CN111626469A - 一种面向运能提升的快慢车开行优化方法 - Google Patents

Abstract

本发明提供了一种面向运能提升的快慢车开行优化方法，根据乘客选择的线路信息划分乘客类型，构建乘客路径集，推导不同乘客类型选乘不同乘车路径的影响因素的计算公式，根据影响因素，使用路径综合费用值公式和Logit模型计算乘客路径选择概率，根据不同乘车路径、以及乘客路径选择概率决定的在不同乘车路径上的客流分配，建立双层规划模型，运用粒子群算法求解所述双层规划模型，输出最优行车方案，有效的提升了城市轨道交通系统的运营效率，缩短长距离乘客出行时间，有效改善客流剧增和客流空间分布不均衡的运能问题，以及在满足乘客需求的基础上减少了列车运行成本和缩短乘客出行时间。

Description

一种面向运能提升的快慢车开行优化方法

技术领域

本发明属于快慢车开行方案优化领域，具体涉及一种面向运能提升的快慢车开行优化方法。

背景技术

随着城市规模的日益发展，城市轨道交通日渐成为缓解城市交通压力的主要交通方式，因此对列车开行方案的研究和优化十分重要，多数市郊轨道线路较长，且沿途停靠车站数量较多，此类线路通勤时段客流空间分布不均衡程度较高，乘客运距较长，导致列车运能不能较好的满时空分布不均衡的客流。

为了满足早晚高峰通勤客流的通勤时间要求，部分城市开始在市郊线上采用快慢车的运营模式。合理的快慢车运行方案能够有效的提升城市轨道交通系统的运营效率，使得快车在缩短长距离乘客出行时间的同时，慢车又能保障对沿线站点客流的运输能力，优化后的快慢车开行方案可用于改善客流剧增和客流空间分布不均衡的运能与客流需求的严重不匹配的问题。

发明内容

为了克服上述技术缺陷，本发明提供了一种面向运能提升的快慢车开行优化方法，根据乘客选择的线路信息划分乘客类型，构建乘客路径集，计算乘客路径选择概率，并建立双层规划模型，最终运用粒子群算法求解所述双层规划模型，输出最优行车方案，有效改善客流剧增和客流空间分布不均衡的运能问题，以及在满足乘客需求的基础上减少了列车运行成本和缩短乘客出行时间。

本发明采用以下技术方案：

一种面向运能提升的快慢车开行优化方法，包括以下步骤:

S1、根据乘客选择的线路信息划分乘客类型，构建乘客路径集；

S2、推导不同乘客类型选乘不同乘车路径的影响因素的计算公式，根据所述影响因素，使用路径综合费用值公式和Logit模型计算乘客路径选择概率；

S3、根据不同乘车路径、以及所述乘客路径选择概率决定的在不同乘车路径上的客流分配，建立双层规划模型，所述双层规划模型包括基于列车停站时间成本和乘客出行时间成本的上层模型、以及基于所述客流分配的下层模型；

S4、运用粒子群算法求解所述双层规划模型，输出最优行车方案。

进一步的，所述步骤S1包括以下步骤：

S11、根据乘客选择的起讫点的站点类型划分乘客类型，所述站点类型包括快慢车均停站和慢车停靠站，所述起讫点包括始发站和终点站；

S12、根据线路情况列出每一所述乘客类型在同一起讫点可能选择的乘车路径，构建包括多个所述乘车路径的所述乘客路径集。

进一步的，所述步骤S2包括以下步骤：

S21、根据列车排序定义乘客到达阶段，推导出不同乘客类型在不同到达阶段选乘不同乘车路径的影响因素的计算公式，并根据所述计算公式对每一所述乘车路径的所述影响因素进行计算，所述影响因素包括候车时间T_w、在车时间T_s以及换乘时间T_t；

S22、根据所述影响因素，使用所述路径综合费用值公式计算出不同所述乘车路径的路径综合费用值；

S23、根据所述Logit模型计算所述乘客路径选择概率。

进一步的，所述路径综合费用值公式为：

其中，

表示某一起讫点OD对应的乘客路径集中的某一乘车路径r的路径综合费用值，V_w、V_s、V_t分别为所述候车时间T_w、在车时间T_s和换乘时间T_t的感知系数。

进一步的，所述Logit模型的公式为：

其中，

表示某一起讫点OD对应的乘客路径集中的某一乘车路径r的乘客路径选择概率。

进一步的，所述步骤S3包括以下步骤：

S31、建立基于目标函数包括列车停站时间成本最小化和乘客出行时间成本最小化的上层模型；

S32、建立基于目标函数为客流分配的下层模型；

进一步的，所述上层模型为：

其中，i、j表示线路站点序列，i、j∈(1，I)；N表示快慢车开行比例为1：N；t_i表示列车停站时间；t_y表示被越行慢车等待时间；α_i表示快车停靠站0-1变量；β_i表示越行站0-1变量；T表示快车与慢车间发车间隔；

