CN110598971A - 一种基于蚁群算法的响应式公交服务规划方法 - Google Patents
一种基于蚁群算法的响应式公交服务规划方法 Download PDFInfo
- Publication number
- CN110598971A CN110598971A CN201910678721.0A CN201910678721A CN110598971A CN 110598971 A CN110598971 A CN 110598971A CN 201910678721 A CN201910678721 A CN 201910678721A CN 110598971 A CN110598971 A CN 110598971A
- Authority
- CN
- China
- Prior art keywords
- bus
- service
- responsive
- ant colony
- colony algorithm
- 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 62
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 title claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 239000000295 fuel oil Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 241001062954 Clinopodium Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于蚁群算法的响应式公交服务规划方法，通过以区域内出行者的出行时间、出行起终点等出行信息为基础，利用蚁群算法这一效果优、解释性强的启发式算法，规划包括发班时间、服务车型及途径站点在内的响应式公交服务方案，实现公交资源供给与公交出行需求的最优适配。本发明提出的方法具有数据驱动性，可规划得到稳定、优质的响应式公交服务方案；并且本发明提出具有良好的可解释性，便于使用者根据实际情况，理解、复现与改造方法，适用性广，可推广性强。
Description
技术领域
本发明涉及交通领域，更具体地，涉及一种基于蚁群算法的响应式公交服务规划方法。
背景技术
随着“互联网+”的发展，越来越多定制化、个性化的服务方式涌现，响应式公交便是定制公交服务中重要的一种。其核心思想为，通过搜集、掌握区域内出行者的出行时间、出行起终点等信息，公交运营企业针对性的进行公交车辆调度与公交线路规划，从而实现区域内公交资源供给与公交出行需求的最优适配。相较传统固定排班、固定线路的公交服务而言，响应式公交服务无固定排班方案、无固定行驶线路，车辆以中小型为主，集合了私人交通与公共交通的特性，可弥补传统公交服务中的不足，同时也减少了传统公交服务中的资源浪费。
如何通过挖掘区域内出行者的出行时间、出行起终点等出行信息，规划包括发班时间、服务车型及途径站点在内的响应式公交服务方案，实现公交资源供给与公交出行需求的最优适配，是目前研究的重点和目的所在。
目前国内外研究中对于响应式公交服务的规划方法主要有两类，第一类是基于专家法的人工规划方法，第二类是基于机器学习理论的规划方法，详细如下[1-3]：
第一，基于专家法等人工规划的方法。国内外学者对响应式公交服务的人工规划方法做了大量研究，较为经典的是先利用层次聚类法进行公交出行需求分析及交通小区划分，再构建运营成本、环境效益和社会效益等因素相关的服务模型，最后通过求解模型的形式，生成响应式公交服务方案。近年一些学者更全面的考虑了出行者乘坐响应式公交的意愿，掌握使用用户的需求特征，采用点线面分析法的思路，规划得出既满足出行需求，又能提高运营商收益的服务方案。但是上述方法过于依赖专家经验，无法很好的保证响应式公交服务的质量及稳定性，同时也无法规划大规模的响应式公交服务方案，因此现在被越来越少的采用。
