CN111340406B - 基于od客流的公交动态编排模型的实现方法及系统 - Google Patents

基于od客流的公交动态编排模型的实现方法及系统 Download PDF

Info

Publication number
CN111340406B
CN111340406B CN202010440704.6A CN202010440704A CN111340406B CN 111340406 B CN111340406 B CN 111340406B CN 202010440704 A CN202010440704 A CN 202010440704A CN 111340406 B CN111340406 B CN 111340406B
Authority
CN
China
Prior art keywords
time
vehicle
shift
passenger flow
line
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.)
Active
Application number
CN202010440704.6A
Other languages
English (en)
Other versions
CN111340406A (zh
Inventor
陈欢
罗建平
欧勇辉
翁健
林德勇
黄钦炎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Jiaoxin Investment Technology Co Ltd
Original Assignee
Guangzhou Jiaoxin Investment Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Jiaoxin Investment Technology Co Ltd filed Critical Guangzhou Jiaoxin Investment Technology Co Ltd
Priority to CN202010440704.6A priority Critical patent/CN111340406B/zh
Publication of CN111340406A publication Critical patent/CN111340406A/zh
Application granted granted Critical
Publication of CN111340406B publication Critical patent/CN111340406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063118—Staff planning in a project environment
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了基于OD客流的公交动态编排模型的实现方法及系统，方法包括：设计初始排班模型，排班模型筛选，输出最优的多个排班模型供用户选择。能够动态调整每天的排班情况，做到效率最大化，在满足乘客需求的情况下节约企业成本。基础数据、设定的约束条件等种类更丰富、更真实，含有多种动态基础数据，考虑更多的实际因素以及实时情况，动态生成时效性、精确性均更高的排班结果。对配车数量最高时段是否在早高峰进行验证，能够及时验证排班模型是否符合实际并进行相应调整，提高初始排班的准确率，避免不符合实际情况的排班模型进入后续调整和优化流程。引入惩罚函数，更贴合企业实际情况，防止异常数据干扰最优排班方案的筛选。

