CN109886491B

CN109886491B - 一种海量运行数据驱动的地面公交两阶段优化调度方法

Info

Publication number: CN109886491B
Application number: CN201910140023.5A
Authority: CN
Inventors: 翁剑成; 赵虹剑; 刘哲; 刘晟岐; 祁昊
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2019-02-26
Filing date: 2019-02-26
Publication date: 2021-02-26
Anticipated expiration: 2039-02-26
Also published as: CN109886491A

Abstract

本发明公开了一种海量运行数据驱动的地面公交两阶段优化调度方法，本方法依托历史运营数据和实时动态数据等多源公交大数据，进行静态、动态相结合的两阶段公交调度，并引入线路组进行区域协同调度。通过对站点、单线、公交走廊线路组的三层历史客流数据时空特征的阶段性分析，系统输出静态区域日常公交时刻表。区域公交系统以静态调度运营表为基础，并实时导入公交动态运行数据，包括公交刷卡数据、公交车GPS数据，进行站点、单线、公交走廊线路组三层的动态运行分析，鉴别区域内实时的公交运行与客流供需匹配的问题。为城市居民出行提供符合出行需求的更高质量公共交通服务，提高公交系统的吸引力和公交服务满意度。

Description

一种海量运行数据驱动的地面公交两阶段优化调度方法

技术领域

本发明涉及一种海量运行数据驱动的地面公交两阶段优化调度方法，属于智能公交技术领域和公共交通数据挖掘领域。

背景技术

公共交通具有大运量、绿色节能的优点，在城市人口迅速增长、交通拥堵日益严峻、交通出行能耗不断增加的背景下，公共交通具有广阔的应用前景。但现行的城市地面公交运营存在着车辆运行间隔不稳定、线路客流不均衡、乘客候车时间过长等问题，这导致地面公交服务水平和客流分担率不断下降。而且目前我国地面公交总体运营水平低下，大多数中小城市均采用人工调度的传统运营模式，公交供给与乘客需求不能达到平衡匹配。因此进行公交调度优化方法研究对提高地面公交运营调度水平、增强地面公交吸引力具有十分重要的意义。

传统的公交调度方案制定以计算机模拟和人工调查为主，在实际运用过程中缺乏连续的数据支撑。虽然智能公交信息技术正在大力发展，但我国大多数城市在公交调度中仍是以静态时刻表调度为主，适应性和灵活性不足，调度方案不能根据客流需求的变化和特点做出及时调整，乘客需求与公交供给的匹配度不高。公开号为CN108961750A的中国发明专利公开了一种公交调度系统及调度方法。该方法通过采用站台录取信息装置统计乘坐公共交通人数，获取每个站台乘车人数总量信息，监控调度系统通过每条线路站台上总的人数信息与预设阈值比对，同时采集相对应线路上在行车辆数量，根据站台人数与行车辆总承载人数的关系来控制运行车辆数量，能够根据实施情况调整公交车辆的运行状态，重点在于乘客数量和运载能力的关系来调配车辆。但此系统虽然有静态和动态两种调度，但只是基于一种因素来进行调配，对动态调度考虑不足。公开号为CN108447282A的中国发明专利公开了一种基于车路协同的公交实时调度与优先控制方法。该方法针对一条公交线路，上行方向或下行方向，基于车路协同环境，采集并输入研究路段内各交叉口、各站点、各公交车辆的位置信息，公交行驶车速，交叉口的信号配时方案；然后计算公交车辆在交叉口的信号延误，以及相邻公交车辆之间的车头时距，判别公交车辆属性；最后以整条公交线路，所有相邻公交车辆之间的车头时距与期望车头时距差值最小为目标函数，建立车头时距与公交车速、驻站时间、信号配时方案的函数关系，提出公交实时调度与优先控制模型与方法。

随着智能公交信息技术的发展和平台建设，我国大中城市地面公交监测和数据基础不断完善。部分城市如北京，建设了公交都市运行监测与服务示范平台，广州建设有具有公交自动调度功能的智能公交系统。

地面公交大数据能够全天候实时的记录公交运行实况。通过对大规模海量公交大数据的挖掘计算，能够有效对公交系统进行静态的组织优化，动态的调度调节来达到更精准的实现公共交通调度，提升客流需求与公共交通服务匹配度，提升公交服务质量。