第二，基于机器学习理论的规划方法。为了得到更稳定合理的响应式公交服务方案，国内外也有部分学者采用了基于机器学习理论的规划方法。这类方法以神经网络、增强学习等算法为主，可以得到较优质的响应式公交服务方案，但是存在两个关键且难以被解决的问题：(1)基于机器学习理论的规划方法计算复杂，涉及到的参数众多，规划开销大；(2)基于机器学习理论的规划方法可解释性差，不利于公交管理和运营者理解模型，复现模型。因为这两个问题的存在，限制了相关规划方法的发展。
沈昱[4]等从系统分析的角度，对响应式公交系统的运行模式和组织方式进行了解构和论述，认为系统应由服务车辆、运行模式、需求响应系统、运行管理中心及车辆定位系统5部分组成。此外，还较为详细的列举了响应式公交服务的要点，如需合理控制系统的弹性、考虑系统的成本、保证服务的可靠性及组织充分的市场营销。该技术构建响应式公交服务的思路及考虑的要素，与本发明较为相似，但其仅进行了宏观的定性分析，未进行具体问题的建模与仿真模拟，因此所得结论的可靠性存疑，对实际应用中的响应式公交服务指导作用十分有限；
林叶倩[5]等以混合整数规划问题的建模思路，构建了响应式公交的调度模型，并在考虑了公交运营企业与出行者的成本后，以整体出行成本最低作为目标函数，结合遗传算法对模型进行求解。其技术方案还发现，随着出行需求分布趋于广泛和随机，响应式公交服务相较于传统公交服务的优势会越来越明显。但是遗传算法本身可控性差，诸如变异、交叉等求解过程随机性强，不利于规划稳定可靠的响应式公交服务方案，对实际应用的指导也较为有限；
Quadrifoglioab[6]等人综合利用实地调查及连续近似的方法，计算出了响应式公交服务中车辆的行驶模式，分析了当代响应式公交服务的质量和运行效率，并全面描述了响应式公交服务相关的参数，建立了响应式公交服务的静态和动态路径选择及调度模型。但其未采用智能求解算法，在服务规划方面仅做了简单的插入操作，难以保证求解速度，因此也无法较好的应用于实际；
Cremers[7]等人研究了提前预知所有出行者出行信息的响应式公交服务规划模型，考虑了乘客数据收集、公交服务规划、车辆配备及市场运营等方面的内容，所用的技术为模拟退火算法，其本质上属于基础启发式算法，仅应用于单条公交线路的服务方案规划，在响应式服务规划的效率上存在较大提升空间，也不利于形成区域范围的响应式公交服务方案。
发明内容
为了解决现有技术的不足，本发明提供了一种基于蚁群算法的响应式公交服务规划方法，以区域内出行者的出行时间、出行起终点等出行信息为基础，利用蚁群算法这一效果优、解释性强的启发式算法，规划包括发班时间、服务车型及途径站点在内的响应式公交服务方案，实现公交资源供给与公交出行需求的最优适配。
为解决上述技术问题，本发明的技术方案如下：
一种基于蚁群算法的响应式公交服务规划方法，包括以下步骤：
步骤S1：获取用户公交出行的需求数据；
步骤S2：基于需求数据构建响应式公交服务模型；
步骤S3：基于蚁群算法对响应式公交服务模型进行优化，得到响应式公交的服务方案；
步骤S4：根据响应式公交的服务方案求得响应式公交的服务方案的成本；
步骤S5：判断响应式公交的服务方案的成本是否收敛，若是，以该方案作为最优响应式公交服务方案进行输出，若否，重新调整蚁群算法，重新执行步骤 S3。
优选的，步骤S1的具体步骤如下：
用户公交出行的需求数据包括用户ID、出行的起点站点、终点站点、出行需求发出的时刻及已等候服务的时间。
优选的，步骤S2的具体步骤如下：响应式公交服务模型将响应式公交服务中四大内容进行数学的抽象化描述，所述的四大内容包括：响应式公交服务的输入、输出、目标函数及约束条件。
优选的，获得响应式公交服务的输入的具体步骤如下：
搭建响应式公交服务的输入模型：根据步骤S1所获取到的户公交出行的需求数据；从中分别搜集用户ID、出行的起点站点、终点站点、出行需求发出的时刻及已等候服务的时间，并存储入后台数据库；
优选的，获得响应式公交服务的目标函数的具体步骤如下：
设计响应式公交服务模型的目标函数：在侧重考虑了运营成本的情况下，定义公交车每公里燃油成本Cf，其单位为元/公里，每公里司机人力成本Cd，其单位为元/公里，每公里车辆损耗成本，其单位为元/公里，将上述单位成本与公交服务里程相乘得到总运营成本，总运营成本的计算方法如式(1)所示，lj为第j 辆公交服务里程，m为公交车数量；
优选的，求解响应式公交服务的约束条件具体步骤如下：
