CN110084505A

CN110084505A - 一种基于客流的智能排班方法及装置、移动端设备、服务器

Info

Publication number: CN110084505A
Application number: CN201910325269.XA
Authority: CN
Inventors: 王乾宇; 周金明; 韩晓春
Original assignee: Nanjing Walker Intelligent Traffic Technology Co Ltd
Current assignee: Nanjing Walker Intelligent Traffic Technology Co Ltd
Priority date: 2019-04-22
Filing date: 2019-04-22
Publication date: 2019-08-02

Abstract

本发明公开了一种基于客流的智能排班方法及装置、移动端设备、服务器，所述方法包括如下步骤，步骤1，获取公交的历史客流数据；步骤2，通过灰色模型预测某一天的客流，步骤3，对客流预测值划分成多个时间段，步骤4，计算每个时间段的最佳发车间隔，步骤5，根据最佳发车间隔进行排班，进而得到车辆发车计划。本发明通过数学模型计算得出最优的排班方式，输入客流量即可得到排班的结果，减少人为因素和不同城市因素的影响；通过使用灰色模型，并采用fisher最优分割法，最佳发车间隔的选择同时考虑了公交运营成本和乘客的等车成本，实现在降低公交运营成本的同时，有效保证乘客的乘车体验。

Description

一种基于客流的智能排班方法及装置、移动端设备、服务器

技术领域

本发明涉及智能交通研究领域，尤其是根据公交客流大数据进行智能排班的方法，具体涉及一种基于客流的智能排班方法及装置、移动端设备、服务器。

背景技术

我国各大城市为了缓解交通拥堵，均在积极规划和改善公共交通服务，从而提升公共交通的乘客数量，缓解城市交通压力。如何合理的进行公交排班，在降低公交运营成本的同时，保证对乘客的服务质量，对公共交通服务质量的改善起着至关重要的作用。现有的公交排班大多依赖排班人员的主观经验，排班结果无统一标准，排班无法很好的贴合客流，我公司之前研发的一种基于历史客流大数据的公交智能排班方法，通过对历史客流的简单处理后，用于排班，一方面客流预测不够准确，另一方面无法同时兼顾公交运营成本和服务质量。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于客流的智能排班方法及装置、移动端设备、服务器，本发明的方法提高了客流预测的精度，实现在降低公交运营成本的同时，有效保证乘客的乘车体验。

为达到上述目的，本发明是通过以下的技术方案来实现的。

步骤1，获取公交的历史客流数据，所述历史客流数据包括每个公交站点的上车人数及上车时间、下车人数及下车时间。

步骤2，通过灰色模型根据n天历史客流数据预测第n+1天中每隔Qmin的时间区间的客流总数，Q∈[15,60]；

关于Q的时间区间的取值，如果时间区间太小，会使得客流的随机性增加，对客流预测的准确性会降低，如果时间区间太大，比如是对每2h的客流进行预测，这样一天中只有12个客流预测值，把12个客流预测值分在步骤3所述的7 个时间段中，比较有困难并且不够合理。

步骤21，对所述历史客流数据进行预处理

获取之前连续同种类型日期的n天历史客流数据，将其中每天的历史客流数据按照每隔Qmin的时间聚合，得到每天每隔Qmin的时间区间的客流总数，所述同种类型日期是指相同的工作日或相同的节假日；

步骤22，使用灰色模型GM(1，1)预测第n+1天中每隔Qmin的时间区间的客流总数，Q∈[15,60]

所述灰色模型GM(1,1)表示1阶的、1个变量的微分方程模型，具体如下：

设x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n表示历史客流的天数，x⁽⁰⁾(1) 表示第一天历史客流中任Qmin的时间区间的客流数,比如，x⁽⁰⁾(1)表示第一天历史客流中6:00-6:30的客流数；

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

称x⁽¹⁾为x⁽⁰⁾的1次累加生成数列

z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1),k＝2,3,…,n；

z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))

称z⁽¹⁾为邻值生成数列，权重α成为生成系数，优选，α取值0.5，当α＝0.5 时，称z⁽¹⁾为均值生成数列或等权邻值生成数列。

建立灰色模型GM(1,1)

定义GM(1，1)的灰微分方程为

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，x⁽⁰⁾称为灰导数，a称为发展系数，z⁽¹⁾称为白化背景值，b称为灰作用量。

将时刻k＝2,3,…,n带入得

引入矩阵记号u、Y、B

于是GM(1，1)模型可表示为Y＝Bu

使用最小二乘法求解u

对于GM(1，1)的灰微分方程，如果将时刻k＝2,3,…,n视为连续变量 t，则之前的x⁽¹⁾视为时间t函数，于是灰导数x⁽⁰⁾(k)变为连续函数的导数白化背景值z⁽¹⁾(k)对应于导数x⁽¹⁾(t)。于是GM(1，1)的灰微分方程对应于的白微分方程为