发明内容

本发明的目的是为了提供一种海量运行数据驱动的地面公交两阶段优化调度方法，通过该方法解决在时空上公交供给与乘客需求的平衡匹配问题。以公交IC卡交易数据、公交GPS数据、公交线站数据以及公交车辆物理参数数据等地面公交多源数据为基础，对站点、线路、公交走廊三个层面的历史数据进行阶段性分析，更新生成地面公交日常发车时刻表。结合各线路平均行程时间数据的分析，以30分钟为日常公交排班的最小单元，区域地面公交系统按静态调度阶段给出的发车时刻表运行，动态调度系统实时采集公交运行动态数据，计算到站时间、站点登降量及满载率等优化参数，并针对站点、线路、公交走廊进行三层动态优化，给出实时调度方案，每隔30分钟更新。

为实现上述目的，本发明采用了以下技术方案：

基于海量运行数据驱动的地面公交两阶段优化调度方法，该方法包括以下步骤：

步骤1，地面公交静态调度模型

步骤1.1，地面公交IC卡历史交易数据准备与预处理

城市公交车辆上配有公交IC卡读取终端设备，地面公交IC卡交易数据会实时导入数据中心的数据库中进行统一存储，IC卡交易数据包含用户卡号、交易时间、线路号、车辆号、上下车站号和上下车标识等信息，如表1所示。

表1地面公交IC卡刷卡数据字段

选取最近连续5周的公交历史交易数据，并剔除部分期间重大活动、节假日等特殊日期和时段的数据。从历史交易数据的字段中提取出统计各站点客流登降量的关键交易数据字段，关键交易数据字段包括：刷卡记录号、一卡通卡号、运营线路号、车辆号、设备号、上下车站号、上下车标识和交易时间等八个数据字段.

S1，站点登降量统计

利用最近连续5周的公交历史交易数据，以车辆号、上下车站号、交易时间为基本标准，在相差不超过1分钟的交易时间内，统计具有相同车辆号、上下车站号的站点登降量，在满足条件的多条数据记录中，以排在中间位置的交易时间作为该站点统计登降量的对应时刻。如表2为部分历史交易数据，经统计可得如表3所示的站点登降量。为更加充分体现各站点的登降量，每一周同一日同一时刻的站点登降量作均值处理，从而得到工作日a的b时刻的平均站点登降量

与a日的平均站点登降量

——i站点在工作日a的日均登降量

——i站点在工作日a的b时刻的时段平均登降量

表2部分历史交易数据

表3站点登降量

S2，公交线路历史断面客流计算

首先，提取公共交通出行链数据。基于公交刷卡交易数据、公交定位数据、公交静态线站数据等海量公共交通多源数据，进行数据的关联匹配与处理，提取出公交出行阶段数据。通过标定出行链时空匹配阈值参数，提取公共交通出行链，并提取出行链数据关键字段，公共交通出行链数据示例如下表4所示：

表4公共交通出行链数据示例

其次，基于提取的历史公共交通出行链数据，统计某一公交线路不同时段内通过某断面的客流量，计算某一时段公交线路历史断面客流量。

步骤1.2，公交单线客流分析与优化

S1，计算线路站点区间的分时段断面满载率

调用历史公交IC卡交易数据，统计各公交线路的日平均客流量并输出结果。以30分钟为时间粒度，计算线路站点区间断面满载率K_ij。断面满载率指两个站点间行驶的车辆的断面客流量V_ij，与该站点区间断面额定载客量C_a的比值。其中车辆通过站点区间断面的客位数根据经过该断面的车辆数计算，站点区间的断面客流根据IC卡数据统计而得，具体如公式1-3所示。

K_ij——站点区间满载率

PFV_ija——车辆a在i、j站点间的车辆断面客流

RC_a——车辆a的额定载客量

n——单位时间内通过站点区间[i,j]的车辆个数

S2，站点区间乘客舒适度指标计算

公交线路时段断面满载率、公交线路区段客流均对乘客舒适度产生影响，单线发车时刻表在保证公交效率的基础上，尽可能要满足整条线路以及各线路区段的两阶段舒适度需求。基于线路断面满载率与线路区段大客流，分别计算其舒适度指标。

与线路断面满载率相关的舒适度指标CTI₁：

——单位时段内线路各站点区间断面满载率的平均值

n——单位时段内通过的公交车辆数

RC_a——公交车额定载客量

ρ_j——线路j的舒适度系数

与线路区段大客流相关的舒适度指标CTI₂：

n——单位时间内通过站点区间[i,j]的车辆个数

RC_a——公交车额定载客量

s_jimax——线路最大站点区段客流

f_ji——区段舒适度指标系数

RC_a——公交车额定载客量

S3，单一线路发车时刻表调整

舒适度等级越大则舒适度越差，具体范围如表5所示。

表5舒适度等级

运行舒适度指数	0≤CTI<3	3≤CTI<4	4≤CTI<6	6≤CTI<9	9≤CTI<10
						运行舒适度等级	一级	二级	三级	四级	五级

经公交调查发现乘客能够忍受的CTI临界点为6，因此若CTI>6,则修改该线路原发车时刻表，若整条线路时段平均满载率高即线路舒适度较差，则增加线路发车频率。若线路区段客流量较大即区段舒适度较差，则增发时段区间车，系统输出每条公交线路发车时刻表。时段内修改后的发车频率：

