 109544927 B CN109544927 B CN 109544927B CN 201811502216 A CN201811502216 A CN 201811502216A CN 109544927 B CN109544927 B CN 109544927B
Authority
CN
China
Prior art keywords
network
restricted driving
solution
multitiered
road
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
CN201811502216.2A
Other languages
English (en)
Other versions
CN109544927A (zh
Inventor
王璞
王骋程
陈美林
阴振生
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201811502216.2A priority Critical patent/CN109544927B/zh
Publication of CN109544927A publication Critical patent/CN109544927A/zh
Application granted granted Critical
Publication of CN109544927B publication Critical patent/CN109544927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Abstract

本发明公开了一种多层网络协同限行方法，首先，获取道路信息、公共交通及轨道交通信息，构建城市道路‑公交‑轨道多层网络；然后，获取多种交通方式的交通需求信息；再构建以城市道路‑公交‑轨道多层网络中各条边的限行比例为决策变量、以降低活动交通小区超容流量和出行者的出行代价目标的双目标规划模型；最后，设置决策变量不同的解，在不同的解下采用交通流量分配算法将获得的交通需求在多层网络中进行分配，计算相应的目标函数值，以获得决策变量的最优解，即可得到多交通方式的协同限行方案。本发明既能通过限行避免城市大型活动中的大规模人群聚集，又能尽可能降低限行影响。

Description

一种多层网络协同限行方法
技术领域
本发明属于交通技术领域，具体涉及一种多层网络协同限行方法。
背景技术
城市大型活动中的大规模人群聚集，经常会引发严重的交通拥堵，甚至交通瘫痪，在某些情况还可能引起人群踩踏事故。为了防止人群聚集引起的事故，路径诱导、车辆限行控制、人群风险聚集预警系统等多种方法相继出现。
但现有的技术存在以下问题：
路径诱导方法很大一部分取决于驾驶员的主观行驶意愿，不能有效地控制目标地区的流量。单一的私家车限行或公共交通限制对区域总人口的突增限制存在局限性。私家车限行控制作为一种强制手段可以有效地降低目标地区的流量，但不利于出行者的正常出行并且将会增加公共交通的负担。单一的公共交通限制可能会出现私家车出行增加的风险，可以造成更严重的交通拥堵现象。人群风险聚集系统则是通过视频监控目标地区的人口密度在发现风险的时候才进行预警，易错失最佳的管控时间。
由于城市交通网络规模庞大、结构复杂，各种方式的交通需求相互关联，如果采用路径诱导、车辆限行控制等针对单一模式交通出行方式进行管控，很难有效缓解严重的交通拥堵，保障聚集人群的安全。单纯地对出行交通网络进行限流控制，会使出行者的出行时间增加，增大出行负担。因此，为防止大型活动人群聚集带来的突发大规模交通拥挤和危险人群聚集态势以及降低出行者的出行负担，迫切需要建立一种以减少活动地区人群聚集为第一目标，降低出行者的出行时间为第二目标的综合交通协同管控机制。
发明内容
本发明所解决的技术问题是，针对现有技术的不足，提供了一种多层网络协同限行方法，既能通过限行避免城市大型活动中的大规模人群聚集，又能尽可能降低限行影响。
本发明所提供的技术方案为：
一种多层网络协同限行方法，包括以下步骤：
步骤一、获取道路信息、公共交通及轨道交通信息，构建城市道路-公交-轨道多层网络；
步骤二、获取多种交通方式的交通需求信息；
步骤三、构建以城市道路-公交-轨道多层网络中各条边的限行比例为决策变量、以降低活动交通小区超容流量和出行者的出行代价目标的双目标规划模型；