设计响应式公交服务的约束条件：利用三元组(oi，di，ti)表示用户i的上车站点，下车站点以及需求发出时刻，在运输服务的过程中，对相关服务要素进行了约束，如式(2)至式(4)所示：
其中，为用户i的上车时刻；为用户i的下车时刻，pi为用户i的平均出行共乘人数，表征车厢拥挤度，pmax分别为用户可忍受的最大候车时间，最大乘车时间和最大拥挤度；
优选的，响应式公交服务的输出具体包括：
输出响应式公交服务方案：包含车辆运行时刻表及用户搭乘车辆信息表两部分，车辆运行时刻表主要记录了各响应式服务公交到达的站点及到达站点的时刻；用户搭乘车辆信息表主要记录了不同用户与响应式服务公交之间的匹配信息，及预计的响应式公交服务时间。
优选的，步骤S4中求得响应式公交的服务方案的具体步骤如下：
利用蚁群算法中关于局部感知信息和全局指引信息的架构思想，将服务求解策略分为短期策略η及长期策略τ，其策略设计方式分别如下：
对于短期策略η，其作用是为单辆公交车在当前站点及当下系统状态中，选择最为合适的下一公交站点，以k表示公交车当前站点，k*表示下一站点，根据短期策略即式(5)，计算公交车j在任意下一站点k*的表现。
其中，
Boardk*为站点k*的上车人数，通过需求端信息获得；
Alightk*为站点k*的下车人数，通过需求端信息获得；
Δtk，k*为公交车在站点k及k*间的行驶时间，由实测获得。
对于长期策略τ，其作用是结合以往公交车服务方案经验，为当下公交车生成服务方案提供支持的策略；对于以往每一辆服务的公交车，依据其车辆运营成本，在其所经过的站点区段上会留下成本信息，以指引后续公交车进行服务路线规划，计算方法如式(6)所示，表示公交车j从站点k开往站点k*的次数，为公交车j的运营总成本。
长短期策略的结合方法如式(7)所示，其中代表公交车j在站点k时，选择开往站点k*的概率，α为在每一次选择时长期策略τ的重要程度，β为在每一次选择时短期策略η的重要程度，通过公交车j就能够在站点k时，做出下一站点的行驶选择，直至最终完成服务。
与现有技术相比，本发明技术方案的有益效果是：
(1)本发明提出的方法计算简单，处理效率高，可大规模计算；
(2)相比基于专家法的人工规划方法，本发明提出的方法具有数据驱动性，可规划得到稳定、优质的响应式公交服务方案；
(3)相比基于机器学习理论的规划方法，本发明提出的方法具有良好的可解释性，便于使用者根据实际情况，理解、复现与改造方法，适用性广，可推广性强；
附图说明
图1为本发明的流程图。
图2为本发明步骤S3～S5的流程图。
图3为实施例2的实验区域图。
图4为高峰时段各服务方案成本对比图。
图5为平峰时段各服务方案成本图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1以及图2所示，一种基于蚁群算法的响应式公交服务规划方法，包括以下步骤：
步骤S1：获取用户公交出行的需求数据；
步骤S2：基于需求数据构建响应式公交服务模型；
步骤S3：基于蚁群算法对响应式公交服务模型进行优化，得到响应式公交的服务方案；
步骤S4：根据响应式公交的服务方案求得响应式公交的服务方案的成本；
步骤S5：判断响应式公交的服务方案的成本是否收敛，若是，以该方案作为最优响应式公交服务方案进行输出，若否，重新调整蚁群算法，重新执行步骤 S3。
作为一个优选的实施例，步骤S1的具体步骤如下：
用户公交出行的需求数据包括用户ID、出行的起点站点、终点站点、出行需求发出的时刻及已等候服务的时间。
作为一个优选的实施例，步骤S2的具体步骤如下：响应式公交服务模型将响应式公交服务中四大内容进行数学的抽象化描述，所述的四大内容包括：响应式公交服务的输入、输出、目标函数及约束条件。
作为一个优选的实施例，获得响应式公交服务的输入的具体步骤如下：
搭建响应式公交服务的输入模型：根据步骤S1所获取到的户公交出行的需求数据；从中分别搜集用户ID、出行的起点站点、终点站点、出行需求发出的时刻及已等候服务的时间，并存储入后台数据库；
作为一个优选的实施例，获得响应式公交服务的目标函数的具体步骤如下：
设计响应式公交服务模型的目标函数：在侧重考虑了运营成本的情况下，定义公交车每公里燃油成本Cf，其单位为元/公里，每公里司机人力成本Cd，其单位为元/公里，每公里车辆损耗成本，其单位为元/公里，将上述单位成本与公交服务里程相乘得到总运营成本，总运营成本的计算方法如式(1)所示，lj为第j 辆公交服务里程，m为公交车数量；