l_j改——时段内线路改后发车频率

l_j原——时段内线路原发车频率

——时段内线路断面满载率

步骤1.3，基于公交走廊的线路组历史客流分析与优化

线路客流分析提供最优化的单个线路发车时刻表，但由于受到车辆数、行程时间的制约，仍存在单线无法满足公交走廊大客流需求的情况。故本层次进行相同路段不同线路的客流大小分析，增加相同交通走廊路段内载客量较少线路的发车频率，通过线路间协调发车，平衡各线路的客流吸引力。

S1，确定区域内各时段大客流站点

调用历史IC卡交易数据，以30分钟为时间粒度统计各时段内区域各站点的客流量，基于登降量将区域内公交站点进行排序，选取排名前20位的确定为大客流站点。

S2，确定大客流区间以及通过该区间的公交线路

基于客流数据，确定以大客流站点为OD端点的10个大客流区间，从而确定每个区间内通过的各公交线路。

S3，比较各区间内各公交线路的时段断面平均满载率

分析在大客流OD站点之间不同公交线路实际客流之间的关系。增发经过大客流区间，客流量相对较少的公交线路的发车频率或区间车数量，来分担该OD站点区间客流量相对较大的的公交线路的客流量，进而使得大客流OD站点区间客流平衡分配在各公交线路上。

S4，改变区域内各公交线路发车时刻表

设以上叙述的公交大客流OD站点区间分布线路为a至j，将所有线路在时段内的区间客流量排序，首先选取OD区间内客流量最小的线路j、OD区间内客流量最大的线路j+n，修改j线路的发车频率，改后的发车频率为l_j改如公式1-5所示。而后在线路组中剩下的线路里继续确定客流量第二小的线路与客流量第二大的线路，再进行该车频率的优化调整，依次处理线路组内每一线路的发车频率。

l_j改——时段内线路改后发车频率

l_j原——时段内线路原发车频率

——区间内最大客流线路j+n的平均断面满载率。

以步骤1.2得出的静态发车时刻表为基础，结合本步骤所述方法，对发车时刻表再次进行再次优化。

步骤2，动态公交调度模型参数计算

步骤2.1，实时公交IC卡数据预处理技术

从原始公交IC卡刷卡交易数据的字段中提取出统计各站点客流登降量的关键交易数据字段，关键交易数据字段包括：刷卡记录号、一卡通卡号、运营线路号、车辆号、设备号、上下车站号、上下车标识和交易时间等八个数据字段。

S1，站点登降量统计

在公交车实时运营过程中，每一次停靠站均有乘客刷卡下车、刷卡上车。利用实时回传数据，以车辆号、上下车站号、交易时间为基本标准，在相差不超过1分钟的交易时间内，统计具有相同车辆号、上下车站号的站点登降量，在满足条件的多条数据记录中，以排在中间位置的交易时间作为该站点统计登降量的对应时刻，统计该时刻的IC卡数据记录条数。

步骤2.2，公交到站时间预测

基于SMBATP-IL模型进行预测，在不同的区间长度条件下，把站点停靠时间和区间平均行驶速度作为模型的输入变量，通过该模型计算出每个站点的平均停靠时间和各个区间的平均行驶时间，两者相加后进行到站时间进行预测。

S1，公交站点停靠时间

公交站点停靠时间包括乘客上、下车时间和公交停车、启动时间。经过实地调查发现公交平均停车启动时间为10.23s。公交停靠站时间取决于最大人数的上、下车时间，计算公交停靠站时间的公式如下：

P_i＝t×n_max+T——(公式2-1)

P_i——在i站点的停靠时间；

t——乘客标准上下车时间；

n_max——最大的上(下)车人数，根据上文可求；

T——平均公交启动时间。

S2，路段行驶时间

首先求得路段行驶的平均速度，再根据平均速度求出路段行驶时间。区间平均行驶速度是到站时间预测模型的另一个输入变量，将公交线路进行离散化处理，在此基础上将截断后的线路片段进行链节重组并计算该重组区间的平均行驶速度。在基本路段设定区间长度为20m，对于靠近下游站点的区间，其长度不足设定的区间长度时，则按照实际的长度进行计算。

计算区间平均车速的方法是：首先对重组的线路区间与处理后的GPS数据进行匹配，获取公交车位于该线路区间内的行驶车速，然后求均值得到线路区间的行驶速度。算法的详细步驟如下：

