CN110084402A - 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 - Google Patents

Abstract

本发明公开了一种基于站点优选和蚂蚁寻迹的公交自适应调度方法，在已有交通基础设施的基础上设计算法，最大限度的减少新建站点以降低成本；本方案采用关联分析算法，既能达到传统K‑means算法聚集出需求点的效果，又能分析出站点与站点之间的内在联系，并且将关系的强弱进行量化处理；传统的蚁群算法优先考虑最短路径，而本方案算法在保证总路程尽可能短的同时，蚂蚁的选择与输入变量相关，使得蚂蚁在选择下一个站点时不再只是简单地考虑最短路径，而再进一步考虑到优先服务多数派，使得靠站地优先顺序更加合理。

Description

一种基于站点优选和蚂蚁寻迹的公交自适应调度方法

技术领域

本发明涉及计算机、公交调度领域，具体涉及一种基于站点优选和蚂蚁寻迹的公交自适应调度方法。

背景技术

随着城市化进展的加速，城市人口不断膨胀，交通需求日益加大，城市发展面临巨大交通压力。为了破解城市发展难题，自本世纪初开始，国家就提出实施城市公交优先发展战略。实施公交都市建设的经验表明，利用大数据、物联网等新技术，对现有城市公交系统进行服务水平升级与智能化改造，是新时期城市公交发展的必然选择。高效的公共交通系统是满足巨大交通需求的关键因素。尽管城市地铁承载能力大，但投资大、建设周期长、运营维护成本高。与之相比，公共汽车的价值往往被低估和忽视。例如，其灵活的布站方式是地铁无法替代的。建设和运营维护成本不到地铁的十分之一。因此，制定一种根据客流自适应的公交线路优化方法，将能释放长期低估的公交运力。

目前存在的公交系统调度方法有：

“互联网定制公交的网络调度模型及其求解算法”，根据乘客提出的出行要求，利用聚类算法进行出行需求分析。继而将结果交至后台系统，采用蚁群算法进行统筹调度，再向乘客反应路线信息。

“定制公交路线和站点规划研究”，运用K-means聚类算法对定制公交小区进行划分，提出基于层次聚类的站点规划方法，进而建立定制公交路线模型。

“智能公交调度算法的研究”，根据上车人数、下车人数、到站概率、下车概率建立数据模型，使用遗传算法进行求解。

“Improved Genetic Algorithm for the Regional Multi-line BusDispatching”，分析现有交通环境和公交调度的基础上，建立数学模型，以乘客平均最大满意度，平均负荷构建该模型的目标函数，对问题进行优化求解。

上述调度方法存在以下缺陷：

(1)未能充分利用现有的交通基础设施。

(2)使用k-means来聚类出需求点，无法推测出乘客下车点

(3)在上述方案中，未能以优先服务最大群体为目标，安排公交进站的优先次序

(4)数据获取难度大，未有效运用大数据及车联网技术进行站点规划。

发明内容

本发明的目的在于，提供一种基于站点优选和蚂蚁寻迹的公交自适应调度方法，根据大数据呈现的宏观数据特征，指导公交路线的制定；科学合理的站点设置以满足大部分乘客的出行需求，使定制公交资源得到最大程度的利用，线路规划以提高定制公交吸引力，有效减少乘客行程时间和公交企业运营成本。

为了实现上述任务，本发明采用以下技术方案：

一种基于站点优选和蚂蚁寻迹的公交自适应调度方法，包括以下步骤：

步骤1，数据采集及预处理

步骤1.1，从公交公司的IC卡数据库中采集一天内同一张IC卡产生的记录，包括地铁入站点、地铁出站点、公交上车点，作为个人出行词条；采集的个人出行词条按照IC卡的编号进行排序，得到同一天内不同用户的个人出行词条汇总表；

