CN111695225A - 一种公交复合复杂网络模型及其公交调度优化方法 - Google Patents

一种公交复合复杂网络模型及其公交调度优化方法 Download PDF

Info

Publication number
CN111695225A
CN111695225A CN202010578578.0A CN202010578578A CN111695225A CN 111695225 A CN111695225 A CN 111695225A CN 202010578578 A CN202010578578 A CN 202010578578A CN 111695225 A CN111695225 A CN 111695225A
Authority
CN
China
Prior art keywords
bus
individual
network
sub
fitness
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Withdrawn
Application number
CN202010578578.0A
Other languages
English (en)
Inventor
孙仁诚
邵峰晶
隋毅
余翔
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.)
Qingdao University
Original Assignee
Qingdao 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 Qingdao University filed Critical Qingdao University
Priority to CN202010578578.0A priority Critical patent/CN111695225A/zh
Publication of CN111695225A publication Critical patent/CN111695225A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)

Abstract

本发明涉及一种公交复合复杂网络模型及其公交调度优化方法。所述公交符合复杂网络模型包括：交通小区子网、公交站点子网、公交线路子网、交通小区‑站点关系子网以及公交站点‑线路关系子网；对所述交通小区子网、公交站点子网、公交线路子网、交通小区‑站点关系子网以及公交站点‑线路关系子网进行动态加载，构建公交复合复杂网络模型；所述公交复合复杂网络模型用于对公交居民选择进行仿真，生成公交线网优化方案。采用本发明所提供的公交复合复杂网络模型或其公交调度优化方法能够更准确的估算出客流量，使公交线网优化过程中的计算更加准确。

Description

一种公交复合复杂网络模型及其公交调度优化方法
技术领域
本发明涉及智能交通系统技术领域，特别是涉及一种公交复合复杂网络模型及其公交调度优化方法。
背景技术
公交线网的规划具有历史性和局限性，尽管多数城市的公交线网设计存在一定的潜在问题，但通过公交设计算法进行公交线网的重新铺设在实际应用中极为困难。因此，对城市现有公交网络进行合理的优化或调度，更利于实际的应用，也能在很大程度上满足市民出行需求，提高公交运力和资源的使用效率，具有重要的实际意义和价值。
公交系统优化问题的关键在于如何使得有限的交通资源更加契合居民的出行需求，令出行需求更多的路线具有更便捷的公交线路或更快捷的公交车辆。公交线网优化问题中，在进行最优解搜索过程时，公交设置的改变往往会使居民的公交乘车选择发生变化。在现有的客流模型中，由历史数据得来的客流需求不能适应这一变化，导致了优化目标的计算误差：
公交站点客流OD模型描述了在公交站点对之间的居民出行需求，其客流量通过公交历史数据学习得到。由于数据的局限性，由此得到的客流OD只关注了从乘车站点到下车站点的出行环节，但实际上居民出行通常有多条公交线路或者多个起止公交站点可以选择，称其为公交选择行为；交通小区客流OD模型描述了在交通小区对之间的居民出行需求，居民出行通常与日常通勤和业余活动相关，出发地和目的地往往比较固定、有规律性。因此交通小区客流OD模型可以更加准确地描述居民的出行需要。但传统的公交站点客流OD对市民出行的公交选择行为关注不足，也忽视了因公交线路不便而放弃乘坐公交出行的市民，客流估算准确率低；目前的大部分研究尚未与公交网络进行有机地动态结合：一部分是将交通小区客流OD一次性输入公交网络计算公交客流，这样并未克服前文中所提到的公交站点客流OD的固有缺点；另一部分是通过交通小区客流OD进行公交线网的优化设计，但现实中很难在大型城市中重新实施公交线网的设计方案，优化效果难以估计。
发明内容
本发明的目的是提供一种公交复合复杂网络模型及其公交调度优化方法，以解决传统的公交站点客流模型客流估算准确率低以及优化效果难以估计的问题。
为实现上述目的，本发明提供了如下方案：
一种公交复合复杂网络模型，包括：交通小区子网、公交站点子网、公交线路子网、交通小区-站点关系子网以及公交站点-线路关系子网；
对所述交通小区子网、公交站点子网、公交线路子网、交通小区-站点关系子网以及公交站点-线路关系子网进行动态加载，构建公交复合复杂网络模型；所述公交复合复杂网络模型用于对公交居民选择进行仿真，生成公交线网优化方案。
可选的，所述交通小区子网的节点为交通小区，连边为所述交通小区之间的出行客流；所述交通小区子网的节点的典型属性包括经纬度坐标以及小区类型；所述交通小区子网的连边的权重为客流OD，O为起始站点，D为到站站点；
所述公交站点子网的节点为公交站点，连边为所述公交站点之间的邻接关系；所述公交站点子网的节点的典型属性包括经纬度坐标、站点类型、道路位置、上游路口以及下游路口；所述公交站点子网的连边的权重为公交行驶时间，所述公交站点子网的连边的典型属性包括站间距、车道类型、经过路口数和信号灯数；所述车道类型包括公交专用车道以及非公交专用车道；
所述公交线路子网的节点为公交线路，所述公交线路子网的连边为所述公交线路之间的换乘关系；所述公交线路子网的节点的典型属性包括线路类型、长度以及发车间隔；所述公交线路子网的连边的主要属性包括换乘人数以及公共站点数；
所述交通小区-站点关系子网的节点包括交通小区和公交站点两类节点，连边表示所述交通小区以及所述公交站点之间步行乘车的关系；所述交通小区-站点关系子网的连边的权重为步行时间；所述交通小区-站点关系子网的连边的典型属性包括距离；
所述公交站点-线路关系子网的节点包括公交站点和公交线路两类节点，所述公交站点-线路关系子网的连边为所述公交站点以及所述公交线路之间的所属关系；所述公交站点-线路关系子网的连边的权重为候车时间，所述公交站点-线路关系子网的的连边的典型属性包括站点序号以及乘车人数。
一种基于复合复杂网络模型的公交调度优化方法，所述公交调度优化方法包括：
获取公交复合复杂网络模型的当前数据；所述当前数据包括种群规模、遗传代数、交叉概率、变异概率以及遗传收敛阈值；
根据所述当前数据随机产生N个个体，并对所述个体进行编码，组成初始种群；所述个体为公交调度方案；N为个体总数；
将N个所述个体加载到所述公交复合复杂网络模型中，进行公交客流再分配仿真，确定仿真结果；
按照所述仿真结果计算第g代种群中每个所述个体的适应度；所述个体的适应度为当前个体下的居民平均公交出行时间；g>0；
根据所述个体的适应度确定每一代种群的种群平均适应度；
判断两代相邻的所述种群平均适应度之间的差值是否满足收敛阈值，得到第一判断结果；
当所述第一判断结果为两代相邻的所述种群平均适应度之间的差值满足收敛阈值，输出公交线网优化方案；
当所述第一判断结果为两代相邻的所述种群平均适应度之间的差值不满足收敛阈值，对所述个体的适应度依次执行选择算子、交叉算子、变异算子以及修复算子，确定修正后的个体，并根据所述修正后的个体对所述适应度进行修正，直至满足所述收敛阈值。
可选的，所述按照所述仿真结果计算第g代种群中每个所述个体的适应度，具体包括：
根据公式
Figure BDA0002552233320000031
计算第g代种群中每个所述个体的适应度；其中，f(Xk)为个体k的公交平均出行时间，即所述个体的适应度；ODij为交通小区i到交通小区j的公交乘客量；Tij为交通小区i到交通小区j的公交出行总时间，所述公交出行总时间包括步行时间、候车时间、乘车时间和存在的换乘时间；n为交通小区数目。
可选的，所述按照所述仿真结果计算第g代种群中每个所述个体的适应度，之后还包括：
根据所述个体的适应度计算各个所述个体的累计概率；
根据所述累计概率确定下一代种群候选集。
可选的，所述根据所述个体的适应度计算各个所述个体的累计概率，具体包括：
根据所述个体的适应度计算所述个体的选择概率；
根据所述选择概率，利用公式
Figure BDA0002552233320000041
计算各个所述个体的累计概率；其中，qk为选择个体k的累计概率；Ph为个体h的选择概率。
可选的，所述根据所述累计概率确定下一代种群候选集，具体包括：
在[0,1]中产生随机数r，若qk-1＜r＜qk，选择第k个个体，并循环N次，生成下一代种群候选集；qk-1为选择个体k-1的累计概率。
可选的，执行交叉算子的具体过程为：
将当前种群候选集中的个体两两结合，组成个体对，并确定交叉概率Pc；
对每组个体对，产生随机数rc；
若rc＜Pc，随机选择一个断点,将两组个体断点后的调度方案编码互换，直到所有父代个体都进行过交叉运算；rc∈[0，1]。
可选的，执行变异算子的具体过程为：
获取变异概率Pm；
在[0,1]中随机产生N个数r1，r2...rk...rN；
若rk＜Pm，则对个体k进行变异操作。
可选的，执行修复算子的具体过程为：
获取第n代种群中个体的运营成本超过运营成本约束条件的第一个体，并计算所述第一个体的运营成本；
获取所有公交线路的发车间隔；
确定所述第一个体的运营成本与所述运营成本约束条件的第一比值；
根据所述发车间隔以及所述第一比值确定满足运营成本约束条件的个体。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种公交复合复杂网络模型，对公交多源数据进行了更充分的整合和有效利用；通过公交复合复杂网络模型对居民公交选择进行仿真，能够更准确的估算出客流量；并提出了一种基于复合复杂网络模型的公交调度优化方法，基于公交复合复杂网络模型，对居民公交出行选择的仿真和客流再分配的校正，实现优化参数的动态调整，输出公交线网优化方案，可以更加准确地计算出客流和优化效果，使公交线网优化过程中的计算更加准确。
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为本发明所提供的公交复合复杂网络模型结构示意图；
图2为本发明所提供的基于复合复杂网络模型的公交调度优化方法流程图；
图3为本发明在实际应用中的公交调度优化方法流程图；
图4为本发明所提供的验证优化效果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种公交复合复杂网络模型及其公交调度优化方法，更准确的估算出客流量，使公交线网优化过程中的计算更加准确。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的公交复合复杂网络模型结构示意图，如图1所示，一种公交复合复杂网络模型，包括：交通小区子网1、公交站点子网2、公交线路子网3、交通小区-站点关系子网4以及公交站点-线路关系子网5；
对所述交通小区子网、公交站点子网、公交线路子网、交通小区-站点关系子网以及公交站点-线路关系子网进行动态加载，构建公交复合复杂网络模型；所述公交复合复杂网络模型用于对公交居民选择进行仿真，生成公交线网优化方案。
在实际应用中，所述交通小区子网的节点为交通小区，连边为所述交通小区之间的出行客流；所述交通小区子网的节点的典型属性包括经纬度坐标以及小区类型；所述交通小区子网的连边的权重为客流OD，O为起始站点，D为到站站点。
所述公交站点子网的节点为公交站点，连边为所述公交站点之间的邻接关系；所述公交站点子网的节点的典型属性包括经纬度坐标、站点类型、道路位置、上游路口以及下游路口；所述公交站点子网的连边的权重为公交行驶时间，所述公交站点子网的连边的典型属性包括站间距、车道类型、经过路口数和信号灯数；所述车道类型包括公交专用车道以及非公交专用车道。
所述公交线路子网的节点为公交线路，所述公交线路子网的连边为所述公交线路之间的换乘关系；所述公交线路子网的节点的典型属性包括线路类型、长度以及发车间隔；所述公交线路子网的连边的主要属性包括换乘人数以及公共站点数。
所述交通小区-站点关系子网的节点包括交通小区和公交站点两类节点，连边表示所述交通小区以及所述公交站点之间步行乘车的关系；所述交通小区-站点关系子网的连边的权重为步行时间；所述交通小区-站点关系子网的连边的典型属性包括距离；
所述公交站点-线路关系子网的节点包括公交站点和公交线路两类节点，所述公交站点-线路关系子网的连边为所述公交站点以及所述公交线路之间的所属关系；所述公交站点-线路关系子网的连边的权重为候车时间，所述公交站点-线路关系子网的的连边的典型属性包括站点序号以及乘车人数。
图2为本发明所提供的基于复合复杂网络模型的公交调度优化方法流程图，如图2所示，一种基于复合复杂网络模型的公交调度优化方法，所述公交调度优化方法包括：
步骤201：获取公交复合复杂网络模型的当前数据；所述当前数据包括种群规模、遗传代数、交叉概率、变异概率以及遗传收敛阈值。
步骤202：根据所述当前数据随机产生N个个体，并对所述个体进行编码，组成初始种群；所述个体为公交调度方案；N为个体总数。
步骤203：将N个所述个体加载到所述公交复合复杂网络模型中，进行公交客流再分配仿真，确定仿真结果。
步骤204：按照所述仿真结果计算第g代种群中每个所述个体的适应度；所述个体的适应度为当前个体下的居民平均公交出行时间；g>0。
所述步骤204具体包括：根据公式
Figure BDA0002552233320000071
Figure BDA0002552233320000072
计算第g代种群中每个所述个体的适应度；其中，f(Xk)为个体k的公交平均出行时间，即所述个体的适应度；ODij为交通小区i到交通小区j的公交乘客量；Tij为交通小区i到交通小区j的公交出行总时间，所述公交出行总时间包括步行时间、候车时间、乘车时间和存在的换乘时间；n为交通小区数目。
所述步骤204之后还包括：根据所述个体的适应度计算各个所述个体的累计概率；根据所述累计概率确定下一代种群候选集。
所述根据所述个体的适应度计算各个所述个体的累计概率，具体包括：根据所述个体的适应度计算所述个体的选择概率；根据所述选择概率，利用公式
Figure BDA0002552233320000073
计算各个所述个体的累计概率；其中，qk为选择个体k的累计概率；Ph为个体h的选择概率。
所述根据所述累计概率确定下一代种群候选集，具体包括：在[0,1]中产生随机数r，若qk-1＜r＜qk，选择第k个个体，并循环N次，生成下一代种群候选集；qk-1为选择个体k-1的累计概率。
步骤205：根据所述个体的适应度确定每一代种群的种群平均适应度。
步骤206：判断两代相邻的所述种群平均适应度之间的差值是否满足收敛阈值，若是执行步骤207，若否执行步骤208。
步骤207：输出公交线网优化方案。
步骤208：对所述个体的适应度依次执行选择算子、交叉算子、变异算子以及修复算子，确定修正后的个体，并根据所述修正后的个体对所述适应度进行修正，直至满足所述收敛阈值。
执行交叉算子的具体过程为：将当前种群候选集中的个体两两结合，组成个体对，并确定交叉概率Pc；对每组个体对，产生随机数rc；若rc＜Pc，随机选择一个断点,将两组个体断点后的调度方案编码互换，直到所有父代个体都进行过交叉运算；rc∈[0，1]。
执行变异算子的具体过程为：获取变异概率Pm；在[0,1]中随机产生N个数r1，r2...rk...rN；若rk＜Pm，则对个体k进行变异操作。
执行修复算子的具体过程为：获取第n代种群中个体的运营成本超过运营成本约束条件的第一个体，并计算所述第一个体的运营成本；获取所有公交线路的发车间隔；确定所述第一个体的运营成本与所述运营成本约束条件的第一比值；根据所述发车间隔以及所述第一比值确定满足运营成本约束条件的个体。
在实际应用中，基于本发明所提供的公交复合复杂网络模型以及公交调度优化方法，还可以采用以下方式实现本发明的技术方案：
图3为本发明在实际应用中的公交调度优化方法流程图，如图3所示，对公交多源数据进行了更充分的整合和有效利用，该公交多源数据包括公交静态数据、公交GPS数据、公交IC打卡数据，以及估算公交客流的出租车GPS数据和交通小区数据等；基于上述公交复合复杂网络和遗传算法进行优化，以居民平均公交出行时间为优化目标，以公交运营成本为约束条件。包括以下流程：
步骤一、输入公交复合复杂网络模型基础数据、用户参数等数据，包括种群规模N、遗传代数G、交叉概率Pc和变异概率Pm，遗传收敛阈值δ。
步骤二、基于复合复杂网络模型当前数据，随机产生N个新个体(调度方案)，并进行编码，组成初始种群，令遗传代数g＝0。
步骤三、分别将N个个体加载到公交复合复杂网络模型中，进行公交客流再分配仿真，按照结果计算第g代种群中每个个体的适应度f(Xk)，种群平均适应度
Figure BDA0002552233320000091
以及两代相邻的所述种群平均适应度之间的差值
Figure BDA0002552233320000092
个体的适应度即为该调度方案下的居民平均公交出行时间：
Figure BDA0002552233320000093
式中f(Xk)——个体k的公交平均出行时间(h)；ODij——交通小区i到交通小区j的公交乘客量(人次)；Tij——交通小区i到交通小区j的公交出行总时间(h)(包括步行时间、候车时间、乘车时间和可能存在的换乘时间)；n——交通小区数目(个)；判断
Figure BDA0002552233320000094
是否成立，若成立则转至步骤十，否则转至步骤四。
步骤四、基于适应度计算各个体被选择的概率Pk和累计概率qk。
在计算个体的适应度f(Xk)后，对其进行归一化处理，得到个体的选择概率Pk，并计算累计概率：
Figure BDA0002552233320000095
式中qk——选择个体k的累计概率；Pi——个体i的选择概率。
步骤五、执行选择算子：在[0,1]中产生随机数r，若qk-1＜r＜qk，则选择第k个个体。此步骤循环N次，生成下一代种群候选集。
步骤六、执行交叉算子：将此次种群候选集中的个体两两结合，对每对个体，产生随机数rc∈[0，1]，若rc＜Pc，则随机选择一个断点,将两个体断点后的调度方案编码互换。重复此步骤直到所有父代个体都进行过交叉运算。
步骤七、执行变异算子：在[0,1]中随机产生N个数r1，r2...rk...rN，若rk＜Pm，则对个体k进行变异操作。
步骤八、执行修复算子：对于第i代个体中运营成本超过约束条件的个体k，计算其运营成本Ck，使所有公交线路的发车间隔乘以运营成本与约束条件的比值Ck/C0，所得结果即为满足约束条件的新个体。
公交线网的运营成本为每条公交线路单位时间内运营成本的加权平均：
Figure BDA0002552233320000101
式中C——公交线网运营成本；Cl——线路l的单次运营成本；tl——线路l的平均发车间隔(s)；步骤九、遗传代数自增，令g＝g+1，若g＝G，达到最大遗传代数，转至步骤十，否则返回步骤三。
步骤十、完成计算，输出种群中目标函数最小的个体作为优化最终结果。
图4为本发明所提供的验证优化效果示意图，如图4所示，基于青岛市市南、市北、李沧、崂山四区公交数据，基于本发明的公交复合复杂网络模型，采用本发明所提供的优化方法，将居民平均公交出行时间从2460.4775秒降低至2408.4876s，减少了51.99s，在站点设置和公交运力不变的情况下，易于实施，具有良好的效果。
本发明通过耦合交通小区网和公交线网，建立公交复合复杂网络，基于遗传算法等优化算法，在优化过程中对新的公交线网进行居民公交出行选择的仿真和客流再分配的校正，实现优化参数的动态调整，可以更加准确地计算出客流和优化效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种公交复合复杂网络模型，其特征在于，包括：交通小区子网、公交站点子网、公交线路子网、交通小区-站点关系子网以及公交站点-线路关系子网；
对所述交通小区子网、公交站点子网、公交线路子网、交通小区-站点关系子网以及公交站点-线路关系子网进行动态加载，构建公交复合复杂网络模型；所述公交复合复杂网络模型用于对公交居民选择进行仿真，生成公交线网优化方案。
2.根据权利要求1所述的公交复合复杂网络模型，其特征在于，
所述交通小区子网的节点为交通小区，连边为所述交通小区之间的出行客流；所述交通小区子网的节点的典型属性包括经纬度坐标以及小区类型；所述交通小区子网的连边的权重为客流OD，O为起始站点，D为到站站点；
所述公交站点子网的节点为公交站点，连边为所述公交站点之间的邻接关系；所述公交站点子网的节点的典型属性包括经纬度坐标、站点类型、道路位置、上游路口以及下游路口；所述公交站点子网的连边的权重为公交行驶时间，所述公交站点子网的连边的典型属性包括站间距、车道类型、经过路口数和信号灯数；所述车道类型包括公交专用车道以及非公交专用车道；
所述公交线路子网的节点为公交线路，所述公交线路子网的连边为所述公交线路之间的换乘关系；所述公交线路子网的节点的典型属性包括线路类型、长度以及发车间隔；所述公交线路子网的连边的主要属性包括换乘人数以及公共站点数；
所述交通小区-站点关系子网的节点包括交通小区和公交站点两类节点，连边表示所述交通小区以及所述公交站点之间步行乘车的关系；所述交通小区-站点关系子网的连边的权重为步行时间；所述交通小区-站点关系子网的连边的典型属性包括距离；
所述公交站点-线路关系子网的节点包括公交站点和公交线路两类节点，所述公交站点-线路关系子网的连边为所述公交站点以及所述公交线路之间的所属关系；所述公交站点-线路关系子网的连边的权重为候车时间，所述公交站点-线路关系子网的的连边的典型属性包括站点序号以及乘车人数。
3.一种基于复合复杂网络模型的公交调度优化方法，其特征在于，所述公交调度优化方法基于权利要求1-2任一项所述的公交复合复杂网络模型实现，所述公交调度优化方法包括：
获取公交复合复杂网络模型的当前数据；所述当前数据包括种群规模、遗传代数、交叉概率、变异概率以及遗传收敛阈值；
根据所述当前数据随机产生N个个体，并对所述个体进行编码，组成初始种群；所述个体为公交调度方案；N为个体总数；
将N个所述个体加载到所述公交复合复杂网络模型中，进行公交客流再分配仿真，确定仿真结果；
按照所述仿真结果计算第g代种群中每个所述个体的适应度；所述个体的适应度为当前个体下的居民平均公交出行时间；g>0；
根据所述个体的适应度确定每一代种群的种群平均适应度；
判断两代相邻的所述种群平均适应度之间的差值是否满足收敛阈值，得到第一判断结果；
当所述第一判断结果为两代相邻的所述种群平均适应度之间的差值满足收敛阈值，输出公交线网优化方案；
当所述第一判断结果为两代相邻的所述种群平均适应度之间的差值不满足收敛阈值，对所述个体的适应度依次执行选择算子、交叉算子、变异算子以及修复算子，确定修正后的个体，并根据所述修正后的个体对所述适应度进行修正，直至满足所述收敛阈值。
4.根据权利要求1所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，所述按照所述仿真结果计算第g代种群中每个所述个体的适应度，具体包括：
根据公式
Figure FDA0002552233310000021
计算第g代种群中每个所述个体的适应度；其中，f(Xk)为个体k的公交平均出行时间，即所述个体的适应度；ODij为交通小区i到交通小区j的公交乘客量；Tij为交通小区i到交通小区j的公交出行总时间，所述公交出行总时间包括步行时间、候车时间、乘车时间和存在的换乘时间；n为交通小区数目。
5.根据权利要求4所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，所述按照所述仿真结果计算第g代种群中每个所述个体的适应度，之后还包括：
根据所述个体的适应度计算各个所述个体的累计概率；
根据所述累计概率确定下一代种群候选集。
6.根据权利要求5所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，所述根据所述个体的适应度计算各个所述个体的累计概率，具体包括：
根据所述个体的适应度计算所述个体的选择概率；
根据所述选择概率，利用公式
Figure FDA0002552233310000031
计算各个所述个体的累计概率；其中，qk为选择个体k的累计概率；Ph为个体h的选择概率。
7.根据权利要求6所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，所述根据所述累计概率确定下一代种群候选集，具体包括：
在[0,1]中产生随机数r，若qk-1＜r＜qk，选择第k个个体，并循环N次，生成下一代种群候选集；qk-1为选择个体k-1的累计概率。
8.根据权利要求7所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，执行交叉算子的具体过程为：
将当前种群候选集中的个体两两结合，组成个体对，并确定交叉概率Pc；
对每组个体对，产生随机数rc；
若ro＜Pc，随机选择一个断点,将两组个体断点后的调度方案编码互换，直到所有父代个体都进行过交叉运算；rc∈[0，1]。
9.根据权利要求7所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，执行变异算子的具体过程为：
获取变异概率Pm；
在[0,1]中随机产生N个数r1，r2…rk…rN；
若rk＜Pm，则对个体k进行变异操作。
10.根据权利要求7所述的基于复合复杂网络模型的公交调度优化方法，其特征在于，执行修复算子的具体过程为：
获取第n代种群中个体的运营成本超过运营成本约束条件的第一个体，并计算所述第一个体的运营成本；
获取所有公交线路的发车间隔；
确定所述第一个体的运营成本与所述运营成本约束条件的第一比值；
根据所述发车间隔以及所述第一比值确定满足运营成本约束条件的个体。
CN202010578578.0A 2020-06-23 2020-06-23 一种公交复合复杂网络模型及其公交调度优化方法 Withdrawn CN111695225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578578.0A CN111695225A (zh) 2020-06-23 2020-06-23 一种公交复合复杂网络模型及其公交调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578578.0A CN111695225A (zh) 2020-06-23 2020-06-23 一种公交复合复杂网络模型及其公交调度优化方法