第一步：把离散化后的公交线路数据和处理后的GPS数据存入数据库中的不同内存表中；

第二步：设定区间长度：

第三步：对于区间j，其左边端点为关键点j、右边端点为关键点j+1，初始化区间平均行驶速度v_ij＝0v_ij＝0v_ij＝0v_ij＝0，根据公式(2-2)至(2-4)计算出X_i，j+1；

R——地球半径；

(x_i，y_i)——i点的经纬度；

(x_j，y_j)——j点的经纬度；

a——点i与点j的维度弧度差。

第四步：读取存放GPS数据内存表中的每一条数据，对于数据i，根据公式(2-2)至(2-4)计算出x_j，i和x_j+1，i；

第五步：判断义x_j，i<x_j，j+1且x_j+1，i<x_j，j+1是否成立；若成立转至下一步，否则转至第七步；

第六步：获取数据i对应的速度值v_i，存入到内存表中；

第七步：i++，如果i<n，转至第四步；如果i＞n，转至第八步,其中N为GPS数据的总数；

第八步：假设车辆匀速通过区间j，根据公式(2-5)计算出区问j的平均行驶速度:

其中n为满足条件的数据总数；

第九步：j++，转至第三步，直到遍历所有区间；

第十步：返回第二步更改区间长度，直至结束。

站间行驶时间的计算应先根据数据和GPS公交线路离散化数据求得线路区间的平均行驶速度，然后根据距离公式求出行驶时间。公交车辆到站时间可用公式(2-6)和(2-7)来表示。

式中：

T_i——公交车到达站点i的时间；

P_i——公交车在站点Z的停靠时间；

——公交车在站点i和站点i+1之间的第k路段的行驶时间；

——站点i和站点i+1之间的第k路段的距离；

——公交车在站点i和站点i+1之间的第k路段的平均速度。

根据GPS数据将公交线路进行离散化处理，再将离散化的公交线路进行链节重组并计算该重组区间的平均行驶速度，即可得路段行驶时间，停靠站时间与行驶时间相加即得到预测的到站时间。

步骤2.3，各站点登降量预测

基于BP神经网络进行站点登降量预测，选用精度最高的三层网络结构排布，输入层包含3个神经元，输出层包含1个神经元，隐含层包括13个神经元。设定隐含层、输出层的两个传递函数为Tran1、Tran2，网络的训练函数Train，将学习速率设置为0.01，最大步长设置为1000，目标误差精度设置为0.0001。以30分钟为时段单位，输入数据为每天前3个时间段客流，预测剩余时间段登降量。

步骤2.4，线路实时断面满载率计算

S1，公交断面客流计算

在公交车辆的实际运行过程中，设一条线路单方向途经各个站点为K_i，在站点K_i的上车人数为U_i，在站点K_i的下车人数为D_i，则公交车在站点K_i和站点K_i+1中间的路段上，其断面车内客流量为V_i。

V_i＝V_i-1+U_i-D_i——(公式2-8)

S2，公交线路实时满载率计算

以30分钟为时间粒度计算公交线路每一班次的平均满载率：

k_i——j线路第i班次的公交车在30分钟内的平均满载率

V_i——j线路第i班次公交车在每分钟的车内人数

V_额——公交车额定人数

计算各线路在30分钟内的平均满载率，以30分钟内线路上全部班次公交车满载率的平均值作为线路平均断面满载率：

k_j——j线路在30分钟内平均满载率

n——该线路在30分钟内发出班次

步骤3，地面公交动态调度模型

以静态调度阶段生成的发车时刻表为基础，区域内公交车辆按照此发车时刻表实时运行，在实时运行过程中对公交系统出现的问题进行进一步优化调整，动态调度部分每隔30分钟进行一次。

步骤3.1，公交站点优化调度

第一层优化针对所有公交站点进行，通过上文方法预测j线路第i班次公交到达s站的时刻t_j，i，调取j线路第i-1班次公交车到达s站的时刻t_j，i-1。

计算乘客等候j线路公交的时间T，

T＝t_j，i-t_j，i-1——(公式3-1)

通过舒适度指标调查，确定13分钟为等待时间临界阈值，若T>13，则增发j线路含有i站点的1个班次的区间车，否则不做处理。

步骤3.2，公交单线优化调度

S1，第二层优化针对所有线路进行，统计现行时区域内段每条线路已发车班次l_j。

S2，预测时段内的各站点登降量，根据上述方法计算各时段内线路平均断面满载率

S3，根据上述CTI指标计算公式，计算在本时段内的线路CTI指标，当线路舒适度指标CTI₁>6时，则增加此线路在本时段的发车班次，增加的发车班次按下公式计算。

l_j增＝int[l_j(k_j-0.9)]——(公式3-2)

l_j增——本时段内j线路增加的发车班次

l_j——j线路目前的发车班次

k_j——j线路的发车频率

S4：否则系统寻找该线路在该时段内的较大客流区段(i，n)以及其区段客流S_imax，若此时区段舒适度指标CTI₂处于四级或以上，则系统发出1班次的该区段区间车。