Description

基于OD客流的公交动态编排模型的实现方法及系统
技术领域
本发明涉及智能交通技术领域，具体而言，涉及基于OD客流的公交动态编排模型的实现方法及系统。
背景技术
随着城市经济的快速发展，公交车系统对于人们的出行扮演着越来越重要的角色。在公交车资源有限的情况下，合理的编排公交车的行车计划成为公交公司亟待解决的问题。
现有技术中，传统的公交排班方式为人工排班。其中，人工排班相对比较固定，一般1-3个月或更长时间才更新一次，并且只有一两张排班表。对于调度来说该排班表只能作为参考，实际调度过程中仍靠经验调度。排班依靠经验所得的排班时刻表；人为影响因素大，并且不能根据客流情况动态变化。
随着技术的发展，现有技术中出现了自动排班，而现有技术中的公交自动排班研究是在现有发班时刻表或按照一定方法，结合历史数据及估算的变化因子，计算发班时刻表后在进行车辆配置。实际上，城市公交运营环境由于站点多、车辆多、乘客多且复杂，且考虑因素复杂多变。现有的基于算法、优化等生成的发班时刻表多以经验或历史数据进行配置、计算，考虑因素单一，难以根据变化动态调整，导致脱离实际，缺乏合理性，无法真实反映企业公交车运营情况。且现有技术中没有一套系统的、合理的评价方法用于评价排班结果是否合理，导致现有的自动排班方法均与真实运营情况不符合。
因此，缺乏一种能够根据真实运营情况，对公交进行合理排班的方案。
发明内容
为了克服现有技术的不足，本发明提供了基于OD客流的公交动态编排模型的实现方法及系统，具体技术方案如下所示：
一种基于OD客流的公交动态编排模型的实现方法，包括以下步骤：
S1：设计初始排班模型
S11：设定所述排班模型的约束条件；
S12：构建初始排班模型，具体步骤包括：
S121：获取基础数据，其中，所述基础数据包括静态基础数据和动态基础数据，所述静态基础数据包括线路起始终止时间、线路站点信息、线路站间里程、车身容量、时段满载率，所述动态基础数据包括时段站台车内断面客流、周转时间、客流高断面、高断面客流计算、时段发班班次和发班间隔计算、配车数计算预测值；
S122：根据所述基础数据计算时段站台车内断面客流；S123：根据时段客流计算上下行时段发班班次；S124：计算上下行时段配车数；S125：判断配车数量最高时段是否在早高峰，若为是，执行S127；若为否，则加密早高峰时段满载率最高的时段班次，并返回步骤S123；S126：预计总配车数；S127：生成预发车时刻表；S128：根据预发车时刻表和所述约束条件进行车辆排班；S129：生成初始排班结果表；
S2：排班模型筛选
S21：计算乘客等车成本和公交运行成本，构建目标函数：
Figure GDA0002586894740000021
其中，α、β为权重系数，α+β＝1，minC为最小总成本，Cp为乘客等车成本，Ce为公交运营成本，Cup为上行乘客等车成本，Cdp为下行乘客等车成本，Cue为上行公交运营成本，Cde为下行公交运营成本，
Figure GDA0002586894740000022
为空程运营成本；
S22：如果算出客流大于单车最大满载率客流，则往所述目标函数中引入惩罚函数，将乘客候车成本按照客流比例成倍增长，即：
Figure GDA0002586894740000023
然后将公式一中的Cp替换为公式二中的Cpp；
其中，Cpp表示调整后的乘客等车成本，O表示车辆最大容量，
Figure GDA0002586894740000024
表示J站点S时段断面客流；
S23：调整所述静态基础数据和所述动态基础数据中的各因子，利用多目标优化算法最终计算出在所述目标函数下最优的多个排班模型；
S3：输出最优的多个排班模型供用户选择。
在一个具体的实施例中，所述约束条件包括：
(1)每个线路包括多个发车站点，公交车辆类型包括双班车、单班车，班次类型包括全程、短线、快线、短线快线、区间短线、区间快线；
(2)司机的每天工作时间T<规定的最长工作时间△T，每天的行驶时间T’<规定的最长的行驶时间△T’；
(3)车辆当前行程的开始时间ttrip(i)>上一个行程的结束时间ttrip(i-1)，i＝(1，2，3，……n)；
(4)车辆在连续两个班次之间必须有间隔时间，间隔时间不能超过最大阈值和最小阀值：tmin<ttrip(i)-ttrip(i-1)<tmax；
(5)车辆行向上当前车辆的开始时间与车辆行向上上一趟班次车辆开始时间的差值不能超过最大阈值和最小阀值：Tmin<t(i)-t(i-1)<Tmax；
(6)排班方案应能满足乘客服务需求，需要根据客流合理配置发班班次；
(7)每个司机在一天内分配的行程数量应比较均匀；
(8)头车和尾车发班时间固定；
(9)所有车辆有最晚出车时间；
(10)当前车辆发班间隔需根据前后车辆合理计算，发班尽可能均匀；
(11)车辆在哪个站出车就尽量在哪个站收车，防止空程反收；
(12)在保障最低服务标准的情况下安排多于运力的车辆收车；
(13)如果客流存在不连续出行，设置发短线、区间线或快线班次。
在一个具体的实施例中，步骤S122中所述时段站台车内断面客流的计算方法包括：以过去预设月份车内客流为基准，按星期数据维度，以预设分钟为粒度进行统计，以站台为研究对象，将每天时段经过该站台的所有车辆的车内人数求和，然后再求平均即可计算出时段站台车内断面客流。
在一个具体的实施例中，步骤S123中上下行时段发班班次的计算方法包括：
(1)生成长线班次数
S1231：获取高断面通过班次，高断面通过班次＝高断面客流通过量/(车辆核载人数*满载率)；
S1232：查找高断面站点后面连续5站满载率低于30％的站点，则在第一个低于30％的站点后搜索客流通过量最大的站点，得到长线班次数：
长线班次数＝客流通过量最大的站点的客流/(车辆核载人数*满载率)；
S1233：计算时段长线发班数＝max(客流应发长线班次，最低发班标准)；
(2)生成短线班次数
S1233：在客流高端面站点后的连续5个站点低于30％的第1个站点作为调头的初始站点(L站)，搜索第一个预设可调头的站点，得到短线班次数为：
短线班次数＝高断面通过班次-时段长线发班数；
和/或，步骤S124中计算上下行时段配车数的方法包括：S1241：计算周转时间＝上行运行时间+上行停站时间+下行运行时间+下行停站时间；S1242：计算配车数＝周转时间内班次数之和；
和/或，步骤S127中生成预发车时刻表的方法包括：根据半小时班次数生成发班时刻表，先生成长线班次的时间表，然后短线班次安排在长线班次之前。
在一个具体的实施例中，其中，步骤S128具体方法包括：