步骤1.2，设置最小支持度

记a为可提供公交车数目，b为公交车的额定载客量，N为采集的个人出行词条汇总表中个人出行词条数量，则最小支持度的计算公式为：

min(support({A,B}))＝(a*b)/N 式1

步骤1.3，依次扫描汇总表中的个人出行词条，得到所有在汇总表中出现过的站点，作为候选频繁1站点集，每个站点集仅包含一个站点；

步骤1.4，依次扫描候选频繁1站点集，将其中的站点集两两组合，得到候选频繁2站点集；利用下式2计算每个候选频繁2站点集的支持度：

support({A,B})＝number(A∪B)/W 式2

上式中，A、B表示候选频繁2站点集中包含的两个站点，number(A∪B)表示汇总表中包含A、B两个站点的个人出行词条的个数，W表示候选频繁2站点集的个数；

步骤1.5，将支持度小于最小支持度的候选频繁2站点集删除，其余的站点集即为频繁2站点集，通过式3计算每个频繁2站点集的置信度，从而得到频繁2站点集支持度和置信度汇总表；

上式中，A、B表示频繁2站点集中包含的两个站点，P(A|B)表示站点B出现的条件下，站点A也出现的概率；

步骤2，公交线路规划

步骤2.1，将步骤1得到的频繁2站点集进行合并，得到所有频繁站点的向量条；

对频繁2站点集的置信度进行矩阵化处理，若频繁2站点集的两个站点间不存在置信度，则对应值设置为1，否则设置为置信度+1，从而得到频繁2站点集的任意两个站点之间的置信度映射表；

步骤2.2，将向量条中的第k个站点作为蚂蚁的出发点，初始选择k＝1；

步骤2.3，按照下式4计算蚂蚁转移概率选择最大时对应的站点j作为蚂蚁下一步的靠站点：

上式中，为选择第k个站点作为出发点时，蚂蚁从站点i到站点j的概率；J_k(i)为蚂蚁下一步可选站点集合；μ为置信度的重要程度；d_ij表示站点i到站点j的实际距离x进行归一化处理的结果，计算公式为：

d_ij＝(x-min)/(max-min) 式5

上式中，min、max分别表示置信度映射表中任意两站点间实际距离的最小值、最大值；C_ij表示站点i与站点j在置信度映射表中对应的置信度值x进行归一化处理后的结果，计算公式为：

C_ij＝(x-min)/(max-min) 式6

上式中，min、max分别表示置信度映射表中的置信度最小值、最大值；

步骤2.4，蚂蚁到达靠站点后，再通过式4计算蚂蚁下一步靠站点，直到蚂蚁走完所有站点为止，记录下蚂蚁旅行的总路程R_k；

步骤2.5，依次将向量条中的第k+1个站点作为蚂蚁的出发点，按照步骤2.3、步骤2.4相同的方法，得到蚂蚁旅行的总路程R_k+1；

步骤2.6，选出蚂蚁旅行总路程最小时蚂蚁的行走路线作为备选公交线路；

步骤3，按照步骤1、2相同的方法得到一段时间内每天采集的数据所规划出的备选公交线路，将备选公交线路中出现次数最多的线路作为最终的规划线路；当有多条处出现次数最多的线路时，选择总路程最小的线路作为最终的规划线路。

进一步地，所述的步骤1.1还包括：

对个人词条进行预处理，保留具有地铁入站点、地铁出站点的个人出行词条，以及具有地铁入站点、地铁出站点和公交上车点的个人出行词条，将其余数据不完整的个人出行词条筛除。

本发明具有以下技术特点：

1.本发明在已有交通基础设施的基础上设计算法，最大限度的减少新建站点以降低成本；本方案采用关联分析算法，既能达到传统K-means算法聚集出需求点的效果，又能分析出站点与站点之间的内在联系，并且将关系的强弱进行量化处理。

2.传统的蚁群算法优先考虑最短路径，而本方案算法在保证总路程尽可能短的同时，合理安排公交进站的优先关系。

3.传统的训练数据来源有两种：一是基于公交IC卡；二是基于居民出行需求的调查。前一种方法的缺陷是有些城市公交只有上车刷卡记录，而没有下车记录，造成了算法的适应性较差。后一种方法所需的人力物力成本高，调查数据误差较大，调查样本容易遗漏乘客的真正需求。本方案中提及的算法数据来源丰富易得，可采用地铁等其他交通工具的数据，交通道路监控资料等。