步骤3.3，公交走廊线路组优化调度

S1，第三层优化针对区域内所有公交进行，对j线路统计分析，得到j线路在本时段内客流量最大的OD站点组合(i,i+n)，即得到大客流公交走廊。

S2，再找到同样经过i和i+n站点的公交线路j+n。

S3，统计该时段j线与j+n线路的客流量，并作出排序，找到各线路中在该OD站点区间内客流量最大线路j+n，以及客流最小的j线路，增加j线路的发车班次，增加的发车班次按下公式计算。

l_j增——本时段内j线路增加的发车班次

——j线路在i站与i+n站点间的客流

U_额——j线路的额定客流

附图说明

图1海量运行数据驱动的地面公交两阶段优化调度流程图；

图2静态调度关键技术图；

图3动态调度关键技术图；

图4站点时变客流

具体实施方式

实施方案区域：北京运通107路、650路

步骤1，静态调度

步骤1.1，公交站点静态优化

经过对大量历史数据进行分析，首先统计各个线路的各站点登降量，得出运通107路与650路共同经过的呼家楼北站、光华桥北站、大北窑北站为大客流站点。得出各站点的时变客流曲线图，以大北窑北站为例如图1所示

步骤1.2，公交线路静态优化

由于发车时刻表所涉及的时刻及站点过多，因此只展示上述三个站点在早6：10——7：40的发车时刻表。如表6所示，为历史某一天6:30至7:30运通107路在这三个站点的发车时刻表，其发车频率为0.1次/min，发车间隔为10min经过历史IC卡数据计算得该段时间内的线路平均断面满载率为1.06，利用该满载率计算上文所述的舒适度指标，得出CIT₁为6.7，已经大于临界指标，因此改变在本时段内的发车频率。改后的发车频率为l_j改＝l_j原+(k-0.9)l_j原＝0.1+0.16*0.1＝0.116次/min——公式(4-1)，即改后的运通107路在该时段内的发车频率为0.116次/min，发车间隔为8min，发车时刻表如表7所示。

表6部分运通107路历史发车时刻表

站点名称

第1班次

第2班次

第3班次

第4班次

第5班次

第6班次

第7班次

大北窑北

6:30

6:40

6:50

7:00

7:10

7:20

7:30

光华桥北

6:35

6:45

6:55

7:05

7:15

7:25

7:35

呼家楼北

6:40

6:50

7:00

7:10

7:20

7:30

7:40

表7运通107改后部分发车时刻表

步骤1.3，公交走廊静态优化

经历史数据统计分析，统计个站点的日登降量发现运通107路与650路的公共站点区段为大客流交通走廊，即大北窑北站、光华侨北站、呼家楼北站。如表8所示为同一日6:30——7:30时间段内650路历史部分发车时刻表，发车频率为

即发车间隔为15min，经IC卡数据客流统计得该时间该区段的平均满载率为0.56。上表7为改后的运通107路发车时刻表，运通107路的发车频率为0.116次/min，统计该时段内的历史IC卡数据，计算得运通107在该时间段区段平均满载率为1.06，由此可知650路在该时段内的交通走廊客流较少，且发车频率较小，故增加650路的发车频率以分担运通107路的客流压力。改变的650路的发车频率为

即改后的发车间隔为11min，改后的发车时刻表如表9所示。

表8部分650路历史发车频率

站点名称	第1班次	第2班次	第3班次	第4班次	第5班次
						大北窑北	6:30	6:45	7:00	7:15	7:30
光华桥北	6:35	6:50	7:05	7:20	7:35
						呼家楼北	6:40	6:55	7:10	7:25	7:40

表9改后650部分发车时刻表

站点名称

第1班次

第2班次

第3班次

第4班次

第5班次

第6班次

第7班次

大北窑北

6:30

6:41

6:52

7:03

7:14

7:25

7:36

光华桥北

6:35

6:46

6:57

7:08

7:19

7:30

7:41

呼家楼北

6:40

6:51

7:03

7:13

7:24

7:35

7:46

步骤2，动态调度

根据历史数据选择两条运载客流量较大的线路，以运通107路和650两线路为例，如表10所示。在研究区域内这两条线路拥有相同站点。为体现实时调度，则设定时刻为2018.9.12日15:00。