步骤四、设置决策变量不同的解，在不同的解下采用交通流量分配算法将步骤二中获得的交通需求在多层网络中进行分配，计算相应的目标函数值，以获得决策变量的最优解，即可得到多交通方式的协同限行方案。
进一步地，所述步骤一中，城市道路-公交-轨道多层网络，包括道路网络、公交网络(快速公交系统网络)和轨道网络三种交通网络以及网间连接组成；其中，道路网络包括表示道路交叉口的节点和表示路段的有向边；公交网络包括表示公交站点的节点和表示公交线路区间的有向边；轨道网络包括表示地铁站点的节点和表示地铁线路段的有向边；三种交通网络的网间连接为连接不同网络的有向边，表示不同交通方式间的换乘路段(如公交换乘到地铁)；多层网络各条边的属性包括边的自由行驶时间(即相应路段/线路区间畅通的情况下的行驶时间)和容量；道路网络中边的自由行驶时间由该边对应的路段长度除以其限速得到，公交/ 轨道网络中边的自由自由行驶时间可由该边两端节点对应的公交/地铁到站时刻表得到，连接不同网络的边的自由自由行驶时间为经验值，通过估计换乘时间得到；
进一步地，所述步骤二中，道路网络的交通需求信息由卡口数据获得，根据卡口记录的通过卡口的车辆数据(包括车牌，通过卡口的时间)确定车辆的出行轨迹，并判断其停留位置，基于停留位置将其出行轨迹将划分成连续的OD信息(相邻的两个停留位置形成一个OD 对，即起点-终点对，并将每一份车辆OD信息分别转换成与之起止点相同的m份出行者OD 信息，m为平均乘车人数；对于先后记录同一车辆数据的两个卡口，若它们记录的该车辆通过的时间之差大于阈值，则认为车辆在这两个卡口之间停留，并认定与前一卡口距离最近的道路交叉口为车辆的停留位置；所述阈值根据车辆正常行驶时通过这两个卡口的平均时间间隔确定)；公交网络的交通需求信息由公交卡数据获得，公交卡记录乘客的上车车站，下车车站由公交下车点预测方法获取【公交下车点预测方法为现有技术，参考Zheng Z,Huang Z, Zhang F,et al.Understanding coupling dynamics of publictransportation networks[J].Epj Data Science,2018,7(1):23】，从而得到采用公交出行的出行者OD信息；地铁网络的交通需求信息由地铁卡数据获得，地铁卡记录乘客上下车车站可以直接获取采用地铁出行的出行者OD信息；汇总采用三种交通方式出行的出行者OD信息，得到多层网络中总的交通需求OD。本发明考虑多层网络间的换乘现象，故上述步骤中将三层网络中的出行提取为节点到节点的人口出行，并在后续步骤中对所有的人口出行在多层网络进行交通流分配。
进一步地，所述步骤三中，双目标规划模型为：
min F＝λ1(f-C)+λ2Z
其中，F为目标函数值，f为活动期间到达活动交通小区的总人数，C为交通小区的正常容量值(C为定值，取‘非活动日’小区达到人数的均值作为正常容量)，Z为出行者的出行代价，λ1和λ2分别为两个目标分别占总目标的比重。
进一步地，上述步骤四中，通过模拟退火算法求得决策变量的最优解，步骤如下：
1)初始化；
将城市道路-公交-轨道多层网络中各条边的限行比例作为模拟退火算法的解，在预先设定的限行比例的范围内随机生成一组初始解[x1，x2，...，xu-1，xu，...，xv，xv+1，...，xw，xw+1，...，xM]作为当前解(初始解中每个数值均在预先设定的限行比例范围内)，其中xu表示边u的限行比例， M为多层网络中总的边数；设置温度tk，最大迭代次数L，设置温度变化计数k＝0，迭代次数计数l＝1；
所述tk的初始值P为接受解的概率，为经验参数；Δf为目标函数值的上界- 目标函数值的下界，Δf的取值可由以下方法估计：随机产生若干组解，求取各组解对应的目标函数值，取其中最大和最小的目标函数值之差作为Δf；
2)通过3-交换生成当前解的邻域解，计算根据当前解和邻域解得到的目标函数值之差ΔF；
所述3-交换的具体方法为随机选取三条边作为交换点，将交换点之间的限行比例进行交换，产生新解，如将边u、v、w作为交换点，即产生新解 [x1，x2，...，xu-1，xv+1，...xw，xu，...，xv，xw+1，...，xM]；
3)当ΔF≤0或令邻域解作为新的当前解，否则维持之前的当前解不变；
4)当l＜L时，令l＝l+1，返回步骤2)，否则进行步骤5)；