附图说明

图1为本发明中数据采集及预处理过程的流程示意图；

图2为本发明中公交线路规划部分的流程示意图。

具体实施方式

大数据技术及人工智能算法日渐成熟，交通信息采集成本比以往任何时候都低廉，使得我们更加直观、清晰地认识居民出行特点、交通需求的时空分布特征等。本方案提出一种基于站点优选和蚂蚁寻迹的公交自适应调度方法，具体步骤如下：

步骤1，数据采集及预处理

步骤1.1，从公交公司的IC卡数据库中采集一天内同一张IC卡产生的记录，包括地铁入站点、地铁出站点、公交上车点，作为个人出行词条。对个人词条进行预处理，保留具有地铁入站点、地铁出站点的个人出行词条，以及具有地铁入站点、地铁出站点和公交上车点的个人出行词条，将其余数据不完整的个人出行词条筛除。采集的个人出行词条按照IC卡的编号进行排序，得到同一天内不同用户的个人出行词条汇总表：

表1个人出行词条汇总表

IC卡号	地铁入站点	地铁出站点	公交上车站点
				000000	清湖	深圳北	/
000001	国贸	老街	/
				000002	老街	草埔	/
000003	大剧院	湖贝	/
				000004	福田口岸	大剧院	湖贝
…	…	…	…

步骤1.2，设置最小支持度

为了减少空载率，公交运营商根据可提供公交车数目设定最小支持度；记a为可提供公交车数目，b为公交车的额定载客量，N为采集的汇总表中个人出行词条数量，则最小支持度min(support({A,B}))的计算公式为：

min(support({A,B}))＝(a*b)/N 式1

步骤1.3，依次扫描汇总表中的个人出行词条，得到所有在汇总表中出现过的站点，作为候选频繁1站点集，每个站点集仅包含一个站点。所述的出现过的站点包括地铁入站点、地铁出站点以及公交上车点。

步骤1.4，依次扫描候选频繁1站点集，将其中的站点集两两组合，得到候选频繁2站点集，则每个候选频繁2站点集包含两个站点；利用下式2计算每个候选频繁2站点集的支持度support：

support({A,B})＝number(A∪B)/W 式2

上式中，A、B表示候选频繁2站点集中包含的两个站点，number(A∪B)表示汇总表中包含A、B两个站点的个人出行词条的个数，W表示候选频繁2站点集的个数。

步骤1.5，将支持度小于最小支持度的候选频繁2站点集删除，其余的站点集即为频繁2站点集，计算每个频繁2站点集的置信度Confidence：

上式中，A、B表示频繁2站点集中包含的两个站点，P(A|B)表示站点B出现的条件下，站点A也出现的概率。

经过上面的步骤，得到频繁2站点集支持度和置信度汇总表：

表2支持度和置信度汇总表

频繁2站点集	support	Confidence
			['岗厦','会展中心']	0.002247361	0.656
['坪洲','高新园']	0.002637692	0.438
			['丹竹头','老街']	0.002266468	0.712
['罗湖','老街']	0.003984288	0.537
			[…]	…	…

本方案的步骤1服了以往的研究未考虑的缺陷，解决了公交站的选址问题。针对背景技术中提及的缺陷(4)：本方案对数据输入不敏感，数据来源丰富易得。如图1所示，算法仅需输入一定结构的训练词条，词条的生成即可来自公交数据，也可来自地铁数据，出租车数据，甚至公路视频监控。针对背景技术中提及的缺陷(2)：本方案实现了传统K-means所要达到的目标，如图1所示，对站点扫描并计算，通过调整最小支持度，计算出候选频繁1站点集。此过程筛选出的候选频繁1阶站点集即为传统算法所需计算出的人群集中的站点。本方案在此基础上，通过递归调用，计算出频繁2站点集并输出其支持度和置信度，为判断推测乘客的下车点提供了依据。

