CN111445048A - 一种响应型接驳公交分时段协调优化方法 - Google Patents
一种响应型接驳公交分时段协调优化方法 Download PDFInfo
- Publication number
- CN111445048A CN111445048A CN202010241679.9A CN202010241679A CN111445048A CN 111445048 A CN111445048 A CN 111445048A CN 202010241679 A CN202010241679 A CN 202010241679A CN 111445048 A CN111445048 A CN 111445048A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- passenger
- cost
- stop
- 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.)
- Withdrawn
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004044 response Effects 0.000 title claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 230000005484 gravity Effects 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000003032 molecular docking Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (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
本发明公开了本发明提供一种响应型接驳公交分时段协调优化方法,包括如下步骤:一、通过需求预约管理平台收集预约乘客分布信息和出行参数;二、根据客流时间分布特性,采用模糊C均值聚类算法合理划分出行时段;三、分析各时段乘客空间分布情况,采用改进的K‑means聚类算法初步确定停靠点的服务范围和位置;四、采用重心位置法,结合乘客出行参数确定停靠点的位置;五、对多车辆多车型的多时段发车间隔、发出车型以及停靠点进行一体化协调优化。本发明从实际出发,充分考虑了乘客出行量的时间变化,在尽量满足乘客需求的同时避免发车间隔的多变;根据乘客需求点的空间变化,在避免乘客步行时间过长的同时尽量减少车辆绕行距离。
Description
技术领域
本发明涉及交通领域,具体涉及一种响应型接驳公交分时段协调优化方法。
背景技术
响应型接驳公交(Responsive feeder Transit,RFT)是一种典型的需求响应型公交(Demand Responsive Transit,DRT),是根据乘客预约申请(乘客在车辆从换乘站发出前提出申请)或实时申请(乘客在车辆运行途中提出申请),确定车辆发出车型及发出时间、到达乘客需求点的时间、车辆运行路径的。响应型接驳公交具有机动灵活、服务便捷、社会经济效益好的特点,比较适用于城市新区、郊区等低密度公交出行区域与大运量干线公交换乘站的接驳服务,是居民出行“最后一公里”难题的一种有效解决措施。
随着通讯技术和计算机技术的发展,为响应型接驳公交的实现提供了发展平台。响应型接驳公交是根据乘客出行需求进行车辆调度和路径优化的,因乘客的出行需求具有随机性和时变性,故在接驳系统的运营过程中,需充分乘客出行需求的时空变化特性:在时间上应根据乘客出行需求量的波动进行时段划分,各时段内采用一致的发车间隔;在空间上应根据乘客需求点的分布合理确定公交停靠点的位置。在此基础上,针对各时段,进行发车间隔、发出车型和车辆路径的协调优化,尽量降低车辆运营成本、提高乘客出行效率和服务质量。
对比文件:CN109615112A公开了一种响应型社区公交行车调度优化方法,包括第一阶段静态调度优化和第二阶段动态调度优化两个阶段。第一阶段针对发车前已收到的出行需求,通过求解优化模型,确定本班次车辆需要响应的需求和行车路线;第二阶段在第一阶段的基础上针对本班次发车后收到的需求,通过求解优化模型,确定本班次需要响应的动态需求并调整行车路线。本对比文件涉及的优化模型较为简单,且考虑的因素也较为欠缺,没有根据乘客出行需求点分布来确定车辆停靠点,没有根据乘客出行需求的时间分布分时段进行发车间隔优化没有考虑多车型问题,也没有考虑车辆成本以及乘客成本等影响因素。
