CN110288821A - 一种人工驾驶公交和自动驾驶公交联合调度优化方法 - Google Patents
一种人工驾驶公交和自动驾驶公交联合调度优化方法 Download PDFInfo
- Publication number
- CN110288821A CN110288821A CN201910626011.3A CN201910626011A CN110288821A CN 110288821 A CN110288821 A CN 110288821A CN 201910626011 A CN201910626011 A CN 201910626011A CN 110288821 A CN110288821 A CN 110288821A
- Authority
- CN
- China
- Prior art keywords
- public transport
- vehicle
- time
- passenger
- platform
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000004088 simulation Methods 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004132 cross linking Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人工驾驶公交和自动驾驶公交联合调度优化方法,充分考虑了自动驾驶公交的容量可变特性对提高公交服务质量和减少运营成本的可能性;对乘客而言,该联合调度优化方法根据乘客需求动态调整自动驾驶公交容量和发车频率,缩短了乘客候车时间,降低了在高峰期乘客不能上车的风险;对公交管理部门而言,该联合调度优化方法保证了人工驾驶公交和自动驾驶公交的充分利用,提升了调度效率,通过在高峰和平峰期动态调整自动驾驶公交容量节约了运营成本。
Description
技术领域
本发明涉及智能交通信息处理技术领域,更具体的说是涉及一种人工驾驶公交和自动驾驶公交联合调度优化方法。
背景技术
公交出行呈现普遍的早晚高峰乘客需求态势,其中早晚高峰乘客需求大,平峰乘客需求小。在此背景下,公交部门面临车辆调度和管理的巨大挑战,即如何在一定运营成本条件下保证高峰期和平峰期的服务质量,如缩短乘客站台等待时间和减小车内拥挤等。当前,公交车辆调度主要采用以下两种方式来应对乘客的高峰和平峰出行:(1)划分高峰和平峰时段,并分别制定高峰和平峰车辆调度时刻表,其中高峰时段公交发车频率大于平峰时段。该方法通过提高高峰时段车辆调度频率和降低平峰时段车辆调度频率来控制运营成本,且最大程度保证高峰出行时段的服务质量;然而该方法降低了平峰期发车频率,势必会延长平峰期乘客站台候车时间;(2)制定需求响应的公交调度方案。该方法通过历史乘客需求数据、车辆GPS数据及乘客IC卡刷卡数据预测未来一段时间内的乘客出行需求,并以此为据制定动态的公交车辆调度方案。与方法一相比,该方法在运营成本控制和提高服务质量方面有更多的优势,然而由于公交车辆容量固定,在平峰期该方法可能存在车辆油耗浪费的问题,如上客率低,车辆有效利用率低等;在高峰期间,由于公交车辆容量固定,乘客也存在不能上车的风险。
随着车辆传感、人工智能和车联网等技术的发展,自动驾驶公交(autonomousbus)在进一步提高城市公交系统的需求响应性和调度灵活性上有独特的优势,现有研究指出自动驾驶公交能够提高道路驾驶安全、减少公交系统总油耗、减少司机人力成本、及最优化公交行程时间以减少公交串车等。此外,通过连接或组装容量较小的自动驾驶公交单元,能够实现自动驾驶公交的车辆容量动态调整,如在高峰期多个自动驾驶公交单元组合在一起,形成公交车队,从而提高车辆容量,减少乘客站台候车时间;在平峰期,各自动驾驶公交单元则分开调度,最终在不减小公交发车频率条件下降低运营成本。因此,对公交管理部门而言,其不仅能通过优化公交发车频率来提高服务质量,还能同时优化自动驾驶公交车辆容量来进一步减小运营成本。
与此同时,完全自动驾驶技术由于技术不成熟、安全性和政府法规等问题被预测需要较长时间才能完全占有市场。在未来一段时间内,人工驾驶公交和自动驾驶公交并存的可能性较大。
因此,如何高效调度人工驾驶公交和自动驾驶公交,以提升服务质量,减少运营成本的是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种人工驾驶公交和自动驾驶公交联合调度优化方法,保证了人工驾驶公交和自动驾驶公交的充分利用,提升了服务质量,节约了运营成本。
为了实现上述目的,本发明采用如下技术方案:
一种人工驾驶公交和自动驾驶公交联合调度优化方法,包括:
步骤一:将调度周期离散化为均匀分布的时间节点,并设置决策变量;其中,所述决策变量为不同时间节点的发车类型;
步骤二:基于发车数量、车辆离站时间、乘客上下车时间、上车需求、实际上车人数、下车人数、滞站人数和车上人数建立公交车辆运行仿真模型;
步骤三:设置人工驾驶公交和自动驾驶公交运营成本函数;
步骤四:确定乘客候车时间成本;
步骤五:基于运营成本函数和乘客候车时间成本建立人工驾驶公交和自动驾驶公交联合调度优化模型;