表10线路信息

运通107路	呼家楼北、光华桥北、大北窑北
		650路	大北窑北(始末站)、光华桥北、呼家楼北

步骤2.1，IC卡数据预处理

部分实时IC回传数据如表11所示，经数据预处理分别统计运通107路和650路经过三个站点的实时登降量，站点实时登降量如表12所示。

表11部分实时回传数据

表12登降量统计表

根据各站点的时段登降量统计各时段站点区间断面客流，站点区间断面客流与上一区间断面客流、区间初始站点有关。设线路第一个站点区间客流量为16人，根据表11计算得表13的站点区间断面客流。

表13站点区间断面客流

线路名称	站点区间	区间断面客流
			运通107路	大北窑北—光华侨北	27
运通107路	光华桥北—呼家楼北	39
			650路	大北窑北—光华侨北	40
650路	光华侨北—呼家楼北	63

步骤2.2，公交站点优化调度

表14到站时间预测

线路站点	第i-1辆公交到达时间	预测第i辆公交到达时间	乘客等候时间(min)
				运通107路呼家楼北	14:40	15:05	25
运通107路光华桥北	14:52	15:10	18
				运通107路大北窑北	15:00	15:15	15
650路呼家楼北	14:50	15:00	10
				650路光华桥北	14:54	15:10	16
650路大北窑北	14:59	15:14	15

首先进行第一层优化实时调度，第i-1辆公交的到达时间由系统自动记录，第i辆公交到达时间由系统根据算法进行预测，如表14所示。经计算可知，在呼家楼北站运通107路公交使乘客的等候时间过长，故应增加运通107路公交车经过呼家楼北站的1个班次区间车。其他站点的等候时间正常不做处理。

步骤2.3，公交线路优化调度

表15计算平均满载率

线路	第1班次	第2班次	第n班次	计算平均满载率	CIT<sub>1</sub>CIT<sub>1</sub>CIT<sub>1</sub>
						运通107	60％	70％	50％	60％	二级
650	150％	80％	90％	110％	四级

随后进行第二层优化调度，运通107线路和650线路上都各存在n辆公交车正在运行，计算每一公交车的满载率，从而计算线路平均断面满载率如表15所示。该时刻650线路的平均满载率高于1且线路舒适度为四级，因此系统认为650线路的客流需求较大，故增加在本时段内的2个班次的650公交车。

步骤2.4，公交走廊优化调度

表16 OD客流

线路	最大客流OD站点组合	OD站间线路客流(人次)
			运通107	呼家楼北——大北窑北	200
650	呼家楼北——大北窑北	600

最后进行第三层优化调度，系统自动寻找在该时刻附近30分钟内，各线路的最大OD客流站点组合。如表16所示650线路的最大OD组合为光华桥北——大北窑北，其客流量为600人次已经大于标准值，且运通107具有光华桥北和大北窑北这两个站点，因此系统将增发该时段内2个班次的运通107路公交车，来吸引光华桥北——大北窑北之间的客流量，使各线路供给平衡。

三层动态优化后，生成了动态调度的优化方案，该动态调度方案根据前述技术流程，每30分钟更新一次。

Claims

1.一种海量运行数据驱动的地面公交两阶段优化调度方法，该方法包括以下步骤：

步骤1，静态公交调度

步骤1.1地面公交IC卡历史交易数据准备与预处理

利用最近连续5周的公交历史交易数据，并剔除期间重大活动、节假日特殊日期和时段的数据；从历史交易数据的字段中提取出统计各站点客流登降量的关键交易数据字段，关键交易数据字段包括：刷卡记录号、一卡通卡号、运营线路号、车辆号、设备号、上下车站号、上下车标识和交易时间8个数据字段；

步骤1.1.1，站点登降量统计

利用连续5周的公交历史交易数据，以车辆号、上下车站号、交易时间为基本标准，在相差不超过1分钟的交易时间内，统计具有相同车辆号、上下车站号的站点登降量，在满足条件的多条数据记录中，以同一站点交易时间的中位数作为该站点统计等降量的对应时刻；为体现各站点的登降量，每一周同一日同一时刻的站点降量作均值处理，从而得到工作日a的b时刻的平均站点登降量

与a日的平均站点登降

量；

——i站点在工作日a的日均登降量；

——i站点在工作日a的b时刻的时段平均登降量；

步骤1.1.2，公交线路历史断面客流计算

首先，提取公共交通出行链数据；基于公交刷卡交易数据、公交定位数据、公交静态线站数据海量公共交通多源数据，进行数据的关联匹配与处理，提取出公交出行阶段数据；通过标定出行链时空匹配阈值参数，提取公共交通出行链，并提取出行链数据关键字段；

