CN111353639A - 协调列车时刻表的城市轨道交通高峰期限流优化方法 - Google Patents

协调列车时刻表的城市轨道交通高峰期限流优化方法 Download PDF

Info

Publication number
CN111353639A
CN111353639A CN202010119503.6A CN202010119503A CN111353639A CN 111353639 A CN111353639 A CN 111353639A CN 202010119503 A CN202010119503 A CN 202010119503A CN 111353639 A CN111353639 A CN 111353639A
Authority
CN
China
Prior art keywords
train
station
passengers
time
rail transit
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
Application number
CN202010119503.6A
Other languages
English (en)
Other versions
CN111353639B (zh
Inventor
孙会君
袁富亚
吴建军
高自友
屈云超
杨欣
尹浩东
康柳江
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010119503.6A priority Critical patent/CN111353639B/zh
Publication of CN111353639A publication Critical patent/CN111353639A/zh
Application granted granted Critical
Publication of CN111353639B publication Critical patent/CN111353639B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/10—Operations, e.g. scheduling or time tables
    • B61L27/14—Following schedules
    • 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
    • G06Q50/40—

Abstract

本发明提供了一种协调列车时刻表的城市轨道交通高峰期限流优化方法。该方法包括：收集城市轨道交通AFC数据和列车计划运行时刻表数据，并对收集的数据进行处理，获得高峰时期时变乘客到站率、下车率和列车区间运行时间；基于设定的假设条件，建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型，限流措施协同优化模型的目标函数为最小化等待的乘客数量；对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期限流优化方案。本发明法可以用来协同优化城市轨道交通列车时刻表和限流措施，合理设置客流管理措施和时刻表开行方案，提高城市轨道交通系统内部的运营安全性和乘客安全性，降低部分车站乘客的长时间滞留。

