CN109859459A

CN109859459A - 一种自动驾驶公交调度优化方法

Info

Publication number: CN109859459A
Application number: CN201910133559.4A
Authority: CN
Inventors: 马晓磊; 沈宣良
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2019-02-22
Filing date: 2019-02-22
Publication date: 2019-06-07
Anticipated expiration: 2039-02-22
Also published as: CN109859459B

Abstract

本发明提供一种自动驾驶公交调度优化方法。方法包括：基于原始公交IC卡记录和GPS数据，获取有效公交IC卡上下车交易数据和GPS轨迹数据，提取公交运营的实际指标；根据公交实际运行规律，融合自动驾驶特征，结合车辆到站时乘客上下车情况，建立考虑乘客动态需求的自动驾驶公交运营调度模型；从实际公交数据中提取乘客OD等信息作为模型的输入，将优化后得到的公交运行时刻表、乘客总体等待时间、公交承载量、站点候车乘客数量等指标与实际状态进行对比，反映自动驾驶公交调度的优化效果。通过对整条公交线路上当前运营的全部车辆进行优化，对公交车到达各站点时刻，以及站点的乘降人数进行实时调控，提高车辆的利用效率，缩短乘客的等待时间。

Description

一种自动驾驶公交调度优化方法

技术领域

本发明涉及交通信息技术领域，更具体的说是涉及一种自动驾驶公交调度优化方法。

背景技术

优先发展公共交通是解决城市交通问题的重要手段之一，也将是我国城市交通发展的长期战略。受道路通行条件限制，公交行程时间长，载客量分布不均，导致部分运力资源耗费。公交车在实际行驶过程中，高峰时段车流量大，车辆运行受阻，发车间隔不稳定，容易出现串车现象；同时，由于对乘客实时需求的响应不够及时，乘客等待时间过长，相对单一的调度方式，难以实现车辆间的协调配合。

随着无线通信技术与人工智能技术的快速发展，道路交通系统进入了自动驾驶时代，改变了交通系统的组织形式、运营模式及运行方式。在公共交通领域，自动驾驶技术被认为能够有效提高公交服务质量，在理想的车路协同环境下，公交车辆具备高度自动驾驶能力，通过控制车辆轨迹，能够弱化甚至消除传统公交系统中的人为因素，例如自动调整车头时距防止串车，根据乘客实时需求进行车辆调配等。因此，在自动驾驶环境下，研究公交调度优化模型具有很强的理论价值与现实意义。

近年来，学者提出了多种方法，通过建立模型，对公交运营调度进行优化。然而公交调度优化通常基于理论假设，基于实测数据进行优化的研究较少，研究对象往往是现有的传统公交，对自动驾驶公交运营调度优化缺少足够的研究。

因此，如何提供一种优化城市公交运营的自动驾驶公交调度优化方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种克服上述问题或者至少部分地解决上述问题的一种自动驾驶公交调度优化方法。

为了达到上述目的，本发明采用如下技术方案：

一种自动驾驶公交调度优化方法，包括以下步骤：

S1.基于原始公交IC卡记录和GPS数据，获取有效公交IC卡上下车交易数据和GPS轨迹数据，提取实际的公交运营指标；

S2.根据公交实际运行规律，融合自动驾驶特征，结合车辆到站时乘客上下车情况，建立考虑乘客动态需求的自动驾驶公交运营调度模型；

S3.从实际公交数据中提取信息作为模型的输入变量，将优化后得到的公交运营指标与实际的公交运营指标进行对比；

优选的，在上述一种自动驾驶公交调度优化方法中，步骤S1之前还包括以下步骤：

S01.建立公交运营信息数据库；

S02.将公交车载移动端获取得到的GPS数据，IC卡刷卡记录，通过系统上传，存入所述公交运营信息数据库中；

S03.在所述公交运营信息数据库中，获取有效公交IC卡上下车交易数据和GPS轨迹数据。

优选的，在上述一种自动驾驶公交调度优化方法中，步骤S03还包括：

利用所述公交运营信息数据库，将GPS数据与IC卡交易数据进行匹配，统计分析公交线路上每辆车的到站时间，上下车人数，进而得出实际的公交运营指标。

优选的，在上述一种自动驾驶公交调度优化方法中，步骤S2还包括：

根据公交运行实际数据设定模型的输入变量；

设定符合公交自动驾驶特征的相关指标。。

优选的，在上述一种自动驾驶公交调度优化方法中，所述模型的输入变量包括但不限于公交站点乘客需求、公交线路上相邻车站距离、站点乘客到达率、乘客OD占比。

优选的，在上述一种自动驾驶公交调度优化方法中，所述设定符合公交自动驾驶特征的相关指标包括但不限于设定车辆最高与最低运行速度，车辆最大间隔与最小间隔，保持公交车辆在同一区间内以恒定速度匀速行驶，将车辆间隔控制在设定范围，车厢内乘客数量始终低于最高限额。