步骤六:对优化模型进行求解,得到人工驾驶公交和自动驾驶公交联合调度方案。
优选的,步骤一具体包括:
将调度周期T离散化为nk+1个均匀分布的时间节点,离散化时间节点表示为κ=[0,1,...,nk],则单位离散时间长度为δ=T/nk;
决策变量xmk为不同时间节点的发车类型,xmk为0-1变量,表示是否在时间节点k发出一辆类型为m的公交车辆。
优选的,步骤二具体包括:
根据所有时间的发车情况求得总公交发车数量为
在每一时间节点、至多有一辆公交车从站台发出,且总发车数量不超过现有公交数量:
其中,N0为现有人工驾驶公交数量,Na为现有自动驾驶公交数量;
根据决策变量xmk求得所有车辆的发车时间dv,1和发车类型θv为:
其中,δ为离散化时间后的单位时间长度;
相连两车离开初始站台的时间间隔不小于h0:
dv,1-dv-1,1≥h0 v=2,...,n(7)
设公交车辆v在站台s和站台s+1的行程时间为tv,s,在站台s的离站时间为dv,s,乘客上下车时间为uv,s,则公交车辆在站台的离站时间表示为该车辆在前一站台的离站时间加上公交在两站台间的行程时间,再加上公交在当前站台的乘客上下车时间:
dv,s=dv,s-1+tv,s-1+uv,s v=1,...,n;s=2,...,ns(8)
其中,ns表示公交线路的站台数量;
对于公交系统而言,乘客通过车辆前后门同时上下车,乘客上下车时间为乘客上车和下车耗时的最大值:
其中τb和τa分别为一个乘客上车和下车平均耗时,为实际上车人数,αv,s为下车人数;
上车需求βv,s包括在公交行驶过程中到站的乘客和由于前车车满而不能上车的乘客ωv-1,s,
βv,s=ωv-1,s+λs(dv,s-dv-1,s) v=1,...,n;s=1,...,ns-1(10)
其中λs为站台s的乘客到达率,dv,s-dv-1,s为车辆v在站台s的车头时距;
由于车辆容量限制,实际上车人数不能超过车辆的可用容量,即
其中为车辆v的剩余可用容量,lv,s和αv,s分别表示车辆v的最大乘客容量,刚到站台s时的载客人数和车辆在站台s的下车人数;
上车需求βv,s与实际人车人数的差值为车辆v在站台s留下的乘客人数
根据公交车辆在所有站台的下车乘客数量历史统计,得到车辆v在站台s的下车人数与实际车载人数比值为ρs,则车辆v在站台s的下车人数为
αv,s=ρslv,s v=1,...,n;s=2,...,ns(13)
最后,求得车辆v到达站台s时的载客人数lv,s为该车辆到达前一站台时的载客人数加上一站实际上车人数,减去上一站下车人数,即
其中lv,1=0表示车辆初始载客人数为0。
优选的,步骤三具体包括:
所有车型的运营成本为:
其中,对于人工驾驶公交而言,运营成本表示为c0为人工驾驶公交车辆容量,和分别表示人工驾驶公交的固定运营成本和边际运营成本;
对于自动驾驶公交而言,运营成本表示为其中mc为自动驾驶公交车型m的车辆容量,和分别表示自动驾驶公交的固定运营成本和边际运营成本。
优选的,步骤四中,乘客候车时间包括两部分,一部分为乘客到站后等待第一辆到站公交车的时间,另一部分为由于车辆容量限制乘客不能上车而多等待的时间;对于第一部分,设定乘客随机到达,乘客平均候车时间为车头时距的一半,即而总到达乘客数量为λs(dv,s-dv-1,s),故车辆v到站台s时该站台乘客候车时间为对于第二部分,乘客候车时间为滞留乘客人数ωv,s和车头时距之积。
优选的,在步骤五中,优化模型为:
Eqs.(1)-(15)
其中,ρ1和ρ2分别为两部分候车时间对应的成本参数。
优选的,所述优化模型为非线性整形优化模型,通过商业优化软件Cplex或gurobi直接求解。
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人工驾驶公交和自动驾驶公交联合调度优化方法,具有如下优点:
1、本发明充分考虑了自动驾驶公交可变容量设计对传统公交调度的影响,可实现在不降低公交发车频率条件下,通过调整公交容量减少管理部门运营成本。
2、本发明将调度周期时间离散化,并设置决策变量为每一时间节点的发车类型,该建模方法实现了人工驾驶公交和自动驾驶公交的联合调度,且依据乘客需求同时优化公交车辆发车频率和车辆容量,所得调度方案极其灵活,适用于现代高容量公交系统灵活调度的需求。
3、本发明将人工驾驶公交和自动驾驶公交抽象为不同车型,可通过同一决策变量表征,简化了优化模型,提高了计算效率,可更好适用于现实复杂公交车辆调度系统的建模和优化。
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为本发明提供的一种人工驾驶公交和自动驾驶公交联合调度优化方法流程图;
图2为本发明提供的人工驾驶公交和自动驾驶公交联合调度优化方法示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
参见附图1和附图2,本发明实施例公开了一种人工驾驶公交和自动驾驶公交联合调度优化方法,包括:
步骤一:将调度周期离散化为均匀分布的时间节点,并设置决策变量;其中,所述决策变量为不同时间节点的发车类型;
步骤二:基于发车数量、车辆离站时间、乘客上下车时间、上车需求、实际上车人数、下车人数、滞站人数和车上人数建立公交车辆运行仿真模型;