Publications (1)

Publication Number Publication Date
CN111695225A true CN111695225A (zh) 2020-09-22

Family

ID=72483145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578578.0A Withdrawn CN111695225A (zh) 2020-06-23 2020-06-23 一种公交复合复杂网络模型及其公交调度优化方法

Country Status (1)

Country Link
CN (1) CN111695225A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419704A (zh) * 2020-11-06 2021-02-26 杭州图软科技有限公司 一种基于大数据的公共交通路线规划方法及其系统
CN113269475A (zh) * 2021-06-28 2021-08-17 浩鲸云计算科技股份有限公司 一种基于遗传算法的公交排班调度方法及系统
CN113849989A (zh) * 2021-12-02 2021-12-28 广东工业大学 一种公交线网仿真系统
CN114897445A (zh) * 2022-07-12 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 公交线网的停靠点调整优化方法、装置及可读存储介质
CN116911510A (zh) * 2023-09-13 2023-10-20 北京交通发展研究院 一种多模式公共交通一体化网络的生成方法及装置
CN117875523A (zh) * 2024-03-13 2024-04-12 西北大学 基于多源数据的公交站点优化方法
CN117875523B (zh) * 2024-03-13 2024-06-04 西北大学 基于多源数据的公交站点优化方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419704A (zh) * 2020-11-06 2021-02-26 杭州图软科技有限公司 一种基于大数据的公共交通路线规划方法及其系统
CN113269475A (zh) * 2021-06-28 2021-08-17 浩鲸云计算科技股份有限公司 一种基于遗传算法的公交排班调度方法及系统
CN113269475B (zh) * 2021-06-28 2022-01-18 浩鲸云计算科技股份有限公司 一种基于遗传算法的公交排班调度方法及系统
CN113849989A (zh) * 2021-12-02 2021-12-28 广东工业大学 一种公交线网仿真系统
CN114897445A (zh) * 2022-07-12 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 公交线网的停靠点调整优化方法、装置及可读存储介质
CN114897445B (zh) * 2022-07-12 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 公交线网的停靠点调整优化方法、装置及可读存储介质
CN116911510A (zh) * 2023-09-13 2023-10-20 北京交通发展研究院 一种多模式公共交通一体化网络的生成方法及装置
CN117875523A (zh) * 2024-03-13 2024-04-12 西北大学 基于多源数据的公交站点优化方法
CN117875523B (zh) * 2024-03-13 2024-06-04 西北大学 基于多源数据的公交站点优化方法

Similar Documents

Publication Publication Date Title
CN111695225A (zh) 一种公交复合复杂网络模型及其公交调度优化方法
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN101807222B (zh) 基于站点的城市公交线网优化配置方法
CN109584552B (zh) 一种基于网络向量自回归模型的公交到站时间预测方法
CN109446628B (zh) 基于复杂网络的多层城市交通网构建及关键节点识别方法
CN109377048B (zh) 一种综合交通网络枢纽节点选择方法
CN104392094A (zh) 一种基于浮动车数据的城市道路网络可靠性评价方法
CN111582750B (zh) 一种轨道交通反向乘客识别及乘车班次确定方法及系统
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN112309119B (zh) 一种城市交通系统容量分析优化方法
CN103530694A (zh) 基于时空网络构建的城市地铁动态客流分配方法
CN108021686A (zh) 一种快速匹配电子地图中公交线路与道路网络的方法
CN110909434A (zh) 一种低碳导向下的城市公共交通干线网络设计方法
CN110929925A (zh) 基于环境温度与用户行为的电动汽车充电站规划方法
CN114330106A (zh) 城市公共交通规划方法
CN114511143A (zh) 基于组团划分的城市轨道交通线网生成方法
CN104282142A (zh) 一种基于出租车gps数据的公交站台设置方法
Yang et al. Dynamic origin-destination matrix estimation based on urban Rail transit AFC data: deep optimization framework with forward passing and backpropagation techniques
Wu et al. Urban Traffic Planning and Traffic Flow Prediction based on ulchis gravity model and Dijkstra algorithm
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
Ivanchev et al. Spatial and temporal analysis of mismatch between planned road infrastructure and traffic demand in large cities
Wang et al. Route Optimization of Travelers' Intermodal Transport Considering Bounded Rationality
CN106204404A (zh) 一种公交运力的调整方法和系统
CN114897213A (zh) 一种历史街区公交可达性测算方法与优化方法
CN110322058B (zh) 一种考虑步行衔接的轨道交通出行方式时间最短路计算方法

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

Application publication date: 20200922

WW01 Invention patent application withdrawn after publication