5)当tk≤0.01时，将当前解作为决策变量的最优解，否则l＝1，tk+1＝δtk，k＝k+1，返回到步骤2)循环进行操作，其中δ为更新系数，为经验参数。
进一步地，所述步骤1)中，预先设定的限行比例范围为(0.5，1)。
进一步地，根据某一组解[x1，x2，...，xa，...，xM]计算目标函数值的方法如下：
首先，在该组解下采用交通流量分配算法将总的交通需求OD在多层网络中进行分配，得到多层网络中各条边的流量，对于道路网络中的边，其流量指车流量，对于公交、地铁网络中的边或是连接不同网络的有向边，其流量指人流量；具体步骤如下：
ⅰ、初始化，将总的交通需求OD分为N份，令n＝1，边a的初始流量
ⅱ、对于任意边a，计算第n次迭代中边a的旅行时间
若a为道路网络中的边，则有
若a为公交、地铁网络中的边或是连接不同网络的有向边，则有
其中，通过BPR(Bureau of Public Roads)路阻函数 计算得到，式中α、β为阻滞系数，Ca为边a的容量；fan-1为第n-1次迭代计算得到的边a的流量，caf表示边a的自由行驶时间；
ⅲ、对于任意边a，更新其边阻抗
若a为道路、公交、地铁网络中的边，则其边阻抗更新公式为：
其中，xa为多层网络中边a的限行比例；
若a为连接不同网络的有向边，则其阻抗保持不变：
ⅳ、根据各条边的边阻抗用全有全无分配法将第n份交通需求OD分配到相应的最短路径(最短路径采用Dijkstra算法求解)上，得到第n次迭代中各边的附加人口流量
ⅴ、通过公式计算第n次迭代中边a的流量，其中ma表示边a对应的人口数量参数，若a为道路网络中的边，ma取为道路网络中车辆的平均乘车人数；若a为公交、地铁网络中的边或是连接不同网络的有向边，则ma＝1；
ⅵ、当n＝N时，停止计算，将作为最终的分配结果；否则，令n＝n+1并返回步骤ⅱ；
然后，计算活动期间到达活动交通小区的总人数f：
其中，A为经过活动小区的边的集合；经过活动小区的边通过的人口数之和即为活动期间到达活动交通小区的总人数；进行交通流分配后，边a的流量乘以边a对应的人口数量参数即为边a通过的人口数；
再计算出行者的出行代价Z：
其中，B为多层网络中所有边的集合；在对各交通网络进行限流后，所有出行者在该网络中的出行时间之和即为出行代价Z。
最后，计算该组解对应的目标函数值F：
F＝λ1(f-C)+λ2Z。
有益效果：
本发明为实现在考虑限行影响的情况下避免城市大型活动中的大规模人群聚集，建立双目标规划模型，第一目标为：当发生大型活动时，通过限行策略控制活动举办地所在的交通小区(简称活动交通小区)人数，以保证活动参与人的安全，即使活动交通小区超容流量最小化，即在活动进行期间通过三种交通方式到达活动交通小区的人数超过交通小区的正常容量值最小。但要限制目标小区的人数，就要进行交通管控，对人们的出行需求造成一定影响，如果限行比例过大，可能阻碍出行者的正常出行。因此第二目标为将限行影响减弱到尽可能低，即最大程度地方便出行者的出行。并通过模拟退火算法求解双目标规划模型，对道路-公交-地铁三层网络的边流量进行限流控制，制定多交通方式的限行策略，实现了以减少活动小区的人群聚集为第一目标，降低对出行者的出行代价影响为第二目标的效果，是缓解城市道路拥堵，尤其是大型活动带来的人群聚集危险并且降低出行者出行代价的一种有效管控方式。
附图说明
图1为本发明所述多层网络示意图；
图2为本发明所述交通流分配算法流程图；
图3为本发明所述模拟退火算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。本发明主要包括如下步骤：
步骤一：构建城市道路-公交-轨道三层网络。下文使用的道路网络，公交网络，地铁网络为虚拟网络，各虚拟网络由节点和节点之间有向边组成，所述三种网络的有向边分别代表城市道路网络中的路段，城市公交网络的公交线路区间以及城市轨道网络中的地铁线路区间。图1分别为道路网络，公交网络，地铁网络的示意图。节点1-31为三层网络的换乘站点，节点之间的边代表连接站点之间的交通方式，道路网络包含15个节点和44条边，公交网络包含10个节点和26条边，地铁网络包含6个节点和14条边。所述各节点之间的交通线路包含交通线路容量Ca、路段自由行驶时间caf信息。不同网络层中的相同位置若存在换乘站点可实现乘客在层间网络的换乘。道路网络与公交网络间的换乘站点对共有10对，例如：编号6和 18，8和19；公交网络与地铁网络间的换乘站点对共有6对，例如：编号18和28，19和29；道路网络和地铁网络间的换乘站点共有6对，例如：编号6和28，8和29。三层网络的总边数M＝128。