其次，基于提取的历史公共交通出行链数据，统计某一公交线路不同时段内通过某断面的客流量，计算某一时段公交线路历史断面客流量；

步骤1.2，公交单线客流分析与优化

步骤1.2.1，计算线路站点区间的分时段断面满载率

调用历史公交IC卡交易数据，统计各公交线路的站点日均登降量并输出结果；以30分钟为时间粒度，计算线路站点区间断面满载率K_ij；断面满载率指两个站点间行驶的车辆的断面客流量V_ij，与该站点区间断面额定载客量C_a的比值；其中车辆通过站点区间断面的客位数根据经过该断面的车辆数计算，站点区间的断面客流根据IC卡数据统计而得，具体如公式1-3所示；

K_ij——站点区间满载率；

PFV_ija——车辆a在i、j站点间的车辆断面客流；

RC_a——车辆a的额定载客量；

n——单位时间内通过站点区间[i，j]的车辆个数；

步骤1.2.2，站点区间乘客舒适度指标计算；

公交线路时段断面满载率、公交线路区段客流均对乘客舒适度产生影响，单线发车时刻表在保证公交效率的基础上，尽可能要满足整条线路以及各线路区段的两阶段舒适度需求；基于线路断面满载率与线路区段大客流，分别计算其舒适度指标；

基于线路断面满载率的舒适度指标CTI₁：

——单位时段内线路各站点区间断面满载率的平均值；

n——单位时段内通过的公交车辆数；

RC_a——公交车额定载客量；

ρ_j——线路j的舒适度系数；

与线路区段大客流相关的舒适度指标CTI₂：

n——单位时间内通过站点区间[i，j]的车辆个数；

RC_a——公交车额定载客量；

s_jimax——线路最大站点区段客流；

f_ji——区段舒适度指标系数；

RC_i——公交车i的额定载客量；

步骤1.2.3，单一线路发车时刻表调整

根据基于乘客感受的公交满载率调查，数据表明乘客能够接受的CTI临界点为6，因此若CTI＞6，修改该线路发车时刻表，若整条线路时段平均断面满载率高即线路舒适度较差，则增加线路发车频率；若线路区段客流较大即区段舒适度较差，则采用增发时段区间车策略，对车次进行优化，系统将输出优化后公交线路发车时刻表，优化的线路发车时刻表包含不同发车模式的车次；

时段内修改后的发车频率：

l_j改——时段内线路改后发车频率；

l_j原——时段内线路原发车频率；

——时段内线路断面满载率；

步骤1.3，基于公交走廊的线路组历史客流分析与优化

线路客流分析提供最优化的单条线路发车时刻表，但由于受到车辆数、行程时间的制约，仍存在单线无法满足公交走廊大客流需求的情况；故利用公交走廊内具有多条走向一致的工作线路，进行相同路段不同线路的客流大小分析，增加相同路段内载客量较少线路的发车频率，通过线路间协调发车，平衡各线路的客流满载率和服务能力；

步骤1.3.1，确定区域内各时段大客流站点

调用历史IC卡交易数据，以30分钟为时间粒度统计各时段内区域各站点的客流量，基于登降量将区域内公交站点进行排序，选取排名前20位的确定为大客流站点；

步骤1.3.2，确定大客流区间以及通过该区间的公交线路

基于客流数据，确定以大客流站点为OD端点的10个大客流区间，从而筛选每个区间内通过的所有公交线路，构成公交走廊线路组；

步骤1.3.3，比较各区间内各公交线路的时段平均断面满载率

分析在大客流OD站点之间不同公交线路实际客流之间的关系；增发经过大客流区间、客流量相对较少的公交线路的发车频率或区间车数量，来分担该OD站点区间客流量相对较大的的公交线路的客流量，进而使得大客流OD站点区间客流平衡分配在各公交线路上；

步骤1.3.4，公交走廊内线路组发车时刻表优化

设公交大客流OD站点区间分布线路为a至j，将所有线路在时段内的区间客流量排序，首先选取OD区间内客流量最小的线路j、OD区间内客流量最大的线路j+n，修改j线路的发车频率，改后的发车频率为l_j改如公式1-5所示；而后在线路组中剩下的线路里继续确定客流量第二小的线路与客流量第二大的线路，再进行该车频率的优化调整，依次处理线路组内每一线路的发车频率；

l_j改——时段内线路改后发车频率

l_j原——时段内线路原发车频率

——区间内最大客流线路j+n的平均断面满载率；

以步骤1.2得出的静态发车时刻表为基础，结合本步骤所述方法，对发车时刻表再次进行再次优化；

步骤2，公交动态调度参数计算

步骤2.1，实时公交IC卡数据预处理利用实时回传数据，以车辆号、上下车号、交易时间基本标准，在相差不超过1分钟的交易时间内，统计具有相同车辆号、上下车站号的站点登降量，在满足条件的多条数据记录中，以中间交易时间数据的时刻计为该站点统计登降量的对应时刻；