优选的，在上述一种自动驾驶公交调度优化方法中，步骤S3包括：

S31.从实际公交数据中实时获取乘客OD信息，使得模型的输入不断更新；

S32.通过模型的调度优化，输出得到公交到站时间、离站时间、站点乘客需求、站点上车人数，进一步推算得到优化的公交运营指标；

S33.将优化的公交运营指标与实际的公交运营指标进行对比。

优选的，在上述一种自动驾驶公交调度优化方法中，步骤S33还包括：

计算优化的公交运营指标相对于实际的公交运营指标的改善百分比，分析采用自动驾驶公交对于改善公交实际运营现状的成效。

优选的，在上述一种自动驾驶公交调度优化方法中，所述公交运营指标包括但不限于公交运行时刻表、发车数量、车头时距、乘客总体等待时间、公交承载量、站点候车乘客人数。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种考虑乘客动态需求的公交调度模型，模拟自动驾驶环境下的公交运营，采用自动驾驶公交系统，结合站点实际乘客需求，调整车辆班次及发车间隔，实现自动驾驶公交的灵活调度，对城市公交运营进行优化。自动驾驶车辆在专用路权的公交车道上运行，受社会车辆干扰减小，同时进一步降低驾驶员人为因素对车辆行驶的影响。

本发明基于公交运行实际规律，对整条线路运营的车辆进行优化，对公交车辆到达各站点时刻，以及站点的乘降人数进行实时监控，实现车辆的最大化利用，缩短乘客总体等待时间。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一种自动驾驶公交调度优化方法的流程图；

图2为本发明实施例优化后的公交车辆到达各站点时刻(以第一辆车到达首站的时间记为0)；

图3为本发明实施例优化后的公交车辆离开各站点时刻(以第一辆车到达首站的时间记为0)；

图4为本发明实施例公交车辆驶离各站点时的车内承载量；

图5为本发明实施例公交车辆在各站点的上车乘客人数。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。

本发明实施例公开了一种自动驾驶公交调度优化方法，考虑乘客的动态需求，模拟自动驾驶环境下的公交运营，采用自动驾驶公交系统，结合站点实际乘客需求，调整车辆班次及发车间隔，实现自动驾驶公交的灵活调度，对城市公交运营进行优化。基于公交运行实际规律，对公交车辆到达各站点时刻，以及站点的乘降人数进行实时监控，实现车辆的最大化利用，缩短乘客总体等待时间。

图1为根据本发明实施例提供的一种自动驾驶公交调度优化方法，该方法包括：

S1.基于原始公交IC卡记录和GPS数据，获取有效公交IC卡上下车交易数据和GPS轨迹数据，提取公交运营的实际指标；

S3.实际公交数据中提取乘客OD等信息作为模型的输入，将优化后得到的公交运行时刻表、乘客总体等待时间、公交承载量、站点候车乘客数量等公交运营指标与实际状态进行对比；

其中，所述公交运营指标，包括但不限于公交运行时刻表、发车数量、车头时距、乘客总体等待时间、公交承载量、站点候车乘客人数。

为了进一步优化上述技术方案，步骤S1之前还包括：

建立公交运营信息数据库；

将公交车载移动端获取得到的GPS数据，IC卡刷卡记录，通过系统上传，存入所述公交运营信息数据库中；

在所述公交运营信息数据库中，获取有效公交IC卡上下车交易数据和GPS轨迹数据。

进一步地，在所述公交运营信息数据库中，获取有效公交IC卡上下车交易数据和GPS轨迹数据包括：

在所述公交运营信息数据库中，利用线路编号、车辆编号、时间等字段，将GPS数据与IC卡交易数据进行匹配，统计分析公交线路上每辆车的到站时间，上下车人数，进而推断公交运行时刻表、发车数量、车头时距、乘客总体等待时间、公交承载量、站点候车乘客数量等公交运营实际指标。