S1281：建立上行发车时刻表队列、下行发车时刻表队列、上行车辆队列、下行车辆队列，上行发车时刻表队列从下行车辆队列取车配班、下行发车时刻表队列从上行车辆队列取车配班；
S1282：从上行时段发车时刻表队列中取出一个发车时刻，如果不可以去则改时段发车排班完毕，进入下行时段，重新从下行时段发车时刻表队列中取出一个发车时刻，判断是否可以去，下行时段计算完毕，进入上行时段；如果可以取出发车时刻，则进入S1283；
S1283：从下行车辆队列中取车，如果可以取车，进入S1284；如没有车，则进入S1285；
S1284：判断车辆是否可以在发表时刻点之前到总站；如果不行，转到S1285；
S1285：新加入一辆车；
S1286：确定班次类型，确定班次为长线、短线、快线、还是区间线路；
S1287：判断是否需要单班中停，如果满足单班中停条件则安排车辆中停；进入S1288，如果不行则进行拉位；
S1288：进行收车判断，如果车辆到总站后超过收车时间则进行收车操作，收车包括单班收车和双班收车；如果是单班收车，则直接进入S1289；如果是双班车到达收车时间则判断后续车辆是否会断位，如果不会断位则收车，如果会则拉位；在保证不断位的前提下，为避免不同车辆工时相差较大，优先安排出场时间早的双班车提前收车；
S1289：计算时段方向上营运车辆队列中车辆减少；
S12810：如果到达总站时间在吃饭时间点范围，则安排吃饭；根据车辆CAN数据获取车辆实时电量或油汽量，然后估算车辆是否需要安排补电；吃饭、车辆补电、加油加气均需要延长车辆休息时长；
S12811：末班车处理，如果到站车的最早发班时间第一次大于末班车时间，则把前一台车的最早发班时间延后到末班车时间，提前拉大最后几班的发班间隔；
S12812：班车车辆完成一个发班班次，重新进行S1281，直到时段发车时刻排班完成。
在一个具体的实施例中，步骤S1286之前进行动态发班时刻计算：按照上一班车的发班时间和最近3台即将到站的车辆的最早发班时间来计算当前车辆的最优发班时间，其中，发班间隔＝(最早发班时间-上一班发班时间)/车辆数。
在一个具体的实施例中，步骤S1286中短线类型设置方法包括：
(1)计算该时段内高客流方向总站开出车辆在各站的满载率，判断是否有连续站点的车辆平均满载率k低于预设值b，如有，分别计算上下行低满载的站点数占线路相应行向全部站点的占比a1和a2，若a1或a2超过极限值a，则设置区间线、短线或两端短线；
(2)若上下行低满载的站点分布在线路两端，则设置区间线；若上下行低满载的站点分布在线路一端，则设置短线；若上下行低满载的站点分布在线路中端，则设置两端短线；
和/或，步骤S1286中快线类型设置方法包括：
(1)计算该时段内高客流方向总站开出车辆在各站的上下客人数，判断在客流高断面前后是否有几个站点的上下客量d1大于该行向所有站点的平均上下客量d2的预设倍数d倍，如是，则设置快线；
(2)若低上下客量的站点分布在线路中间及一端，则设置短线快车；若低上下客量的站点分布在线路中间及两端，则设置区间快车；若低上下客量的站点分布无规律，则设置全程快车。
在一个具体的实施例中，步骤S21中Cup的计算方法包括：
Figure GDA0002586894740000051
步骤S21中Cdp的计算方法包括：
Figure GDA0002586894740000061
步骤S21中Cue的计算方法包括：
Figure GDA0002586894740000062
步骤S21中Cde的计算方法包括：
Figure GDA0002586894740000063
步骤S21中
Figure GDA0002586894740000064
的计算方法包括：
Figure GDA0002586894740000065
其中，将公式三、公式四、公式五、公式六、公式七带入到公式一种求解得到minC；
其中，u表示上行，d表示下行，tui表示上行第i趟车发车时刻；tdi表示下行第i趟车发车时刻；t’表示时段长度；
Figure GDA0002586894740000066
表示上行第sui时段客流量；sui表示上行第i班次发车时刻所在的时段序号；
Figure GDA0002586894740000067
表示下行第sdi时段客流量；sdi表示下行第i班次发车时刻所在的时段序号，S＝{0，1，2，3，4，5.....，47}，si表示第i班次发车时刻所在的时段序号，
Figure GDA0002586894740000071
Figure GDA0002586894740000072
表示候车时长为发班间隔的一半，n表示一个行向一天所有班次数，m表示一个行向上的站点数；O表示车辆最大容量，
Figure GDA0002586894740000073
表示J站点S时段断面客流，Lui表示上行第i趟班次的行驶里程，Ldi表示下行第i趟班次的行驶里程，ue企业营运单位成本，单位：元/公里，p表示线路票价，一般为两元；qus表示上行时段客流，Lh表示第h趟空程的里程，qds表示下行时段客流，
其中，
Figure GDA0002586894740000074
其中，qus′表示上行时中间段客流，qds′表示下行时中间段客流。
在一个具体的实施例中，步骤S23中的多目标优化算法包括遗传算法、模拟退火算法、神经网络算法。
一种基于OD客流的公交动态编排模型的系统，用于执行前述任一实施例所述的基于OD客流的公交动态编排模型的实现方法，包括：
数据采集模块，所述数据采集模块包括摄像头、光电传感器、生物感应器中的一种或多种，用于检测和统计断面客流；所述数据采集模块还包括网络传输单元、数据输入单元、扫描单元中的一种或多种，用于获取车辆信息和站点信息；
处理器，用于执行构建初始排班模型，以及用于执行排班模型筛选；
人机界面，用于输出在所述目标函数下最优的多个排班模型供用户选择；
存储器，用于存储所述数据采集模块、所述处理器和所述人机界面生成的数据；
数据传输模块，用于在各模块之间提供数据传输。
本发明至少具有以下有益效果：
本发明中，基于OD客流数据，动态调整每天的排班情况，可以做到效率最大化，在满足乘客需求的情况下节约企业成本。且获取的基础数据、设定的约束条件等种类更丰富、更真实，且基础数据中含有多种动态基础数据，使得控制方法中考虑更多的实际因素以及更多的实时情况，与公交企业实际运营情况更接近，便于动态生成时效性、精确性均更高的排班结果。且在构建初始排班模型时，对配车数量最高时段是否在早高峰进行验证，能够及时验证排班模型是否符合实际并进行相应调整，提高初始排班的准确率，避免不符合实际情况的排班模型进入后续调整和优化流程。进一步地，本发明中在进行班次计算时的流程控制更加动态实时，且具有多次异常判断与处理，与实际情况更接近。