步骤二：获取多种交通方式的交通需求OD。本实例中设置道路网络交通需求OD共662 对，公交网络交通需求OD共640对，地铁网络交通需求OD共573对。
步骤三、构建以城市道路-公交-轨道多层网络中各条边的限行比例为决策变量、以降低活动交通小区超容流量和出行者的出行代价目标的双目标规划模型：
min F＝λ1(f-C)+λ2Z
其中，F为目标函数值，f为活动期间到达活动交通小区的总人数，C为交通小区的正常容量值(C为定值，取‘非活动日’小区达到人数的均值作为正常容量)，Z为出行者的出行代价，λ1和λ2分别为两个目标分别占总目标的比重；在本实例中设置λ1＝0.6，λ2＝0.4， C＝1000。
步骤四、通过模拟退火算法求得决策变量的最优解，步骤如下：
1)初始化；
将城市道路-公交-轨道多层网络中各条边的限行比例作为模拟退火算法的解，在预先设定的限行比例的范围(本实施例设定为(0.5，1))内随机生成一组初始解 [x1，x2，...，xu-1，xu，...，xv，xv+1，...，xw，xw+1，...，xM]作为当前解，其中xu表示边u的限行比例，M为多层网络中总的边数；设置温度tk，最大迭代次数L＝500，温度变化计数k＝0，迭代次数计数l＝1；
所述tk的初始值P为接受解的概率，本实施例中P根据经验取为0.9；Δf为目标函数值的上界-目标函数值的下界，Δf的取值可由以下方法估计：随机产生若干组解，求取各组解对应的目标函数值，取其中最大和最小的目标函数值之差作为Δf；
2)通过3-交换生成当前解的邻域解，计算根据当前解和邻域解得到的目标函数值之差ΔF；
所述3-交换的具体方法为随机选取三条边作为交换点，将交换点之间的限行比例进行交换，产生新解，如将边u、v、w作为交换点，即产生新解 [x1，x2，...，xu-1，xv+1，...xw，xv，...，xv，xw+1，...，xM]；
3)当ΔF≤0或令邻域解作为新的当前解，否则维持之前的当前解不变；
4)当l＜L时，令l＝l+1，返回步骤2)，否则进行步骤5)；
5)当tk≤0.01时，将当前解作为决策变量的最优解，否则l＝1，tk+1＝δtk，k＝k+1，返回到步骤2)循环进行操作，其中δ为更新系数，本实施例中δ根据经验取为0.85。
步骤1)和2)中，根据某一组解[x1，x2，...，xa，...，xM]计算目标函数值的方法如下：
首先，在该组解下采用交通流量分配算法将总的交通需求OD在多层网络中进行分配，得到多层网络中各条边的流量，步骤如下：
ⅰ、初始化，将总的交通需求OD分为N份(本实施例中分为10份)，令n＝1，边a的初始流量
ⅱ、对于任意边a，计算第n次迭代中边a的旅行时间
若a为道路网络中的边，则有
若a为公交、地铁网络中的边或是连接不同网络的有向边，则有
其中，通过BPR(Bureau of Public Roads)路阻函数 计算得到，式中α、β为阻滞系数，Ca为边a的容量；fan-1为第n-1次迭代计算得到的边a的流量，caf表示边a的自由行驶时间；
ⅲ、对于任意边a，更新其边阻抗
若a为道路、公交、地铁网络中的边，则其边阻抗更新公式为：
其中，xa为多层网络中边a的限行比例；
若a为连接不同网络的有向边，则其阻抗保持不变：
ⅳ、根据各条边的边阻抗用全有全无分配法将第n份交通需求OD分配到相应的最短路径(最短路径采用Dijkstra算法求解)上，得到第n次迭代中各边的附加人口流量
ⅴ、通过公式计算第n次迭代中边a的流量，其中ma表示边a对应的人口数量参数，若a为道路网络中的边，则ma取为道路网络中车辆平均乘车人数(本实施例中设置为2)，即ma＝2，若a为公交/地铁网络或连接不同网络的有向边，则ma＝1；
ⅵ、当n＝N时，停止计算，将作为最终的分配结果；否则，令n＝n+1并返回步骤ⅱ；
然后，计算活动期间到达活动交通小区的总人数f：
其中，A为经过活动小区的边的集合；经过活动小区的边通过的人口数之和即为活动期间到达活动交通小区的总人数；进行交通流分配后，边a的流量乘以平均乘车人数ma即为边a 通过的人口数；
并计算出行者的出行代价Z：
其中，B为多层网络中所有边的集合；在对各交通网络进行限流后，所有出行者在该网络中的出行时间之和即为出行代价Z。