为了进一步优化上述技术方案，步骤S2包括：

设定模型的输入变量，其中，公交站点乘客需求、公交线路上相邻车站距离、站点乘客到达率、乘客OD占比来源于公交运行实际数据；

设定车辆最高与最低运行速度，车辆最大间隔与最小间隔，保持公交车辆在同一区间内以恒定速度匀速行驶，将车辆间隔控制在设定范围，保证车厢内乘客数量始终低于最高限额，体现公交的自动驾驶特征；

为了进一步优化上述技术方案，步骤S3包括：

从实际公交数据中实时获取乘客OD信息，使得模型的输入不断更新；

通过模型的调度优化，输出得到公交到站时间、离站时间、站点乘客需求、站点上车人数，进一步推算公交运行时刻表、乘客总体等待时间、公交承载量、站点候车乘客数量等指标；

将优化得到的指标与公交运营实际指标进行对比。

基于上述实施例，为了方便本发明的参数理解及模型实现，选取具体基础数据对上述实施例中的方案进行具体说明。

具体地，实施例选取北京某条公交线路的IC卡交易数据，GPS轨迹数据进行分析处理。

对于指定公交线路，假设沿途站点数为N，在长度为T的公交运行时间段内，班次数量为K。

当车辆到达公交站台后，完成乘客的上下车过程，车内乘客数量进行更新，满足如下关系：

passenger_1,k＝board_1,k (1)

(2)式中，board_i,k，alight_i,k，passenger_i,k分别表示第k辆车到达第i站时，上车乘客数、下车乘客数以及更新后的车内乘客数，Capacity表示车厢容量，即每班车可装载的最大乘客数量。若该站乘客数量超出车厢容量，即passenger_i-1,k+board_i,k-alight_i,k≥Capacity时，满足

passenger_i,k＝Capacity (3)

此时，实际上车乘客人数满足

board_i′_,k＝Capacity-passenger_i-1,k+alight_i,k (4)

第k辆车在站点i的上车乘客数量，等于第k辆车到达站点i时该站的乘客需求。

board_i,k＝Demand_i,t if t≤AT_i,k＜t+1 (5)

(5)式中，Demand_i,t表示t时刻站点i的乘客需求，AT_i,k表示第k辆车到达站点i的具体时刻。

为满足到站时间AT_i,k与指定的时间段[t,t+1)对应，引入0-1变量y_i,k,t判断车辆是否到站，y_i,k,t＝1表示第k辆车在t≤AT_i,k＜t+1时刻(近似按t时刻处理)到达站点i

采用(7)(8)两个不等式进行约束，式中，M为足够大的正实数

-M(1-y_i,k,t)+t≤AT_i,k＜t+1+(1-y_i,k,t)M (7)

-(1-σ)M-y_i,k,tM+(t+1)≤AT_i,k＜t+y_i,k,tM+σM (8)

对于(7)式，当y_i,k,t＝1时，即可得到(6)式中的关系。

在(8)式中引入0-1变量σ表示y_i,k,t＝0时的约束关系，用于区分AT_i,k的取值：在y_i,k,t＝0的条件下，由σ＝0，得到-M+(t+1)≤AT_i,k＜t；由σ＝1，得到t+1≤AT_i,k＜t+M。同时，还应对0-1变量y_i,k,t添加约束。由于T时间段内，第k辆车在站点i仅停靠一次，于是有

此外，在[t,t+1)时刻，至多有一辆车到达站点i，因此

所以，各辆车在每一站点的乘客需求，可以利用(11)式计算：

借助y_i,k,t处理，在车辆到站时刻，站点的乘客需求加载到对应班次车辆上。

为了求出每辆车在各站的下车人数alight_i,k，引入z_i,j,k表示在站点i乘坐第k辆车前往站点j的乘客数量，α_i,j表示T时段内以站点i为起点，站点j为终点的乘客比例，满足(12)式的关系：

由此可以建立各站上车乘客的分配关系，如下(13)式所示：

进一步可以由(14)式求出第k辆车在站点j下车的乘客数量：

最后，对公交到站时间AT_i,k和离站时间DT_i,k进行约束。相邻两辆车到达同一站点的时间间隔需控制在合理范围，满足(15)式的关系：

同时，车辆在相邻两站间行驶过程中，行程时间应满足车辆的速度约束，如(16)式所示：

其中，gap_min,gap_max分别表示相邻两车的最短间隔和最长间隔，l_i-1表示相邻两站i与i-1之间的距离，v_max,v_min分别表示车辆在行驶过程中速度的最大值和最小值。