而且，与现有技术中单纯通过优化算法迭代求解相比，本发明中往目标函数中引入惩罚函数，进一步贴合企业实际情况，防止异常数据干扰最优排班方案的筛选。
进一步地，本发明中乘客等车总成本和企业运营总成本的计算方法更加精确；
进一步地，一次可产生多个排班结果供企业选择。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1是实施例中控制方法的总体流程图；
图2是实施例中步骤S12的流程图；
图3是实施例中短线和区间线的控制流程图；
图4是实施例中快线的控制流程图；
图5是实施例中基于遗传算法的筛选流程图；
图6是实施例中控制系统的示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些特征会有省略、放大或缩小，并不代表实际产品的尺寸；对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。
实施例
如图1-图5所示，本实施例提供一种基于OD客流的公交动态编排模型的实现方法，包括以下步骤：
S1：设计初始排班模型
S11：设定排班模型的约束条件。
具体地，约束条件包括：
每个线路包括多个发车站点，公交车辆类型包括双班车、单班车，班次类型包括全程、短线、快线、短线快线、区间短线、区间快线；
司机的每天工作时间T<规定的最长工作时间△T，每天的行驶时间T’<规定的最长的行驶时间△T’；
车辆当前行程的开始时间ttrip(i)>上一个行程的结束时间ttrip(i-1)，i＝(1，2，3，……n)；
车辆在连续两个班次之间必须有间隔时间，间隔时间不能超过最大阈值和最小阀值：tmin<ttrip(i)-ttrip(i-1)<tmax；
车辆行向上当前车辆的开始时间与车辆行向上上一趟班次车辆开始时间的差值不能超过最大阈值和最小阀值：Tmin<t(i)-t(i-1)<Tmax；
排班方案应能满足乘客服务需求，需要根据客流合理配置发班班次；
每个司机在一天内分配的行程数量应比较均匀；
头车和尾车发班时间固定；
所有车辆有最晚出车时间；
当前车辆发班间隔需根据前后车辆合理计算，发班尽可能均匀；
车辆在哪个站出车就尽量在哪个站收车，防止空程反收；
在保障最低服务标准的情况下安排多于运力的车辆收车；
如果客流存在不连续出行，设置发短线、区间线或快线班次。
S12：构建初始排班模型，具体步骤包括：
S121：获取基础数据，其中，基础数据包括静态基础数据和动态基础数据，静态基础数据包括线路起始终止时间、线路站点信息、线路站间里程、车身容量、时段满载率，动态基础数据包括时段站台车内断面客流、周转时间、客流高断面、高断面客流计算、时段发班班次和发班间隔计算、配车数计算预测值。
其中，OD客流指起终点间的客流，可通过断面客流进行体现。
由于基础数据既包括静态基础数据，又包括动态基础数据，且静态基础数据和动态基础数据种类更多，因而当将基础数据应用于构建初始排班模型及排班模型筛选时，结果能更准确、更真实反映公交企业实际情况。
S122：根据基础数据计算时段站台车内断面客流。
其中，单辆车车内客流计算：基于公交OD数据，计算各个车辆单个行程的各个站点上客和下客人数，按线路行向站序分别对途径的所有站点依次计算车辆离站后车内人数。具体地，站点的车内客流＝上一站的车内人数+当前上车人数-当前站的下车人数。例如，以过去两个月车内客流为基准，按星期数据维度，以30分钟为粒度进行统计，以站台为研究对象，将每天时段经过该站台的所有车辆的车内人数求和，然后再求平均即可计算出时段站台车内断面客流。如A线路过去4周周一的6:00-6:30的B站车内人数为180、185、175、180，则该时段该站台的客流通过量为180人。
S123：根据时段客流计算上下行时段发班班次。具体地，步骤S123中上下行时段发班班次的计算方法包括：
(1)生成长线班次数
S1231：获取高断面通过班次，高断面通过班次＝高断面客流通过量/(车辆核载人数*满载率)；
S1232：查找高断面站点后面连续K站满载率低于30％的站点，则在第一个低于30％的站点L站后搜索客流通过量最大的站点N站，得到长线班次数：长线班次数＝N站客流/(车辆核载人数*满载率)。
例如，按半小时客流通过量计算通过高断面班次数，如07:00-07:30高断面客流通过量380人，车辆核载人数100人，时段满载率设90％，则通过高断面班次为：380/(100*0.9)＝5。然后查找高断面站点后面连续5站满载率低于30％的站点(即时段客流通过量<150人)，如A：380，B：347……K:153，L:140，M136，N:141，O:123，P:108，则在第一个低于30％的站点(L站)后搜索客流通过量最大的站点(N站)，得到客流应发长线班次：141/(100*0.5)＝3。
其中，低客流站点根据经验值设置满载率为50％。
其中，时段长线发班数取客流应发长线班次和最低发班标准的最大值，即：时段长线发班数＝max(客流应发长线班次，最低发班标准)。如最低发班标准设置07:00-08:00为8班，则该时段长线发班数为4班；如最低发班标准设置07:00-08:00为4班，则该时段长线发班数为3班。
(2)生成短线班次数
S1233：在客流高端面站点后的连续5个站点低于30％的第1个站点作为调头的初始站点(L站)，搜索第一个预设可调头的站点N站，得到短线班次数为：短线班次数＝高断面通过班次-时段长线发班数。如，在客流高端面站点后的连续5个站点低于30％的第1个站点作为调头的初始站点(L站)，搜索第一个预设可调头的站点，如N站和其它站P站都可调头，则短线在N站调头，短线班次为：5-4＝1。
S124：计算上下行时段配车数。其中，步骤S124中计算上下行时段配车数的方法包括：S1241：计算周转时间＝上行运行时间+上行停站时间+下行运行时间+下行停站时间；S1242：计算配车数＝周转时间内班次数之和。
如线路A上行在07:00-07:30发5班，07:30-08:00发4班，08:00-08:30发4班，08:30-09:00发3班，上行发运行时间为50分钟，下行运行时间为40分钟，停站时间为6分钟，则：时段周转时间＝50+6+40+6＝102分钟，时段配车数＝5+4+4+(102-90)*3/30＝15。
S125：判断配车数量最高时段是否在早高峰，若为是，则执行S126；若为否，则加密早高峰时段满载率最高的时段班次，并返回步骤S123。