最后，计算该组解对应的目标函数值F：
F＝λ1(f-C)+λ2Z。
本实施例设活动交通小区位于图2虚线区域内；根据上述步骤四中通过模拟退火算法求得决策变量的最优解，计算得到活动期间到达活动交通小区的总人数f＝1461，出行者的出行代价为623.29，目标函数值F＝525.92。
为验证本发明的效果，下面在不采用本发明的限行方法的情况下，对活动期间到达活动交通小区的总人数foriginal，出行者的出行代价Zoriginal，目标函数值Foriginal进行计算；具体步骤如下。
步骤1：通过交通流分配算法计算道路路网中边流量和各条边的旅行时间；在道路网络中，通过交通流分配算法得到边流量为车辆流量，车辆流量乘以平均乘车人数为边通过的人口数；计算道路网络中，经过活动小区的边通过的人口数之和，即为通过道路网络到达活动小区的人口数人；将道路网络中各条边的旅行时间分别乘以各条边通过的人口数，然后求和，得到道路网络所有出行者的出行代价
步骤2：通过Dijkstra算法求解最短路径得到公交网络和地铁网络的边流量。在公交网络和地铁网络中，通过最短路算法得到边流量为边上的人口数；分别计算公交网络和地铁网络中，经过活动小区的边通过的人口数之和，即为通过公交网络和地铁网络到达活动小区的人口数，实例计算得到通过公交网络到达活动小区的人口数人，通过地铁网络到达活动小区的人口数人；将公交网络/地铁网络中各条边的旅行时间分别乘以各条边的边流量，然后求和，得到公交网络/地铁网络所有出行者的出行代价
步骤3：计算不采用本发明的限行方法的情况下，活动期间到达活动交通小区的总人数出行者的出行代价Z。riginal＝Zroad+ Zbus+Zsubway＝501.81；目标函数值Foriginal＝599.92。
对比可知，本发明的限行方法可以有效减少活动期间到达活动交通小区的总人数，虽然由于限行使得出行者的出行代价有所增加，但是实现了减少到达活动小区的人口数和降低限行影响两个目标之间平衡。

Claims (5)

1.一种多层网络协同限行方法，其特征在于，包括以下步骤：
步骤一、获取道路信息、公共交通及轨道交通信息，构建城市道路-公交-轨道多层网络；
步骤二、获取多种交通方式的交通需求信息，具体方法为：
道路网络的交通需求信息由卡口数据获得，根据卡口记录的通过卡口的车辆数据确定车辆的出行轨迹，并判断其停留位置，基于停留位置将其出行轨迹划分成连续的车辆OD信息；并将每一份车辆OD信息分别转换成与之起止点相同的m份出行者OD信息，m为平均乘车人数；
公交网络的交通需求信息由公交卡数据获得，公交卡记录乘客的上车车站，下车车站由现有的公交下车点预测方法获取，从而得到采用公交出行的出行者OD信息；
地铁网络的交通需求信息由地铁卡数据获得，地铁卡记录乘客上下车车站可以直接获取采用地铁出行的出行者OD信息；
汇总采用三种交通方式出行的出行者OD信息，得到多层网络中总的交通需求OD；
步骤三、构建以城市道路-公交-轨道多层网络中各条边的限行比例为决策变量、以降低活动交通小区超容流量和出行者的出行代价目标的双目标规划模型；双目标规划模型为：
min F＝λ1(f-C)+λ2Z
其中，F为目标函数值，f为活动期间到达活动交通小区的总人数，C为交通小区的正常容量值，Z为出行者的出行代价，λ1和λ2分别为两个目标分别占总目标的比重；
步骤四、设置决策变量不同的解，在不同的解下采用交通流量分配算法将步骤二中获得的交通需求在多层网络中进行分配，计算相应的目标函数值，以获得决策变量的最优解，即可得到多交通方式的协同限行方案，具体方法为：
通过模拟退火算法求得决策变量的最优解，步骤如下：
1)初始化；
将城市道路-公交-轨道多层网络中各条边的限行比例作为模拟退火算法的解，在预先设定的限行比例范围内随机生成一组初始解[x1,x2,…,xu-1,xu,…,xv,xv+1,…,xw,xw+1,…,xM]作为当前解，其中xu表示边u的限行比例，M为多层网络中总的边数；设置温度tk，最大迭代次数L，设置温度变化计数k＝0，迭代次数计数l＝1；
所述tk的初始值P为接受解的概率，为经验参数；Δf为目标函数值的上界-目标函数值的下界；
2)通过3-交换生成当前解的邻域解，计算根据当前解和邻域解得到的目标函数值之差ΔF；
