CN111861279A - 一种考虑换乘的多目标高速收费站班车调度方法 - Google Patents
一种考虑换乘的多目标高速收费站班车调度方法 Download PDFInfo
- Publication number
- CN111861279A CN111861279A CN202010772888.6A CN202010772888A CN111861279A CN 111861279 A CN111861279 A CN 111861279A CN 202010772888 A CN202010772888 A CN 202010772888A CN 111861279 A CN111861279 A CN 111861279A
- Authority
- CN
- China
- Prior art keywords
- time
- line
- transfer
- route
- passenger
- 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
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000011068 loading method Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing 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
- G06Q10/06—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种考虑换乘的多目标高速收费站班车调度方法。该方法包括:基于时空能力约束条件的高速收费站班车线路集合及初始时刻智能生成方法;基于随机抽样的局部邻域智能搜索方法,对路径及换乘节点的换乘时刻进行评估与迭代,从而搜索班车线路时刻表的局部最优解;基于K短路的乘客客流加载方法,根据乘客的出行需求和每条线路的优化时刻表,采用多项Logit模型,在满足班车能力约束的前提下,将不同OD的乘客加载到相应的路径,进而对班车调度方案进行评估。本发明能够为高速收费站管理处的班车调度提供更高效的多目标优化方案,使班车的调度、管理更加科学有效,以尽可能小的车队规模为尽可能多的职工提供尽可能优质的服务。
Description
技术领域
本发明涉及车辆调度规划技术领域,尤其涉及一种考虑换乘的多目标高速收费站班车调度方法。
背景技术
鉴于高速收费站管理处可调配车辆、司机等运输资源有限,以及职工的居住地点和工作地点均较为分散的现状,现有的班车运行方案主要存在以下问题:一是服务率不高,很多职工的需求得不到满足;二是时间成本较高,时间成本包括职工乘车时间、班车行驶时间和职工额外等待时间(指同一条线路上,工作地点距居住地较近的职工上班时到达工作地点的时间过早、下班后在工作地点等待班车的时间较长);三是车队规模较大,未考虑换乘情况下需要的班车数量较多。
考虑换乘行为对高速公路班车调度优化,可以使得班车服务更加快捷、可控、省时、舒适,会使职工的休息时间得到保障,进而大大提高职工的工作效率,节省大量的时间、金钱与精力。同时,考虑换乘的高速收费站班车调度方法能够为班车的路线规划、时刻确定等提供科学依据。如何在有限运输资源的前提下,通过调整班车线路开行方案提高高速收费站管理处班车的服务水平,成为摆在研究人员面前的一个技术难题。