解为：

于是得到第n+1天中每隔Qmin的任一时间区间的客流预测值

进而得到某天中每隔Qmin的时间区间的m条客流预测值，

步骤3，对步骤2的m条客流预测值划分成h个时间段

优选的，根据步骤2得到的所述每隔Qmin的时间区间的m条客流预测值，使用fisher最优分割的方法把所述m条客流预测值划分为h个时间段，使每个时间段的每条客流预测值之间的波动或方差最小；也就是说使每个时间段的每条客流预测值比较接近；优选的，h值取7，把m条客流预测值划分成7个时间段，这里选取7个时间段是因为一般情况下，一天中客流分布会呈现低、平、高、平、高、平、低七个阶段，当然这里也可以根据具体的线路客流情况划分不同的时间段),

所述fisher最优分割法如下：

设预测的每隔Qmin的时间区间的m条客流预测值依次为x₁,x₂,…,x_m，用 b(m,h)表示把m个客流预测值分为h个时间段的一种分法；

定义优化的目标，设某一类G包含有样本{x_i,x_i+1,…,x_j-1,x_j}，j>i，记为G＝ {i,i+1,…,j}，该类的均值向量：

类的直径为：

误差函数为：

当n，h固定时，L(b(m,h))越小，表示各类的离差平方和越小，分类越是合理的，记p(m,h)是达到极小值的分类法，即为最优的分法；

递归求解

最优求解法：若分类数h(1<h<m)已知，求分类法p(n,h)，使它在损时函数意义下达到最小，

先找点j_h，使

L(p(m,h))＝L(p(j_h-1,h-1))+D(j_h,m)

得第h类G_h＝{j_h,j_h+1,…,m}

依此类推，得到G₁,G₂,…,G_h，即得到最优的分法p(m,h)

步骤4，计算每个时间段的最佳发车间隔Δt_i，i∈{1,2,…,h}

优选的，使用粒子群算法进行搜索，对公交运营建立如下的数学模型，其中Δt_i为优化的变量，即需要寻找最佳发车间隔，使得总成本最低。

设L(Δt_i)＝λ₁某线路每天公交运营成本(Δt_i)+λ₂某线路每天乘客等车成本 (Δt_i)，Δt_i∈[最小行车间隔,最大行车间隔]，λ₁、λ₂分别为某线路每天公交运营成本、某线路每天乘客等车成本的权重；

得到最终解：即当L(Δt_i)取最小值时Δt_i的取值；

优选的，为了防止平均实载率过低造成班次浪费，或者最大实载率过高影响乘客体验，Δt_i需要同时满足条件：

其中T时段时长是指客流预测值最大的时间段的时长，T客流指是T时段时长的客流预测值，η∈[5％，15％]，ω∈[40％，60％],其中 E(OD站数)是指乘客平均乘坐的站数；

得到最终解：即满足条件 E(Δt_i)≥η、M(Δt_i)≤ω时L(Δt_i)取最小值时Δt_i的取值；

优选的，η值取10％，ω值取50％；

步骤5，根据步骤4中得到的每个时间段的最佳发车间隔进行排班，即得到发车时刻表，进而得到车辆发车计划。

根据最佳发车间隔对其所在的时间段进行排班，得到出发车时刻表，即为最优的排班方式。

与现有技术相比，本发明具有如下有益效果：

本发明通过数学模型计算得出最优的排班方式，输入客流量即可得到排班的结果，通过将相关的信息参数化，仅调整参数就可以对不同的城市进行排班，减少人为因素和不同城市因素的影响。通过使用灰色模型，根据历史客流大数据，实现对客流的精准预测；并采用fisher最优分割法，根据客流情况把班次的运营时间划分为7个时间段，使每个时间段的每条客流预测值之间的波动 (方差)最小，这样每个时间段内使用相同的发车间隔较为合理；最佳发车间隔的选择同时考虑了公交运营成本和乘客的等车成本，实现在降低公交运营成本的同时，有效保证乘客的乘车体验，并且可以实时根据前一段时间的客流量不断地调整公交的排班。

具体实施方式

为了阐明本发明的技术方案和工作原理，下面结合具体实施例对本发明做详细的介绍，目的是使得本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解。本实施例中，包括但不限于公交车辆，也包括与公交车采用类似运行模式的企业班车、大巴车辆、地铁等。