步骤三:设置人工驾驶公交和自动驾驶公交运营成本函数;
步骤四:确定乘客候车时间成本;
步骤五:基于运营成本函数和乘客候车时间成本建立人工驾驶公交和自动驾驶公交联合调度优化模型;
步骤六:对优化模型进行求解,得到人工驾驶公交和自动驾驶公交联合调度方案。
这里需要说明的是,步骤三和步骤四的执行顺序并做不限定,只要在步骤五执行前完成即可。
为了进一步优化上述技术方案,步骤一具体包括:
将调度周期T离散化为nk+1个均匀分布的时间节点,离散化时间节点表示为κ=[0,1,...,nk],则单位离散时间长度为δ=T/nk;
决策变量xmk为不同时间节点的发车类型,xmk为0-1变量,表示是否在时间节点k发出一辆类型为m的公交车辆。
为了进一步优化上述技术方案,步骤二具体包括:
根据所有时间的发车情况求得总公交发车数量为
在每一时间节点、至多有一辆公交车从站台发出,且总发车数量不超过现有公交数量:
其中,N0为现有人工驾驶公交数量,Na为现有自动驾驶公交数量;
根据决策变量xmk求得所有车辆的发车时间dv,1和发车类型θv为:
其中,δ为离散化时间后的单位时间长度;
对公交车辆v而言,其前车编号为v-1。为了保证车辆调度的安全性,设置最小发车时间间隔为h0,h0可根据公交线路的道路特征和乘客需求设置。因此,相连两车离开初始站台的时间间隔不小于h0:
dv,1-dv-1,1≥h0 v=2,...,n (7)
设公交车辆v在站台s和站台s+1的行程时间为tv,s,在站台s的离站时间为dv,s,乘客上下车时间为uv,s,则公交车辆在站台的离站时间表示为该车辆在前一站台的离站时间加上公交在两站台间的行程时间,再加上公交在当前站台的乘客上下车时间:
dv,s=dv,s-1+tv,s-1+uv,s v=1,...,n;s=2,...,ns (8)
其中,ns表示公交线路的站台数量;
对于公交系统而言,乘客通过车辆前后门同时上下车,乘客上下车时间为乘客上车和下车耗时的最大值:
其中τb和τa分别为一个乘客上车和下车平均耗时,为实际上车人数,αv,s为下车人数;
上车需求βv,s包括在公交行驶过程中到站的乘客和由于前车车满而不能上车的乘客ωv-1,s,
βv,s=ωv-1,s+λs(dv,s-dv-1,s) v=1,...,n;s=1,...,ns-1 (10)
其中λs为站台s的乘客到达率,dv,s-dv-1,s为车辆v在站台s的车头时距;
由于车辆容量限制,实际上车人数不能超过车辆的可用容量,即
其中为车辆v的剩余可用容量,lv,s和αv,s分别表示车辆v的最大乘客容量,刚到站台s时的载客人数和车辆在站台s的下车人数;
上车需求βv,s与实际人车人数的差值为车辆v在站台s留下的乘客人数
根据公交车辆在所有站台的下车乘客数量历史统计,得到车辆v在站台s的下车人数与实际车载人数比值为ρs,则车辆v在站台s的下车人数为
αv,s=ρslv,s v=1,...,n;s=2,...,ns (13)
最后,求得车辆v到达站台s时的载客人数lv,s为该车辆到达前一站台时的载客人数加上一站实际上车人数,减去上一站下车人数,即
其中lv,1=0表示车辆初始载客人数为0;公式(1)到(14)依次递推,得到所有车辆在调度周期内的运行过程和乘客数量状态,据此计算公交运营成本和乘客候车时间成本。
为了进一步优化上述技术方案,步骤三具体包括:
所有车型的运营成本为:
其中,对于人工驾驶公交而言,运营成本表示为c0为人工驾驶公交车辆容量,和分别表示人工驾驶公交的固定运营成本和边际运营成本;
对于自动驾驶公交而言,运营成本表示为其中mc为自动驾驶公交车型m的车辆容量,和分别表示自动驾驶公交的固定运营成本和边际运营成本。
为了进一步优化上述技术方案,步骤四中,乘客候车时间包括两部分,一部分为乘客到站后等待第一辆到站公交车的时间,另一部分为由于车辆容量限制乘客不能上车而多等待的时间;对于第一部分,设定乘客随机到达,乘客平均候车时间为车头时距的一半,即而总到达乘客数量为λs(dv,s-dv-1,s),故车辆v到站台s时该站台乘客候车时间为对于第二部分,乘客候车时间为滞留乘客人数ωv,s和车头时距之积。
为了进一步优化上述技术方案,在步骤五中,优化模型为:
Eqs.(1)-(15)
其中,ρ1和ρ2分别为两部分候车时间对应的成本参数。
为了进一步优化上述技术方案,所述优化模型为非线性整形优化模型,通过商业优化软件Cplex或gurobi直接求解。
本发明提供的一种人工驾驶公交和自动驾驶公交联合调度优化方法,先确定可用车型,其中人工驾驶公交为车型0,容量为c0;自动驾驶公交通过组装(或拆卸)自动驾驶公交单元实现容量调整,可得自动驾驶公交车型1,2,...,a,其中车型a表示a个自动驾驶公交单元组装所得的自动驾驶公交,容量为ac,其中c为自动驾驶公交单元乘客容量;则可用车型可表示为m∈M=[-1,0,1,2,...,a],其中m=-1为不发车情形,m=0为人工驾驶公交发车情形,m>0为自动驾驶公交发车情形。进一步,将公交调度周期时间离散化(如每分钟)。设决策变量为第一时间节点的发车类型,通过优化该决策变量,可实现公交发车频率和车辆容量的动态调整,且同时实现人工驾驶公交和自动驾驶公交联合调度,优化目标函数为公交运营成本和乘客成本之和,其中乘客成本为乘客候车时间成本。