所述3-交换的具体方法为随机选取三条边作为交换点，将交换点之间的限行比例进行交换，产生新解，如将边u、v、w作为交换点，即产生新解[x1,x2,…,xu-1,xv+1,…xw,xu,…,xv,xw+1,…,xM]；
3)当ΔF≤0或令邻域解作为新的当前解，否则维持之前的当前解不变；
4)当l<L时，令l＝l+1，返回步骤2)，否则进行步骤5)；
5)当tk≤0.01时，将当前解作为决策变量的最优解，否则l＝1，tk+1＝δtk，k＝k+1，返回到步骤2)循环进行操作，其中δ为更新系数，为经验参数。
2.根据权利要求1所述的多层网络协同限行方法，其特征在于，所述步骤一中，城市道路-公交-轨道多层网络，包括道路网络、公交网络和轨道网络三种交通网络以及网间连接组成；其中，道路网络包括表示道路交叉口的节点和表示路段的有向边；公交网络包括表示公交站点的节点和表示公交线路区间的有向边；轨道网络包括表示地铁站点的节点和表示地铁线路段的有向边；三种交通网络的网间连接为连接不同网络的有向边，表示不同交通方式间的换乘路段；多层网络各条边的属性包括边的自由行驶时间和容量。
3.根据权利要求1所述的多层网络协同限行方法，其特征在于，所述步骤1)中，预先设定的限行比例范围为(0.5，1)。
4.根据权利要求1所述的多层网络协同限行方法，其特征在于，所述步骤1)中，Δf的取值由以下方法进行估计：随机产生若干组解，求取各组解对应的目标函数值，取其中最大和最小的目标函数值之差作为Δf。
5.根据权利要求1所述的多层网络协同限行方法，其特征在于，根据某一组解[x1,x2,…,xa,…,xM]计算目标函数值的方法如下：
首先，在该组解下采用交通流量分配算法将总的交通需求OD在多层网络中进行分配，得到多层网络中各条边的流量，对于道路网络中的边，其流量指车流量，对于公交、地铁网络中的边或是连接不同网络的有向边，其流量指人流量；具体步骤如下：
ⅰ、初始化，将总的交通需求OD分为N份，令n＝1，边a的初始流量
ⅱ、对于任意边a，计算第n次迭代中边a的旅行时间
若a为道路网络中的边，则有
若a为公交、地铁网络中的边或是连接不同网络的有向边，则有
其中，通过BPR路阻函数计算得到，式中α、β为阻滞系数，Ca为边a的容量；为第n-1次迭代计算得到的边a的流量，caf表示边a的自由行驶时间；
ⅲ、对于任意边a，更新其边阻抗
若a为道路、公交、地铁网络中的边，则其边阻抗更新公式为：
其中，xa为多层网络中边a的限行比例；
若a为连接不同网络的有向边，则其阻抗保持不变：
ⅳ、根据各条边的边阻抗用全有全无分配法将第n份交通需求OD分配到相应的最短路径上，得到第n次迭代中各边的附加人口流量
ⅴ、通过公式计算第n次迭代中边a的流量，其中ma表示边a对应的人口数量参数，若a为道路网络中的边，ma取为道路网络中车辆的平均乘车人数，则ma＝2；若a为公交、地铁网络中的边或是连接不同网络的有向边，则ma＝1；
ⅵ、当n＝N时，停止计算，将作为最终的分配结果；否则，令n＝n+1并返回步骤ⅱ；
然后，计算活动期间到达活动交通小区的总人数f：
其中，A为经过活动小区的边的集合；经过活动小区的边通过的人口数之和即为活动期间到达活动交通小区的总人数；
再计算出行者的出行代价Z：
其中，B为多层网络中所有边的集合；在对各交通网络进行限流后，所有出行者在该网络中的出行时间之和即为出行代价Z；
最后，计算该组解对应的目标函数值F：
F＝λ1(f-C)+λ2Z。
CN201811502216.2A 2018-12-10 2018-12-10 一种多层网络协同限行方法 Active CN109544927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811502216.2A CN109544927B (zh) 2018-12-10 2018-12-10 一种多层网络协同限行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811502216.2A CN109544927B (zh) 2018-12-10 2018-12-10 一种多层网络协同限行方法

Publications (2)

Publication Number Publication Date
CN109544927A CN109544927A (zh) 2019-03-29
CN109544927B true CN109544927B (zh) 2019-11-29