作为一个优选的实施例，求解响应式公交服务的约束条件具体步骤如下：
设计响应式公交服务的约束条件：利用三元组(oi，di，ti)表示用户i的上车站点，下车站点以及需求发出时刻，在运输服务的过程中，对相关服务要素进行了约束，如式(2)至式(4)所示：
其中，为用户i的上车时刻；为用户i的下车时刻，pi为用户i的平均出行共乘人数，表征车厢拥挤度，pmax分别为用户可忍受的最大候车时间，最大乘车时间和最大拥挤度；
作为一个优选的实施例，响应式公交服务的输出具体包括：
输出响应式公交服务方案：包含车辆运行时刻表及用户搭乘车辆信息表两部分，车辆运行时刻表主要记录了各响应式服务公交到达的站点及到达站点的时刻；用户搭乘车辆信息表主要记录了不同用户与响应式服务公交之间的匹配信息，及预计的响应式公交服务时间。
作为一个优选的实施例，步骤S4中求得响应式公交的服务方案的具体步骤如下：
利用蚁群算法中关于局部感知信息和全局指引信息的架构思想，将服务求解策略分为短期策略η及长期策略τ，其策略设计方式分别如下：
对于短期策略η，其作用是为单辆公交车在当前站点及当下系统状态中，选择最为合适的下一公交站点，以k表示公交车当前站点，k*表示下一站点，根据短期策略即式(5)，计算公交车j在任意下一站点k*的表现。
其中，
Boardk*为站点k*的上车人数，通过需求端信息获得；
Alightk*为站点k*的下车人数，通过需求端信息获得；
Δtk，k*为公交车在站点k及k*间的行驶时间，由实测获得。
对于长期策略τ，其作用是结合以往公交车服务方案经验，为当下公交车生成服务方案提供支持的策略；对于以往每一辆服务的公交车，依据其车辆运营成本，在其所经过的站点区段上会留下成本信息，以指引后续公交车进行服务路线规划，计算方法如式(6)所示，表示公交车j从站点k开往站点k*的次数，为公交车j的运营总成本。
长短期策略的结合方法如式(7)所示，其中代表公交车j在站点k时，选择开往站点k*的概率，α为在每一次选择时长期策略τ的重要程度，β为在每一次选择时短期策略η的重要程度，通过公交车j就能够在站点k时，做出下一站点的行驶选择，直至最终完成服务。
实施例2
如图1～图5所示，在本实施例中，选择工作日早高峰时段(7:00-9:00)和平峰时段(14:00-16:00)，广州市大学城作为研究区域，该研究区域现有公交站点分布如图3所示。该时段内研究区域具有以下特点：①早高峰时期客流量稳定且有明显公交出行规律，大多为大学城内高校宿舍区往地铁站的公交出行；②平峰时期客流分布稀疏，公交出行随机，无明显出行特点；③大学城内交通情况较好，公交车可以按照较为理想的方式运营，受交通环境干扰小。
为了更好的比较本发明提出的方法的优势，将其与其他常用方法，包括遗传算法(GA)及模拟退火算法(SA)进行比较，对比在不同方法下，生成的响应式公交服务方案的运营指标，包括总运营成本、燃油成本、司机成本和车辆成本。此外，为了说明响应式公交服务较传统固定式公交服务的优势，将传统固定式公交服务的运营指标也纳入比较。
图4和图5分别展示了高峰时段和平峰时段内，各服务方案下的运营指标及各项子指标间的差异。在高峰时段中，可发现响应式公交服务方案，在总成本上均要小于传统固定式公交的服务方案，其中本发明生成的响应式公交服务方案总成本最小，相较传统方案下降约11.2％。
而在平峰时段，由于出行需求较高峰时段数量更低且分布稀疏，响应式服务方案具有更为显著的优势，由本发明方法、GA算法和SA算法生成的响应式服务方案较传统固定式的公交服务，总成本分别下降约30.6％、21.4％和23.6％。此外，本发明提出的方法能够充分利用每一辆公交车的行驶能力，在车辆成本指标上表现较其他算法有较明显优势。
综上所述，本发明提出的方法能够更好的服务于现实中响应式公交服务的规划，具有较明显的应用价值。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
参考文献
[1]马继辉，余明捷，涂文苑.定制公交线路开行方案研究[J].城市公共交通，2016(3)：31-37.