本发明提供的技术方案立足自动驾驶公交发展形势,分析其对现有公交调度的影响,充分考虑了自动驾驶公交的容量可变特性对提高公交服务质量和减少运营成本的可能性;对乘客而言,该联合调度优化方法根据乘客需求动态调整自动驾驶公交容量和发车频率,缩短了乘客候车时间,降低了在高峰期乘客不能上车的风险;对公交管理部门而言,该联合调度优化方法保证了人工驾驶公交和自动驾驶公交的充分利用,提升了调度效率,通过在高峰和平峰期动态调整自动驾驶公交容量节约了运营成本。
下面结合一个仿真实例来说明本发明所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法。仿真公交线路包含10个公交站台,站台间距为500m,车辆在站台间的行驶时间服从对数正态分布(lognormal),其中均值为1分钟,方差变异系数为0.4。考虑以下两种仿真场景。
场景一:基于人工驾驶公交的传统公交调度。设系统有人工驾驶公交4辆,车辆容量为45座/车,共计180座。人工驾驶公交固定成本为350元/班次,边际成本为4元/座,由成本函数(15)可知人工驾驶公交的运营成本为530元/班次。
场景二:人工驾驶公交和自动驾驶公交联合调度。设系统有人工驾驶公交2辆,车辆容量为45座/车;自动驾驶公交单元15个,车辆容量为6座/单元;人工驾驶公交和自动驾驶公交共计180座。基于驾驶安全性,设自动驾驶公交最多可以组装5个自动驾驶公交单元,则自动驾驶公交可用车辆类型包括:车型1(6座/车),车型2(12座/车),车型3(18座/车),车型4(24座/车)和车型5(30座/车)。由于自动驾驶公交无需司机干预,设自动驾驶公交固定成本为130元/班次,边际成本为4元/座。则5种自动驾驶公交类型的运营成本分别为154元/班次、178元/班次、202元/班次、226元/班次和250元/班次。乘客候车时间成本参数ρ1=5元/分钟,ρ2=7元/分钟。
在场景一中,发车频率为5分钟/班次,该发车频率保证了所有车辆能得到充分利用;在场景二中,发车频率和发车车辆类型取优化模型(16)计算结果;模型(16)采用Cplex软件优化。进行20次仿真,每次仿真为5小时,取20次仿真结果均值为最后结果。仿真结果如表1所示。
表1仿真结果
运营成本(元) | 乘客成本(元) | 乘客平均候车时间(分钟) | |
场景一 | 25248 | 63588 | 3.23 |
场景二 | 23483 | 54110 | 2.55 |
模型提升 | 7.0% | 14.9% | 21.1% |
本发明将人工驾驶公交和自动驾驶公交联合调度,并对发车频率和车辆容量进行联合优化,与传统基于人工驾驶公交的调度相比,该方法能有效降低公交运营成本(降低7.0%)和乘客候车时间成本(降低14.9%),且同时降低乘客平均候车时间(降低21.1%)。
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 (7)
1.一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,包括:
步骤一:将调度周期离散化为均匀分布的时间节点,并设置决策变量;其中,所述决策变量为不同时间节点的发车类型;
步骤二:基于发车数量、车辆离站时间、乘客上下车时间、上车需求、实际上车人数、下车人数、滞站人数和车上人数建立公交车辆运行仿真模型;
步骤三:设置人工驾驶公交和自动驾驶公交运营成本函数;
步骤四:确定乘客候车时间成本;
步骤五:基于运营成本函数和乘客候车时间成本建立人工驾驶公交和自动驾驶公交联合调度优化模型;
步骤六:对优化模型进行求解,得到人工驾驶公交和自动驾驶公交联合调度方案。
2.根据权利要求1所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,步骤一具体包括:
将调度周期T离散化为nk+1个均匀分布的时间节点,离散化时间节点表示为κ=[0,1,...,nk],则单位离散时间长度为δ=T/nk;
决策变量xmk为不同时间节点的发车类型,xmk为0-1变量,表示是否在时间节点k发出一辆类型为m的公交车辆。
3.根据权利要求2所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,步骤二具体包括:
根据所有时间的发车情况求得总公交发车数量为
在每一时间节点、至多有一辆公交车从站台发出,且总发车数量不超过现有公交数量:
其中,N0为现有人工驾驶公交数量,Na为现有自动驾驶公交数量;
根据决策变量xmk求得所有车辆的发车时间dv,1和发车类型θv为:
其中,δ为离散化时间后的单位时间长度;
相连两车离开初始站台的时间间隔不小于h0:
dv,1-dv-1,1≥h0 v=2,...,n (7)
设公交车辆v在站台s和站台s+1的行程时间为tv,s,在站台s的离站时间为dv,s,乘客上下车时间为uv,s,则公交车辆在站台的离站时间表示为该车辆在前一站台的离站时间加上公交在两站台间的行程时间,再加上公交在当前站台的乘客上下车时间:
dv,s=dv,s-1+tv,s-1+uv,s v=1,...,n;s=2,...,ns (8)