Description

协调列车时刻表的城市轨道交通高峰期限流优化方法
技术领域
本发明涉及城市轨道交通限流优化技术领域，尤其涉及一种协调列车时刻表的城市轨道交通高峰期限流优化方法。
背景技术
作为大城市公共交通的骨干运输方式，实现城市轨道交通列车运行和客流控制的协同优化，可有效提高城市轨道交通列车运输效率，缓解大客流压力，满足日益增加的交通需求。近年来，为了应对高峰时期急剧增加的客流压力，部分大城市的城市轨道交通列车的发车频率已经缩短至最小以保证列车运行安全，如上海的地铁最小发车频率为2分5秒。在如此高频率、大需求的情况下，仅仅依靠调整列车时刻表或采取客流控制措施是难以实现轨道交通效益最大化。基于此，急需一种可行、合理、有效的方法来协调列车运行计划和客流管理，即协同优化列车时刻表和限流措施，以提高轨道交通系统运行效率，保证乘客在站台和列车上的安全性。
协同优化城市轨道交通列车运行和限流措施是一个复杂、极具挑战的研究问题，主要涉及到运营管理者和乘客这两大主体。因此在协同优化时，不仅要从运营管理部门角度考虑缓解城市轨道交通路网的大客流拥挤、均衡线网运输负荷，而且要从用户角度尽可能减少乘客出行成本。现阶段，单独对于列车运营(列车时刻表问题)和限流措施问题的研究已经有了一定的积累，而对于协同优化列车时刻表和限流措施的却非常少。温念慈(2015)建立了城市轨道交通网络协同限流控制方法模型，以路网乘客平均延误时间最少和能力利用率最大为目标，考虑乘客需求约束、区间能力约束、换乘约束、站点的进站能力和站台容纳能力约束等因素完成模型构建。但是，该方案并没有考虑到列车运行时刻表对客流和限流措施的影响。Li等(2017)针对城市轨道交通某一条线路，联合列车时刻表调整和客流控制策略，建立了联合动态模型以实现实时调整列车时刻表。然而，该方案并没有明确给出限流措施。Jiang等人(2018)提出了一种将协调客流控制与列车重新调度策略相结合的轨道交通线路协调优化方案。然而，该方案只考虑了客流控制对列车时刻表的影响，没有对列车调度和客流控制进行协同优化。
目前，现有技术中的大多数对限流措施的研究方案采用了固定需求，没有考虑到客流的时变性。并且，现有的技术方案缺乏协同考虑列车时刻表和限流措施的优化方法。这导致当前提出的限流措施和列车时刻表是独立的，没有考虑和分析两者之间的相互影响和制约关系，难以在保证安全的情况下提高城市轨道交通乘客出行效率。
发明内容
本发明的实施例提供了一种协调列车时刻表的城市轨道交通高峰期限流优化方法，以克服现有技术的问题。
一种协调列车时刻表的城市轨道交通高峰期限流优化方法，包括：
收集城市轨道交通AFC数据和列车计划运行时刻表数据，并对收集的数据进行处理和统计，获得高峰时期时变乘客到站率、下车率和列车区间运行时间；
基于设定的假设条件，建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型，所述限流措施协同优化模型的目标函数为最小化等待的乘客数量；
对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期限流优化方案。
优选地，所述的收集城市轨道交通AFC数据和列车计划运行时刻表数据，并对收集的数据进行处理和统计，获得高峰时期时变乘客到站率、下车率和列车区间运行时间，包括：
在城市轨道交通系统的每个车站的出入口设置智能卡收费设备，该智能卡收费设备记录乘客通过该设备时的AFC数据，对所述AFC数据进行清洗和预处理，所述AFC数据包括乘客进站车站、出站车站、进站时间和出站时间等信息；
根据所述AFC数据中的进站车站和进站时间信息，结合城市轨道交通列车计划运行时刻表数据，计算出各个站点随时间而变化的进站乘客数量分布；
将连续的时间T按照设定的时段t进行离散化，时段t内的客流量等于乘客到站率
Figure BDA0002392525090000021
所述时段t为相邻两辆列车的发车间隔hksl；
根据历史AFC数据计算得到每列车在各个车站的下车率，并根据和列车计划运行时刻表数据计算得到列车在区间的运行时间。
优选地，所述的假设条件包括下面的假设条件中的至少一项；
假设条件1：相邻两站之间列车的运行时间是提前给定的；
假设条件2：在各个车站，乘客都倾向于尽快乘上到达的列车以减少等待时间；
假设条件3：实施限流措施后，没有乘客会放弃该次出行或选择其他出行方式；
假设条件4：不考虑乘客从站厅至站台上车区域的走行时间。
优选地，所述的建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型，所述限流措施协同优化模型的目标函数为最小化等待的乘客数量，包括：
考虑动态到站需求的情况，针对工作日高峰时期，建立城市轨道交通列车时刻表和限流措施协同优化模型，所述限流措施协同优化模型的目标函数为最小化等待的乘客数量，该乘客数量包括由于实施限流措施而滞留在站外等待的乘客和由于列车定员约束而无法乘车继续等待在站台的乘客；所述限流措施协同优化模型的变量包括线路上列车的发车频率、每个车站在各个发车间隔内的允许进站人数，所述限流措施协同优化模型中设置的约束包括列车安全运行约束、需求约束、车站进入能力约束、站台承载能力约束和列车装载能力约束；
所述限流措施协同优化模型中所用到的符号如下所示：
K，S：列车数量和城市轨道交通线路车站数集合；
Figure BDA0002392525090000031
列车k从s-1站至s站的运行时间；
hks：列车k-1和列车k从s车站的发车间隔；
λmin：列车最小停站时间；
λmax：列车最大停站时间；
Figure BDA0002392525090000032
相邻两辆列车在同一区间的最小间隔；
Figure BDA0002392525090000033
相邻两辆列车在同一车站的最小间隔；
θmax：相邻两辆列车之间的最大间隔；
Figure BDA0002392525090000034
发车间隔hks内，车站s的乘客到站率；
Figure BDA0002392525090000035
发车间隔hks内，车站s的进站需求；
Figure BDA0002392525090000036
在车站s乘上列车k的上车乘客数量；
Figure BDA0002392525090000037
列车k在车站s的下车乘客数量；
Figure BDA0002392525090000038
列车k离开s站台后，等待在站外的乘客数量；
Figure BDA0002392525090000039
发车间隔hks内，站台s的上车需求；
Figure BDA00023925250900000310
列车k离开s站台后，等待在站台的乘客数量；