目前对于高速收费站班车调度方法的研究主要考虑单车服务情况,没有考虑中途换乘的情况。由于高速收费站管理处的班车车队规模有限,未考虑换乘情况的线路优化方案往往耗时较长、需要的车队规模较大,不能很好地满足职工上下班的需求。考虑换乘情况,由于解空间规模较大,采用精确解法对问题的规模有一定限制。
发明内容
本发明的实施例提供了一种考虑换乘的多目标高速收费站班车调度方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种考虑换乘的高速收费站班车调度方法,包括:
基于时空能力约束条件生成高速收费站班车线路集合及各线路的初始时刻;
基于各线路的初始时刻采用随机抽样的局部邻域智能搜索方法,对线路中的换乘节点的换乘时刻进行评估与迭代,搜索班车线路时刻表的局部最优解,得到每条线路的优化时刻表;
基于K短路的乘客客流加载方法,根据乘客的出行需求和每条线路的优化时刻表,采用多项Logit模型,在满足班车能力约束的前提下,将不同OD的乘客加载到相应的线路。
优选地,所述的基于时空能力约束条件生成高速收费站班车线路集合及各线路的初始时刻,包括:
所述时空能力约束条件包括:
(1)最大车辆数
(2)起点设置,所有的班车从指定的居住地节点出发;
(3)终点设置,班车终点设置在任何收费站节点;
(4)线路长度约束;
(5)网络覆盖约束,在生成的线路组合中,所有的收费节点至少需要被一辆车服务,且所有线路不允许出现自环;
根据所述时空能力约束条件采用深度优选规则与智能筛选方法生成可行的线路集合,初始化线路终点站的到站时间窗,设规定的上班时间为tw,线路的车辆到达终点站的时间早于上班时间tw一定的预留时间tr,则有每条线路的车辆到达终点站的时间为tw-tr,设时间窗的范围为2Δ,则线路终点站的到站时间窗为[tw-tr-Δ,tw-tr+Δ],根据车辆到达终点站的时间和路线拓扑信息向前递推各个节点的到站时间,记节点p到节点q的行驶时间为tpq,分别令k=1,2,...,l-1,l为线路上的节点总数,迭代计算前向节点的到站时间tl-k=tl-k+1-tl-k,l-k+1,同理可得到各节点访问时间窗,综合线路上所有节点的到站时间得到线路的初始时刻表TTi。
优选地,所述的基于各线路的初始时刻采用随机抽样的局部邻域智能搜索方法,对线路中的换乘节点的换乘时刻进行评估与迭代,搜索班车线路时刻表的局部最优解,得到每条线路的优化时刻表,包括:
采用自适应调整的策略,通过可行解的目标函数值设定适应度函数,跟踪每一次迭代的适应度并确定一个访问节点选择其他节点作为邻接节点的权重,从而对所适用案例中优化目标贡献更大的点赋予更高的权重,并有更大的概率作为该节点的邻接访问节点;
针对换乘节点st进行换乘优化,按各个线路i到达st的时刻升序排列,得到时刻序列以换乘时间最小为原则根据时刻序列优化换乘节点st的换乘时刻,得到优化后的换乘时刻重新统计的线路,其中ttrans为乘客的最大换乘等待时间,则各线路需要向前调整的时长为将各线路时刻表的时刻分别向前推算该时长,得到针对st的换乘时刻表
如果存在多个换乘节点,使用上述方法计算每个换乘节点的换乘时刻表,将每条线路中的所有换乘节点的换乘时刻表和该线路的初始时刻表进行组合,得到带有换乘时刻的每条线路的上班优化时刻表,根据每条线路的上班可行时刻表逆向得到每条线路的下班优化时刻表。
优选地,所述的基于K短路的乘客客流加载方法,根据乘客的出行需求和每条线路的优化时刻表,采用多项Logit模型,在满足班车能力约束的前提下,将不同OD的乘客加载到相应的线路,包括:
(1)对运行线路、乘客需求等变量初始化,线路k的信息记为:
lk=(Qk[atk1,atk2,...atki,...],[dtk1,dtk2,...,dtki,...],[qk1,qk2,...])
Qk为线路k的荷载人数,atki为线路k在第i个车站的到达时间,dtki为线路k在第i个车站的出发时间,qki为线路k在第i个车站出发时的载客人数,初始值为0;
乘客需求记为:
demand=(O,D,[eto,lto],[etd,ltd],n)
O代表乘客需求起点,D代表乘客需求终点,[eto,lto]代表起点站的服务时间窗,[etd,ltd]代表终点站的服务时间窗,n代表以人为单位的需求数量,所有乘客的需求集合记为S={demand};
(2)从需求集合S中依次选择各个未被匹配的乘客的出行需求;
(3)针对乘客M的出行需求,检查符合乘客M需求的直达路径rd=(c,ns,[(lk,(io,id))];其中,c为路径行驶时间,ns为该路径上考虑车辆剩余容量的最大服务人数,io,id分别代表线路k的上车站索引和下车站索引,[(lk,io,id))]代表路径的列表,直达路径的路径列表仅包含一个线路信息;
(5)计算乘客M的可行路径集合r={r}d∪{rt},若集合为空,将客流存入开行方案不可达客流集合Ur=(O,D,n),该部分客流在当前班车开行方案下无法到达目的地,跳至(9);
(6)计算所有可行路径ri∈r的Pi,其中b为调整对于选择概率影响程度的参数:
(7)将最大的概率Pi值对应的线路匹配为乘客M的出行线路,按照上述处理过程,依次将各个乘客匹配到对应的出行线路上;
(8)更新所有班车的区间载客人数qki;
(9)S=S(O,D,[eto,lto],[etd,ltd],n)
由上述本发明的实施例提供的技术方案可以看出,本发明的方法能够为高速收费站管理处的班车调度提供更高效的方案,使班车的调度、管理更加科学有效,以尽可能小的车队规模为尽可能多的职工提供尽可能优质的服务,为高速收费站管理处制定班车开行方案提供科学依据。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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考虑换乘的高速收费站班车调度方法中的分阶段启发式算法示意图;
图2为本发明实施例提供的一种案例中服务水平指标比较示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个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。
本发明实施例提出了一种考虑换乘的多目标高速收费站班车调度方法,为高速收费站管理处的班车调度提供更高效的方案,使班车的调度、管理更加科学有效,以尽可能小的车队规模为尽可能多的职工提供尽可能优质的服务,具体体现在考虑了车队规模、车辆总运行时长、职工总等待时间和职工总旅行时间服务率几个要素。该方法基于路网拓扑信息、出行需求信息和车辆信息,考虑班车始末节点、需求始末节点、节点访问次数、时间窗、车辆容量和换乘节点等限制条件,将原问题分解为三个阶段求解,可以迅速降低各阶段问题的求解难度,能够快速、有效地获得优化后的班车运行情况,为高速收费站管理处制定班车开行方案提供科学依据。
实施例一
基于给定的路网拓扑信息、出行需求信息和车辆信息三大类数据,提出的考虑换乘的高速收费站班车调度方法的多阶段启发式算法示意图如图1所示,具体求解步骤如下:
步骤S1,基于时空能力约束条件的生成高速收费站班车线路集合及各线路的初始时刻。
对高速收费站班车线路进行智能路径搜索时考虑了如下的时空能力约束条件:
(1)最大车辆数。由于车辆数量对行驶时间影响较高,初步优化方案中采用原班车开行方案(或初始构造解)的车辆数。
(2)起点设置。所有的班车从指定的居住地节点出发,起点与原计划保持一致。
(3)终点设置。班车终点可以设置在任何收费站节点。
(4)线路长度约束。在线路生成时,过短的线路难以满足全节点覆盖的要求,过长的线路会造成行驶时间过长、乘客乘车时间过长等问题。
(5)网络覆盖约束。在生成的线路组合中,所有的收费节点至少需要被一辆车服务,且所有线路不允许出现自环。