S126：预计总配车数。其中，预计需要的配车数＝max(时段配车数)。即首先计算时段配车数，在线路运营时间内，按周转时间和发班数，计算整点、半点的配车数。在计算线路各时段配车数时，不同时段可能配车数会出现不一致，为满足全天的发班班次需要，早上出场车辆数需达到全天的最大配车数，所以如果早高峰出车数达不到全天的最大配车数，需加密早高峰的发班班次，以便有足够的车辆满足发班要求。根据各时段高峰断面客流通过量和发班数，计算得到各时段的高峰断面满载率，在满载率最高的时段增加一个班次，重新进行早高峰时段排班，直到早高峰出场车辆数达到全天最大配车数。
S127：生成预发车时刻表。步骤S127中生成预发车时刻表的方法包括：根据半小时班次数生成发班时刻表，先生成长线的时间表，然后短线安排在长线之前。如07:00-07:30发3班、短线1班，07:30-08:00发2班，则发班时刻表为07:00、07:06(短)、07:12、07:24、07:36、07:48。
S128：根据预发车时刻表和约束条件进行车辆排班。车辆排班按照上下行进行分开排班，对上下行按时段进行依次错位排班，加上线路开始营运时间为6:00-22:00，则先排上行6:00-6:30，然后在排下行6:00-6:30,然后排上行6:30-7:00，以此类推，直到排完所有时刻表位置。
其中，步骤S128具体方法包括：
S1281：建立上行发车时刻表队列、下行发车时刻表队列、上行车辆队列、下行车辆队列，上行发车时刻表队列从下行车辆队列取车配班、下行发车时刻表队列从上行车辆队列取车配班。
S1282：从上行时段发车时刻表队列中取出一个发车时刻，如果不可以去则改时段发车排班完毕，进入下行时段，重新从下行时段发车时刻表队列中取出一个发车时刻，判断是否可以去，下行时段计算完毕，进入上行时段；如果可以取出发车时刻，则进入S1283。
S1283：从下行车辆队列中取车，如果可以取车，进入S1284；如没有车，则进入S1285。
S1284：判断车辆是否可以在发表时刻点之前到总站；如果不行，转到S1285。
S1285：新加入一辆车。
S1286：确定班次类型，确定班次为长线、短线、快线、还是区间线路。
S1287：判断是否需要单班中停，如果满足单班中停条件则安排车辆中停；进入S1288，如果不行则进行拉位。
S1288：进行收车判断，如果车辆到总站后超过收车时间则进行收车操作，收车包括单班收车和双班收车；如果是单班收车，则直接进入S1289；如果是双班车到达收车时间则判断后续车辆是否会断位，如果不会断位则收车，如果会则拉位；在保证不断位的前提下，为避免不同车辆工时相差较大，优先安排出场时间早的双班车提前收车。
S1289：计算时段方向上营运车辆队列中车辆减少。
S12810：如果到达总站时间在吃饭时间点范围，则安排吃饭；根据车辆CAN数据获取车辆实时电量或油汽量，然后估算车辆是否需要安排补电；吃饭、车辆补电、加油加气均需要延长车辆休息时长。具体地，司机吃饭、车辆补电、加油加气等判断，如果到达总站时间在吃饭时间点范围，则安排吃饭；根据车辆CAN数据获取车辆实时电量或油汽量，然后估算车辆是否需要安排补电；吃饭、车辆补电、加油加气均需要延长车辆休息时长。
S12811：末班车处理，如果到站车的最早发班时间第一次大于末班车时间，则把前一台车的最早发班时间延后到末班车时间，提前拉大最后几班的发班间隔。由此，保障车辆能准点收班，以及避免前面发班太紧造成最后一班断位。
S12812：班车车辆完成一个发班班次，重新进行S1281，直到时段发车时刻排班完成。
优选地，步骤S1286之前进行动态发班时刻计算：按照上一班车的发班时间和最近3台即将到站的车辆的最早发班时间来计算当前车辆的最优发班时间，其中，发班间隔＝(最早发班时间-上一班发班时间)/车辆数。
如果按照发班时刻表执行，会造成高峰时段停站时间过长，影响线路运营效率，所以需要动态调整发班时间，以加快车辆的轮转。系统按照上一班车的发班时间和最近3台即将到站的车辆的最早发班时间来计算当前车辆的最优发班时间，如上一班车A发班时间为07:00，当前车辆B的到站时间为07:06最近3台车的到站时间分别为C:07:12、D:07:22、E:07:32，最小停站时间为5分钟，则分别计算最近3台车的理想均匀发班间隔：发班间隔C＝(07:12+5min-07:00)/2＝9min，发班间隔D＝(07:22+5min-07:00)/3＝9min，发班间隔E＝(07:34+5min-07:00)/4＝10min。
选择最大的发班间隔10min作为B车的发班间隔，即B车发班时间为07:10，但由于B车到站时间为07:06，加上最少停站时间5分钟，最早发班时间为07:11，所以B车的发班时间为07:11。
步骤S1286中短线类型设置方法包括：
(1)计算该时段内高客流方向总站开出车辆在各站的满载率，判断是否有连续站点的车辆平均满载率k低于预设值b，如有，分别计算上下行低满载的站点数占线路相应行向全部站点的占比a1和a2，若a1或a2超过极限值a，则设置区间线、短线或两端短线；
(2)若上下行低满载的站点分布在线路两端，则设置区间线；若上下行低满载的站点分布在线路一端，则设置短线；若上下行低满载的站点分布在线路中端，则设置两端短线；
和/或，步骤S1286中快线类型设置方法包括：
(1)计算该时段内高客流方向总站开出车辆在各站的上下客人数，判断在客流高断面前后是否有几个站点的上下客量d1大于该行向所有站点的平均上下客量d2的预设倍数d倍，如是，则设置快线；
(2)若低上下客量的站点分布在线路中间及一端，则设置短线快车；若低上下客量的站点分布在线路中间及两端，则设置区间快车；若低上下客量的站点分布无规律，则设置全程快车。
S129：生成初始排班结果表。
为了提高服务质量，且同时节省企业运行成本，本实施例提供了以下排班模型筛选方法。
S2：排班模型筛选
S21：计算乘客等车成本和公交运行成本，构建目标函数：
Figure GDA0002586894740000131
其中，α、β为权重系数，α+β＝1，minC为最小总成本，Cp为乘客等车成本，Ce为公交运营成本，Cup为上行乘客等车成本，Cdp为下行乘客等车成本，Cue为上行公交运营成本，Cde为下行公交运营成本，
Figure GDA0002586894740000132
为空程运营成本；
S22：如果算出客流大于单车最大满载率客流，则往所述目标函数中引入惩罚函数，将乘客候车成本按照客流比例成倍增长，即：
Figure GDA0002586894740000141
然后将公式一中的Cp替换为公式二中的Cpp；
其中，Cpp表示调整后的乘客等车成本，O表示车辆最大容量，
Figure GDA0002586894740000142
表示J站点S时段断面客流；