步骤2.2，公交到站时间预测

基于SMBATP-IL模型进行预测，在不同的站点区间长度条件下，把站点停靠时间和区间平均行驶速度作为模型的输入变量，通过该模型计算每个站点的平均停靠时间和各个站点区间的平均行驶时间，两者相加即可进行到站时间预测；

步骤2.3，各站点登降量预测

基于BP神经网络进行站点登降量预测，选用精度最高的三层网络结构排布；设定隐含层、输出层的两个传递函数为Tran1、Tran2，网络的训练函数Train，将学习速率设置为0.01，最大步长设置为1000，目标误差精度设置为0.0001；以30分钟为时段单位，输入数据为每天前3个时间段客流量，基于持续更新的站点登降量数据，预测后续各时间段的站点登降量；

步骤2.4，线路实时断面满载率计算

按照标准车或车型信息，来确定公交车的额定载客量，断面客流与额定客流之比即为公交车的实时断面满载率，在30分钟内求每一班次的单位时间平均满载率，再对各个班次公交车的满载率求平均值即得到30分钟内的线路断面平均满载率；

步骤3，动态公交调度优化

以静态调度部分最终生成的发车时刻表为基础，在实时运行过程中对公交系统出现的问题进行进一步优化调整和调度，动态调度流程每隔30分钟更新一次；

步骤3.1，公交站点优化调度

第一层优化针对所有公交站点进行，通过上文方法预测j线路第i班次公交到达s站的时刻t_j，i，调取j线路第i-1班次公交车到达s站的时刻t_j，i-1；

计算乘客等候j线路公交的时间T，T＝t_j，i-t_j，i-1——(1-8)

通过舒适度指标调查，确定13分钟为等待时间临界阈值，若T＞13，则增发j线路含有i站点的1个班次的区间车，否则不做处理；

步骤3.2，公交单线优化调度

步骤3.2.1，第二层优化针对所有线路进行，统计现行时区域内段每条线路已发车班次l_j

步骤3.2.2，预测时段内的各站点登降量，根据上述方法计算各线路平均断面满载率k_j；

步骤3.2.3，根据上述CTI指标计算公式，计算在本时段内的线路CTI指标，当线路舒适度指标CTI₁＞6时，则增加此线路在本时段的发车班次，增加的发车班次按下公式计算；

l_j增＝int[l_j(k_j-0.9)]——(1-9)

步骤3.2.4，否则系统寻找该线路在该时段内的较大客流区段(i，n)以及其区段客流S_imax，若此时区段舒适度指标CTI₂处于四级或以上，则系统发出1班次的该区段区间车；

步骤3.3，公交走廊线路组优化调度

步骤3.3.1，第三层优化针对区域内所有公交进行，对j线路统计分析，得到j线路在本时段内客流量最大的OD站点组合(i，i+n)，即得到大客流公交走廊；

步骤3.3.2，再找到同样经过i和i+n站点的公交线路j+n；

步骤3.3.3，统计该时段j线与j+n线路的客流量，并作出排序，找到各线路中在该OD站点区间内客流量最大线路j+n，以及客流最小的j线路，增加j线路的发车班次，增加的发车班次按下公式计算；

2.根据权利要求1所述的一种海量运行数据驱动的地面公交两阶段优化调度方法，其特征在于，所述步骤1静态公交调度和步骤3动态公交调度，通过静态调度和动态调度两阶段优化来达到线路供需平衡的目标；在静态调度与动态调度优化中，均首先进行单线优化，而后基于单线优化结果以公交走廊的线路组为单元，进行跨线路的调度优化，以进一步提升公交运输资源的共享程度和效率。

3.根据权利要求1所述的一种海量运行数据驱动的地面公交两阶段优化调度方法，所述步骤3.3，公交走廊优化调度与步骤1.3，基于公交走廊的线路组历史客流分析，均为将原来只分析的单一的客流量指标变为将多线路客流量指标进行综合分析，从而达到优化的目标。

4.根据权利要求1所述的一种海量运行数据驱动的地面公交两阶段优化调度方法，所述步骤1.2，公交线路历史客流分析中的步骤1.2.2，舒适度指标计算，将原始评价指标整合为综合评价指标——舒适度，通过舒适度综合考量的客流需求与公交供给之间的关系。