[2]何民，李沐轩，税文兵，等.考虑可靠性和舒适性要求的响应式定制公交线路设计[J].交通工程，2018(2).
[3]Amirgholy M，Gonzales E J.Demand responsive transit systems withtime-dependent demand：User equilibrium，system optimum，and management strategy[J].Transportation Research Part B，2016，92：234-252.
[4]沈昱，关函非.响应需求公交系统分析与实施要点研究[J].交通与运输 (学术版)，2010(2)：75-78.
[5]林叶倩，李文权，邱丰，等.可变线路式公交车辆调度优化模型[J].交通信息与安全，2012，30(5)：14-18.
[6]Quadrifoglioab L.Mobility allowance shuttle transit(MAST)services：MIP formulation and strengthening with logic constraints[J].European Journalof Operational Research，2008，185(2)：481-494.
[7]Cremers M L A G，Haneveld W K K，Vlerk M H V D.Atwo-stage model fora day-ahead paratransit planning problem[J].Electronic Notes in DiscreteMathematics，2006，25(2)：323-341.
Claims (8)
1.一种基于蚁群算法的响应式公交服务规划方法，其特征在于，包括以下步骤：
步骤S1：获取用户公交出行的需求数据；
步骤S2：基于需求数据构建响应式公交服务模型；
步骤S3：基于蚁群算法对响应式公交服务模型进行优化，得到响应式公交的服务方案；
步骤S4：根据响应式公交的服务方案求得响应式公交的服务方案的成本；
步骤S5：判断响应式公交的服务方案的成本是否收敛，若是，以该方案作为最优响应式公交服务方案进行输出，若否，重新调整蚁群算法，返回步骤S3。
2.根据权利要求1所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，步骤S1的具体步骤如下：
用户公交出行的需求数据包括用户ID、出行的起点站点、终点站点、出行需求发出的时刻及已等候服务的时间。
3.根据权利要求2所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，步骤S2的具体步骤如下：响应式公交服务模型将响应式公交服务中四大内容进行数学的抽象化描述，所述的四大内容包括：响应式公交服务的输入、输出、目标函数及约束条件。
4.根据权利要求3所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，获得响应式公交服务的输入的具体步骤如下：
搭建响应式公交服务的输入模型：根据步骤S1所获取到的户公交出行的需求数据；从中分别搜集用户ID、出行的起点站点、终点站点、出行需求发出的时刻及已等候服务的时间，并存储入后台数据库。
5.根据权利要求4所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，获得响应式公交服务的目标函数的具体步骤如下：
设计响应式公交服务模型的目标函数：在侧重考虑了运营成本的情况下，定义公交车每公里燃油成本Cf，其单位为元/公里，每公里司机人力成本Cd，其单位为元/公里，每公里车辆损耗成本，其单位为元/公里，将上述单位成本与公交服务里程相乘得到总运营成本，总运营成本的计算方法如式(1)所示，lj为第j辆公交服务里程，m为公交车数量；
6.根据权利要求5所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，求解响应式公交服务的约束条件具体步骤如下：
设计响应式公交服务的约束条件：利用三元组(oi,di,ti)表示用户i的上车站点，下车站点以及需求发出时刻，在运输服务的过程中，对相关服务要素进行了约束，如式(2)至式(4)所示：
其中，为用户i的上车时刻；为用户i的下车时刻，pi为用户i的平均出行共乘人数，表征车厢拥挤度，pmax分别为用户可忍受的最大候车时间，最大乘车时间和最大拥挤度。
7.根据权利要求6所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，响应式公交服务的输出具体包括：
输出响应式公交服务方案：包含车辆运行时刻表及用户搭乘车辆信息表两部分，车辆运行时刻表主要记录了各响应式服务公交到达的站点及到达站点的时刻；用户搭乘车辆信息表主要记录了不同用户与响应式服务公交之间的匹配信息，及预计的响应式公交服务时间。
8.根据权利要求7所述的一种基于蚁群算法的响应式公交服务规划方法，其特征在于，步骤S4中求得响应式公交的服务方案的具体步骤如下：
利用蚁群算法中关于局部感知信息和全局指引信息的架构思想，将服务求解策略分为短期策略η及长期策略τ，其策略设计方式分别如下：
对于短期策略η，其作用是为单辆公交车在当前站点及当下系统状态中，选择最为合适的下一公交站点，以k表示公交车当前站点，k*表示下一站点，根据短期策略即式(5)，计算公交车j在任意下一站点k*的表现：
其中，
Boardk*为站点k*的上车人数，通过需求端信息获得；
Alightk*为站点k*的下车人数，通过需求端信息获得；
Δtk,k*为公交车在站点k及k*间的行驶时间，由实测获得；
对于长期策略τ，其作用是结合以往公交车服务方案经验，为当下公交车生成服务方案提供支持的策略；对于以往每一辆服务的公交车，依据其车辆运营成本，在其所经过的站点区段上会留下成本信息，以指引后续公交车进行服务路线规划，计算方法如式(6)所示，表示公交车j从站点k开往站点k*的次数，为公交车j的运营总成本：
长短期策略的结合方法如式(7)所示，其中代表公交车j在站点k时，选择开往站点k*的概率，α为在每一次选择时长期策略τ的重要程度，β为在每一次选择时短期策略η的重要程度，通过公交车j就能够在站点k时，做出下一站点的行驶选择，直至最终完成服务