步骤2，公交线路规划

步骤2.1，将步骤1得到的频繁2站点集进行合并，得到所有频繁站点的向量条，例如：['岗厦','会展中心'，'坪洲','高新园'…]；

对频繁2站点集的置信度进行矩阵化处理，若频繁2站点集的两个站点间不存在置信度，则对应值设置为1，否则设置为置信度+1，从而得到频繁2站点集的任意两个站点之间的置信度映射表；以表2为例，得到的映射表如表3所示：

表3置信度映射表

	会展中心	坪洲	高新园	丹竹头	老街	罗湖	岗厦
								会展中心	1	1	1	1	1	1	1.656
坪洲	1	1	1.438	1	1	1	1
								高新园	1	1.438	1	1	1	1	1
丹竹头	1	1	1	1	1.712	1	1
								老街	1	1	1	1.712	1	1.537	1
罗湖	1	1	1	1	1.537	1	1
								岗厦	0.656	1	1	1	1	1	1

步骤2.2，将向量条中的第k个站点作为蚂蚁的出发点，初始选择k＝1；蚁群算法中，蚂蚁在旅行途中需要遍历向量条中所有包含的站点。

步骤2.3，按照下式4计算蚂蚁转移概率选择最大时对应的站点j作为蚂蚁下一步的靠站点：

上式中，为选择第k个站点作为出发点时，蚂蚁从站点i到站点j的概率；J_k(i)为蚂蚁下一步可选站点集合，即蚂蚁还未经过的站点；μ为置信度的重要程度，一般取值为1，可根据实际情况调整；

d_ij表示站点i到站点j的实际距离x进行归一化处理的结果，计算公式为：

d_ij＝(x-min)/(max-min) 式5

上式中，min、max分别表示置信度映射表中任意两站点间实际距离的最小值、最大值。

C_ij表示站点i与站点j在置信度映射表中对应的置信度值x进行归一化处理后的结果，计算公式为：

C_ij＝(x-min)/(max-min) 式6

上式中，min、max分别表示置信度映射表中的置信度最小值、最大值。

步骤2.4，蚂蚁到达靠站点后，再通过式4计算蚂蚁下一步靠站点，直到蚂蚁走完所有站点为止，记录下蚂蚁旅行的总路程R_k；

步骤2.5，依次将向量条中的第k+1个站点作为蚂蚁的出发点，按照步骤2.3、步骤2.4相同的方法，得到此时蚂蚁旅行的总路程R_k+1；

即，分别将向量条中的站点作为出发点，可计算出当该站点作为出发点时，蚂蚁旅行的总路程；记置信度映射表中共有T个站点，则共得到T个总路程。

步骤2.6，选出蚂蚁旅行总路程最小时蚂蚁的行走路线作为备选公交线路。

步骤3，通过步骤1、2得到了一天采集的数据所规划出的备选公交线路，按照相同的方法得到一段时间内(例如历史1年的数据)每天采集的数据所规划出的备选公交线路，将备选公交线路中出现次数最多的线路作为最终的规划线路；当有多条处出现次数最多的线路时，选择总路程最小的线路作为最终的规划线路。该步骤通过历史数据的多次模拟，比对每天的最终规划线路，选出最稳定的线路作为最终规划线路。

由此，通过本发明方法，可根据公交运行区域内历史公交数据，进行公交线路的规划，为线路安排、建站及调度提供支持。

本发明改善了传统的公交调度的问题，弥补了以往方案的未考虑的问题。针对背景技术中提及的缺陷(1)：如图2所示，本方法在初始化参数时，以现有公交站作为初始条件，进而使用计算机仿真并寻求最优解，以达到尽可能使用现有设备，减低实施方案成本的目的。针对背景技术中提及的缺陷(3)：本算法在选择下一站点时进行了改进，如图2所示，蚂蚁的选择与输入变量(站点距离，站点间支持度，站点间置信度)相关，使得蚂蚁在选择下一个站点时不再只是简单地考虑最短路径，而再进一步考虑到优先服务多数派，使得靠站地优先顺序更加合理。

Claims (2)