表示起讫点OD为i站到j站时选择路径r的乘客数量；q^ij表示起讫点OD为i站到j站的乘客数量；F_min表示约束最小发车间隔；F_max表示约束最大发车间隔。

进一步的，所述下层模型为；

其中，θ表示一个非负参数，描述模型的随机性；q^ij表示起讫点OD为i站到j站上的乘客数量。

进一步的，所述上层模型的约束条件包括快车停靠站约束、快车越行站约束、发车间隔约束以及快慢车开行比例约束；

所述下层模型的约束条件为客流量约束，同一起讫点OD上不同乘车路径的客流量之和为该起讫点OD上的总客流量，且客流量为大于等于0。

进一步的，所述步骤S4包括以下步骤：

S41、随机产生包含快车停靠站、快车越行站、发车间隔以及快慢车开行比例的粒子群，所述粒子群包含一个行车方案；

S42、将所述粒子群嵌套至所述下层模型，得到对应的客流分配结果；

S43、将所述客流分配结果嵌套至所述上层模型，求解所述目标函数的数值；

S44、重复步骤S41-S43，比较所述目标函数的数值，不断更新所述粒子群的速度位置，直至所述目标函数的数值处于水平稳定状态，输出最优粒子群，并将其转换为所表达的所述行车方案，得到所述快慢车开行优化方法。

与现有技术相比，本发明的有益技术效果如下：

本发明提供了一种面向运能提升的快慢车开行优化方法，根据乘客选择的线路信息划分乘客类型，构建乘客路径集，推导不同乘客类型选乘不同乘车路径的影响因素的计算公式，根据所述影响因素，使用路径综合费用值公式和Logit模型计算乘客路径选择概率，根据不同乘车路径、以及所述乘客路径选择概率决定的在不同乘车路径上的客流分配，建立双层规划模型，运用粒子群算法求解所述双层规划模型，输出最优行车方案，有效的提升了城市轨道交通系统的运营效率，缩短长距离乘客出行时间，有效改善客流剧增和客流空间分布不均衡的运能问题，以及在满足乘客需求的基础上减少了列车运行成本和缩短乘客出行时间。

附图说明

图1是本发明实施例中所述的一种面向运能提升的快慢车开行优化方法的步骤示意图。

图2是本发明实施例中的乘客路径集。

图3、图4、图5、图6、图7是本发明不同乘客类型在不同到达阶段选乘不同路径的候车时间、在车时间和换乘时间的计算公式。

图8是本发明实施例中的粒子群算法求解流程图。

图9是本发明实施例中的某一线路的现状线路图。

图10是本发明实施例中的起讫点OD的客流数据。

图11是本发明实施例中的某一线路的优化线路图。

图12是本发明实施例中的优化结果前后对比图。

图13、图14、图15、图16是本发明实施例中优化后的乘客路径选择图。

图17是本发明实施例中优化后乘客路径广义时间费用和路径选择概率。

具体实施方式

为了充分地了解本发明的目的、特征和效果，以下将结合附图与具体实施方式对本发明的构思、具体步骤及产生的技术效果作进一步说明。

如图1所述，本发明公开了一种面向运能提升的快慢车开行优化方法，其步骤包括：

S1、根据乘客选择的线路信息划分乘客类型，构建乘客路径集；

具体的，步骤S1包括以下步骤：

S11、根据乘客选择的起讫点的站点类型划分乘客类型，站点类型包括快慢车均停站和慢车停靠站，起讫点包括始发站和终点站；

S12、根据线路情况列出每一乘客类型在同一起讫点可能选择的乘车路径，构建包括多个乘车路径的乘客路径集。

具体的在一实施方式中，根据乘客选择的起讫点的站点类型，将乘客分为四种类型，AB站代表快慢车均停站，B站代表慢车停靠站，其中：第一种类型的乘客的出行起讫点均是AB站；第二种类型的乘客的出行起讫点分别是AB站和B站；第三种类型的乘客的出行起讫点分别是B站和AB站；第四种类型的乘客的出行起讫点均是B站，得到不同乘客类型在同一起讫点OD上的乘客路径集如图2所示。