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678721.0A CN110598971B (zh) | 2019-07-25 | 2019-07-25 | 一种基于蚁群算法的响应式公交服务规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678721.0A CN110598971B (zh) | 2019-07-25 | 2019-07-25 | 一种基于蚁群算法的响应式公交服务规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110598971A true CN110598971A (zh) | 2019-12-20 |
| CN110598971B CN110598971B (zh) | 2023-06-13 |
Family
ID=68852891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910678721.0A Active CN110598971B (zh) | 2019-07-25 | 2019-07-25 | 一种基于蚁群算法的响应式公交服务规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598971B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508235A (zh) * | 2020-11-19 | 2021-03-16 | 北京清研宏达信息科技有限公司 | 一种基于蚁群算法的公交发车时间间隔优化方法 |
| CN113112849A (zh) * | 2021-03-25 | 2021-07-13 | 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 |
| CN116090785A (zh) * | 2023-02-21 | 2023-05-09 | 哈尔滨工业大学 | 针对大型活动散场场景两阶段的定制公交规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799981A (zh) * | 2010-02-09 | 2010-08-11 | 华南理工大学 | 多模式公共交通区域调度控制方法 |
| CN105808877A (zh) * | 2016-03-21 | 2016-07-27 | 南通大学 | 一种基于站点停靠能力的公交线网布设方法 |
| CN106228275A (zh) * | 2016-08-01 | 2016-12-14 | 广州星唯信息科技有限公司 | 基于蚁群算法定制公交线路的方法 |
| CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
| CN107564269A (zh) * | 2017-08-28 | 2018-01-09 | 华南理工大学 | 一种基于支付意愿的半灵活公交调度方法 |
| CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
| CN110084402A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
-
2019
- 2019-07-25 CN CN201910678721.0A patent/CN110598971B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799981A (zh) * | 2010-02-09 | 2010-08-11 | 华南理工大学 | 多模式公共交通区域调度控制方法 |
| CN105808877A (zh) * | 2016-03-21 | 2016-07-27 | 南通大学 | 一种基于站点停靠能力的公交线网布设方法 |
| CN106228275A (zh) * | 2016-08-01 | 2016-12-14 | 广州星唯信息科技有限公司 | 基于蚁群算法定制公交线路的方法 |
| CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
| CN107564269A (zh) * | 2017-08-28 | 2018-01-09 | 华南理工大学 | 一种基于支付意愿的半灵活公交调度方法 |
| CN109344529A (zh) * | 2018-10-22 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段启发式算法的定制公交线路设计方法 |
| CN110084402A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508235A (zh) * | 2020-11-19 | 2021-03-16 | 北京清研宏达信息科技有限公司 | 一种基于蚁群算法的公交发车时间间隔优化方法 |
| CN113112849A (zh) * | 2021-03-25 | 2021-07-13 | 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 |
| 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 |
| CN116090785A (zh) * | 2023-02-21 | 2023-05-09 | 哈尔滨工业大学 | 针对大型活动散场场景两阶段的定制公交规划方法 |
| CN116090785B (zh) * | 2023-02-21 | 2024-03-08 | 哈尔滨工业大学 | 针对大型活动散场场景两阶段的定制公交规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110598971B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cascetta et al. | A quality-based approach to public transportation planning: theory and a case study | |