S23：调整所述静态基础数据和所述动态基础数据中的各因子，利用多目标优化算法最终计算出在所述目标函数下最优的多个排班模型。
假设1：乘客候车单位成本：up，单位元/分钟，政府补贴单位成本：us，单位元/公里，企业营运单位成本：ue，单位元/公里。
因此，乘客成本：Cp＝候车时间T*社会单位平均工资up；
企业成本：Ce＝运营成本-财政补贴收入-票价收入
假设发车最小粒度到分钟，定义ui为从上行发出的车的第i趟车，该类车一直跑上行，di为从下行发出的车的第i趟车，该类车一直跑下行。
上行乘客成本:
Figure GDA0002586894740000143
下行乘客成本:
Figure GDA0002586894740000144
puij表示上行第i车到达j站时，j站候车乘客数量；Pdij表示下行第i车到达j站时，j站候车乘客数量；u表示上行，d表示下行，tui表示上行第i趟车发车时刻；t′表示时段长度，如30分钟，那么12表示6:00，13表示6:30；
Figure GDA0002586894740000145
表示上行第s时段客流量；usi表示上行第i班次时刻所在的时段序号，si表示第i班次发车时刻所在的时段序号，s＝{0，1，2，3，4，5.....，47}，
Figure GDA0002586894740000151
为了客流计算的准确性，考虑上下两趟次跨时段分开计算客流，单班跨多时间段客流量＝第一段客流+中间N段客流+最后一段客流。
上行：
Figure GDA0002586894740000152
下行：
Figure GDA0002586894740000153
中间段：
Figure GDA0002586894740000154
基于前述具体方法，可以得到步骤S21中Cup的计算方法包括：
Figure GDA0002586894740000155
以及，可以得到步骤S21中Cdp的计算方法包括：
Figure GDA0002586894740000156
本实施例中，企业成本＝运营成本-财政补贴收入-票价收入。企业运营成本包括运营成本，财政投入成本，票价收入，由于空程里程不计入补贴范围，因此，运营成本包括载客运营成和空程运营成本。
由此，步骤S21中Cue的计算方法包括：
Figure GDA0002586894740000161
以及，步骤S21中Cde的计算方法包括：
Figure GDA0002586894740000162
空程需要加上空程成本，空程不能获取财政营运补贴。空程成本即车辆运营成本：
由此，步骤S21中
Figure GDA0002586894740000163
的计算方法包括：
Figure GDA0002586894740000164
其中，将公式三、公式四、公式五、公式六、公式七带入到公式一种求解得到minC；
其中，Tmin为最小发班间隔，Tmax为最大发班间隔，u表示上行，d表示下行，tui表示上行第i趟车发车时刻；tdi表示下行第i趟车发车时刻；t’表示时段长度；
Figure GDA0002586894740000165
表示上行第Sui时段客流量；Sui表示上行第i班次发车时刻所在的时段序号；
Figure GDA0002586894740000166
表示下行第sdi时段客流量；sdi表示下行第i班次发车时刻所在的时段序号，S＝{0，1，2，3，4，5.....，47}，
Figure GDA0002586894740000167
Figure GDA0002586894740000168
表示候车时长为发班间隔的一半，n表示一个行向一天所有班次数，m表示一个行向上的站点数；O表示车辆最大容量，
Figure GDA0002586894740000169
表示J站点S时段断面客流，Lui表示上行第i趟班次的行驶里程，Ldi表示上行第i趟班次的行驶里程，ue企业营运单位成本，us企业单位补贴收入，单位：元/公里，p表示线路票价，一般为两元；qus表示上行时段客流，Lh表示第h趟空程的里程，qds表示下行时段客流，其中，qus′表示上行时中间段客流，qds′表示下行时中间段客流。
本实施例中，步骤S23中的多目标优化算法包括遗传算法、模拟退火算法、神经网络算法。以上多种算法，可分别使用或组合使用。
其中，以遗传算法为例。遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其目标就是在这些变量的范围内对这些变量进行取值，组合，构造出最优的解，使用遗传算法求解问题的一个重要前提是构造出可以评价解的优劣程度的适应度函数，它反映了个体对环境的适应性。
在本实施例中，影响线路排班结果的因素有很多，总结起来包括两大类：(1)线路基本数据，一般指相对固定，不易改变的数据：如上下行开始结束营运时间、吃饭方向、午餐开始时间、晚餐开始时间、车身容量、车辆数、车辆数(上下行行首轮发车数)、客流、断位时间；(2)可变数据：上下行收班开始时间、司机最大工作时长、上行首轮发车截止时间、吃饭时长、上行最小停站时间、车辆在站最大停靠时长、最大发班间隔、单班中停开始时间、单班中停复行时间、客流、高峰满载率、平峰满载率。
由于对可变类影响因素进行微调后便可能生成不同的排班表，可变数据是影响一天一条线路排班的关键，将所有涉及的影响因子转换为整数，如果6:00可以用360表示，则：
Figure GDA0002586894740000171
采用遗传算法进行最优排班筛选，假设一条线路在不用因素下的的一次排班为一个完整的个体，个体由一个基因序生成，一个完整排班由车辆数、单班车数量、双班车数量、营运时间、单班营运时长等组成。基因有动态可变影响因素组成，通过选择、交叉和变异等遗传操作最终计算出在排班评价模型下最优的多个排班模型，并将排班最优排班表和相关指标保存。
S3：输出最优的多个排班模型供用户选择。
如图6所示，本实施例还提供了一种基于OD客流的公交动态排班控制系统，用于执行前述任一实施例的基于OD客流的公交动态编排模型的实现方法，包括：
数据采集模块，数据采集模块包括摄像头、光电传感器、生物感应器中的一种或多种，用于检测和统计断面客流；数据采集模块还包括网络传输单元、数据输入单元、扫描单元中的一种或多种，用于获取车辆信息和站点信息；
处理器，用于执行构建初始排班模型，以及用于执行排班模型筛选；
人机界面，用于输出在目标函数下最优的多个排班模型供用户选择；
存储器，用于存储数据采集模块、处理器和人机界面生成的数据；
数据传输模块，用于在各模块之间提供数据传输。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (9)