实施例一：

步骤2，通过灰色模型根据30天历史客流数据预测后一天即第31天中每隔 30min的时间区间的客流总数，

步骤21，对所述历史客流数据进行预处理

获取之前连续的30天工作日的历史客流数据，将其中每天的历史客流大数据按照每30min的时间聚合，如果某班次的运营时间为06:00-22:00，即分别得到6:00-6:30、6:30-7:00、7:00-7:30……，21:30-22:00的32个半个小时时间区间内的客流总数据。

步骤22，使用灰色模型GM(1，1)预测后一天即第31天中每隔30min的时间区间的客流总数，

设x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n为30，表示历史客流的天数为30天，x⁽⁰⁾(1)表示第一天历史客流中任30min的时间区间的客流数，比如， x⁽⁰⁾(1)表示第一天历史客流中6:00-6:30的客流数，x⁽⁰⁾(2)表示第二天历史客流中6:00-6:30的客流数……。

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

称x⁽¹⁾为x⁽⁰⁾的1次累加生成数列

z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1),k＝2,3,…,n；

z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))

称z⁽¹⁾为邻值生成数列，权重α成为生成系数，α取值0.5。

建立灰色模型GM(1,1)

定义GM(1，1)的灰微分方程为

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

将时刻k＝2,3,…,n带入得

引入矩阵记号u、Y、B

于是GM(1，1)模型可表示为Y＝Bu

使用最小二乘法求解u

解为：

于是得到第31天中每隔30min的任一时间区间的客流预测值

进而得到某天中每隔30min的时间区间的m条客流预测值，

如果公交运营时间为06:00-22:00，则m为32；

步骤3，对步骤2的32条客流预测值划分成7个时间段

优选的，根据步骤2得到的所述每隔30min的时间区间的32条客流预测值，使用fisher最优分割的方法把所述32条客流预测值划分为7个时间段，使每个时间段的每条客流预测值之间的波动或方差最小；也就是说使每个时间段的每条客流预测值比较接近；这里选取7个时间段，是因为一般情况下一天中客流分布会呈现低、平、高、平、高、平、低七个阶段，当然这里也可以根据具体的线路客流情况划分不同的时间段。

所述fisher最优分割法如下：

设预测的每隔30min的时间区间的32条客流预测值依次为x₁,x₂,…,x_m，用 b(m,h)表示把m个客流预测值分为h个时间段的一种分法，m为32，h为7，即把32个客流预测值分为7个时间段的一种分法；

类的直径为：

误差函数为：

递归求解

先找点j_h，使

L(p(m,h))＝L(p(j_h-1,h-1))+D(j_h,m)

得第h类G_h＝{j_h,j_h+1,…,m}

依此类推，得到G₁,G₂,…,G_h，即得到最优的分法p(m,h)

步骤4，计算每个时间段的最佳发车间隔Δt_i，i∈{1,2,…,h}

为了防止平均实载率过低造成班次浪费，或者最大实载率过高影响乘客体验，Δt_i需要同时满足条件：

其中T时段时长是指客流预测值最大的时间段的时长，T客流指是T时段时长的客流预测值，其中E(OD站数)是指乘客平均乘坐的站数；

得到最终解：即满足条件E(Δt_i)≥10％、M(Δt_i)≤50％时L(Δt_i)取最小值时Δt_i的取值；

基于相同的技术构思，本发明实施例提供的一种基于客流的智能排班装置，该装置可以执行一种基于客流的智能排班方法的流程。该装置包括获取单元、预测单元、第一优化单元、第二优化单元、输出单元；

所述获取单元，执行所述的一种基于客流的智能排班方法的步骤1的步骤；

所述预测单元，执行所述的一种基于客流的智能排班方法的步骤2的步骤；

所述第一优化单元，执行所述的一种基于客流的智能排班方法的步骤3的步骤；

所述第二优化单元，执行所述的一种基于客流的智能排班方法的步骤4的步骤；

所述输出单元，执行所述的一种基于客流的智能排班方法的步骤5的步骤。

本发明还包括一种移动端设备，包括所述一种基于客流的智能排班装置。

本发明还包括一种服务器，包括所述一种基于客流的智能排班装置。

以上对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。

Claims

1.一种基于客流的智能排班方法，其特征在于，包括以下具体步骤：

步骤1，获取公交的历史客流数据，所述历史客流数据包括每个公交站点的上车人数及上车时间、下车人数及下车时间；

步骤2，通过灰色模型根据n天历史客流数据预测第n+1天中每隔Q min的时间区间的客流总数，Q∈[15，60]；

步骤21，对所述历史客流数据进行预处理

获取之前连续同种类型日期的n天历史客流数据，将其中每天的历史客流数据按照每隔Q min的时间聚合，得到每天每隔Q min的时间区间的客流总数，所述同种类型日期是指相同的工作日或相同的节假日；