其中,ns表示公交线路的站台数量;
对于公交系统而言,乘客通过车辆前后门同时上下车,乘客上下车时间为乘客上车和下车耗时的最大值:
其中τb和τa分别为一个乘客上车和下车平均耗时,为实际上车人数,αv,s为下车人数;
上车需求βv,s包括在公交行驶过程中到站的乘客和由于前车车满而不能上车的乘客ωv-1,s,
βv,s=ωv-1,s+λs(dv,s-dv-1,s) v=1,...,n;s=1,...,ns-1 (10)
其中λs为站台s的乘客到达率,dv,s-dv-1,s为车辆v在站台s的车头时距;
由于车辆容量限制,实际上车人数不能超过车辆的可用容量,即
其中为车辆v的剩余可用容量,lv,s和αv,s分别表示车辆v的最大乘客容量,刚到站台s时的载客人数和车辆在站台s的下车人数;
上车需求βv,s与实际人车人数的差值为车辆v在站台s留下的乘客人数
根据公交车辆在所有站台的下车乘客数量历史统计,得到车辆v在站台s的下车人数与实际车载人数比值为ρs,则车辆v在站台s的下车人数为
αv,s=ρslv,s v=1,...,n;s=2,...,ns (13)
最后,求得车辆v到达站台s时的载客人数lv,s为该车辆到达前一站台时的载客人数加上一站实际上车人数,减去上一站下车人数,即
其中lv,1=0表示车辆初始载客人数为0。
4.根据权利要求3所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,步骤三具体包括:
所有车型的运营成本为:
其中,对于人工驾驶公交而言,运营成本表示为c0为人工驾驶公交车辆容量,和分别表示人工驾驶公交的固定运营成本和边际运营成本;
对于自动驾驶公交而言,运营成本表示为其中mc为自动驾驶公交车型m的车辆容量,和分别表示自动驾驶公交的固定运营成本和边际运营成本。
5.根据权利要求4所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,步骤四中,乘客候车时间包括两部分,一部分为乘客到站后等待第一辆到站公交车的时间,另一部分为由于车辆容量限制乘客不能上车而多等待的时间;对于第一部分,设定乘客随机到达,乘客平均候车时间为车头时距的一半,即而总到达乘客数量为λs(dv,s-dv-1,s),故车辆v到站台s时该站台乘客候车时间为对于第二部分,乘客候车时间为滞留乘客人数ωv,s和车头时距之积。
6.根据权利要求5所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,在步骤五中,优化模型为:
其中,ρ1和ρ2分别为两部分候车时间对应的成本参数。
7.根据权利要求1~6任意一项所述的一种人工驾驶公交和自动驾驶公交联合调度优化方法,其特征在于,所述优化模型为非线性整形优化模型,通过商业优化软件Cplex或gurobi直接求解。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626011.3A CN110288821B (zh) | 2019-07-11 | 2019-07-11 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
PCT/CN2020/085621 WO2021004115A1 (zh) | 2019-07-11 | 2020-04-20 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
US16/934,044 US20200349485A1 (en) | 2019-07-11 | 2020-07-21 | Optimization method for joint scheduling of manned buses and autonomous buses |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626011.3A CN110288821B (zh) | 2019-07-11 | 2019-07-11 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288821A true CN110288821A (zh) | 2019-09-27 |
CN110288821B CN110288821B (zh) | 2020-05-12 |
Family
ID=68021385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910626011.3A Active CN110288821B (zh) | 2019-07-11 | 2019-07-11 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110288821B (zh) |
WO (1) | WO2021004115A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831151A (zh) * | 2018-06-25 | 2018-11-16 | 青岛智能产业技术研究院 | 无人驾驶公交车应急调度系统及方法 |