Figure BDA00023925250900000311
发车间隔hks内，到达站台s的换乘乘客数量；
Figure BDA00023925250900000312
列车k到达s站台时的列车剩余能力；
μks：列车k在s站台的下车率；
cs：车站s入口进站设备的乘客通过率；
Figure BDA0002392525090000041
发车间隔hks内车站s的进站能力；
Figure BDA0002392525090000042
列车k的容量；
Figure BDA0002392525090000043
站台s的承载能力；
C0,C1,C2：常数；
Figure BDA0002392525090000044
列车k到达站台s的时间；
Figure BDA0002392525090000045
列车k从站台s的出发时间；
Figure BDA0002392525090000046
列车k在站台s的停留时间；
Figure BDA0002392525090000047
发车间隔hks内，允许进入车站s的乘客数量；
Figure BDA0002392525090000048
∈{0，1}.1表示在发车间隔hks内车站s需要采取限流措施，反之为0；
所述限流措施协同优化模型的目标函数的公式如下：
Figure BDA0002392525090000049
Figure BDA00023925250900000410
Figure BDA00023925250900000411
Figure BDA00023925250900000412
Figure BDA00023925250900000413
Figure BDA00023925250900000414
Figure BDA00023925250900000415
Figure BDA00023925250900000416
Figure BDA00023925250900000417
Figure BDA00023925250900000418
Figure BDA00023925250900000419
Figure BDA00023925250900000420
Figure BDA00023925250900000421
Figure BDA0002392525090000051
Figure BDA0002392525090000052
Figure BDA0002392525090000053
Figure BDA0002392525090000054
Figure BDA0002392525090000055
Figure BDA0002392525090000056
其中，γ1和γ2是预先给定的权重系数，根据乘客满意度、管理者偏好或实际要求进行调整。
优选地，所述的对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期限流优化方案，包括：
通过ILOGCPLEX求解器对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期优化的限流措施，以及配合所述限流措施的列车时刻表。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例的方法可以用来协同优化城市轨道交通列车时刻表和限流措施，合理设置客流管理措施和时刻表开行方案，提高城市轨道交通系统内部的运营安全性和乘客安全性，降低部分车站乘客的长时间滞留，提高各个车站的公平性。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种协调列车时刻表的城市轨道交通高峰期限流优化方法的实现原理示意图；
图2为本发明实施例提供的一种北京地铁5号线的线路示意图；
图3为本发明实施例提供的一种优化前后车站的上车率示意图；
图4为本发明实施例提供的一种γ1、γ2与目标值的关系(γ1+γ2＝1)示意图。
具体实施方式
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例提供了一种协调列车时刻表的城市轨道交通高峰期限流优化方法，该方法从客流管理和列车运营两个层面分析时变需求、车站进站能力、站台承载能力和列车运输能力的相互影响关系，进而协调乘客数量与列车容量，实现在高峰期协同优化列车运营和限流措施。
本发明实施例提供的一种协调列车时刻表的高峰期限流优化方法的实现原理示意图如图1所示，包括如下的处理步骤：
步骤1，收集城市轨道交通AFC(Automatic Fare Collection System，指城市轨道交通自动售检票系统)数据和城市轨道交通列车计划运行时刻表数据，并对数据进行处理和统计，获得高峰时期时变乘客到站率、下车率和列车区间运行时间。
城市轨道交通系统在每个车站的出入口设置有智能卡收费设备，乘客通过该设备时即可记录乘客的AFC数据，该AFC数据包括乘客进站车站、出站车站、进站时间和出站时间等信息。通过清洗、预处理AFC数据，根据进站车站和进站时间信息，结合城市轨道交通列车计划运行时刻表数据，可计算出各个站点随时间而变化的进站乘客数量分布。
将连续的时间T进行离散化。若离散后的时间步长t越短，则可认为时段t内的客流量等于乘客到站率
Figure BDA0002392525090000061
在以往的研究中，通常是将研究时段T等分为多个t。但本发明为了体现列车运营的特点，将时段t改为相邻两辆列车的发车间隔hksl，即
Figure BDA0002392525090000062
通过收集的城市轨道交通列车计划运行时刻表数据，即可得到相邻两辆列车的计划发车间隔；再综合AFC数据中收集到的乘客进站刷卡时间和车站信息，即可统计各个车站在计划发车间隔内的乘客到站数量。本发明实施例中认为：计划发车间隔内的到站数量/发车间隔即为乘客到站率
Figure BDA0002392525090000063
与乘客到站率
Figure BDA0002392525090000071
的计算方法类似，根据历史AFC数据和列车计划运行时刻表数据，即可统计各个车站在计划发车间隔内的乘客下车数量，通过计划发车间隔内的下车数量/发车间隔即可计算得到乘客下车率。
根据城市轨道交通列车计划运行时刻表数据，可以知悉每辆列车在各个车站的出发、到达和停站时间，进而可以计算得到列车在s+1站的到站时间与在s站的出发时间的差值，其差值即为各辆列车在各个区间的运行时间。
步骤2，根据问题提出合理假设。
模型假设是整个建模的起点，是模型建立的基础。在限流措施实施和列车运营的过程中，存在着非常多的不确定因素，这些不确定因素不仅使得问题非常复杂，也难以描述。对此，设置合理的假设将问题合理化、简单化就显得尤为重要。