发明内容
本发明要解决的技术问题是提供一种能根据乘客出行需求量的时间变化进行时段划分,根据乘客需求点的空间变化合理布设停靠点,根据各时段的乘客出行需求,同时优化确定发车间隔、发出车型和车辆路径的响应型接驳公交分时段协调优化方法。
为了解决上述技术问题,本发明采用以下技术方案:
本发明提供一种响应型接驳公交分时段协调优化方法,包括如下步骤:
一、通过需求预约管理平台收集预约乘客分布信息和出行参数;
二、根据客流时间分布特性,采用模糊C均值聚类算法合理划分出行时段;
三、分析各时段乘客空间分布情况,采用改进的K-means聚类算法初步确定停靠点的服务范围和位置,包括以下步骤:
b1、输入公交车服务范围半径,k时段内乘客需求点集合为 Qk={q1,q2,q3,...,qn};
b2、运用Canopy聚类算法,将时段k内的乘客需求按步行距离小于阈值初始聚类,确定聚类簇数,并基于K-mediods算法确定中心点;
b3、以每个中心点分别聚类簇;
b4、计算各需求点到各中心点的欧氏距离,各需求点归属于距中心点最近的簇中;
b5、所有需求点都归属到簇之后,计算各簇的新中心点;
b6、判断新中心点与原中心点的欧式距离之和小于某个给定的值,若成立则输出中心点、簇数、各簇的乘客需求情况和需求点位置,否则,返回步骤b3;
四、采用重心位置法,结合乘客出行参数确定停靠点的位置;
根据乘客的年龄、出行目的、支付意愿、时间窗以及需求点位置,应用重心位置法确定停靠点的坐标;
五、对多车辆多车型的多时段发车间隔、发出车型以及停靠点进行一体化协调优化,包括:
c1、构建一体化协调优化模型;
根据乘客的预约需求安排1列车队完成各时段的接或送任务,在满足车辆保有量、容量、行程时间等约束下,通过车队所有班次发车间隔、发出车型、停靠点的协调优化,使总成本最小;一体化协调优化模型包括乘客成本优化模型和车辆运营成本优化模型,且乘客总成本和车辆运营总成本遵守以下加权和的最小值约束公式:
minω1U+ω2F
其中:F为乘客总成本,U车辆运营总成本,w1、w2分别为权值;
c2、设计求解算法;
首先在初始的发车间隔下,根据停靠点位置,运用遗传算法协调优化该发车间隔下的发出车型和最佳路径;然后基于遗传算法的思路对发车间隔进行调整,以系统成本最低为目标,求解最佳发车间隔下,发出车型和途经停靠点的最优路径;反复迭代,获取最优解。
进一步的,所述步骤三采用的改进的K-means聚类算法具体如下:在K-means 聚类算法中利用Cannopy聚类算法确定聚类簇数,并采用K-mediods算法确定中心点。
进一步的,所述步骤二中采用模糊C均值聚类算法合理划分出行时段包括如下步骤:
其中,聚类簇数n可根据历史需求情况确定,如以早高峰、午高峰以及晚高峰为界限,n可取值为7,加权指数一般可取值2,ZNj是第j个聚类Γj中的样本数目,置迭代步数Ω=1;
进一步的,所述步骤四中停靠点的坐标包括:
进一步的,所述步骤c1中车辆运营成本优化模型为:
U=U1+U2+U3+U4+U5;
其中U1、U2、U3、U4、U5分别为车辆启动成本、路段行驶成本、车辆停靠成本、车辆早到停靠点等待乘客的成本以及车辆晚到停靠点的惩罚成本;
具体的:
车辆启动成本U1通过如下公式计算得出:
路段行驶成本U2通过如下公式计算得出:
车辆停靠成本U3通过如下公式计算得出:
车辆早到停靠点等待乘客的成本U4通过如下公式计算得出:
车辆晚到停靠点的惩罚成本U5通过如下公式计算得出:
进一步的,所述步骤c1中乘客成本优化模型为:
F=F1+F2+F3;
其中F1、F2、F3分别为乘客步行到停靠点的成本、乘客在停靠点候车成本以及乘客在行驶车辆上的成本;
具体的:
乘客步行到停靠点的成本F1通过如下公式计算得出:
乘客在停靠点候车成本F2通过如下公式计算得出:
乘客在行驶车辆上的成本F3通过如下公式计算得出:
进一步的,所述步骤c1中一体化协调优化模型还包括并满足:停靠点服务范围的乘客均被相应的约束公式、行驶车辆数的约束公式、线路上运营车辆容量的约束公式、时段k内各线路内车辆服务停靠点的约束公式、车辆行驶时间的约束公式、车辆单次运行线路长度的约束公式、车辆到达停靠点pj的时间的约束公式、k时段内线路l上停靠点pj服务范围内乘客qi的候车时间成本的约束公式以及k时段内线路l上停靠点pj上车的乘客qi在车辆上的时间成本的约束公式,其中:
停靠点服务范围的乘客均被相应的约束公式为:
行驶车辆数的约束公式为:
其中:Pk为k时段内的乘客需求量;Dkr为k时段内车辆r的最大载客量;
线路上运营车辆容量的约束公式为:
其中:Ckr为k时段发出车辆r的容量;
时段k内各线路内车辆服务停靠点的约束公式为:
其中:Gk为k时段内停靠点总数;
车辆行驶时间的约束公式为:
其中:T(k,l,r)为k时段内线路l上车辆r的单次行程时间,Tmax为车辆的单次最大行程时间;
车辆单次运行线路长度的约束公式为:
其中:Lmax为车辆的单次运行线路长度;
车辆到达停靠点pj的时间的约束公式为:
k时段内线路l上停靠点pj服务范围内乘客qi的候车时间成本的约束公式以及k时段内线路l上停靠点pj上车的乘客qi在车辆上的时间成本的约束公式为:
其中:LTqi为乘客qi的期望上车时间窗上限及可容忍上车时间窗下限;为0或者1变量,乘客qi被线路l上车辆r服务,则否则 h1和h2分别为车辆在乘客可容忍时间窗内和外到达时,乘客的候车时间成本系数,h3和h4分别为乘客的车上时间在可忍受范围内和外的时间成本系数;为k时段内线路l上r车辆上乘客qi的实际在车上的时间;和分别为k时段内线路l上r车辆上乘客qi在车上的时间下限、上限。
本发明的有益效果在于:
(1)本发明从实际出发,充分考虑了乘客出行量的时间变化,基于C均值聚类方法进行时段划分,使得各时段内发车间隔能保持一致,在尽量满足乘客需求的同时避免发车间隔的多变。
(2)本发明从实际出发,根据乘客需求点的空间变化,基于改进的K-means 聚类方法和重心位置法合理确定各时段各停靠点的选址,在避免乘客步行时间过长的同时尽量减少车辆绕行距离。
(3)本发明考虑乘客时空分布的影响,同时优化各时段各班次的发车间隔、发出车型、停靠点,使系统总成本最小,即能保障服务水平也能节约成本,社会经济效益良好。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的协调优化流程图。
图2是本发明实施例的模糊C均值聚类算法的时段划分流程图。
图3是本发明实施例的停靠点选址流程图。
图4是本发明实施例的遗传算法求解流程图。
图5是本发明实施例的遗传算法求解时染色体交叉操作示意图。
具体实施方式
为了更好地阐述该发明的内容,下面通过具体实施例对本发明进一步的验证。特在此说明,实施例只是为更直接地描述本发明,它们只是本发明的一部分,不能对本发明构成任何限制。
如图1所示,本发明实施例提供一种响应型接驳公交分时段协调优化方法,包括如下步骤:
一、收集预约乘客分布信息和出行参数;
二、根据客流时间分布特性,采用模糊C均值聚类算法合理划分出行时段;
如图2所示,将预约乘客的申请时间归为统一有序的数据集X, {xi,i=1,2,3,...,N}是N个样本组成的样本集,时段划分的模糊C均值聚类算法步骤如下:
三、分析各时段乘客空间分布情况,采用改进的K-means聚类算法初步确定停靠点的服务范围和位置;
四、采用重心位置法,结合乘客出行参数确定停靠点的位置;
如图3所示,确定停靠点的位置包括以下步骤:
b1、输入公交车服务范围半径,k时段内乘客需求点集合为 Qk={q1,q2,q3,...,qn};
b2、运用Canopy聚类算法,将时段k内的乘客需求按步行距离小于阈值初始聚类,确定聚类簇数,并基于K-mediods算法确定中心点;
b3、以每个中心点分别聚类簇;
b4、计算各需求点到各中心点的欧氏距离,各需求点归属于距中心点最近的簇中;
b5、所有需求点都归属到簇之后,计算各簇的新中心点;
b6、判断新中心点与原中心点的欧式距离之和小于某个给定的值,若成立则输出中心点、簇数、各簇的乘客需求情况和需求点位置,否则,返回步骤b3;
b7、根据乘客的年龄、出行目的、支付意愿、时间窗以及需求点位置,应用重心位置法确定停靠点的坐标;
五、对多车辆多车型的多时段发车间隔、发出车型以及停靠点进行一体化协调优化,并设计求解算法。
如图4所示,本发明实施例选用求解速度较快、最优解可靠性较高、鲁棒性较强的遗传算法进行求解。
求解的过程中,首先在初始的发车间隔下,根据停靠点位置,运用遗传算法协调优化该发车间隔下的发出车型和停靠点;然后基于遗传算法的思路对发车间隔进行调整,以系统成本最低为目标,求解最佳发车间隔下,发出车型和途经停靠点的最优路径;反复迭代,获取最优解。
实施例1:如图5所示,遗传算法编码时,一条染色体链表示一条接驳信息链,链条的第一位储存车辆基因,第二位储存停靠点基因,第三位储存乘客基因。例如:20||151235|1678|1910111214,其中,车辆20经过停靠点15、16、 19,停靠点15接驳乘客1、2、3、5,停靠点16接驳乘客7、8,停靠点19接驳乘客10、11、12、14。染色体交叉时,交叉内容包括停靠点和乘客的交叉,交叉过程中需要满足乘客只能上一次车,停靠点只能被服务一次,不能同时被服务的约束。为提高服务质量和降低系统成本,染色体的部分基因片段进行交叉操作。
实施例2:现有一地铁站服务区,其服务半径是R=4000m的圆形区域,接驳车辆的速度为30km/h,地铁站点的坐标设为(0,0)。
车型A数量为εA=8辆、容量为CA=15人/辆、ξA=5元/辆、单位运输成本ΥA=0.0015元/m;车型B数量为εB=5辆、容量为CB=20人/辆、ξB=10元/辆、单位运输成本ΥB=0.002元/m。
如表1所示,首先收集预约乘客分布信息和出行参数。且令θ=0.5元/min, h1=0.5元/min,h2=0.8元/min,h3=0.5元/min,h4=1.0元/min,φ=0.5元 /min,ψ=5元,τ=0.00001元/m,Tmax=40min。
表1乘客需求分布情况
然后根据客流时间分布特性,采用模糊C均值聚类算法合理划分出行时段;本实施例中研究时段被分为7:00~7:20、7:20~7:50、7:50~8:30三个时段。
如表2所述,分析各时段乘客空间分布情况,先采用改进的K-means聚类算法初步确定停靠点的服务范围和位置,再采用重心位置法,结合乘客出行参数生成了50个停靠点的位置;
表2停靠点位置分布情况
如表3所示,对各时段的发车间隔、发出间隔和车辆路径等进行一体化协调优化。
表3分时段优化的发车时间、路径和成本情况
如表4所示,假设固定发车间隔各时段均为10min,然后对车辆路径和成本等进行一体化协调优化。
表4发车间隔固定为10min时的发车时间、路径和成本情况
如表5所示,假设固定发车间隔各时段均为15min,然后对车辆路径和成本等进行一体化协调优化。
表5发车间隔固定为15min时的发车时间、路径和成本情况
如表6所示,假设固定发出车型仅为A,然后对发车间隔、车辆路径和成本等进行一体化协调优化。
表6发出车型固定为车型A时的发车时间、路径和成本情况
如表7所示,假设固定发出车型仅为B,然后对发车间隔、车辆路径和成本等进行一体化协调优化。
表7发出车型固定为车型B时的发车时间、路径和成本情况
结论:
由表3-5可知:
在分时段优化的发车方式下,每位乘客的平均行驶距离506.2m/人、平均总成本3.349元/人,平均运输成本6.616元/m,车辆平均满载率95.5%;
在发车间隔固定为10min时,每位乘客的平均行驶距离为496.87m/人,平均总成本3.402元/人,平均运输成本6.861元/m,车辆平均满载率93.1%;
在发车间隔固定为15min时,每位乘客的平均行驶距离为526.35m/人,平均总成本3.534元/人,平均运输成本6.713元/m,车辆平均满载率93.0%;
分时段优化的发车方式与发车间隔固定为10min、15min的相比,每位乘客的平均行驶距离变化不大,但平均总成本分别减少1.6%、5.5%,平均运输成本分别减少3.7%、1.7%,车辆平均满载率分别增加2.5%、2.4%,经济效益显著。
由表3、6-7可知:
在发出车型仅为车型A时,每位乘客的平均行驶距离498.9m/人、平均总成本3.393元/人,平均运输成本6.801元/m,车辆平均满载率95.2%;
在发出车型仅为车型B时,每位乘客的平均行驶距离455.7m/人、平均总成本3.386元/人,平均运输成本7.431元/m,车辆平均满载率90.9%;
在同时发出车型A和B时,系统响应每位乘客的平均行驶距离506.2m/人、平均总成本3.349元/人,平均运输成本6.616元/m,车辆平均满载率95.5%;
可同时发出车型A和B与仅为车型A、仅为车型B时相比较,每位乘客的平均行驶距离略有增加,平均总成本分别减少1.3%、1.1%,平均运输成本分别减少2.8%、12%,车辆平均满载率分别增加0.3%、4.6%,经济效益显著。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所述技术领域的技术人员可以所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种响应型接驳公交分时段协调优化方法,其特征在于,包括以下步骤:
一、通过需求预约管理平台收集预约乘客分布信息和出行参数;
二、根据客流时间分布特性,采用模糊C均值聚类算法合理划分出行时段;
三、分析各时段乘客空间分布情况,采用改进的K-means聚类算法初步确定停靠站的服务范围和位置,包括以下步骤:
b1、输入公交车服务范围半径,k时段内乘客需求点集合为Qk={q1,q2,q3,...,qn};
b2、运用Canopy聚类算法,将时段k内的乘客需求按步行距离小于阈值初始聚类,确定聚类簇数,并基于K-mediods算法确定中心点;
b3、以每个中心点分别聚类簇;
b4、计算各需求点到各中心点的欧氏距离,各需求点归属于距中心点最近的簇中;
b5、所有需求点都归属到簇之后,计算各簇的新中心点;
b6、判断新中心点与原中心点的欧式距离之和小于某个给定的值,若成立则输出中心点、簇数、各簇的乘客需求情况和需求点位置,否则,返回步骤b3;
四、采用重心位置法,结合乘客出行参数确定停靠站的位置;
根据乘客的年龄、出行目的、支付意愿、时间窗以及需求点位置,应用重心位置法确定停靠点的坐标;
五、对多车辆多车型的多时段发车间隔、发出车型以及停靠站进行一体化协调优化,包括:
c1、构建一体化协调优化模型;
根据乘客的预约需求安排1列车队完成各时段的接或送任务,在满足车辆保有量、容量、行程时间等约束下,通过车队所有班次发车间隔、发出车型、停靠点的协调优化,使总成本最小;一体化协调优化模型包括乘客成本优化模型和车辆运营成本优化模型,且乘客总成本和车辆运营总成本遵守以下加权和的最小值约束公式:
minω1U+ω2F
其中:F为乘客总成本,U车辆运营总成本,w1、w2分别为权值;
c2、设计求解算法;
首先在初始的发车间隔下,根据停靠点位置,运用遗传算法协调优化该发车间隔下的发出车型和停靠点;然后基于遗传算法的思路对发车间隔进行调整,以系统成本最低为目标,求解最佳发车间隔下,发出车型和途经停靠点的最优路径;反复迭代,获取最优解。
2.根据权利要求1所述的响应型接驳公交分时段协调优化方法,其特征在于,所述步骤二中采用模糊C均值聚类算法合理划分出行时段包括以下步骤:
a1、将预约乘客的申请时间归为统一有序的数据集X,{xi,i=1,2,3,...,N}是N个样本组成的样本集,设定聚类簇数n和加权指数b;初始化各个聚类中心zmj (1),其中,n为发车间隔数,ZNj是第j个聚类Γj中的样本数目,置迭代步数Ω=1;
a3、根据uj(xi)(Ω)更新各聚类中心zmj (Ω+1),
3.根据权利要求1所述的响应型接驳公交分时段协调优化方法,其特征在于,所述步骤三采用的改进的K-means聚类算法具体如下:
在K-means聚类算法中利用Cannopy聚类算法确定聚类簇数,并采用K-mediods算法确定中心点。
5.根据权利要求1所述的响应型接驳公交分时段协调优化方法,其特征在于,所述步骤c1中车辆运营成本优化模型为:
U=U1+U2+U3+U4+U5;
其中U1、U2、U3、U4、U5分别为车辆启动成本、路段行驶成本、车辆停靠成本、车辆早到停靠点等待乘客的成本以及车辆晚到停靠点的惩罚成本;
具体的:
车辆启动成本U1通过如下公式计算得出:
路段行驶成本U2通过如下公式计算得出:
车辆停靠成本U3通过如下公式计算得出:
车辆早到停靠点等待乘客的成本U4通过如下公式计算得出:
车辆晚到停靠点的惩罚成本U5通过如下公式计算得出:
6.根据权利要求1所述的响应型接驳公交分时段协调优化方法,其特征在于,所述步骤c1中乘客成本优化模型为:
F=F1+F2+F3;
其中F1、F2、F3分别为乘客步行到停靠点的成本、乘客在停靠点候车成本以及乘客在行驶车辆上的成本;
具体的:
乘客步行到停靠点的成本F1通过如下公式计算得出:
乘客在停靠点候车成本F2通过如下公式计算得出:
乘客在行驶车辆上的成本F3通过如下公式计算得出:
7.根据权利要求1所述的响应型接驳公交分时段协调优化方法,其特征在于,所述步骤c1中一体化协调优化模型还包括并满足:停靠点服务范围的乘客均被相应的约束公式、行驶车辆数的约束公式、线路上运营车辆容量的约束公式、时段k内各线路内车辆服务停靠点的约束公式、车辆行驶时间的约束公式、车辆单次运行线路长度的约束公式、车辆到达停靠点pj的时间的约束公式、k时段内线路l上停靠点pj服务范围内乘客qi的候车时间成本的约束公式以及k时段内线路l上停靠点pj上车的乘客qi在车辆上的时间成本的约束公式,其中:
停靠点服务范围的乘客均被相应的约束公式为:
行驶车辆数的约束公式为:
其中:Pk为k时段内的乘客需求量;Dkr为k时段内车辆r的最大载客量;
线路上运营车辆容量的约束公式为:
其中:Ckr为k时段发出车辆r的容量;
时段k内各线路内车辆服务停靠点的约束公式为:
其中:Gk为k时段内停靠点总数;
车辆行驶时间的约束公式为:
其中:T(k,l,r)为k时段内线路l上车辆r的单次行程时间,Tmax为车辆的单次最大行程时间;
车辆单次运行线路长度的约束公式为:
其中:Lmax为车辆的单次运行线路长度;
车辆到达停靠点pj的时间的约束公式为:
k时段内线路l上停靠点pj服务范围内乘客qi的候车时间成本的约束公式以及k时段内线路l上停靠点pj上车的乘客qi在车辆上的时间成本的约束公式为:
其中:LTqi为乘客qi的期望上车时间窗上限及可容忍上车时间窗下限;为0或者1变量,乘客qi被线路l上车辆r服务,则否则h1和h2分别为车辆在乘客可容忍时间窗内和外到达时,乘客的候车时间成本系数,h3和h4分别为乘客的车上时间在可忍受范围内和外的时间成本系数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241679.9A CN111445048A (zh) | 2020-03-31 | 2020-03-31 | 一种响应型接驳公交分时段协调优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241679.9A CN111445048A (zh) | 2020-03-31 | 2020-03-31 | 一种响应型接驳公交分时段协调优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111445048A true CN111445048A (zh) | 2020-07-24 |
Family
ID=71652583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010241679.9A Withdrawn CN111445048A (zh) | 2020-03-31 | 2020-03-31 | 一种响应型接驳公交分时段协调优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445048A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465211A (zh) * | 2020-11-24 | 2021-03-09 | 北京交通大学 | 一种轨道交通列车满载率控制方法及应用 |
CN112687115A (zh) * | 2021-03-16 | 2021-04-20 | 长沙理工大学 | 一种自动驾驶行人接驳车行驶路径与路段过街控制方法 |
CN115662116A (zh) * | 2022-10-12 | 2023-01-31 | 昆明理工大学 | 一种城市场景下中基于聚类的混合数据分发方法 |
CN116432386A (zh) * | 2023-02-20 | 2023-07-14 | 湖南大学无锡智能控制研究院 | 一种用于智能公交系统的多车型时刻表设计方法及系统 |
CN117555338A (zh) * | 2024-01-10 | 2024-02-13 | 成都电科星拓科技有限公司 | 基于K-means算法的多自动引导车协作停泊方法及自动引导车 |
-
2020
- 2020-03-31 CN CN202010241679.9A patent/CN111445048A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465211A (zh) * | 2020-11-24 | 2021-03-09 | 北京交通大学 | 一种轨道交通列车满载率控制方法及应用 |
CN112465211B (zh) * | 2020-11-24 | 2023-11-24 | 北京交通大学 | 一种轨道交通列车满载率控制方法及应用 |
CN112687115A (zh) * | 2021-03-16 | 2021-04-20 | 长沙理工大学 | 一种自动驾驶行人接驳车行驶路径与路段过街控制方法 |