CN111063209A (zh) * | 2019-12-23 | 2020-04-24 | 北京航空航天大学 | 配合区间车的自动驾驶公交组合调度优化方法 |
CN111191900A (zh) * | 2019-12-23 | 2020-05-22 | 北京航空航天大学合肥创新研究院 | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
CN111489551A (zh) * | 2020-04-23 | 2020-08-04 | 河海大学 | 一种车联网环境下城市公交线路多站联动调度优化方法 |
CN111785025A (zh) * | 2020-07-22 | 2020-10-16 | 北京航空航天大学 | 一种基于自动驾驶模块车的新型灵活公交调度方法 |
WO2021004115A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
CN112561282A (zh) * | 2020-12-07 | 2021-03-26 | 李强 | 一种基于大数据的自动驾驶公交车出行风险安全评估系统 |
CN113033896A (zh) * | 2021-03-25 | 2021-06-25 | 福州市电子信息集团有限公司 | 一种智能公交调度方法及装置 |
CN113393690A (zh) * | 2021-08-17 | 2021-09-14 | 长沙理工大学 | 考虑自动驾驶专用车道的混合交通均衡分配方法 |
CN115860804A (zh) * | 2023-02-07 | 2023-03-28 | 西南交通大学 | 一种公交运营不可靠性成本计算方法、装置、设备及介质 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077641B (zh) * | 2021-03-24 | 2022-06-14 | 中南大学 | 一种面向公交在途控制的决策映射方法、装置及存储介质 |
CN113112849B (zh) * | 2021-03-25 | 2021-12-17 | 大连海事大学 | 一种基于生态环保驾驶的需求响应公交调度方法 |
CN113391563A (zh) * | 2021-06-01 | 2021-09-14 | 中国建筑东北设计研究院有限公司 | 一种无人驾驶公交车站系统及公交控制方法 |
CN113592335A (zh) * | 2021-08-09 | 2021-11-02 | 上海淞泓智能汽车科技有限公司 | 一种无人驾驶接驳车辆乘客需求匹配与车辆调度方法 |
CN113936453B (zh) * | 2021-09-09 | 2022-08-19 | 上海宝康电子控制工程有限公司 | 一种基于车头时距的信息识别方法及系统 |
CN113962654B (zh) * | 2021-10-21 | 2023-10-31 | 天津大学 | 基于仿真的公交排班优化方法、系统及可存储介质 |
CN113920758B (zh) * | 2021-10-22 | 2022-07-05 | 合肥工业大学 | 一种允许网联车借用公交专用道的动态调控方法 |
CN113743685B (zh) * | 2021-11-08 | 2022-02-08 | 青岛海信网络科技股份有限公司 | 确定公交车时刻表的方法及电子设备 |
CN113947909B (zh) * | 2021-11-10 | 2023-05-02 | 武汉理工大学 | 一种鲁棒性强的公交发车时刻确定方法 |
CN114255586B (zh) * | 2021-11-12 | 2024-05-28 | 浙江银江智慧交通工程技术研究院有限公司 | 一种开放策略下多模式网络交通分布的优化方法和系统 |
CN113849989B (zh) * | 2021-12-02 | 2022-03-11 | 广东工业大学 | 一种公交线网仿真系统 |
CN114241770B (zh) * | 2021-12-21 | 2022-11-18 | 杭州图软科技有限公司 | 基于精确实时信息的公交调度方法及系统 |
CN114743401B (zh) * | 2022-03-23 | 2023-05-09 | 华录智达科技股份有限公司 | 一种基于公交数字化转型的数据可视化公交调度管理平台 |
CN114742426B (zh) * | 2022-04-20 | 2023-07-25 | 北京化工大学 | 公交线路车辆排班计划两阶段生成方法及程序产品 |
CN115457793B (zh) * | 2022-08-31 | 2023-06-23 | 东风悦享科技有限公司 | 一种应用于公交调度中始发站非均匀发车的方法及系统 |
CN115438975B (zh) * | 2022-09-14 | 2023-04-25 | 北京化工大学 | 一种订单指派与车辆路径优化方法、装置及设备 |
CN116307448B (zh) * | 2022-12-07 | 2024-04-02 | 航天物联网技术有限公司 | 一种基于多智能体强化学习的公交智能调度方法 |
CN116451961B (zh) * | 2023-04-21 | 2024-02-02 | 四川国蓝中天环境科技集团有限公司 | 一种城际需求响应式公交服务的建模优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202472938U (zh) * | 2012-02-10 | 2012-10-03 | 上海雀普电子有限公司 | 智能公交调度终端 |
EP2772894A1 (en) * | 2013-02-28 | 2014-09-03 | HERE Global B.V. | Method and Apparatus for Automated Service Schedule Derivation and Updating |
CN104269048A (zh) * | 2014-04-15 | 2015-01-07 | 明日交通公司 | 智能公交系统的动态调度和时刻管理 |
CN107481512A (zh) * | 2017-08-17 | 2017-12-15 | 深圳市海梁科技有限公司 | 自动驾驶公交的智能调度方法 |
CN109410562A (zh) * | 2018-10-29 | 2019-03-01 | 重庆交通大学 | 一种社区公交的优化调度方法 |
CN109584600A (zh) * | 2018-12-21 | 2019-04-05 | 南通大学 | 应用于无人驾驶公交车的时刻表可靠性的自动化控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8949023B2 (en) * | 2006-01-08 | 2015-02-03 | Bo-In Lin | Transmission of wireless messages of current vehicle location and estimated arrival time to requestors |
CN108831151B (zh) * | 2018-06-25 | 2020-04-07 | 青岛智能产业技术研究院 | 无人驾驶公交车应急调度系统及方法 |
CN110288821B (zh) * | 2019-07-11 | 2020-05-12 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
-
2019
- 2019-07-11 CN CN201910626011.3A patent/CN110288821B/zh active Active
-
2020
- 2020-04-20 WO PCT/CN2020/085621 patent/WO2021004115A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202472938U (zh) * | 2012-02-10 | 2012-10-03 | 上海雀普电子有限公司 | 智能公交调度终端 |
EP2772894A1 (en) * | 2013-02-28 | 2014-09-03 | HERE Global B.V. | Method and Apparatus for Automated Service Schedule Derivation and Updating |
CN104269048A (zh) * | 2014-04-15 | 2015-01-07 | 明日交通公司 | 智能公交系统的动态调度和时刻管理 |
CN107481512A (zh) * | 2017-08-17 | 2017-12-15 | 深圳市海梁科技有限公司 | 自动驾驶公交的智能调度方法 |
CN109410562A (zh) * | 2018-10-29 | 2019-03-01 | 重庆交通大学 | 一种社区公交的优化调度方法 |
CN109584600A (zh) * | 2018-12-21 | 2019-04-05 | 南通大学 | 应用于无人驾驶公交车的时刻表可靠性的自动化控制方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831151A (zh) * | 2018-06-25 | 2018-11-16 | 青岛智能产业技术研究院 | 无人驾驶公交车应急调度系统及方法 |
CN108831151B (zh) * | 2018-06-25 | 2020-04-07 | 青岛智能产业技术研究院 | 无人驾驶公交车应急调度系统及方法 |
WO2021004115A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
CN111191900A (zh) * | 2019-12-23 | 2020-05-22 | 北京航空航天大学合肥创新研究院 | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
CN111063209A (zh) * | 2019-12-23 | 2020-04-24 | 北京航空航天大学 | 配合区间车的自动驾驶公交组合调度优化方法 |
CN111191900B (zh) * | 2019-12-23 | 2023-04-25 | 北京航空航天大学合肥创新研究院 | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
CN111489551A (zh) * | 2020-04-23 | 2020-08-04 | 河海大学 | 一种车联网环境下城市公交线路多站联动调度优化方法 |
CN111785025A (zh) * | 2020-07-22 | 2020-10-16 | 北京航空航天大学 | 一种基于自动驾驶模块车的新型灵活公交调度方法 |
CN111785025B (zh) * | 2020-07-22 | 2021-12-17 | 北京航空航天大学 | 一种基于自动驾驶模块车的新型灵活公交调度方法 |
CN112561282A (zh) * | 2020-12-07 | 2021-03-26 | 李强 | 一种基于大数据的自动驾驶公交车出行风险安全评估系统 |
CN113033896A (zh) * | 2021-03-25 | 2021-06-25 | 福州市电子信息集团有限公司 | 一种智能公交调度方法及装置 |
CN113393690A (zh) * | 2021-08-17 | 2021-09-14 | 长沙理工大学 | 考虑自动驾驶专用车道的混合交通均衡分配方法 |
CN115860804A (zh) * | 2023-02-07 | 2023-03-28 | 西南交通大学 | 一种公交运营不可靠性成本计算方法、装置、设备及介质 |
CN115860804B (zh) * | 2023-02-07 | 2023-05-26 | 西南交通大学 | 一种公交运营不可靠性成本计算方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110288821B (zh) | 2020-05-12 |
WO2021004115A1 (zh) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288821A (zh) | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 | |
CN109859459B (zh) | 一种自动驾驶公交调度优化方法 | |
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
CN107507430B (zh) | 一种城市路口交通控制方法及系统 | |
CN111063209B (zh) | 配合区间车的自动驾驶公交组合调度优化方法 | |
CN112907946B (zh) | 一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统 | |
CN108831151B (zh) | 无人驾驶公交车应急调度系统及方法 | |
CN104680258A (zh) | 电动出租车调度方法及装置 | |
CN105279955B (zh) | 一种拼车方法及设备 | |
CN104866931B (zh) | 一种基于大站停车和多站协同限流的地铁客流组织方法 | |
CN107704950A (zh) | 一种基于出行需求与系统节能的城轨列车运行图优化方法 | |
CN111791923B (zh) | 一种面向节能的单线铁路列车调度方法及系统 | |
CN101844571A (zh) | 新型轨道交通运输控制系统 | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 | |
CN113344336A (zh) | 一种车辆调度方法、装置及存储介质 | |
CN113409567B (zh) | 一种公交与自动驾驶车辆混行车道的交通评估方法和系统 | |
CN112149906A (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
CN115936330A (zh) | 一种基于拉格朗日原理的需求响应式brt车辆调度算法 | |
CN111325649A (zh) | 一种城市轨道交通组合式站点停靠方法 | |
CN113205216B (zh) | 一种枢纽机场摆渡车动态调度方法及系统 | |
CN116151538A (zh) | 一种应用于智能公交需求均衡式调度的仿真系统及方法 | |
CN115169696A (zh) | 一种人工与自动驾驶混行下的地铁接驳公交智能调度方法 | |
CN109615154B (zh) | 电动汽车租赁系统驾驶数据对比方法 | |
CN107957119B (zh) | 空调共享式智能车站的运行方法 | |
CN116757459B (zh) | 用于自动驾驶出租车智慧调度方案及综合评价方法及系统 |
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 |