将每名乘客上下车时间视为定值，那么车辆在站台的停靠时间取决于上下车乘客数量，因此，采用(17)式求出第k辆车离开站点i的时刻

DT_i,k＝AT_i,k+(alight_i,k+board_i,k)·Δ (17)

模型实现公交总的承载量达到最大，乘客总体等待时间达到最小，因此目标函数为：

(18)式中，Wi,k为从第k-1辆车离开站点i开始，到第k辆车到达站点i为止的时间段内，站点i内所有乘客的等待时间。Wi,k的准确值可由(19)式计算得到

其中，f_i(t)为乘客到达站点i的随时间变化的概率密度函数，求解复杂。在实际中，将W_i,k转化为该时段内到达站点i的乘客数量，其中λ_i为该时段内站点i的平均到达率。

综上所述，建立的基于乘客动态需求的自动驾驶公交调度优化模型归纳为：

目标函数

约束条件

(21)式中，Demand_i,t,λ_i,l_i,α_i,j均为已知量，从公交实际运行数据提取得到，作为模型的输入。

模型建立后，采用模型中的约束条件，除已知的输入量以外，存在包括目标函数在内的passenger_i,k,board_i,k,alight_i,k,Demand_i,t,y_i,k,t,z_i,j,k,AT_i,k，DT_i,k各变量，利用各变量间的等式关系，能够将目标函数转化为仅包含已知量与y_i,k,t的关系式，进一步将两个目标函数转化为同一个待优化的目标函数。经简化后的目标函数及约束条件可写为

两个目标函数统一为一个待优化的目标函数。

建立模型并简化后，进一步对模型进行求解。

由于模型中各约束条件多而复杂，直接求解大规模混合整数规划问题非常困难，进一步采用拉格朗日松弛算法，将造成问题的难约束吸收到目标函数中，使问题易于求解。

在(23)式的约束条件中，前两项为复杂约束，后四项为简单约束。因此采用拉格朗日松弛理论，将复杂约束吸收到目标函数中。原规划问题等价为

其拉格朗日松弛问题

其中，ρ_i,t,μ_i,k分别是关于时间t，和空间站点k的拉格朗日乘子，ρ_i,t＞0,μ_i,k无正负号限制。

由于拉格朗日松弛问题z_LR的最优解是原问题z_IP最优解的一个下界。为得到与原问题z_IP最接近的下界，需要通过求解对偶问题z_LD寻找最接近原问题最优解的松弛解。

根据松弛理论，拉格朗日对偶问题为：

由于初始z_LR包含两部分松弛，带有两个拉格朗日乘子，难以直接求解。因此将拉格朗日松弛问题分解为两个子问题

相应的对偶问题为

记分别对两个子问题采用经典次梯度算法。

对于一段时间内在整条公交线路上当前运营的全部车辆，结合上述模型求解算法，采用考虑乘客动态需求的实时数据，作为指导线路发车和调度运营的依据。具体过程可以归纳为八个步骤。

步骤1：系统初始化。从实际数据中提取数据，作为模型输入，包含动态交通需求Demand_i,t，公交线路站点间距l_i，某一时间段内各站平均到达率λ_i，以及乘客转移率(上车站-下车站乘客分配)α_i,j，设定运算时间t，迭代次数N；

步骤2：结合实际需求，初始分配线路各车辆的发车时刻、到站时刻和停车时间，控制车辆间隔；

步骤3：车辆调配过程。结合当前站点客流量，以及上一班车离开时间，判断是否从首站发出车辆，并调节车辆运行速度。当该时段内最后一辆车发出后，转步骤5；

步骤4：车辆到站过程。结合站点实时乘客需求，针对每一辆车，在邻域内搜寻最佳到站时间并记录，根据站点乘降情况计算站点停靠时间，记录离站时间，站点上车人数，车辆当前承载量，并跳转下一站点。若车辆已到达最后一站，转步骤3；否则，重复步骤4；