步骤22，使用灰色模型GM(1，1)预测第n+1天中每隔Q min的时间区间的客流总数

所述灰色模型GM(1，1)表示1阶的、1个变量的微分方程模型，具体如下：

设x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n表示历史客流的天数，x⁽⁰⁾(1)表示第一天历史客流中任Q min的时间区间的客流数，

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

称x⁽¹⁾为x⁽⁰⁾的1次累加生成数列

z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1),k＝2,3,…,n；

z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))

称z⁽¹⁾为邻值生成数列，权重α成为生成系数；

建立灰色模型GM(1,1)

定义GM(1，1)的灰微分方程为

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，x⁽⁰⁾称为灰导数，a称为发展系数，z⁽¹⁾称为白化背景值，b称为灰作用量；

将时刻k＝2,3,…,n带入得

引入矩阵记号u、Y、B

于是GM(1，1)模型可表示为Y＝Bu

使用最小二乘法求解u

对于GM(1，1)的灰微分方程，如果将时刻k＝2,3,…,n视为连续变量t，则之前的x⁽¹⁾视为时间t函数，于是灰导数x⁽⁰⁾(k)变为连续函数的导数白化背景值z⁽¹⁾(k)对应于导数x⁽¹⁾(t)；于是GM(1，1)的灰微分方程对应于的白微分方程为

解为：

于是得到第n+1天中每隔Q min的任一时间区间的客流预测值

进而得到某天中每隔Q min的时间区间的m条客流预测值，

步骤3，对步骤2的所述m条客流预测值划分成h个时间段

步骤4，计算每个时间段的最佳发车间隔Δt_i，i∈{1,2,…,h}

2.根据权利要求1所述的一种基于客流的智能排班方法，其特征在于，步骤3中对步骤2的所述m条客流预测值划分成h个时间段，具体为：使用fisher最优分割的方法把所述m条客流预测值划分为h个时间段，使每个时间段的每条客流预测值之间的波动或方差最小；

所述fisher最优分割法如下：

设预测的每隔Q min的时间区间的m条客流预测值依次为x₁,x₂,…,x_m，用b(m,h)表示把m个客流预测值分为h个时间段的一种分法：

定义优化的目标，设某一类G包含有样本{x_i,x_i+1,…,x_j-1,x_j}，j>i，记为G＝{i,i+1,…,j}，该类的均值向量：

类的直径为：

误差函数为：

递归求解

先找点j_h，使

L(p(m,h))＝L(p(j_h-1,h-1))+D(j_h,m)

得第h类G_h＝{j_h,j_h+1,…,m}

依此类推，得到G₁,G₂,…,G_h，即得到最优的分法p(m,h)。

3.根据权利要求2所述的一种基于客流的智能排班方法，其特征在于，步骤4中计算每个时间段的最佳发车间隔，具体为：

使用粒子群算法进行搜索，对公交运营建立如下的数学模型，其中Δt_i为优化的变量，即需要寻找最佳发车间隔，使得总成本最低；

设L(Δt_i)＝λ₁某线路每天公交运营成本(Δt_i)+λ₂某线路每天乘客等车成本(Δt_i)，Δt_i∈[最小行车间隔,最大行车间隔]，λ₁、λ₂分别为某线路每天公交运营成本、某线路每天乘客等车成本的权重；

得到最终解：即当L(Δt_i)取最小值时Δt_i的取值。

4.根据权利要求3所述的一种基于客流的智能排班方法，其特征在于，步骤4中Δt_i的求解过程中，Δt_i需要同时满足条件：

其中T时段时长是指客流预测值最大的时间段的时长，T客流指是T时段时长的客流预测值，η∈[5％，15％]，ω∈[40％，60％]，其中E(OD站数)是指乘客平均乘坐的站数；

得到最终解：即满足条件E(Δt_i)≥η、M(Δt_i)≤ω时L(Δt_i)取最小值时Δt_i的取值。

5.一种基于客流的智能排班装置，其特征在于，包括获取单元、预测单元、第一优化单元、第二优化单元、输出单元；

所述获取单元，执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤1的步骤；

所述预测单元，执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤2的步骤；

所述第一优化单元，执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤3的步骤；

所述第二优化单元，执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤4的步骤；

所述输出单元，执行权利要求1-4任一项所述的一种基于客流的智能排班方法的步骤5的步骤。

6.一种移动端设备，其特征在于，包括如权利要求5所述的一种基于客流的智能排班装置。

7.一种服务器，其特征在于，包括如权利要求5所述的一种基于客流的智能排班装置。