步骤3，建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型。
考虑动态到站需求的情况，针对工作日高峰时期，建立城市轨道交通列车时刻表和限流措施协同优化模型。上述限流措施协同优化模型的目标函数为最小化等待的乘客数量，包括由于实施限流措施而滞留在站外等待的乘客和由于列车定员约束而无法乘车继续等待在站台的乘客。为了联系列车时刻表和限流措施，设置的约束包括列车安全运行约束、需求约束、车站进入能力约束、站台承载能力约束和列车装载能力约束等。限流措施协同优化模型的变量主要包括线路上列车的发车频率、每个车站在各个发车间隔内的允许进站人数等。在模型中所用到的符号如下所示：
·K，S：列车数量和城市轨道交通线路车站数集合；
·
Figure BDA0002392525090000072
列车k从s-1站至s站的运行时间；
·hks：列车k-1和列车k从s车站的发车间隔；
·λmin：列车最小停站时间；
·λmax：列车最大停站时间；
·
Figure BDA0002392525090000073
相邻两辆列车在同一区间的最小间隔；
·
Figure BDA0002392525090000074
相邻两辆列车在同一车站的最小间隔；
·θmax：相邻两辆列车之间的最大间隔；
·
Figure BDA0002392525090000075
发车间隔hks内，车站s的乘客到站率；
·
Figure BDA0002392525090000076
发车间隔hks内，车站s的进站需求；
·
Figure BDA0002392525090000077
在车站s乘上列车k的上车乘客数量；
·
Figure BDA0002392525090000078
列车k在车站s的下车乘客数量；
·
Figure BDA0002392525090000081
列车k离开s站台后，等待在站外的乘客数量；
·
Figure BDA0002392525090000082
发车间隔hks内，站台s的上车需求；
·
Figure BDA0002392525090000083
列车k离开s站台后，等待在站台的乘客数量；
·
Figure BDA0002392525090000084
发车间隔hks内，到达站台s的换乘乘客数量；
·
Figure BDA0002392525090000085
列车k到达s站台时的列车剩余能力；
·μks：列车k在s站台的下车率；
·cs：车站s入口进站设备的乘客通过率；
·
Figure BDA0002392525090000086
发车间隔hks内车站s的进站能力；
·
Figure BDA0002392525090000087
列车k的容量；
·
Figure BDA0002392525090000088
站台s的承载能力；
·C0,C1,C2：常数；
·
Figure BDA0002392525090000089
列车k到达站台s的时间；
·
Figure BDA00023925250900000810
列车k从站台s的出发时间；
·
Figure BDA00023925250900000811
列车k在站台s的停留时间；
·
Figure BDA00023925250900000812
发车间隔hks内，允许进入车站s的乘客数量；
·
Figure BDA00023925250900000813
∈{0，1}.1表示在发车间隔hks内车站s需要采取限流措施，反之为0。
Figure BDA00023925250900000814
Figure BDA00023925250900000815
Figure BDA00023925250900000816
Figure BDA00023925250900000817
Figure BDA00023925250900000818
Figure BDA00023925250900000819
Figure BDA00023925250900000820
Figure BDA00023925250900000821
Figure BDA00023925250900000822
Figure BDA0002392525090000091
Figure BDA0002392525090000092
Figure BDA0002392525090000093
Figure BDA0002392525090000094
Figure BDA0002392525090000095
Figure BDA0002392525090000096
Figure BDA0002392525090000097
Figure BDA0002392525090000098
Figure BDA0002392525090000099
Figure BDA00023925250900000910
其中，γ1和γ2是预先给定的权重系数。实际情况下，在车站外等待和在站台上等待乘客的感知和体验是有所不同的。同样，城市轨道交通运营管理者对这两部分等待乘客的关注度也有差异。因此，对于本模型的目标函数，权重系数γ1和γ2可根据乘客满意度、管理者偏好或实际要求进行灵活调整。
步骤4，通过ILOGCPLEX求解器对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期限流优化方案。
通过求解限流措施协同优化模型，得到了配合城市轨道交通高峰期优化的限流措施的协调时刻表，如下表1。表中列出了6:00-9:00期间共73辆列车在始发站的出发时间和终点站的到达时间。从表中可以发现，在7:00-8:00之间的发车频率更大，列车几乎以最小发车间隔(2min)进行发车和运营。这一规律，与实际情况相符。
表1协调时刻表信息.
Figure BDA0002392525090000101
ILOGCPLEX是一款应用广泛的数学规划模型求解器，根据建立的模型、设置相应的数据输入和参数，即可得到优化的解。因此，模型具体的求解过程如实施例二所示，求解模型得到的优化限流措施如实施例二中表6所示。
列车时刻表和优化的限流措施结果是同时通过ILOGCPLEX求解出来的。以上所述的协调列车运营的高峰期限流措施优化模型属于大规模的混合整数线性规划模型，因此可采用ILOGCPLEX求解器进行求解。ILOGCPLEX求解器是一款功能强大、求解速度较快的数学优化软件，它可以将复杂的业务问题表现为数学规划(Mathematic Programming)模型。其中的高级优化算法能够快速找到这些模型的解决方案。
在实际应用中，还可以通过其他方法求解高峰期限流措施优化模型，比如现有的求解软件还有GAMS、LINGO等。
实施例二
该实施例基于北京城市轨道交通的AFC数据、城市轨道交通列车计划运行时刻表数据和地铁5号线示意图，选取下行方向为研究对象，分析计算该线路在早高峰时段车站的限流情况。通过本发明所构建的协同优化模型，可以得到客流与车流相互协调的管理和运营方案。结合附图和具体实施例来详述本发明，但不限于此。
在本发明的方法中，根据实际调研情况和地铁运营公司的运营数据，针对工作日早高峰时段，我们采取北京地铁5号线下行方向为研究对象，如图2。因为该线路是一条贯穿南北、连接郊区和市区的重要线路，且在郊区(天通苑处)为大型住宅区，居住有的大量在市中心上班的通勤者。故该线路早高峰时期，从郊区至市中心方向有大量乘客，拥挤现象十分严重。
步骤1，收集城市轨道交通AFC数据和城市轨道交通列车计划运行时刻表数据，并对数据进行处理和统计，获得高峰时期时变乘客到站率、出站率和列车区间运行时间。
通过分析北京地铁5号线早高峰时期列车运营情况，并选取早上6:00-9:00时段的列车运营数据和乘客出行数据，对收集的数据进行清洗和预处理。将6:00-9:00之间运行的列车按发车次序依次编号为1,2,3,…。根据数据，估算相邻两辆列车发车间隔内、各个车站的时变到站率，下表2列举了10个车站的到站率。表中列车编号指代的是：在该列车到达时，各个车站的到站率。同时，结合列车时刻表情况，计算每列车在各个车站的下车率，下表3列举了10个车站的下车率。
表2车站到站率
Figure BDA0002392525090000111
Figure BDA0002392525090000121
表3列车下车率
Figure BDA0002392525090000122
步骤2，根据问题提出合理假设。
假设1：相邻两站之间列车的运行时间是提前给定的；
假设2：在各个车站，假设乘客都倾向于尽快乘上到达的列车以减少等待时间；假设3：实施限流措施后，没有乘客会放弃该次出行或选择其他出行方式；
假设4：不考虑乘客从站厅至站台上车区域的走行时间。
步骤3，建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型。
上述城市轨道交通高峰期限流措施优化模型中所用涉及到的参数如下表4和表5所示。
表4模型的参数
Figure BDA0002392525090000131
表5相邻两站之间列车运行时间(秒)
Figure BDA0002392525090000132
步骤4，采用ILOGCPLEX求解器对所提出的列车时刻表和限流措施协同优化模型进行求解。
根据AFC数据和列车计划运行时刻表数据获得的到站率、下车率等信息，设置γ1＝0.7，γ2＝0.3，采用CPLEX求解器进行求解。得到的最优解为95102，意味着相应的累积等待乘客数是95102人，求解模型所需时间10.80s。得到的优化限流措施如下表6所示。
表6优化的限流措施(γ1＝0.7，γ2＝0.3)
Figure BDA0002392525090000133
Figure BDA0002392525090000141
计算结果表明，有八个车站需要限流，分别是天通苑北、天通苑、天通苑南、立水桥、立水桥南、北苑路北、大屯路东和惠新西街北口。在这些限流车站中，天通苑站是限流时间最长的车站(从列车29-70)，并且平均限流率为66.21％，并且有17个列车服务时段的限流率为80％。天通苑北站具有最大的限流率71.12％。观察图3发现，实施优化的限流措施后，虽然天通苑北和天通苑车站的乘客上车率有所下降，但是提高了后面各个车站的上车率，反而提高了整个系统的运营效率。
图3为本发明实施例提供的一种优化前后车站的上车率示意图。因为γ1、γ2的取值对求解的结果存在一定的影响，故需要进行敏感度分析。从图4可以发现，随着γ1/γ2比值的增加，目标值先急剧增大，然后缓慢减小。从中可以发现，γ1/γ2＝1是目标值的峰值点。综上，可以得出结论：γ1与目标值存在正相关关系，而γ2与目标值存在负相关关系。图4为本发明实施例提供的一种γ1、γ2与目标值的关系(γ1+γ2＝1)示意图。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的设备中的模块可以按照实施例描述分布于实施例的设备中，也可以进行相应变化位于不同于本实施例的一个或多个设备中。上述实施例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。
综上所述，本发明实施例的方法可以用来协同优化城市轨道交通列车时刻表和限流措施，合理设置客流管理措施和时刻表开行方案，提高城市轨道交通系统内部的运营安全性和乘客安全性，降低部分车站乘客的长时间滞留，提高各个车站的公平性。
应用本发明实施例的方法可以合理有效地实施高峰限流措施，能够提高乘客轨道交通内部(重点在站台和列车上)的安全性，减少因客流过饱和状态所引起的潜在风险；能够同时考虑列车时刻表和限流措施，可提高列车运营和客流管理的协调性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种协调列车时刻表的城市轨道交通高峰期限流优化方法，其特征在于，包括：
收集城市轨道交通AFC数据和列车计划运行时刻表数据，并对收集的数据进行处理和统计，获得高峰时期时变乘客到站率、下车率和列车区间运行时间；
基于设定的假设条件，建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型，所述限流措施协同优化模型的目标函数为最小化等待的乘客数量；
对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期限流优化方案。
2.根据权利要求1所述的方法，其特征在于，所述的收集城市轨道交通AFC数据和列车计划运行时刻表数据，并对收集的数据进行处理和统计，获得高峰时期时变乘客到站率、下车率和列车区间运行时间，包括：
在城市轨道交通系统的每个车站的出入口设置智能卡收费设备，该智能卡收费设备记录乘客通过该设备时的AFC数据，对所述AFC数据进行清洗和预处理，所述AFC数据包括乘客进站车站、出站车站、进站时间和出站时间等信息；
根据所述AFC数据中的进站车站和进站时间信息，结合城市轨道交通列车计划运行时刻表数据，计算出各个站点随时间而变化的进站乘客数量分布；
将连续的时间T按照设定的时段t进行离散化，时段t内的客流量等于乘客到站率
Figure FDA0002392525080000011
所述时段t为相邻两辆列车的发车间隔hksl；
根据历史AFC数据计算得到每列车在各个车站的下车率，并根据和列车计划运行时刻表数据计算得到列车在区间的运行时间。
3.根据权利要求1所述的方法，其特征在于，所述的假设条件包括下面的假设条件中的至少一项；
假设条件1：相邻两站之间列车的运行时间是提前给定的；
假设条件2：在各个车站，乘客都倾向于尽快乘上到达的列车以减少等待时间；
假设条件3：实施限流措施后，没有乘客会放弃该次出行或选择其他出行方式；
假设条件4：不考虑乘客从站厅至站台上车区域的走行时间。
4.根据权利要求1或者2或者3所述的方法，其特征在于，所述的建立协调列车时刻表的城市轨道交通高峰期限流措施优化模型，所述限流措施协同优化模型的目标函数为最小化等待的乘客数量，包括：
考虑动态到站需求的情况，针对工作日高峰时期，建立城市轨道交通列车时刻表和限流措施协同优化模型，所述限流措施协同优化模型的目标函数为最小化等待的乘客数量，该乘客数量包括由于实施限流措施而滞留在站外等待的乘客和由于列车定员约束而无法乘车继续等待在站台的乘客；所述限流措施协同优化模型的变量包括线路上列车的发车频率、每个车站在各个发车间隔内的允许进站人数，所述限流措施协同优化模型中设置的约束包括列车安全运行约束、需求约束、车站进入能力约束、站台承载能力约束和列车装载能力约束；
所述限流措施协同优化模型中所用到的符号如下所示：
K，S：列车数量和城市轨道交通线路车站数集合；
Figure FDA0002392525080000021
列车k从s-1站至s站的运行时间；
hks：列车k-1和列车k从s车站的发车间隔；
λmin：列车最小停站时间；
λmax：列车最大停站时间；
Figure FDA0002392525080000022
相邻两辆列车在同一区间的最小间隔；
Figure FDA0002392525080000023
相邻两辆列车在同一车站的最小间隔；
θmax：相邻两辆列车之间的最大间隔；
Figure FDA0002392525080000024
发车间隔hks内，车站s的乘客到站率；
Figure FDA0002392525080000025
发车间隔hks内，车站s的进站需求；
Figure FDA0002392525080000026
在车站s乘上列车k的上车乘客数量；
Figure FDA0002392525080000027
列车k在车站s的下车乘客数量；
Figure FDA0002392525080000028
列车k离开s站台后，等待在站外的乘客数量；
Figure FDA0002392525080000029
发车间隔hks内，站台s的上车需求；
Figure FDA00023925250800000210
列车k离开s站台后，等待在站台的乘客数量；
Figure FDA00023925250800000211
发车间隔hks内，到达站台s的换乘乘客数量；
Figure FDA00023925250800000212
列车k到达s站台时的列车剩余能力；
μks：列车k在s站台的下车率；
cs：车站s入口进站设备的乘客通过率；
Figure FDA0002392525080000031
发车间隔hks内车站s的进站能力；
Figure FDA0002392525080000032
列车k的容量；
Figure FDA0002392525080000033
站台s的承载能力；
C0,C1,C2：常数；
Figure FDA0002392525080000034
列车k到达站台s的时间；
Figure FDA0002392525080000035
列车k从站台s的出发时间；
Figure FDA0002392525080000036
列车k在站台s的停留时间；
Figure FDA0002392525080000037
发车间隔hks内，允许进入车站s的乘客数量；
Figure FDA0002392525080000038
∈{0，1}.1表示在发车间隔hks内车站s需要采取限流措施，反之为0；
所述限流措施协同优化模型的目标函数的公式如下：
Figure FDA0002392525080000039
Figure FDA00023925250800000310
Figure FDA00023925250800000311
Figure FDA00023925250800000312
Figure FDA00023925250800000313
Figure FDA00023925250800000314
Figure FDA00023925250800000315
Figure FDA00023925250800000316
Figure FDA00023925250800000317
Figure FDA00023925250800000318
Figure FDA00023925250800000319
Figure FDA00023925250800000320
Figure FDA00023925250800000321
Figure FDA0002392525080000041
Figure FDA0002392525080000042
Figure FDA0002392525080000043
Figure FDA0002392525080000044
Figure FDA0002392525080000045
Figure FDA0002392525080000046
其中，γ1和γ2是预先给定的权重系数，根据乘客满意度、管理者偏好或实际要求进行调整。
5.根据权利要求1所述的方法，其特征在于，所述的对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期限流优化方案，包括：
通过ILOGCPLEX求解器对所提出的列车时刻表和限流措施协同优化模型进行求解，得到城市轨道交通高峰期优化的限流措施，以及配合所述限流措施的列车时刻表。
CN202010119503.6A 2020-02-26 2020-02-26 协调列车时刻表的城市轨道交通高峰期限流优化方法 Active CN111353639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119503.6A CN111353639B (zh) 2020-02-26 2020-02-26 协调列车时刻表的城市轨道交通高峰期限流优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119503.6A CN111353639B (zh) 2020-02-26 2020-02-26 协调列车时刻表的城市轨道交通高峰期限流优化方法

Publications (2)

Publication Number Publication Date
CN111353639A true CN111353639A (zh) 2020-06-30
CN111353639B CN111353639B (zh) 2022-04-12

Family

ID=71192358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119503.6A Active CN111353639B (zh) 2020-02-26 2020-02-26 协调列车时刻表的城市轨道交通高峰期限流优化方法

Country Status (1)

Country Link
CN (1) CN111353639B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768053A (zh) * 2020-07-08 2020-10-13 北京交通大学 一种城市轨道交通网络始发列车发车时刻优化方法
CN111845869A (zh) * 2020-07-22 2020-10-30 上海电气泰雷兹交通自动化系统有限公司 一种疏散突发大客流的列车运行图自动调整方法
CN111932034A (zh) * 2020-09-22 2020-11-13 北京全路通信信号研究设计院集团有限公司 一种区域多制式轨道交通列车开行方案编制方法及其系统
CN112070298A (zh) * 2020-09-04 2020-12-11 深圳市规划国土发展研究中心 一种目标城市铁路互联互通运营组织方案优化方法
CN112078633A (zh) * 2020-08-28 2020-12-15 通号城市轨道交通技术有限公司 轨道交通列车派班方法及系统
CN112149889A (zh) * 2020-09-15 2020-12-29 北京交通大学 考虑客流分配的轨道交通开行线路及频率协同优化方法
CN112381260A (zh) * 2020-09-03 2021-02-19 北京交通大学 基于进站比例的城市轨道交通客流管控优化方法
CN112465205A (zh) * 2020-11-20 2021-03-09 东南大学 一种单线多站协同限流的轨道交通列车开行密度优化方法
CN112498424A (zh) * 2020-12-04 2021-03-16 北京和利时系统工程有限公司 一种不间断时刻表的加载方法和装置
CN112734095A (zh) * 2020-12-30 2021-04-30 中车青岛四方车辆研究所有限公司 考虑大小交路的时刻表和车底运用计划编制方法
CN112906179A (zh) * 2020-11-27 2021-06-04 西南交通大学 一种基于流体排队网络的城市轨道交通客流控制优化方法
CN112918523A (zh) * 2021-02-25 2021-06-08 北京电子科技职业学院 拥挤地铁线路基于列车时刻表优化的客流协同精确控制方法
CN113408859A (zh) * 2021-05-26 2021-09-17 上海工程技术大学 一种考虑客流管控措施的城市轨道交通线路客流与列车匹配方法
CN113935595A (zh) * 2021-09-28 2022-01-14 北京交通大学 一种城市轨道交通路网高峰大客流疏导系统
CN113962616A (zh) * 2021-12-22 2022-01-21 华北科技学院(中国煤矿安全技术培训中心) 一种基于乘客累计出行成本分析下的协调限流方法及系统
CN114925909A (zh) * 2022-05-18 2022-08-19 北京交通大学 城市轨道交通客流与车流耦合优化方法及系统
CN115017667A (zh) * 2022-08-08 2022-09-06 西南交通大学 列车运行图与车底运用计划协同优化方法及装置
CN116142264A (zh) * 2023-04-23 2023-05-23 北京全路通信信号研究设计院集团有限公司 一种城市轨道交通运行计划编制方法及系统
CN116910588A (zh) * 2023-06-16 2023-10-20 上海工程技术大学 一种用于城市轨交列车乘降时间的估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1198379A1 (de) * 1999-07-27 2002-04-24 Siemens Aktiengesellschaft Energiespar-einrichtung für ein schienenfahrzeug
CN105224999A (zh) * 2015-09-10 2016-01-06 北京市交通信息中心 基于afc数据的城市轨道交通实时客流预测方法及系统
CN107705039A (zh) * 2017-10-27 2018-02-16 华东交通大学 基于客流需求的城市轨道交通客流精细化控制方法及系统
CN109409578A (zh) * 2018-09-29 2019-03-01 北京市地铁运营有限公司 一种城市轨道交通路网限流组织方案优化方法
CN110390421A (zh) * 2019-06-12 2019-10-29 北京交通大学 基于时空网络的拥堵地铁线路客流协调控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1198379A1 (de) * 1999-07-27 2002-04-24 Siemens Aktiengesellschaft Energiespar-einrichtung für ein schienenfahrzeug
CN105224999A (zh) * 2015-09-10 2016-01-06 北京市交通信息中心 基于afc数据的城市轨道交通实时客流预测方法及系统
CN107705039A (zh) * 2017-10-27 2018-02-16 华东交通大学 基于客流需求的城市轨道交通客流精细化控制方法及系统
CN109409578A (zh) * 2018-09-29 2019-03-01 北京市地铁运营有限公司 一种城市轨道交通路网限流组织方案优化方法
CN110390421A (zh) * 2019-06-12 2019-10-29 北京交通大学 基于时空网络的拥堵地铁线路客流协调控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FUYA YUAN 等: "Passenger flow control strategies for urban rail transit networks", 《APPL. MATH. MODEL》 *
周菲菲: "城市轨道交通节日单线多站协同限流方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
谢丽平: "城市轨道交通路网多站协同客流控制研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768053A (zh) * 2020-07-08 2020-10-13 北京交通大学 一种城市轨道交通网络始发列车发车时刻优化方法
CN111768053B (zh) * 2020-07-08 2023-09-22 北京交通大学 一种城市轨道交通网络始发列车发车时刻优化方法
CN111845869A (zh) * 2020-07-22 2020-10-30 上海电气泰雷兹交通自动化系统有限公司 一种疏散突发大客流的列车运行图自动调整方法
CN111845869B (zh) * 2020-07-22 2022-05-06 上海电气泰雷兹交通自动化系统有限公司 一种疏散突发大客流的列车运行图自动调整方法
CN112078633A (zh) * 2020-08-28 2020-12-15 通号城市轨道交通技术有限公司 轨道交通列车派班方法及系统
CN112078633B (zh) * 2020-08-28 2022-08-16 通号城市轨道交通技术有限公司 轨道交通列车派班方法及系统
CN112381260B (zh) * 2020-09-03 2023-11-17 北京交通大学 基于进站比例的城市轨道交通客流管控优化方法
CN112381260A (zh) * 2020-09-03 2021-02-19 北京交通大学 基于进站比例的城市轨道交通客流管控优化方法
CN112070298A (zh) * 2020-09-04 2020-12-11 深圳市规划国土发展研究中心 一种目标城市铁路互联互通运营组织方案优化方法
CN112149889A (zh) * 2020-09-15 2020-12-29 北京交通大学 考虑客流分配的轨道交通开行线路及频率协同优化方法
CN112149889B (zh) * 2020-09-15 2023-11-07 北京交通大学 考虑客流分配的轨道交通开行线路及频率协同优化方法
CN111932034B (zh) * 2020-09-22 2024-03-29 北京全路通信信号研究设计院集团有限公司 一种区域多制式轨道交通列车开行方案编制方法及其系统
CN111932034A (zh) * 2020-09-22 2020-11-13 北京全路通信信号研究设计院集团有限公司 一种区域多制式轨道交通列车开行方案编制方法及其系统
CN112465205A (zh) * 2020-11-20 2021-03-09 东南大学 一种单线多站协同限流的轨道交通列车开行密度优化方法
CN112465205B (zh) * 2020-11-20 2023-11-21 东南大学 一种单线多站协同限流的轨道交通列车开行密度优化方法
CN112906179A (zh) * 2020-11-27 2021-06-04 西南交通大学 一种基于流体排队网络的城市轨道交通客流控制优化方法
CN112498424A (zh) * 2020-12-04 2021-03-16 北京和利时系统工程有限公司 一种不间断时刻表的加载方法和装置
CN112734095A (zh) * 2020-12-30 2021-04-30 中车青岛四方车辆研究所有限公司 考虑大小交路的时刻表和车底运用计划编制方法
CN112918523A (zh) * 2021-02-25 2021-06-08 北京电子科技职业学院 拥挤地铁线路基于列车时刻表优化的客流协同精确控制方法
CN113408859A (zh) * 2021-05-26 2021-09-17 上海工程技术大学 一种考虑客流管控措施的城市轨道交通线路客流与列车匹配方法
CN113408859B (zh) * 2021-05-26 2022-05-20 上海工程技术大学 一种考虑客流管控措施的城市轨道交通线路客流与列车匹配方法
CN113935595A (zh) * 2021-09-28 2022-01-14 北京交通大学 一种城市轨道交通路网高峰大客流疏导系统
CN113962616A (zh) * 2021-12-22 2022-01-21 华北科技学院(中国煤矿安全技术培训中心) 一种基于乘客累计出行成本分析下的协调限流方法及系统
CN114925909A (zh) * 2022-05-18 2022-08-19 北京交通大学 城市轨道交通客流与车流耦合优化方法及系统
CN115017667B (zh) * 2022-08-08 2022-11-29 西南交通大学 列车运行图与车底运用计划协同优化方法及装置
CN115017667A (zh) * 2022-08-08 2022-09-06 西南交通大学 列车运行图与车底运用计划协同优化方法及装置
CN116142264B (zh) * 2023-04-23 2023-09-01 北京全路通信信号研究设计院集团有限公司 一种城市轨道交通运行计划编制方法及系统
CN116142264A (zh) * 2023-04-23 2023-05-23 北京全路通信信号研究设计院集团有限公司 一种城市轨道交通运行计划编制方法及系统
CN116910588A (zh) * 2023-06-16 2023-10-20 上海工程技术大学 一种用于城市轨交列车乘降时间的估计方法
CN116910588B (zh) * 2023-06-16 2024-04-05 上海工程技术大学 一种用于城市轨交列车乘降时间的估计方法

Also Published As

Publication number Publication date
CN111353639B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN111353639B (zh) 协调列车时刻表的城市轨道交通高峰期限流优化方法
CN107273999B (zh) 一种突发事件下城市轨道交通客流预测方法
CN106448233B (zh) 基于大数据的公交线路时刻表协同优化方法
Tirachini Estimation of travel time and the benefits of upgrading the fare payment technology in urban bus services
Dessouky et al. Bus dispatching at timed transfer transit stations using bus tracking technology
CN111552913B (zh) 一种新线接入条件下城市轨道交通运能匹配性评价方法
CN113920769B (zh) 一种基于公交多源数据分析的智能排班表生成方法
CN105575108A (zh) 一种智能公交调度运营方法
CN109887267A (zh) 一种轨道交通共线段常规公交调整方法
CN112381260A (zh) 基于进站比例的城市轨道交通客流管控优化方法
CN115527369A (zh) 一种空港枢纽大面积延误条件下的大客流预警与疏散方法
Yang et al. Train scheduling for minimizing the total travel time with a skip-stop operation in urban rail transit
Takeuchi et al. Evaluation method of robustness for train schedules
Kamga et al. An estimation of the effects of social distancing measures on transit vehicle capacity and operations
Zhu Passenger-to-train assignment model based on automated data
CN111367900B (zh) 基于afc数据的城市轨道交通网络常态限流强度的计算方法
Xue et al. Adaptive multilevel collaborative passenger flow control in peak hours for a subway line
Ceder et al. Detecting and improving public-transit connectivity with case studies of two world sport events
Davidson et al. Impact of capacity, crowding, and vehicle arrival adherence on public transport ridership: Los Angeles and Sydney experience and forecasting approach
CN109583657A (zh) 列车运行实绩数据驱动的运行图冗余时间布局获取方法
Izadi et al. Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city)
CN117495059B (zh) 一种轨道交通运行数据分析方法及储存介质
Thilakaratne Mode succession in a public transit corridor
Cui et al. Optimal locations of bus stops connecting subways near urban intersections
Lee et al. Analysis of skip-and-stop planning using smart card data

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