1.一种基于OD客流的公交动态编排模型的实现方法，其特征在于，包括以下步骤：
S1：设计初始排班模型
S11：设定所述排班模型的约束条件；
S12：构建初始排班模型，具体步骤包括：
S121：获取基础数据，其中，所述基础数据包括静态基础数据和动态基础数据，所述静态基础数据包括线路起始终止时间、线路站点信息、线路站间里程、车身容量、时段满载率，所述动态基础数据包括时段站台车内断面客流、周转时间、客流高断面、高断面客流计算、时段发班班次和发班间隔计算、配车数计算预测值；
S122：根据所述基础数据计算时段站台车内断面客流；S123：根据时段客流计算上下行时段发班班次；S124：计算上下行时段配车数；S125：判断配车数量最高时段是否在早高峰，若为是，执行S127；若为否，则加密早高峰时段满载率最高的时段班次，并返回步骤S123；S126：预计总配车数；S127：生成预发车时刻表；S128：根据预发车时刻表和所述约束条件进行车辆排班；S129：生成初始排班结果表；
S2：排班模型筛选
S21：计算乘客等车成本和公交运行成本，构建目标函数：
Figure DEST_PATH_IMAGE001
（公式一），
其中，α、β为权重系数，α+β=1，minC为最小总成本，Cp为乘客等车成本，Ce为公交运营成本，Cup为上行乘客等车成本，Cdp为下行乘客等车成本，Cue为上行公交运营成本，Cde为下行公交运营成本，
Figure 181798DEST_PATH_IMAGE002
为空程运营成本；
S22：如果算出客流大于单车最大满载率客流，则往所述目标函数中引入惩罚函数，将乘客候车成本按照客流比例成倍增长，即：
Figure DEST_PATH_IMAGE003
（公式二），然后将公式一中的Cp替换为公式二中的Cpp；
其中，Cpp表示调整后的乘客等车成本，O表示车辆最大容量，
Figure 452374DEST_PATH_IMAGE004
表示J站点S时段断面客流；
S23：调整所述静态基础数据和所述动态基础数据中的各因子，利用多目标优化算法最终计算出在所述目标函数下最优的多个排班模型；
S3：输出最优的多个排班模型供用户选择;
其中，步骤S123中上下行时段发班班次的计算方法包括：
（1）生成长线班次数
S1231：获取高断面通过班次，高断面通过班次=高断面客流通过量/(车辆核载人数*满载率)；
S1232：查找高断面站点后面连续5站满载率低于30%的站点，则在第一个低于30%的站点后搜索客流通过量最大的站点，得到长线班次数：
长线班次数=客流通过量最大的站点的客流/(车辆核载人数*满载率)；
S1233：计算时段长线发班数=max(客流应发长线班次，最低发班标准)；
（2）生成短线班次数
S1234：在客流高端面站点后的连续5个站点低于30%的第1个站点作为调头的初始站点，搜索第一个预设可调头的站点，得到短线班次数为：
短线班次数=高断面通过班次-时段长线发班数；
和/或，步骤S124中计算上下行时段配车数的方法包括：S1241：计算周转时间=上行运行时间+上行停站时间+下行运行时间+下行停站时间；S1242：计算配车数=周转时间内班次数之和；
和/或，步骤S127中生成预发车时刻表的方法包括：根据半小时班次数生成发班时刻表，先生成长线班次的时间表，然后短线班次安排在长线班次之前。
2.根据权利要求1所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，所述约束条件包括：
（1）每个线路包括多个发车站点，公交车辆类型包括双班车、单班车，班次类型包括全程、短线、快线、短线快线、区间短线、区间快线；
（2）司机的每天工作时间T<规定的最长工作时间△T，每天的行驶时间T’<规定的最长的行驶时间△T’；
（3）车辆当前行程的开始时间ttrip（i）>上一个行程的结束时间ttrip（i-1），i=(1，2，3，……n）；
（4）车辆在连续两个班次之间必须有间隔时间，间隔时间不能超过最大阈值和最小阀值：tmin<ttrip（i）-ttrip（i-1）<tmax；
（5）车辆行向上当前车辆的开始时间与车辆行向上上一趟班次车辆开始时间的差值不能超过最大阈值和最小阀值：Tmin<t（i）-t（i-1）<Tmax；
（6）排班方案应能满足乘客服务需求，需要根据客流合理配置发班班次；
（7）每个司机在一天内分配的行程数量应比较均匀；
（8）头车和尾车发班时间固定；
（9）所有车辆有最晚出车时间；
（10）当前车辆发班间隔需根据前后车辆合理计算，发班尽可能均匀；
（11）车辆在哪个站出车就尽量在哪个站收车，防止空程反收；
（12）在保障最低服务标准的情况下安排多于运力的车辆收车；
（13）如果客流存在不连续出行，设置发短线、区间线或快线班次。
3.根据权利要求1所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，步骤S122中所述时段站台车内断面客流的计算方法包括：以过去预设月份车内客流为基准，按星期数据维度，以预设分钟为粒度进行统计，以站台为研究对象，将每天时段经过该站台的所有车辆的车内人数求和，然后再求平均即可计算出时段站台车内断面客流。
4.根据权利要求1所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，其中，步骤S128具体方法包括：
S1281：建立上行发车时刻表队列、下行发车时刻表队列、上行车辆队列、下行车辆队列，上行发车时刻表队列从下行车辆队列取车配班、下行发车时刻表队列从上行车辆队列取车配班；
S1282：从上行时段发车时刻表队列中取出一个发车时刻，如果不可以去则改时段发车排班完毕，进入下行时段，重新从下行时段发车时刻表队列中取出一个发车时刻，判断是否可以去，下行时段计算完毕，进入上行时段；如果可以取出发车时刻，则进入S1283；
S1283：从下行车辆队列中取车，如果可以取车，进入S1284；如没有车，则进入S1285；
S1284：判断车辆是否可以在发表时刻点之前到总站；如果不行，转到S1285；
S1285：新加入一辆车；
S1286：确定班次类型，确定班次为长线、短线、快线、还是区间线路；
S1287：判断是否需要单班中停，如果满足单班中停条件则安排车辆中停；进入S1288，如果不行则进行拉位；
S1288：进行收车判断，如果车辆到总站后超过收车时间则进行收车操作，收车包括单班收车和双班收车；如果是单班收车，则直接进入S1289；如果是双班车到达收车时间则判断后续车辆是否会断位，如果不会断位则收车，如果会则拉位；在保证不断位的前提下，为避免不同车辆工时相差较大，优先安排出场时间早的双班车提前收车；
S1289：计算时段方向上营运车辆队列中车辆减少；
S12810：如果到达总站时间在吃饭时间点范围，则安排吃饭；根据车辆CAN数据获取车辆实时电量或油汽量，然后估算车辆是否需要安排补电；吃饭、车辆补电、加油加气均需要延长车辆休息时长；
S12811：末班车处理，如果到站车的最早发班时间第一次大于末班车时间，则把前一台车的最早发班时间延后到末班车时间，提前拉大最后几班的发班间隔；
S12812：班车车辆完成一个发班班次，重新进行S1281，直到时段发车时刻排班完成。
5.根据权利要求4所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，步骤S1286之前进行动态发班时刻计算：按照上一班车的发班时间和最近3台即将到站的车辆的最早发班时间来计算当前车辆的最优发班时间，其中，发班间隔=(最早发班时间-上一班发班时间)/车辆数。
6.根据权利要求4所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，步骤S1286中短线类型设置方法包括：
（1）计算该时段内高客流方向总站开出车辆在各站的满载率，判断是否有连续站点的车辆平均满载率k低于预设值b，如有，分别计算上下行低满载的站点数占线路相应行向全部站点的占比a1和a2，若a1或a2超过极限值a，则设置区间线、短线或两端短线；
（2）若上下行低满载的站点分布在线路两端，则设置区间线；若上下行低满载的站点分布在线路一端，则设置短线；若上下行低满载的站点分布在线路中端，则设置两端短线；
和/或，步骤S1286中快线类型设置方法包括：
（1）计算该时段内高客流方向总站开出车辆在各站的上下客人数，判断在客流高断面前后是否有几个站点的上下客量d1大于该行向所有站点的平均上下客量d2的预设倍数d倍，如是，则设置快线；
（2）若低上下客量的站点分布在线路中间及一端，则设置短线快车；若低上下客量的站点分布在线路中间及两端，则设置区间快车；若低上下客量的站点分布无规律，则设置全程快车。
7.根据权利要求1所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，步骤S21中Cup的计算方法包括：
Figure DEST_PATH_IMAGE005
（公式三）；
步骤S21中Cdp的计算方法包括：
Figure 109489DEST_PATH_IMAGE006
（公式四）；
步骤S21中Cue的计算方法包括：
Figure DEST_PATH_IMAGE007
（公式五）；
步骤S21中Cde的计算方法包括：
Figure 777624DEST_PATH_IMAGE008
（公式六）；
步骤S21中
Figure DEST_PATH_IMAGE009
的计算方法包括：
Figure 123286DEST_PATH_IMAGE010
（公式七）；
其中，将公式三、公式四、公式五、公式六、公式七带入到公式一种求解得到minC；
其中， u表示上行，d表示下行，tui表示上行第i趟车发车时刻；tdi表示下行第i趟车发车时刻；t’表示时段长度；
Figure DEST_PATH_IMAGE011
表示上行第
Figure 430508DEST_PATH_IMAGE012
时段客流量；
Figure 37070DEST_PATH_IMAGE012
表示上行第i班次发车时刻所在的时段序号；
Figure DEST_PATH_IMAGE013
表示下行第
Figure 598808DEST_PATH_IMAGE014
时段客流量；
Figure 556400DEST_PATH_IMAGE014
表示下行第i班次发车时刻所在的时段序号，S={0，1，2，3，4，5.....，47}，
Figure DEST_PATH_IMAGE015
表示第i班次发车时刻所在的时段序号，
Figure 870576DEST_PATH_IMAGE016
；
Figure 597223DEST_PATH_IMAGE017
表示候车时长为发班间隔的一半，n表示一个行向一天所有班次数，m表示一个行向上的站点数；O表示车辆最大容量，
Figure DEST_PATH_IMAGE018
表示J站点S时段断面客流，Lui表示上行第i趟班次的行驶里程，Ldi表示下行第i趟班次的行驶里程，
Figure 607161DEST_PATH_IMAGE019
表示企业营运单位成本，单位：元/公里，p表示线路票价，一般为两元；
Figure DEST_PATH_IMAGE020
表示上行时段客流，
Figure 927415DEST_PATH_IMAGE021
表示第h趟空程的里程，
Figure DEST_PATH_IMAGE022
表示下行时段客流，
其中，
Figure 45281DEST_PATH_IMAGE023
，
其中，
Figure DEST_PATH_IMAGE024
表示上行时中间段客流，
Figure 268846DEST_PATH_IMAGE025
表示下行时中间段客流，
up表示社会单位平均工资。
8.根据权利要求1所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，步骤S23中的多目标优化算法包括遗传算法、模拟退火算法、神经网络算法。
9.一种基于OD客流的公交动态编排模型的系统，用于执行权利要求1-8中任一项所述的基于OD客流的公交动态编排模型的实现方法，其特征在于，包括：
数据采集模块，所述数据采集模块包括摄像头、光电传感器、生物感应器中的一种或多种，用于检测和统计断面客流；所述数据采集模块还包括网络传输单元、数据输入单元、扫描单元中的一种或多种，用于获取车辆信息和站点信息；
处理器，用于执行构建初始排班模型，以及用于执行排班模型筛选；
人机界面，用于输出在所述目标函数下最优的多个排班模型供用户选择；
存储器，用于存储所述数据采集模块、所述处理器和所述人机界面生成的数据；
数据传输模块，用于在各模块之间提供数据传输。
CN202010440704.6A 2020-05-22 2020-05-22 基于od客流的公交动态编排模型的实现方法及系统 Active CN111340406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010440704.6A CN111340406B (zh) 2020-05-22 2020-05-22 基于od客流的公交动态编排模型的实现方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010440704.6A CN111340406B (zh) 2020-05-22 2020-05-22 基于od客流的公交动态编排模型的实现方法及系统