S2、推导不同乘客类型选乘不同乘车路径的影响因素的计算公式，根据影响因素，使用路径综合费用值公式和Logit模型计算乘客路径选择概率；

具体的，所述步骤S2包括以下步骤：

S21、根据列车排序定义乘客到达阶段，推导出不同乘客类型在不同到达阶段选乘不同乘车路径的影响因素的计算公式，并根据计算公式对每一乘车路径的影响因素进行计算，影响因素包括候车时间T_w、在车时间T_s以及换乘时间T_t；

S22、根据影响因素，使用路径综合费用值公式计算出不同乘车路径的路径综合费用值；

S23、根据Logit模型计算乘客路径选择概率。

具体的，在本实施例的一个实施方式中，以上面图2的不同乘客类型为例，根据列车排序定义乘客到达阶段，根据线路实际情况推导出不同乘客类型在不同到达阶段选乘不同路径的候车时间、在车时间和换乘时间的计算公式，不同乘客类型对应的计算公式如下所示：

①当乘客类型为AB-AB(乘车区间为第i站到第j站)，且两快车站之间没有快车站可以快车换乘慢车时，对应的候车时间、在车时间和换乘时间的计算公式如图3所示。

②当乘客类型为AB-AB(乘车区间为第i站到第j站)，且两快车站之间有快车站可以快车换乘慢车时，对应的候车时间、在车时间和换乘时间的计算公式如图4所示。

③当乘客类型为AB-B(乘车区间为第i站到第j站)，且两站之间有快车站可以快车换乘慢车时，对应的候车时间、在车时间和换乘时间的计算公式如图5所示。

④当乘客类型为B-AB(乘车区间为第i站到第j站)，且两站之间有快车站可以慢车换乘快车时，对应的候车时间、在车时间和换乘时间的计算公式如图6所示。

⑤当乘客类型为B-B(乘车区间为第i站到第j站)时，对应的候车时间、在车时间和换乘时间的计算公式如图7所示。

其中，图中的字母释义如下所示：MZ表示慢车直达，KZ表示快车直达，M-K表示慢车换乘快车，K-M表示快车换乘慢车；N表示快慢车开行比例为1：N；r_i表示区间运行时间；t_i表示列车停站时间；t_y表示被越行慢车等待时间；α_i表示快车停靠站0-1变量；β_i表示越行站0-1变量；T表示快车与慢车间发车间隔。

其次，综合考虑影响出行者选择路径的三个因素，即候车时间T_w、在车时间T_s以及换乘时间T_t，利用随机效用原理，路径综合费用值公式为：

其中，

表示某一起讫点OD对应的乘客路径集中的某一乘车路径r的路径综合费用值，V_w、V_s、V_t分别为所述候车时间T_w、在车时间T_s和换乘时间T_t的感知系数。

采用Logit模型来求解乘客路径选择的概率，用路径的广义费用表示可确定的效用，Logit模型的公式为：

其中，

表示某一起讫点OD对应的乘客路径集中的某一乘车路径r的乘客路径选择概率。

S3、根据不同乘车路径、以及乘客路径选择概率决定的在不同乘车路径上的客流分配，建立双层规划模型，双层规划模型包括基于列车停站时间和乘客出行时间成本的上层模型、以及基于客流分配的下层模型；

具体的，步骤S3包括以下步骤：

S31、建立基于目标函数包括列车停站时间成本最小化和乘客出行时间成本最小化的上层模型；

S32、建立基于目标函数为客流分配的下层模型；

具体的，上层模型为：

其中，i、j表示线路站点序列，i、j∈(1，I)；N表示快慢车开行比例为1：N；t_i表示列车停站时间；t_y表示被越行慢车等待时间；α_i表示快车停靠站0-1变量；β_i表示越行站0-1变量；T表示快车与慢车间发车间隔；

表示起讫点OD为i站到j站时选择路径r的乘客数量；q^ij表示起讫点OD为i站到j站的乘客数量；F_min表示约束最小发车间隔；F_max表示约束最大发车间隔。

上层模型的目标是优化行车组织方案，目标函数从企业运营成本和乘客出行时间成本考虑，追求运营成本最小化和乘客出行时间成本最小化。从列车运行角度分析，企业运营成本包含列车走行公里成本、车辆购置成本和列车停站成本，在行车方案固定的情况下，每列车的走行公里数和车辆购置成本基本不会改变，而列车的停站成本会随着列车停站方案而改变，因此企业运营成本将只考虑列车单位小时停站时间，从乘客角度考虑则追求所有路径上的乘客在单位小时的出行时间最小。

具体的，下层模型为；

其中，θ表示一个非负参数，描述模型的随机性；q^ij表示起讫点OD为i站到j站上的乘客数量。

下层模型为基于客流分配的随即用户均衡优化模型，该模型已被证明满足Logit模型的客流分配随机平衡条件。

具体的，上层模型的约束条件包括快车停靠站约束，快车越行站约束、发车间隔约束以及快慢车开行比例约束，同时一辆快车能且只能越行一次慢车，且越行作业只能发生在慢车站；下层模型的约束条件为客流量约束，同一起讫点OD上不同乘车路径的客流量之和为该起讫点OD上的总客流量，且客流量为大于等于0。

S4、运用粒子群算法求解所述双层规划模型，输出最优行车方案。

具体的，步骤S4包括以下步骤：

S41、随机产生包含快车停靠站、快车越行站、发车间隔以及快慢车开行比例的粒子群，粒子群包含一个行车方案；

S42、将粒子群嵌套至下层模型，得到对应的客流分配结果；

S43、将客流分配结果嵌套至上层模型，求解目标函数的数值；

S44、重复步骤S41-S43，比较目标函数的数值，不断更新粒子群的速度位置，直至目标函数的数值处于水平稳定状态，输出最优粒子群，并将其转换为所表达的行车方案，得到快慢车开行优化方法，本发明实施例中的粒子群算法求解流程图如图8所示。

具体的，以某一线路为例进行应用分析，线路信息如图9所示。实际开行方案中，快慢车开行比例为1:4，非等间隔发车，范围大概在4-10min。采用xxxx年xx月xx日的客流数据，整理出上行方向17:30-18:30晚高峰OD数据如图10所示。

根据优化模型，带入线路参数与客流信息得到优化后的开行方案如图11所示。其中快慢车开行比例为1:3，慢车之间发车间隔约为8’20s，快车与慢车之间发车间隔约为4’40s，与优化前方案相差不大。

优化前后结果对比如图12所示。从乘客角度出发，乘客出行时间优化后有所减少，优化后乘客候车时间由6067859s减少为5335136s，减少了732523s，节省时间百分比为12.1％；从运营角度出发，单位时间列车停站成本由5372s增加为5520s，停站成本增加了148s，但列车平均停站成本均约为575s，这是由于优化后线路通过能力得到提升，导致单位时间线路通过列车数增加，因此列车总停站成本增加，但列车平均停站成本相对于优化前方案减少了49.7s，约8％，也达到了优化的效果；线路通过能力由8.5列/h增加为9.6列/h，单位时间增加1列，运能提升了11.6％，取得了较大的优化效果。

下层模型中也得到了该种行车方案中最优的客流分配方案，其中具有代表性的四类OD生成路径图如图13、图14、图15、图16所示，其广义时间费用和路径选择概率如图17所示。

本实施例提供了一种面向运能提升的快慢车开行优化方法，根据乘客选择的线路信息划分乘客类型，构建乘客路径集，推导不同乘客类型选乘不同乘车路径的影响因素的计算公式，根据影响因素，使用路径综合费用值公式和Logit模型计算乘客路径选择概率，根据不同乘车路径、以及乘客路径选择概率决定的在不同乘车路径上的客流分配，建立双层规划模型，运用粒子群算法求解所述双层规划模型，输出最优行车方案，有效的提升了城市轨道交通系统的运营效率，缩短长距离乘客出行时间，有效改善客流剧增和客流空间分布不均衡的运能问题，以及在满足乘客需求的基础上减少了列车运行成本和缩短乘客出行时间。

本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可查看存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上详细描述了本发明的较佳具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术方案，均应该在由本权利要求书所确定的保护范围。

Claims (10)

1.一种面向运能提升的快慢车开行优化方法，其特征在于，包括以下步骤：

S1、根据乘客选择的线路信息划分乘客类型，构建乘客路径集；

S2、推导不同乘客类型选乘不同乘车路径的影响因素的计算公式，根据所述影响因素，使用路径综合费用值公式和Logit模型计算乘客路径选择概率；

S3、根据不同乘车路径、以及所述乘客路径选择概率决定的在不同乘车路径上的客流分配，建立双层规划模型，所述双层规划模型包括基于列车停站时间成本和乘客出行时间成本的上层模型、以及基于所述客流分配的下层模型；

S4、运用粒子群算法求解所述双层规划模型，输出最优行车方案。

2.根据权利要求1所述的一种面向运能提升的快慢车开行优化方法，其特征在于，所述步骤S1包括以下步骤：

S11、根据乘客选择的起讫点的站点类型划分乘客类型，所述站点类型包括快慢车均停站和慢车停靠站，所述起讫点包括始发站和终点站；

S12、根据线路情况列出每一所述乘客类型在同一起讫点可能选择的乘车路径，构建包括多个所述乘车路径的所述乘客路径集。

3.根据权利要求2所述的一种面向运能提升的快慢车开行优化方法，其特征在于，所述步骤S2包括以下步骤：

S21、根据列车排序定义乘客到达阶段，推导出不同乘客类型在不同到达阶段选乘不同乘车路径的影响因素的计算公式，并根据所述计算公式对每一所述乘车路径的所述影响因素进行计算，所述影响因素包括候车时间T_w、在车时间T_s以及换乘时间T_t；

S22、根据所述影响因素，使用所述路径综合费用值公式计算出不同所述乘车路径的路径综合费用值；

S23、根据所述Logit模型计算所述乘客路径选择概率。

4.根据权利要求3所述的一种面向运能提升的快慢车开行优化方法，其特征在于，

所述路径综合费用值公式为：

其中，

表示某一起讫点OD对应的乘客路径集中的某一乘车路径r的路径综合费用值，V_w、V_s、V_t分别为所述候车时间T_w、在车时间T_s和换乘时间T_t的感知系数。

5.根据权利要求4所述的一种面向运能提升的快慢车开行优化方法，其特征在于，

所述Logit模型的公式为：

其中，

表示某一起讫点OD对应的乘客路径集中的某一乘车路径r的乘客路径选择概率。

6.根据权利要求5所述的一种面向运能提升的快慢车开行优化方法，其特征在于，所述步骤S3包括以下步骤：

S31、建立基于目标函数包括列车停站时间成本最小化和乘客出行时间成本最小化的上层模型；

S32、建立基于目标函数为客流分配的下层模型。

7.根据权利要求6所述的一种面向运能提升的快慢车开行优化方法，其特征在于，

所述上层模型为：

其中，i、j表示线路站点序列，i、j∈(1，I)；N表示快慢车开行比例为1：N；t_i表示列车停站时间；t_y表示被越行慢车等待时间；α_i表示快车停靠站0-1变量；β_j表示越行站0-1变量；T表示快车与慢车间发车间隔；

表示起讫点OD为i站到j站时选择路径r的乘客数量；q^ij表示起讫点OD为i站到j站的乘客数量；F_min表示约束最小发车间隔；F_max表示约束最大发车间隔。

8.根据权利要求7所述的一种面向运能提升的快慢车开行优化方法，其特征在于，

所述下层模型为；

其中，θ表示一个非负参数，描述模型的随机性；q^ij表示起讫点OD为i站到j站上的乘客数量。

9.根据权利要求8所述的一种面向运能提升的快慢车开行优化方法，其特征在于，

所述上层模型的约束条件包括快车停靠站约束、快车越行站约束、发车间隔约束以及快慢车开行比例约束；

所述下层模型的约束条件为客流量约束，同一起讫点OD上不同乘车路径的客流量之和为该起讫点OD上的总客流量，且客流量为大于等于0。

10.根据权利要求9所述的一种面向运能提升的快慢车开行优化方法，其特征在于，所述步骤S4包括以下步骤：

S41、随机产生包含快车停靠站、快车越行站、发车间隔以及快慢车开行比例的粒子群，所述粒子群包含一个行车方案；

S42、将所述粒子群嵌套至所述下层模型，得到对应的客流分配结果；

S43、将所述客流分配结果嵌套至所述上层模型，求解所述目标函数的数值；

S44、重复步骤S41-S43，比较所述目标函数的数值，不断更新所述粒子群的速度位置，直至所述目标函数的数值处于水平稳定状态，输出最优粒子群，并将其转换为所表达的所述行车方案，得到所述快慢车开行优化方法。

Images