CN115662116A (zh) * | 2022-10-12 | 2023-01-31 | 昆明理工大学 | 一种城市场景下中基于聚类的混合数据分发方法 |
CN115662116B (zh) * | 2022-10-12 | 2023-09-12 | 昆明理工大学 | 一种城市场景下中基于聚类的混合数据分发方法 |
CN116432386A (zh) * | 2023-02-20 | 2023-07-14 | 湖南大学无锡智能控制研究院 | 一种用于智能公交系统的多车型时刻表设计方法及系统 |
CN116432386B (zh) * | 2023-02-20 | 2023-11-24 | 湖南大学无锡智能控制研究院 | 一种用于智能公交系统的多车型时刻表设计方法及系统 |
CN117555338A (zh) * | 2024-01-10 | 2024-02-13 | 成都电科星拓科技有限公司 | 基于K-means算法的多自动引导车协作停泊方法及自动引导车 |
CN117555338B (zh) * | 2024-01-10 | 2024-03-19 | 成都电科星拓科技有限公司 | 基于K-means算法的多自动引导车协作停泊方法及自动引导车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445048A (zh) | 一种响应型接驳公交分时段协调优化方法 | |
CN109409599B (zh) | 基于实时需求的定制公交线路开通优化方法 | |
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 | |
CN111582691B (zh) | 基于双层规划的客运枢纽多交通方式的运力匹配方法 | |
WO2021174374A1 (zh) | 交通信号极化绿波控制方法 | |
CN109447340B (zh) | 一种可靠性最短路的定制公交线路优化方法 | |
CN110458456B (zh) | 基于人工智能的需求响应式公交系统的调度方法及系统 | |
CN112085249B (zh) | 一种基于强化学习的定制公交线路规划方法 | |
CN112561249B (zh) | 面向实时需求的城市定制公交调度方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN113780808B (zh) | 基于柔性公交接驳系统线的车辆服务属性决策优化方法 | |
CN111915464B (zh) | 一种基于考虑常规公交线网的地铁中断区间乘客接驳模型系统及方法 | |
CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
CN115527369B (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 | |
CN107220733B (zh) | 基于互联网和车路协同的起讫点集定制公交开行优化方法 | |
CN111626469A (zh) | 一种面向运能提升的快慢车开行优化方法 | |
CN114511143A (zh) | 基于组团划分的城市轨道交通线网生成方法 | |
CN111724076A (zh) | 运营中断条件下区域多式轨道交通客流动态分配方法 | |
CN115035739A (zh) | 一种应用于智能网联园区的自动驾驶车辆调度方法 | |
CN115423168A (zh) | 一种考虑服务稳定性的定制公交路网优化方法及系统 | |
CN110148297B (zh) | 一种使用班车接驳的停车换乘系统及优化方法 | |
CN113096429B (zh) | 基于公交调度站点集散的弹性公交区域灵活性线路生成方法 | |
CN114358386A (zh) | 一种基于预约出行需求的双出行模式合乘站点生成方法 | |
CN114386310A (zh) | 一种时空客流网络分布下地铁列车节能时刻表优化方法 | |
CN116629567B (zh) | 考虑动态需求的需求响应公交与共享电单车耦合优化方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200724 |