Family

ID=65854198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811502216.2A Active CN109544927B (zh) 2018-12-10 2018-12-10 一种多层网络协同限行方法

Country Status (1)

Country Link
CN (1) CN109544927B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757549B (zh) * 2022-04-24 2023-06-27 中交第二航务工程勘察设计院有限公司 内河干流航道水上服务区功能与规模决策方法
CN115331427B (zh) * 2022-07-05 2024-04-05 中南大学 一种缓解城市交通拥堵的动态交通限行方案优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9293038B2 (en) * 2013-09-09 2016-03-22 International Business Machines Corporation Traffic control agency deployment and signal optimization for event planning
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
CN105882695A (zh) * 2016-03-17 2016-08-24 北京交通大学 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法
CN106897791A (zh) * 2017-01-06 2017-06-27 南京邮电大学 一种公交地铁复合网络模型构建方法
CN108199888A (zh) * 2018-01-09 2018-06-22 东北大学 一种基于历史信息预测和缓解公共交通网络拥塞的方法
CN108399465A (zh) * 2017-10-12 2018-08-14 东南大学 一种应对实施区域交通管理策略的od分配方法
CN108846514A (zh) * 2018-06-07 2018-11-20 同济大学 一种突发事件下轨道交通客流疏散需求预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9293038B2 (en) * 2013-09-09 2016-03-22 International Business Machines Corporation Traffic control agency deployment and signal optimization for event planning
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
CN105882695A (zh) * 2016-03-17 2016-08-24 北京交通大学 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法
CN106897791A (zh) * 2017-01-06 2017-06-27 南京邮电大学 一种公交地铁复合网络模型构建方法
CN108399465A (zh) * 2017-10-12 2018-08-14 东南大学 一种应对实施区域交通管理策略的od分配方法
CN108199888A (zh) * 2018-01-09 2018-06-22 东北大学 一种基于历史信息预测和缓解公共交通网络拥塞的方法
CN108846514A (zh) * 2018-06-07 2018-11-20 同济大学 一种突发事件下轨道交通客流疏散需求预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于复杂网络理论的城市公交网络生成与优化研究;田庆飞;《中国博士学位论文全文数据库》;20130815;全文 *
带有空间公平性约束的换乘停车场布局双目标规划模型;卢晓珊等;《系统工程理论与实践》;20140930;第34卷(第9期);全文 *