| Ma et al. | Large‐scale demand driven design of a customized bus network: A methodological framework and Beijing case study | |
| Wang | Locating flow-recharging stations at tourist destinations to serve recreational travelers | |
| Li et al. | A dynamic simulation model of passenger flow distribution on schedule-based rail transit networks with train delays | |
| CN110598971A (zh) | 一种基于蚁群算法的响应式公交服务规划方法 | |
| Zhu et al. | The potential of ride-pooling in VKT reduction and its environmental implications | |
| I-Jy Chien | Optimization of headway, vehicle size and route choice for minimum cost feeder service | |
| Häll et al. | A modeling system for simulation of dial-a-ride services | |
| Shen et al. | Public transit planning and scheduling based on AVL data in China | |
| Deng et al. | Evaluating route and frequency design of bus lines based on data envelopment analysis with network epsilon-based measures | |
| Wei et al. | Optimal integrated model for feeder transit route design and frequency‐setting problem with stop selection | |
| Jeong | An optimal approach for a set covering version of the refueling-station location problem and its application to a diffusion model | |
| Nash et al. | Key research themes on regulation, pricing, and sustainable urban mobility | |
| Yu et al. | Research on High‐Speed Railway Freight Train Organization Method considering Different Transportation Product Demands | |
| Zou et al. | Research on assessment methods for urban public transport development in China | |
| Feng et al. | Choices of intercity multimodal passenger travel modes | |
| Wang et al. | A simulation-based metro train scheduling optimization incorporating multimodal coordination and flexible routing plans | |
| Hu et al. | Integrated optimization of multi‐vehicle‐type timetabling and scheduling to accommodate periodic passenger flow | |
| Lin et al. | Bus frequency optimisation considering user behaviour based on mobile bus applications | |
| Yue et al. | Estimation markov decision process of multimodal trip chain between integrated transportation hubs in urban agglomeration based on generalized cost | |
| Hao et al. | Max-min ant system for bus transit multi-depot vehicle scheduling problem with route time constraints | |
| Feng et al. | Optimization of traffic demand management policy in China: towards a sustainable mode split | |
| Guasch et al. | Simulation analysis of a dynamic ridesharing model | |
| Li et al. | Assessing the financial and social costs of public transport in differing operating environments and with endogenous demand | |
| Kumazawa et al. | A novel train rescheduling algorithm for correcting disrupted train operations in a dense urban environment |
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 |