步骤5：判断优化结果是否满足迭代停止标准。计算拉格朗日目标值，满足预设精度则转步骤8，否则转步骤6；

步骤6：判断是否达到最大迭代次数，如满足，则转步骤8，否则转步骤7；

步骤7：用次梯度法更新拉格朗日乘子，更新迭代次数N＝N+1，转步骤3；

步骤8：输出优化后的公交到站时间AT_i,k、离站时间DT_i,k、车辆当前承载量passenger_i,k、各站点上车人数board_i,k，算法结束。

最后，生成模型优化结果，并与实际运营指标进行对比分析。

以北京公交300路内环快车为案例，选取工作日早高峰7点到9点时段，从线路整月22天工作日的IC卡刷卡数据和车辆GPS数据中，分析提取车辆到站时刻、离站时刻、各站点乘客需求、公交车实时承载量，并在此基础上统计分析发车数量、车辆间隔、乘客平均等待时间等指标，作为实际运行状态下的指标。同时，采用优化器对建立的优化模型进行求解，输出考虑乘客动态需求的自动驾驶公交运营的各项指标，并绘制曲线，将模型优化得到的指标与实际公交运行数据对比分析。

图2～5为经优化后的公交车辆到站时间、离站时间、车内承载量、以及站点的乘客需求关系曲线。

图2表示在统计时间内，本线路优化后的车辆到站时刻表，反映了从首站发出的16辆车，到达线路各站的时间(将第一辆车到达首站的时刻记为0)。对应图2，图3表示本线路优化后的车辆离站时刻表。曲线能近似反映车辆行车时间的变化趋势，图中可以看出，在高峰时段的1小时内，车辆间保持着合理的间距，未发生串车现象，两车间的最小间隔为2分钟，同时，离站时间总体上随着到站时间的变化趋势，没有出现站点离站时间远滞后于离站时间，停靠时间过长的情形，说明在此调度模式下，发车间隔基本满足了客流需求。此外，从图像上看，该线路第12至13站(安贞桥西至静安庄区间)，15至16站(亮马桥至双井桥北区间)，曲线斜率大，表明站间行程时间较长，与实际情况相符。

图4表示所有车辆在驶离各车站后，车内乘客的数量，反映了车辆行驶过程中乘客的变化情况。从图中看出，16辆车在各站乘客量的变化趋势基本一致，全程客流量存在第5,10,12,15站共4个客流峰值，对应实际线路站点分别是六里桥北里，北太平桥西，安贞桥西，亮马桥。从首站草桥起，客流逐渐上升，在六里桥北里站达到第一个峰值。最后一个峰值亮马桥过后的各站，车内乘客呈减少趋势，直至终点。车辆在全程中客流量平稳有序变化，最高为78人，未出现过载的情况。

图5表示在各站的上车的乘客人数，反映了车辆到达时刻站点乘客的需求。从图中看出，上车客流集中在3个峰值，为第1,5,15站，分别对应草桥，六里桥北里和亮马桥，三站上车人数最多。此外，第3,10,12,19站，分别对应夏家胡同，北太平桥西，安贞桥西，方庄桥东，这4站客流相对较高，但因车辆而异。因为在优化过程中模型考虑了乘客的实际需求，经过协同优化后得到的各站上车人数，既满足了真实需求，同时不超过车厢容量限制。

表1给出了优化后的自动驾驶公交的各项指标与实际公交运营状态的对比。在车次编排上，车辆结合站点乘客需求发车，调度机动灵活；从时刻表分析，车辆到站及离站时间趋向稳定，相邻两车的平均间隔缩短31.6％，同时解决了串车现象，车辆间隔得到有效调整；鉴于车辆间隔的改善，每班车在各站的上车人数分布趋于稳定，过载和空载状态均得到缓解。相比实际运行状况，优化后的运营调度策略，公交车平均承载量提高了15.2％，乘客平均等待时间降低了25.8％。

表1优化前后公交运营各项指标对比

本发明建立了一种考虑乘客动态需求的自动驾驶公交运营优化模型，采用北京公交实际运营数据进行验证。对化简后的MILP问题，通过优化器进行求解，将优化后的各项指标与实际值进行比较。通过对比分析得出，采用协同策略的自动驾驶公交车可以显著降低车辆的使用率，减少高峰时段公交拥挤和载客量不均衡状况，乘客的平均承载量提高了15.2％，平均等待时间降低了25.8％。

在模型求解方面，实施例采用可高效率求精确解的拉格朗日松弛算法对公交运营模型求解，弥补了针对大规模MILP问题较难求得精确解的不足，从而获得更加真实的运行调度优化指标。基于乘客的需求，实现公交承载的合理化，提高了整体承载量的同时，避免了超载问题，实现了高峰时段乘客的均衡分配。