Publications (2)

Publication Number Publication Date
CN111340406A CN111340406A (zh) 2020-06-26
CN111340406B true CN111340406B (zh) 2020-10-13

Family

ID=71184923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010440704.6A Active CN111340406B (zh) 2020-05-22 2020-05-22 基于od客流的公交动态编排模型的实现方法及系统

Country Status (1)

Country Link
CN (1) CN111340406B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232687B (zh) * 2020-10-26 2024-05-14 安徽交欣科技股份有限公司 一种公交系统支线线路排班方法
CN112347596B (zh) * 2020-11-05 2021-08-13 浙江非线数联科技股份有限公司 一种城市公交线网优化方法
CN112967519B (zh) * 2021-02-01 2022-05-13 青岛海信网络科技股份有限公司 一种公共交通工具调度方法和装置及设备
JP7521450B2 (ja) * 2021-02-16 2024-07-24 トヨタ自動車株式会社 運行管理装置及び運行管理方法
CN113034890A (zh) * 2021-03-15 2021-06-25 重庆交通开投科技发展有限公司 一种跨线运行情况下的公交圈次时间计算及预测方法
CN113689185B (zh) * 2021-08-16 2024-07-05 厦门卫星定位应用股份有限公司 基于城市公交历史客流分析的模拟仿真排班方法
CN113920769B (zh) * 2021-10-19 2022-07-01 航天物联网技术有限公司 一种基于公交多源数据分析的智能排班表生成方法
CN114154801A (zh) * 2021-11-08 2022-03-08 清华大学 智慧公交组合调度方法、装置及存储介质
CN114612143B (zh) * 2022-03-09 2024-07-12 华南理工大学 多路径概率选择od票价计价方法、系统、装置及介质
CN114925911A (zh) * 2022-05-19 2022-08-19 广州交信投科技股份有限公司 一种基于无人驾驶公交车精准客流预测的自适应动态排班方法及系统
CN115293519A (zh) * 2022-07-14 2022-11-04 深圳云天励飞技术股份有限公司 公交线路排班的处理方法、装置、设备及可读存储介质
CN117195484B (zh) * 2023-08-08 2024-05-03 广东贝能达交通设备有限公司 一种轨道交通管理方法及系统
CN117151313B (zh) * 2023-10-31 2024-02-02 杭州数知梦科技有限公司 综合多因素的公交车辆行车计划优化方法、系统及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737356A (zh) * 2012-06-13 2012-10-17 西安理工大学 智能公交调度排班计算方法
CN106157613A (zh) * 2015-04-28 2016-11-23 苏州市大创信息运用有限公司 基于乘客、站点、车辆位置耦合的公交客流计数管理方法
WO2019148764A1 (zh) * 2018-02-01 2019-08-08 深圳大学 一种公交动态调度方法、存储介质及设备
CN110245779A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 一种基于遗传算法的公交动态发车调度优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044149B (zh) * 2011-01-12 2012-08-08 北京交通大学 一种基于时变客流的城市公交运营协调方法与装置
US20150294430A1 (en) * 2014-04-15 2015-10-15 Tomorrow's Transportation Today Dynamic dispatching and schedule management methods for an intelligent transit system with electronic guided buses
US9786173B2 (en) * 2015-08-18 2017-10-10 The Florida International University Board Of Trustees Dynamic routing of transit vehicles
KR101769490B1 (ko) * 2016-10-27 2017-08-18 두레엔주식회사 커뮤니티 서비스를 통해 여행후기를 공유할 수 있는 구간별 배차가 가능한 콜버스 운용 시스템
CN110009153B (zh) * 2019-04-04 2020-07-03 南京行者易智能交通科技有限公司 一种基于od客流的公交排班优化方法及系统
CN111160686B (zh) * 2019-10-12 2021-04-16 南京行者易智能交通科技有限公司 一种行车计划生成模型的设计方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737356A (zh) * 2012-06-13 2012-10-17 西安理工大学 智能公交调度排班计算方法
CN106157613A (zh) * 2015-04-28 2016-11-23 苏州市大创信息运用有限公司 基于乘客、站点、车辆位置耦合的公交客流计数管理方法
WO2019148764A1 (zh) * 2018-02-01 2019-08-08 深圳大学 一种公交动态调度方法、存储介质及设备
CN110245779A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 一种基于遗传算法的公交动态发车调度优化方法

Also Published As

Publication number Publication date
CN111340406A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111340406B (zh) 基于od客流的公交动态编排模型的实现方法及系统
CN107092976B (zh) 一种多目标模型协同优化多条公交线路发车间隔的方法
Sun et al. Timetable optimization for single bus line based on hybrid vehicle size model
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
CN109934391B (zh) 一种纯电动公交车辆的智能调度方法
CN111915176B (zh) 一种混合运营模式下纯电动公交车辆的排班方法及其系统
CN111160588B (zh) 一种预约充电服务方法及系统
CN104021667A (zh) 整合预约服务与实时打车的出租车合乘调度系统及调度方法
CN115100896B (zh) 一种考虑机会充电策略的电动需求响应公交调度方法
CN111898909B (zh) 一种基于实时需求的无人驾驶公交派车方法
CN112309122A (zh) 一种基于多系统协同的智慧公交分级决策系统
CN116432386B (zh) 一种用于智能公交系统的多车型时刻表设计方法及系统
CN111553530A (zh) 一种城际网约车包车出行运力预测与出行推荐方法及系统
CN112085271A (zh) 一种基于众包模式的传统产业集群集货路径优化方法
CN114154801A (zh) 智慧公交组合调度方法、装置及存储介质
Sung et al. Optimizing mix of heterogeneous buses and chargers in electric bus scheduling problems
CN108764800B (zh) 一种基于众包公共交通系统实现包裹快速递送的方法
CN112053580A (zh) 一种交叉口公交信号优先控制优化方法
CN115860594A (zh) 一种应用于智能公交排班调度的仿真系统及方法
Lu et al. Demand-responsive transport for students in rural areas: A case study in vulkaneifel, germany
CN114971136A (zh) 一种公交及巡游小巴调度方法
CN113393109B (zh) 电动汽车充电负荷计算方法
CN112632374B (zh) 一种考虑定制公交的居民出行方式选择分析方法
CN113642796A (zh) 基于历史数据的动态共享电动自动驾驶车辆路径规划方法
CN113344336A (zh) 一种车辆调度方法、装置及存储介质

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
CB02 Change of applicant information

Address after: Room 501, No.12, Kehui Third Street, Huangpu District, Guangzhou City, Guangdong Province 510000

Applicant after: Guangzhou Jiaoxin Investment Technology Co.,Ltd.

Address before: 510000 No.12, Kehui Jingu 3rd Street, Science City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU COMMUNICATION INFORMATION CONSTRUCTION INVESTMENT AND OPERATION Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant