CN111754071A - 一种区域轨道交通全局安全性增强方法 - Google Patents

一种区域轨道交通全局安全性增强方法 Download PDF

Info

Publication number
CN111754071A
CN111754071A CN202010398514.2A CN202010398514A CN111754071A CN 111754071 A CN111754071 A CN 111754071A CN 202010398514 A CN202010398514 A CN 202010398514A CN 111754071 A CN111754071 A CN 111754071A
Authority
CN
China
Prior art keywords
station
passenger flow
risk
interval
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.)
Pending
Application number
CN202010398514.2A
Other languages
English (en)
Inventor
董炜
张梦宇
孙新亚
吉吟东
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010398514.2A priority Critical patent/CN111754071A/zh
Publication of CN111754071A publication Critical patent/CN111754071A/zh
Pending legal-status Critical Current

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Primary Health Care (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明涉及一种协同优化的区域轨道交通全局安全性增强方法，采集客流分配数据与列车调度数据；用优化算法优化以路网全局风险最低为优化目标的目标函数，所述目标函数由路网内所有车站与区间的运能风险相加得到；输出最低最小风险值，以及优化后的客流分配数据和列车调度数据。本发明的有益效果在于，相比于只考虑客流引导的方法，可以使路网全局风险进一步降低10％左右。