本发明实施例提供一种计算机设备，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器。其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法，例如包括：基于原始公交IC卡记录和GPS数据，获取有效公交IC卡上下车交易数据和GPS轨迹数据，提取公交运营的实际指标；根据公交实际运行规律，融合自动驾驶特征，结合车辆到站时乘客上下车情况，建立考虑乘客动态需求的自动驾驶公交运营调度模型；从实际公交数据中提取乘客OD等信息作为模型的输入，将优化后得到的公交运行时刻表、乘客总体等待时间、公交承载量、站点候车乘客数量等公交运营指标与实际状态进行对比；其中，所述公交运营指标，包括但不限于公交运行时刻表、发车数量、车头时距、乘客总体等待时间、公交承载量、站点候车乘客人数。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于原始公交IC卡记录和GPS数据，获取有效公交IC卡上下车交易数据和GPS轨迹数据，提取公交运营的实际指标；根据公交实际运行规律，融合自动驾驶特征，结合车辆到站时乘客上下车情况，建立考虑乘客动态需求的自动驾驶公交运营调度模型；从实际公交数据中提取乘客OD等信息作为模型的输入，将优化后得到的公交运行时刻表、乘客总体等待时间、公交承载量、站点候车乘客数量等公交运营指标与实际状态进行对比；其中，所述公交运营指标，包括但不限于公交运行时刻表、发车数量、车头时距、乘客总体等待时间、公交承载量、站点候车乘客人数。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

本发明为一种自动驾驶公交调度优化方法，将自动驾驶环境融入公交实际运营，消除了人为因素的影响；将自动驾驶技术运用在实际驾驶中，实现运营公交车辆间的互联通信，以及乘客与车辆间的需求反馈，提高了出行的便捷性和高效性，使总体效能得以提升。

本发明将公交实际运行中的乘客OD数据作为模型的输入，结合真实数据构建模型，将乘客的实时需求融合到公交运营调度中，提高了公交运营的针对性；实现了公交运行中多项指标的优化，对车辆间隔及运行速度进行合理调控，同时结合站点乘客的实际需求，完成车辆的合理配置，改善了公交运营现状，对于运营调度优化，针对不同线路有较好的移植性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种自动驾驶公交调度优化方法，其特征在于，包括以下步骤：

S3.从实际公交数据中提取信息作为模型的输入变量，将优化后得到的公交运营指标与实际的公交运营指标进行对比。

2.根据权利要求1所述的一种自动驾驶公交调度优化方法，其特征在于，步骤S1之前还包括以下步骤：

S01.建立公交运营信息数据库；

3.根据权利要求2所述的一种自动驾驶公交调度优化方法，其特征在于，步骤S03还包括：

利用所述公交运营信息数据库，将GPS数据与IC卡交易数据进行匹配，统计分析公交线路上每辆车的到站时间，上下车人数，进而推断实际的公交运营指标。

4.根据权利要求1所述的一种自动驾驶公交调度优化方法，其特征在于，步骤S2还包括：

根据公交运行实际数据设定模型的输入变量；

设定符合公交自动驾驶特征的相关指标。

5.根据权利要求4所述的一种自动驾驶公交调度优化方法，其特征在于，所述模型的输入变量包括但不限于公交站点乘客需求、公交线路上相邻车站距离、站点乘客到达率、乘客OD占比。

6.根据权利要求4所述的一种自动驾驶公交调度优化方法，其特征在于，所述设定符合公交自动驾驶特征的相关指标，包括但不限于设定车辆最高与最低运行速度，车辆最大间隔与最小间隔，保持公交车辆在同一区间内以恒定速度匀速行驶，将车辆间隔控制在设定范围，车厢内乘客数量始终低于最高限额。

7.根据权利要求1所述的一种自动驾驶公交调度优化方法，其特征在于，步骤S3包括：

S33.将优化的公交运营指标与实际的公交运营指标进行对比。

8.根据权利要求7所述的一种自动驾驶公交调度优化方法，其特征在于，步骤S33还包括：

9.根据权利要求1-8任一项所述的一种自动驾驶公交调度优化方法，其特征在于，所述公交运营指标包括但不限于公交运行时刻表、发车数量、车头时距、乘客总体等待时间、公交承载量、站点候车乘客人数。

10.根据权利要求1-8任一项所述的一种自动驾驶公交调度优化方法，其特征在于，实现该方法需要的硬件设施和技术支持包括：

对运营公交车辆进行统一调度的综合指挥中心，实时采集和监测车辆当前位置、行驶状态信息；

具有自动驾驶功能的公交车，在无驾驶员手动操控的条件下，保障实现自由、安全行驶；

公交专用道，具有独立路权，不受其他车辆及车流的干扰。