1.一种基于站点优选和蚂蚁寻迹的公交自适应调度方法，其特征在于，包括以下步骤：

步骤1，数据采集及预处理

步骤1.1，从公交公司的IC卡数据库中采集一天内同一张IC卡产生的记录，包括地铁入站点、地铁出站点、公交上车点，作为个人出行词条；采集的个人出行词条按照IC卡的编号进行排序，得到同一天内不同用户的个人出行词条汇总表；

步骤1.2，设置最小支持度

记a为可提供公交车数目，b为公交车的额定载客量，N为采集的个人出行词条汇总表中个人出行词条数量，则最小支持度的计算公式为：

min(support({A,B}))＝(a*b)/N 式1

步骤1.3，依次扫描汇总表中的个人出行词条，得到所有在汇总表中出现过的站点，作为候选频繁1站点集，每个站点集仅包含一个站点；

步骤1.4，依次扫描候选频繁1站点集，将其中的站点集两两组合，得到候选频繁2站点集；利用下式2计算每个候选频繁2站点集的支持度：

support({A,B})＝number(A∪B)/W 式2

上式中，A、B表示候选频繁2站点集中包含的两个站点，number(A∪B)表示汇总表中包含A、B两个站点的个人出行词条的个数，W表示候选频繁2站点集的个数；

步骤1.5，将支持度小于最小支持度的候选频繁2站点集删除，其余的站点集即为频繁2站点集，通过式3计算每个频繁2站点集的置信度，从而得到频繁2站点集支持度和置信度汇总表；

上式中，A、B表示频繁2站点集中包含的两个站点，P(A|B)表示站点B出现的条件下，站点A也出现的概率；

步骤2，公交线路规划

步骤2.1，将步骤1得到的频繁2站点集进行合并，得到所有频繁站点的向量条；

对频繁2站点集的置信度进行矩阵化处理，若频繁2站点集的两个站点间不存在置信度，则对应值设置为1，否则设置为置信度+1，从而得到频繁2站点集的任意两个站点之间的置信度映射表；

步骤2.2，将向量条中的第k个站点作为蚂蚁的出发点，初始选择k＝1；

步骤2.3，按照下式4计算蚂蚁转移概率选择最大时对应的站点j作为蚂蚁下一步的靠站点：

上式中，为选择第k个站点作为出发点时，蚂蚁从站点i到站点j的概率；J_k(i)为蚂蚁下一步可选站点集合；μ为置信度的重要程度；d_ij表示站点i到站点j的实际距离x进行归一化处理的结果，计算公式为：

d_ij＝(x-min)/(max-min) 式5

上式中，min、max分别表示置信度映射表中任意两站点间实际距离的最小值、最大值；C_ij表示站点i与站点j在置信度映射表中对应的置信度值x进行归一化处理后的结果，计算公式为：

C_ij＝(x-min)/(max-min) 式6

上式中，min、max分别表示置信度映射表中的置信度最小值、最大值；

步骤2.4，蚂蚁到达靠站点后，再通过式4计算蚂蚁下一步靠站点，直到蚂蚁走完所有站点为止，记录下蚂蚁旅行的总路程R_k；

步骤2.5，依次将向量条中的第k+1个站点作为蚂蚁的出发点，按照步骤2.3、步骤2.4相同的方法，得到蚂蚁旅行的总路程R_k+1；

步骤2.6，选出蚂蚁旅行总路程最小时蚂蚁的行走路线作为备选公交线路；

步骤3，按照步骤1、2相同的方法得到一段时间内每天采集的数据所规划出的备选公交线路，将备选公交线路中出现次数最多的线路作为最终的规划线路；当有多条处出现次数最多的线路时，选择总路程最小的线路作为最终的规划线路。

2.如权利要求1所述的基于站点优选和蚂蚁寻迹的公交自适应调度方法，其特征在于，所述的步骤1.1还包括：

对个人词条进行预处理，保留具有地铁入站点、地铁出站点的个人出行词条，以及具有地铁入站点、地铁出站点和公交上车点的个人出行词条，将其余数据不完整的个人出行词条筛除。