Description

一种区域轨道交通全局安全性增强方法
技术领域
本发明属于基于特定计算模型的计算机系统领域，特别涉及区域轨道交通全局安全性增强系统、方法及模型。
背景技术
区域轨道交通是在一个城市群或者城市圈区域范围内，面向城市群经济一体化需求形成的由多种制式轨道交通组合成的综合轨道交通系统，其中包含了高铁、城际铁路、地铁、单轨等多个子系统。区域轨道交通具有异构性、整体性、互动性、协同性的特点，多制式复合使得风险源增多，同时风险发展的不确定性、耦合性和全局影响性大大增加，不同制式之间缺乏有效的协同极易导致整个路网的安全性降低，因此，对区域轨道交通路网进行全局安全性评估并以此为依据通过协同优化实现全局安全性增强具有重要的意义。多制式的复合在增加了路网的复杂性的同时，也使得路网中的冗余路径增加，系统容错能力增加，因此通过合理的客流分配与列车调度，能够使不同制式的轨道交通系统进行有效的协同与配合，充分利用路网的运能从而降低系统的整体风险，提升区域轨道交通系统的安全性。本文以车站与区间的客流需求负荷为核心进行区域轨道交通路网全局安全性评估，并通过列车发车间隔调整和客流分配协同优化的方式降低路网全局风险，实现路网全局安全性的增强。
在路网全局安全性评估方面，大部分文献采用指标融合的方法，从设备安全、路网结构、路网负荷等方面建立城市轨道交通运营安全评价指标体系，根据融合后的指标给出路网的安全风险等级。这种评估方法受到主观因素影响较大，没有建立运能风险对单点风险的包含关系并以运能风险为主导实现路网全局风险评估。较多文献通过降低具体设备或者系统的故障率来增强安全性，在通过降低运能风险来增强路网安全性的研究方面，大部分研究通过客流控制的方式来降低轨道交通系统的客流量从而降低路网负荷。现有技术中有针对不确定客流需求中的车站客流控制，研究了三种不同场景下的客流组织模型并且采用基于仿真的方法进行求解；现有技术中还有针对突发大客流下多站协同控制的问题建立了整数规划模型，将过饱和站的压力分散到其他车站中。现有技术中也有针对高峰期多线地铁网络中的客流控制问题提出了一种多站点协调旅客流量控制模型。虽然有不少文献采用多站协同的方式来降低路网负荷过高带来的风险，但是大多仅从客流角度入手，没有以提升路网安全性指标为直接目标。考虑以上问题，现有技术也有以路网运力与运量的匹配程度为核心提出了一种城市轨道交通的安全性评估方法并建立了最小化路网风险的数学优化模型，通过客流分配的方式将乘客分配到冗余路径中从而降低城市轨道交通系统的风险。本文在其基础上进一步考虑列车调度与客流分配的协同优化来对路网安全性进行提升。当前没有客流分配与列车调度协同优化方面的研究，大部分文献都着眼于根据客流规律来进行列车运行图调整、调度等，但未考虑客流的引导和分配。综上，当前以路网运能风险为核心进行全局安全评估与增强的研究较少，而在从运能角度出发进行优化的文献中，大部分文献偏重于局部优化，并没有以提升轨道交通路网全局安全性作为优化目标。同时，在优化策略上，较多文献研究了如何根据客流需求来进行轨道交通列车的调度，在铁路与城市轨道交通的协同上，一些研究分析了高铁转乘地铁客流的特点，通过调整城市轨道交通列车的运行图来提升二者的协调性，而很少有客流分配与列车调度协同优化方面的研究。
发明内容
为了解决本发明所提出的技术问题，本发明一方面提供了区域轨道交通全局安全性增强方法，包括如下步骤：
采集客流分配数据与列车调度数据；
用优化算法优化以路网全局风险最低为优化目标的目标函数，所述目标函数由路网内所有车站与区间的运能风险相加得到；
输出最低最小风险值，以及优化后的客流分配数据和列车调度数据。
本发明另外一方面还提供了区域轨道交通全局安全性增强系统，所述系统包括至少一个处理器；以及存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施按照权利要求1-8任一项所述的方法。
本发明的第三方面还提供了区域轨道交通全局安全性优化模型的构建方法，
以最小化路网全局风险为目标，按照权利要求1-8任一项所述的优化算法和目标函数，对各路径的客流需求分配量、列车发车间隔及列车数目进行优化；并且，
令无向图G＝G{N,E}表示区域轨道交通路网，其中N为所有车站的集合，E为所有区间的集合；令L表示路网中线路的集合，任意线路l∈L表示路网中高铁、地铁等轨道交通系统中的实际运营线路；设路网中车站的编号为1,2,…,S，区间的编号为1,2，...,K，线路的编号为1,2,...,W；令rij代表从站i到站j的OD对的路径集合，
Figure BDA0002488570860000031
为其中的第m条路径。
本发明的有益效果在于，验证结果表明，相比于目前文献只考虑客流引导的方法，本文方法可以使路网全局风险进一步降低10％左右。总的来看，本发明提出了以客流需求负荷(即运能风险)为核心的区域轨道交通全局安全性评估方法，以及建立了区域轨道交通全局安全性优化模型，采用客流分配与列车调度协同的方法进行安全性增强。
附图说明
图1.区域轨道交通全局安全性评估体系；
图2.成渝地区区域轨道交通路网拓扑(简化后)。
具体实施方式
本发明的一些实施例中，区域轨道交通全局安全性增强方法，包括如下步骤：
采集客流分配数据与列车调度数据；
用优化算法优化以路网全局风险最低为优化目标的目标函数，所述目标函数由路网内所有车站与区间的运能风险相加得到；
输出最低最小风险值，以及优化后的客流分配数据和列车调度数据。
在这些具体的实施例中，列车调度数据包括线路发车频率和线路车辆数目，优化算法可以为遗传算法。
在这些具体的实施例中，目标函数为：
Figure BDA0002488570860000041
其中，wk表示区间k的运能风险后果；yk表示客流分配后区间k的客流需求量，单位人/小时；f()表示运能风险概率函数；wp表示站p的运能风险后果；zp表示客流分配后站p的客流需求量；Cp表示站p吞吐量，单位人/小时。
在这些具体的实施例中，风险概率函数为：
Figure BDA0002488570860000051
其中，e表示常数；a、b表示参数。
在这些优选的实施例中，所述风险概率函数为：
Figure BDA0002488570860000052
在这些具体的实施例中，风险后果wk、wp的表达式分别为：
Figure BDA0002488570860000053
Figure BDA0002488570860000054
在这些具体的实施例中，目标函数的约束条件包括：
Figure BDA0002488570860000055
Figure BDA0002488570860000056
Figure BDA0002488570860000057
tl max≥tl≥tl min 式9
Figure BDA0002488570860000058
Figure BDA0002488570860000059
Figure BDA00024885708600000510
Figure BDA0002488570860000061
Figure BDA0002488570860000062
其中，i，j,p为车站编号；k为区间编号；l为线路编号；
Figure BDA0002488570860000063
表示分配到
Figure BDA0002488570860000064
的客流需求量，单位人/小时；
Figure BDA0002488570860000065
表示
Figure BDA0002488570860000066
是否经过区间k，是则为1，否则为0；λl表示线路l车辆的定员数目；tl表示线路l的发车间隔，单位min；ξlk表示区间k是否在线路l上，是则为1，否则为0；nl表示线路l的车辆数目；Tl表示线路l单程运行时间，单位min；tl min表示线路l车辆的最小发车间隔，单位min；tl max表示线路l车辆的最大发车间隔，单位min；n表示路网总车辆数目；qij表示从站i到站j的出行需求；
Figure BDA0002488570860000067
表示站p是否是路径
Figure BDA0002488570860000068
的起点站、终点站或换乘站，是则取1，否则为0；
Figure BDA0002488570860000069
表示从站i到站j的第m条路径的长度；dij min表示从站i到站j的最短路径的长度；β表示乘客满意度限制因子，表示乘客可容忍的最长路径长度超过最短路径长度的比例。
下面实施例继续介绍本发明的区域轨道交通全局安全性评估方法(globalsafetyevaluation method of regional railway system)
安全性在国际标准IEC62278-2002中定义为：“不发生可能引起损害风险的能力”，对于区域轨道交通系统而言，其全局安全性评估应该以路网整体功能(即运输乘客)为核心，从路网整体功能满足性风险(即运能风险)和人员设备损失风险(即单点风险)两个方面考虑，同时考虑这两个方面风险的相互影响，这一评估思路及体系如图1所示。
图1的要点解释如下：
1)区域轨道交通全局风险体现为两方面：运能风险、人员和设备损失风险。
2)运能风险由OD需求(外部条件)、路网客流容量(固有能力)和协同调度策略(动态优化要素)三方面决定，OD需求在路网客流容量约束下，经过协同调度(客流分配及列车调度)形成车站及区间的客流(需求)负荷分布，进而决定整个路网的运能风险。
3)单点风险由车站及区间的人/设备/环境/管理等因素决定，最终形成路网的人员和设备损失风险。
4)运能风险和单点风险之间存在相互影响：单点风险会通过降低车站或区间的客流容量影响路网运能风险，而较高的运能风险(高客流负荷)又可能引发新的单点风险。
在本发明的多个实施例中，是通过协同优化策略降低区域轨道交通路网的全局运能风险，因而这些个实施例中主要围绕图1中的运能风险展开。
运能风险的计算中，相关概念解释如下：
OD需求：指乘客从出发地到目的地的出行需求，用OD矩阵Q表示，任意qij∈Q表示从车站i到车站j的客流需求(时刻t的客流需要用时刻t时单位时间内进入车站i且目的地为车站j的客流人数表示)，单位为人/小时。
车站/区间客流容量：指在单位时间内可以安全通过车站或区间的最多乘客人数，单位为“人/小时”。
车站及区间的客流(需求)负荷：指需要通过车站或区间的客流流量(由OD需求经过客流分配得到)与车站或区间的客流容量之比，这一比值反映了车站或区间的客流需求与客流通过能力之间的相对关系，是车站或区间运能风险概率的决定因素。
下面给出路网客流需求负荷风险(即运能风险)的计算方法。按风险评估中广泛采用的方式，风险定量计算为风险发生的概率与风险发生造成的后果(损失)的乘积，由于风险计算本质上是对可能出现的风险损失的估计，具有可加性，因此将路网中所有车站与区间的运能风险相加即可得到路网全局运能风险。综上，路网运能风险的计算公式如式(1)所示。其中，xi(t)代表t时刻的车站或者区间的客流需求量，ci(t)代表t时刻的车站(或区间)i的客流容量。f(x)为运能风险概率函数，用于将客流需求负荷映射为运能风险发生的可能性，wi表示t时刻编号为i的车站或区间的运能风险后果。
Figure BDA0002488570860000081
运能风险概率函数的确定需要考虑函数结构和函数参数两方面。函数结构方面，首先，随着客流需求负荷的增加，运能风险概率应随之增大，且随着客流需求负荷的增加，运能风险概率趋近于1的趋势应该增加，因而1/(1-f(x))应该随x的增加呈指数增加趋势。此外，函数应仅对一定范围内的输入敏感，当客流需求负荷较低或较高时，随着客流需求负荷的增加函数值的绝对变化应该不大。基于以上考虑，本文选择运能风险概率函数结构为
Figure BDA0002488570860000082
在函数参数方面，根据专家经验与实际调研的结果，当客流负荷为0时，几乎不可能发生风险事件，其概率低于0.001，当客流负荷大于1.5时，风险事件发生的可能性大于0.8，因此本文选择的参数为a＝6,b＝7。若区域轨道交通系统发生了风险事件，显然其后果严重程度随着聚集人数的增加而增加，因此选择车站或区间处客流需求量与容量的最小值作为风险后果的衡量依据，即
Figure BDA0002488570860000083
下面实施例继续介绍基于协同优化的区域轨道交通全局安全性增强方法(optimization model for enhancement of regional railway system safety)
本发明的一些实施例建立了基于协同优化的区域轨道交通全局安全性优化模型，以最小化路网全局风险为目标，对各路径的客流需求分配量、列车发车间隔及列车数目进行优化。
令无向图G＝G{N,E}表示区域轨道交通路网，其中N为所有车站的集合，E为所有区间的集合。令L表示路网中线路的集合，任意线路l∈L表示路网中高铁、地铁等轨道交通系统中的实际运营线路。设路网中车站的编号为1,2,…,S，区间的编号为1,2,...,K，线路的编号为1,2,...,W。令rij代表从站i到站j的OD对的路径集合，
Figure BDA0002488570860000091
为其中的第m条路径。模型中各参数及其含义如表1所示，其中i,j,p为车站编号，k为区间编号，l为线路编号。
表1数学模型参数及其含义
Figure BDA0002488570860000092
Figure BDA0002488570860000101
优化的目标函数如下，其由路网内所有车站与区间的运能风险相加得到。由之前的分析可知风险概率函数为
Figure BDA0002488570860000102
风险后果为
Figure BDA0002488570860000103
Figure BDA0002488570860000104
约束条件为：
Figure BDA0002488570860000105
Figure BDA0002488570860000106
Figure BDA0002488570860000107
tlmax≥tl≥tlmin #(4)
Figure BDA0002488570860000108
Figure BDA0002488570860000109
Figure BDA00024885708600001010
Figure BDA00024885708600001011
Figure BDA0002488570860000111
其中：
式(1)用于计算区间的客流需求量，将所有路径中经过该区间的客流需求量叠加即可；
式(2)用于计算区间的容量，区间的容量与该区间所在线路的发车频率、线路所用车辆的定员数目相关；
式(3)和式(4)是对线路发车间隔的约束，线路车辆的发车间隔主要与线路车辆数目、单程运行时间有关，同时由于信号系统限制、安全因素、折返时间等多方面的因素，每条线路存在最小发车间隔，因此在式(4)中进行限制，另外为了避免优化后某条线路发车间隔过大导致乘客的等待时间过长，在(4)中对线路的最大发车间隔进行了限制；
式(5)为路网中的车辆约束，确保路网车辆总数目是一定的；
式(6)用于计算车站的客流需求量；
式(7)和式(8)是对客流分配的约束，即各个路径上分配的客流需求量非负，且各个OD对的客流需求量等于其对应的路径上分配的客流需求量之和；
式(9)为乘客满意度约束，在客流分配时，只考虑公式(9)范围内长度的路径，避免将乘客分配到距离过长的路径上。
本优化问题的优化变量为各路径客流量
Figure BDA0002488570860000112
线路发车频率tl与线路车辆数目nl。由于问题中涉及到的约束条件较多，且目标函数较复杂，一些实施例采用遗传算法，其作为经典的智能优化算法，具有全局搜索能力强、鲁棒性好的优点，适合求解复杂的优化问题，然而其他优化算法也在本发明的保护范围之内。
下面具体实施例结合算例CaseStudy进一步对本发明进行说明。
以成渝地区区域轨道交通为例，对提出的全局安全性增强方法进行算例验证。算例中使用的数据来源于公开的资料(https://www.cqmetro.cn/search-way.html、以及重庆市主城区交通发展年度报告(2018))。
A仿真场景Simulation Scenarios
本文以成渝地区区域轨道交通为例进行安全增强算例验证。由于路网规模较大，对路网拓扑结构结构进行了简化，只考虑重庆轨道交通1号线、2号线、3号线、5号线、6号线、10号线、环线、成渝高铁、渝万城际铁路，并且将部分车站进行合并，保留始发站、终点站及重要的换乘站，简化后的路网拓扑结构如图2所示，其中包括46个车站，53个区间，涵盖地铁、单轨、高铁、城际铁路四种制式轨道交通系统。结合实际案例，本实施例考虑的场景为：由于天气影响，成渝客专线路部分列车受到影响，导致17:00-18:00一个小时内到达重庆北站的客流量是正常时段的两倍，大量客流聚集在重庆北站，导致以重庆北站为起点的客流需求大大增加。
B.数据集Data Sets
为了简化模型，将车站分为大型站、中型站和小型站，取大型站的吞吐量为21600人/小时,中型站的吞吐量为14400人/小时，小型站的吞吐量为7200人/小时。将沙坪坝、重庆北站、冉家坝、江北机场T2航站楼作为大型站，其它换乘车站、高铁车站、城际车站作为为中型站，剩余车站作为小型车站。根据公开的资料，可得路网中各个线路的车型、定员数目、高峰时段发车频率等信息如表2所示，根据资料，成渝客专列车车型为CRH380D，定员数目为1328人，正常情况下发车间隔为20min，渝万铁路列车车型为CRH2A，定员人数为623人，正常情况下发车间隔为50min。
表2重庆市城市轨道交通线路信息
线路名称 一号线 二号线 三号线 五号线 六号线 十号线 环线
列车类型 B型 跨坐式单轨 跨坐式单轨 As型 B型 As型 As型
定员数目 1440 880 1320 2322 1440 2322 2322
高峰时期发车间隔 3min10s 3min 2min30s 8min 3min30s 4min 6min
单程运行时间 56min 57min 1h38min 24min 1h15min 51min 52min
列车数量 36 49 84 11 50 20 26
由于重庆城市轨道交通部分线路开通时间较短，客流需求较少，同时考虑到计算能力等因素，本实施例仅选择部分有代表性的、客流需求较大的OD对进行分析和计算。基于仿真场景，根据公开的资料可得各OD对及其在17:00-18:00之间的需求如表3所示。
表3成渝地区区域轨道交通仿真场景下典型OD需求
OD编号 起始站 目标站 需求量(单位：人)
1 较场口 尖顶坡 10230
2 尖顶坡 小什字 12887
3 小什字 鱼洞 5828
4 鱼洞 较场口 6255
5 中央公园 四公里 17303
6 鱼洞 江北机场T2航站楼 20196
7 大石坝 园博中心 1130
8 园博中心 大石坝 1053
9 鲤鱼池 王家庄 1038
10 四公里 沙坪坝 8955
11 重庆图书馆 较场口 8130
12 海峡路 红旗河沟 16667
13 礼嘉 小什字 525
14 茶园 冉家坝 696
15 简阳南 四公里 2721
16 简阳南 沙坪坝 4455
17 万州北 较场口 768
C.参数设置Model Parameter Setting
在本实施例场景下，需要对城市轨道交通各线路的发车时间及线路车辆的配置进行优化，使其能够与成渝客专形成联动，降低突发大客流对轨道交通系统的冲击。从图2可以看出，路网中存在环路，本实施例仅考虑K短简单路径。在实验中进行客流分配时，取β＝0.6，K＝5,即对于每个OD对，仅将乘客分配到5条最短路径中距离相比最短路径不超过60％的路径上。由于城市轨道交通系统中包含单轨和地铁两种制式，列车无法跨制式运行，因此在优化时对单轨、地铁的列车分别进行分配。采用遗传算法进行求解时，设置迭代次数为10000，种群数目为5000。
D.结果分析(ResultandAnalysis)
优化后的客流分配结果如表4所示，各线路发车频率如表5所示。仅采用客流分配方案时得到的客流分配结果如表6所示。
表4采用协同优化方法时客流分配结果
OD编号 路径1 路径2 路径3 路径4 路径5
1 8251 0 1979 0 0
2 11909 0 978 0 0
3 0 11 0 0 5817
4 0 54 0 0 6201
5 4187 0 0 173 12943
6 0 7736 0 0 12460
7 1130 - - - -
8 1053 - - - -
9 0 10380 0 0 0
10 7119 1184 652 0 -
11 4112 0 415 0 3603
12 16667 0 0 - -
13 0 0 525 0 0
14 0 0 696 0 0
15 0 0 2721 0 0
16 4448 7 0 0 0
17 0 2 0 766 0
表5协同优化后的发车间隔和车辆数目
线路名称 一号线 二号线 三号线 五号线 六号线 十号线 环线
发车间隔 2min53s 2min 2min37s 2min50s 3min51s 6min23s 3min15s
车辆数目 39 58 75 17 39 16 32
表6仅采用客流分配优化时的客流分配结果
OD编号 路径1 路径2 路径3 路径4 路径5
1 8890 3 1336 1 0
2 10013 0 2787 87 0
3 0 87 0 8 5733
4 11 1327 3 112 4802
5 5370 0 1 17 11915
6 907 4888 0 0 14401
7 1130 - - - -
8 1053 - - - -
9 0 1035 3 0 0
10 4452 486 4015 2 -
11 1777 4 611 44 5694
12 16646 1 20 - -
13 0 0 524 0 1
14 0 0 696 0 0
15 0 0 2719 2 0
16 4166 289 0 0 0
17 0 6 0 762 0
采用客流分配与列车调度协同优化后求得的最小风险为137873.05，相比于仅进行客流分配的最小客流风险153069.31，风险值下降9.92％，而不采取措施时(假设乘客按照最短路径出行)的风险值为263504.83，采用协同优化后风险值下降47.68％，可见采用客流分配与列车调度协同优化的方法能够有效的降低路网的风险，提升系统的安全性。通过表4和表5可以看出，采用协同优化后得到的客流分配方案与仅考虑客流分配策略时得到的方案不同，在协同优化方法中，列车调度方法与客流分配方法互相影响与配合，而不是简单的先后执行。
本说明书中描述的主题的实施方式和功能性操作可以在以下中实施：数字电子电路，有形实施的计算机软件或者固件，计算机硬件，包括本说明书中公开的结构及其结构等同体，或者上述中的一者以上的组合。本说明书中描述的主题的实施方式可以被实施为一个或多个计算机程序，即，一个或多个有形非暂时性程序载体上编码的计算机程序指令的一个或多个模块，用以被数据处理设备执行或者控制数据处理设备的操作。
作为替代或者附加，程序指令可以被编码在人工生成的传播信号上，例如，机器生成的电信号、光信号或者电磁信号，上述信号被生成为编码信息以传递到用数据处理设备执行的适当的接收器设备。计算机存储介质可以是机器可读存储装置、机器可读的存储基片、随机或者串行存取存储器装置或者上述装置中的一种或多种的组合。
术语“数据处理设备”包含所有种类的用于处理数据的设备、装置以及机器，作为实例，包括可编程处理器、计算机或者多重处理器或者多重计算机。设备可以包括专用逻辑电路，例如，FPGA(现场可编程门阵列)或者ASIC(专用集成电路)。设备除了包括硬件之外，还可以包括创建相关计算机程序的执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或者它们中的一种或多种的组合代码。
计算机程序(还可以被称为或者描述为程序、软件、软件应用、模块、软件模块、脚本或者代码)可以以任意形式的编程语言而被写出，包括编译语言或者解释语言或者声明性语言或过程式语言，并且计算机程序可以以任意形式展开，包括作为独立程序或者作为模块、组件、子程序或者适于在计算环境中使用的其他单元。计算机程序可以但不必须对应于文件系统中的文件。程序可以被存储在保存其他程序或者数据的文件的一部分中，例如，存储在如下中的一个或多个脚本：在标记语言文档中；在专用于相关程序的单个文件中；或者在多个协同文件中，例如，存储一个或多个模块、子程序或者代码部分的文件。计算机程序可以被展开为执行在一个计算机或者多个计算机上，所述计算机位于一处，或者分布至多个场所并且通过通信网络而互相连接。
在本说明书中描述的处理和逻辑流程可以由一个或多个可编程计算机执行，该计算机通过运算输入数据并且生成输出而执行一个或多个的计算机程序，以运行函数。处理和逻辑流程还可以由专用逻辑电路，例如，FPGA(可现场编程门阵列)或者ASIC(专用集成电路)执行，并且设备也可以被实施为专用逻辑电路。
适于实行计算机程序的计算机包括并且示例性地可以基于通用微处理器或者专用微处理器或者上述处理器两者，或者任意其他种类的中央处理单元。通常地，中央处理单元将接收来自只读存储器或者随机存取存储器或者这两者的指令和数据。计算机的主要元件是用于运行或者执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器装置。通常地，计算机还将包括或者是可操作性地耦合，以从用于存储数据的一个或多个大容量存储装置接收数据或者传递数据到大容量存储装置，或者接收和传递两者，该大容量存储器例如为磁盘、磁光盘或者光盘。然而，计算机不必须具有这样的装置。此外，计算机可以被嵌入到另一装置中，例如，移动电话、个人数字助理(PDA)、移动音频或者视频播放器、游戏主控台、全球定位系统(GPS)接收器或者可移动存储设备，例如，通用串行总线(USB)闪存盘等。
适于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失存储器、介质和存储器装置，作为实例，包括：半导体存储器装置，例如，EPROM、EEPROM和闪速存储器装置；磁盘，例如，内置硬盘或者可移动磁盘；磁光盘；CD-ROM和DVD-ROM盘。处理器和存储器可以补充以或者并入至专用逻辑电路。

Claims (10)

1.一种区域轨道交通全局安全性增强方法，其特征在于，包括如下步骤：
采集客流分配数据与列车调度数据；
用优化算法优化以路网全局风险最低为优化目标的目标函数，所述目标函数由路网内所有车站与区间的运能风险相加得到；
输出最低最小风险值，以及优化后的客流分配数据和列车调度数据。
2.如权利要求1所述的方法，其特征在于，
所述列车调度数据包括线路发车频率、线路车辆数目。
3.如权利要求2所述的方法，其特征在于，
所述优化算法为遗传算法。
4.如权利要求3所述的方法，其特征在于，所述目标函数为：
Figure FDA0002488570850000011
其中，wk表示区间k的运能风险后果；yk表示客流分配后区间k的客流需求量，单位人/小时；f()表示运能风险概率函数；wp表示站p的运能风险后果；zp表示客流分配后站p的客流需求量；Cp表示站p吞吐量，单位人/小时。
5.如权利要求4所述的方法，其特征在于，所述风险概率函数为：
Figure FDA0002488570850000012
其中，e表示常数；a、b表示参数。
6.如权利要求4所述的方法，其特征在于，所述风险概率函数为：
Figure FDA0002488570850000021
7.如权利要求4所述的方法，其特征在于，所述风险后果wk、wp的表达式分别为：
Figure FDA0002488570850000022
Figure FDA0002488570850000023
8.如权利要求4所述的方法，其特征在于，所述目标函数的约束条件包括：
Figure FDA0002488570850000024
Figure FDA0002488570850000025
Figure FDA0002488570850000026
tl max≥tl≥tl min 式9
Figure FDA0002488570850000027
Figure FDA0002488570850000028
Figure FDA0002488570850000029
Figure FDA00024885708500000210
Figure FDA00024885708500000211
其中，i,j,p为车站编号；k为区间编号；l为线路编号；
Figure FDA00024885708500000212
表示分配到
Figure FDA0002488570850000031
的客流需求量，单位人/小时；
Figure FDA0002488570850000032
表示
Figure FDA0002488570850000033
是否经过区间k，是则为1，否则为0；λl表示线路l车辆的定员数目；tl表示线路l的发车间隔，单位min；ξlk表示区间k是否在线路l上，是则为1，否则为0；nl表示线路l的车辆数目；Tl表示线路l单程运行时间，单位min；tl min表示线路l车辆的最小发车间隔，单位min；tl max表示线路l车辆的最大发车间隔，单位min；n表示路网总车辆数目；qij表示从站i到站j的出行需求；
Figure FDA0002488570850000034
表示站p是否是路径
Figure FDA0002488570850000035
的起点站、终点站或换乘站，是则取1，否则为0；
Figure FDA0002488570850000036
表示从站i到站j的第m条路径的长度；dij min表示从站i到站j的最短路径的长度；β表示乘客满意度限制因子，表示乘客可容忍的最长路径长度超过最短路径长度的比例。
9.一种区域轨道交通全局安全性增强系统，其特征在于，所述系统包括至少一个处理器；以及
存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施按照权利要求1-8任一项所述的方法。
10.一种区域轨道交通全局安全性优化模型的构建方法，其特征在于，
以最小化路网全局风险为目标，按照权利要求1-8任一项所述的优化算法和目标函数，对各路径的客流需求分配量、列车发车间隔及列车数目进行优化；并且，
令无向图G＝G{N，E}表示区域轨道交通路网，其中N为所有车站的集合，E为所有区间的集合；令L表示路网中线路的集合，任意线路l∈L表示路网中高铁、地铁等轨道交通系统中的实际运营线路；设路网中车站的编号为1，2，…，S，区间的编号为1,2,...,K，线路的编号为1,2,...,W；令rij代表从站i到站j的OD对的路径集合，
Figure FDA0002488570850000037
为其中的第m条路径。
CN202010398514.2A 2020-05-12 2020-05-12 一种区域轨道交通全局安全性增强方法 Pending CN111754071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010398514.2A CN111754071A (zh) 2020-05-12 2020-05-12 一种区域轨道交通全局安全性增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010398514.2A CN111754071A (zh) 2020-05-12 2020-05-12 一种区域轨道交通全局安全性增强方法

Publications (1)

Publication Number Publication Date
CN111754071A true CN111754071A (zh) 2020-10-09

Family

ID=72673913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010398514.2A Pending CN111754071A (zh) 2020-05-12 2020-05-12 一种区域轨道交通全局安全性增强方法

Country Status (1)

Country Link
CN (1) CN111754071A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486223A (zh) * 2021-06-07 2021-10-08 海南太美航空股份有限公司 一种航线显示方法、系统和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6189165A (ja) * 1984-10-08 1986-05-07 株式会社日立製作所 列車運転制御システム
CN108364127A (zh) * 2018-02-01 2018-08-03 北京市地铁运营有限公司 一种路网客流协同控制优化系统
CN108550098A (zh) * 2018-04-24 2018-09-18 西南交通大学 一种城市轨道交通网络客流限流方法
CN109872008A (zh) * 2019-03-13 2019-06-11 清华大学 基于客流分配的城市轨道交通路网安全性评估与增强方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6189165A (ja) * 1984-10-08 1986-05-07 株式会社日立製作所 列車運転制御システム
CN108364127A (zh) * 2018-02-01 2018-08-03 北京市地铁运营有限公司 一种路网客流协同控制优化系统
CN108550098A (zh) * 2018-04-24 2018-09-18 西南交通大学 一种城市轨道交通网络客流限流方法
CN109872008A (zh) * 2019-03-13 2019-06-11 清华大学 基于客流分配的城市轨道交通路网安全性评估与增强方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486223A (zh) * 2021-06-07 2021-10-08 海南太美航空股份有限公司 一种航线显示方法、系统和电子设备
CN113486223B (zh) * 2021-06-07 2022-09-09 海南太美航空股份有限公司 一种航线显示方法、系统和电子设备

Similar Documents

Publication Publication Date Title
CN111260221B (zh) 一种面向城市全局基于动态模型的交通设施承载力评估方法
CN109543934B (zh) 城市公交线网的综合指标的评价方法
CN111401614B (zh) 一种城市轨道交通动态客流分配方法及系统
CN102169524A (zh) 城市轨道交通网络客流分布的分阶段多路径模型算法
Huang et al. Optimizing bus frequencies under uncertain demand: case study of the transit network in a developing city
Li et al. Multimodal evacuation after subway breakdown: A modeling framework and mode choice behavior
Yang et al. Train scheduling for minimizing the total travel time with a skip-stop operation in urban rail transit
Zheng et al. Route design model of multiple feeder bus service based on existing bus lines
CN111859718A (zh) 一种区域多制式轨道交通车站拥挤系数计算方法及系统
CN113723667B (zh) 轨道交通线网运营方案的优化方法、设备及可读存储介质
CN111754071A (zh) 一种区域轨道交通全局安全性增强方法
Zhang et al. A timetable optimization model for urban rail transit with express/local mode
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
CN111680822B (zh) 一种基于非固定路线的往返式公交疏散路径规划方法
Zhang et al. A method for enhancing global safety of regional rail transit based on coordinative optimization of passenger flow assignment and train scheduling
Park et al. Multiobjective approach to the transit network design problem with variable demand considering transit equity
CN111861219A (zh) 一种区域轨道交通全局结构风险瓶颈识别方法及系统
Bo et al. Commuting in the Storm: Adaptation of Transit Riders and Measures for Transit Operator—A Case in Shanghai
CN113298390B (zh) 一种突发异构客流的多式协同疏散方案集构建方法及装置
Li et al. Flexible Bus Route Setting and Scheduling Optimization Adapted to Spatial-temporal Variation of Passenger Flow.
Ren et al. Coordinated passenger flow control and bus connection setting during peak hour of urban rail transit
CN114757510A (zh) 在疫情传播下考虑最大载客量限制的公交车辆调度方法
Xiaoliang et al. Discussion on optimization of public transportation network setting considering three-state reliability
Deng et al. Multiobjective Collaborative Optimization Method for the Urban Rail Multirouting Train Operation Plan
Zhu et al. Route Optimization of Rail Transit Travel Chain under Bounded Rationality

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