Also Published As

Publication number Publication date
CN109544927A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN108597235B (zh) 基于交通视频数据的交叉口信号参数优化及效果评估方法
Fernandez et al. On the capacity of bus transit systems
CN106710216B (zh) 高速公路实时交通拥堵路况检测方法和系统
Thompson et al. Optimisation of parking guidance and information systems display configurations
CN110245806A (zh) 一种城市轨道交通客流管控方法与系统
CN105096622B (zh) 一种基于车路通信的动态路径诱导方法
CN106898147A (zh) 收集车辆与路口信息以控制车辆速度的系统及其方法
Hounsell et al. Enhancing Park and Ride with access control: A case study of Southampton
CN109544927B (zh) 一种多层网络协同限行方法
Madireddy et al. An agent based model for evacuation traffic management
CN106529703A (zh) 一种基于行使权分配的城市交通高峰错行方法
Mittal et al. Network flow relations and travel time reliability in a connected environment
Karoń et al. Forecasts for technical variants of ITS projects–example of Upper-Silesian conurbation
Karoń Travel demand and transportation supply modelling for agglomeration without transportation model
CN114707709A (zh) 铁路综合客运枢纽安全预警方法及系统
Li et al. Modeling impact of transit operator fleet size under various market regimes with uncertainty in network
Si et al. Optimization model and algorithm for mixed traffic of urban road network with flow interference
WO2023142295A1 (zh) 基于无过饱和状态的约定出行管控方法、装置及存储介质
Xie et al. Comparison of passenger walking speed distribution models in mass transit stations
Zacharias et al. Shifting from metro to sustainable surface modes for short-distance travel
Sun et al. Scheduling of high-speed rail traffic based on discrete-time movement model
CN110428628B (zh) 道路交通诱导方法
CN108492571B (zh) 基于乘客主观感知的城市公共交通客流拥塞指数计算方法
Huang et al. Simulation evaluation of threshold-based bus control strategy under the mixed traffic condition
CN107886190A (zh) 一种突发事件下乘客出行选择行为仿真方法及装置

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