由于高速公路收费站员工的工作地和居住地均较为分散,员工在每个节点可能同时发生上车和下车两种活动类型。根据上述规则,采用深度优选规则与智能筛选方法,快速有效的生成可行的路径集合。初始化线路终点站的到站时间窗。设规定的上班时间为tw,线路的车辆到达终点站的时间早于上班时间tw一定的预留时间tr,则有每条线路的车辆到达终点站的时间为tw-tr,设时间窗的范围为2Δ,则线路终点站的到站时间窗为[tw-trΔ,tw-tr+Δ]。根据车辆到达终点站的时间和路线拓扑信息向前递推各个节点的到站时间,记节点p到节点q的行驶时间为tpq,分别令k=1,2,...,l-1,l为线路上的节点总数,迭代计算前向节点的到站时间tl-k=tl-k+1-tl-k,l-k+1,同理可得到各节点访问时间窗。综合线路上所有节点的到站时间得到线路的初始时刻表TTi。
步骤S2,基于随机抽样的局部邻域智能搜索方法,对路径及线路中的换乘节点的换乘时刻进行评估与迭代,从而搜索班车线路时刻表的局部最优解。
其搜索过程采用自适应调整的策略,通过可行解的目标函数值设定适应度函数,跟踪每一次迭代的适应度并确定一个访问节点选择其他节点作为邻接节点的权重,从而对所适用案例中优化目标贡献更大的点赋予更高的权重,并有更大的概率作为该节点的邻接访问节点。
针对换乘节点st进行换乘优化,按各个线路i到达st的时刻升序排列,得到时刻序列以换乘时间最小为原则根据时刻序列优化换乘节点st的换乘时刻,得到优化后的换乘时刻重新统计的线路,其中ttrans为乘客的最大换乘等待时间。则各线路需要向前调整的时长为将各线路时刻表的时刻分别向前推算该时长,得到针对st的换乘时刻表
如果存在多个换乘节点,使用相同方法计算下一个换乘节点的换乘时刻表,将所有换乘时刻表和初始时刻表TT与对应线路方案P进行组合,将带时刻表的线路方案记作PT。最后,生成回程班车时刻表,由于接职工下班和送职工上班的时间呈对称分布,回程班车时刻表由去程对称得到。
步骤S3,基于K短路的乘客客流加载方法,根据乘客的出行需求和每条线路的优化时刻表,采用多项Logit模型,在满足班车能力约束的前提下,将不同OD的乘客加载到相应的路径。
在确定了带时刻表的线路方案和出行需求下,进行考虑一次换乘的K短路配流,将所有的客流匹配到对应的线路上。具体方法如下:
(1)对运行线路、乘客需求等变量初始化,线路k的信息记为lk=(Qk,[atk1,atk2,...atki,...],[dtk1,dtk2,...,dyki,...],[qk1,qk2,...]),其中,Qk为线路k的荷载人数,atki为线路k在第i个车站的到达时间,dtki为线路k在第i个车站的出发时间,qki为线路k在第i个车站出发时的载客人数,初始值为0。乘客需求记为:demand=(O,D,[eto,lto],[etd,ltd],n),分别代表乘客需求起点,乘客需求终点,起点站的服务时间窗,终点站的服务时间窗,需求数量(人)。所有需求集合记为S={demand};
(2)从需求集合S中依次选择各个未被匹配的乘客的出行需求;
(3)针对乘客M的出行需求,检查符合乘客M需求的直达路径rd=(c,ns,[(lk,(io,id))];其中,c为路径行驶时间,ns为该路径上考虑车辆剩余容量的最大服务人数,io,id分别代表线路k的上车站索引和下车站索引,[(lk,io,id))]代表路径的列表,直达路径的路径列表仅包含一个线路信息;
(5)计算乘客M的可行路径集合r={r}d∪{rt},若集合为空,将客流存入开行方案不可达客流集合Ur=(O,D,n),O和D分别对应了需求的起点和终点信息,n代表需求的数量。
该部分客流在当前班车开行方案下无法到达目的地,跳至(9)。
(6)构造Logit路径选择模型。路径i的出行行驶时间ci越短,用户有越大的概率选择该路径,计算所有可行路径ri∈r的Pi,其中b为调整对于选择概率影响程度的参数。模型形式如下:
(7)将最大的概率Pi值对应的线路匹配为乘客M的出行线路。按照上述处理过程,依次将各个乘客匹配到对应的出行线路上。超出容量限制的客流存入未分配客流集合Ua=(O,D,n-∑ns)。
(8)更新所有班车的区间载客人数qki。
(9)S=S(O,D,[eto,lto],[etd,ltd],n)
分阶段算法求解得到的路线方案集合对应的配流结果实为原问题的多个优化后的可行解。将不同目标函数加权组合,通过帕累托曲面,筛选出多目标下的最优方案,有助于在有限运输资源的前提下为高速收费站班车方案的制定提供更多参考。
实施例二:
步骤1:基于时空能力约束条件生成高速收费站班车线路集合及各线路的初始时刻。
考虑最大车辆数、起终点设置、线路长度约束以及网络覆盖约束对可行路径进行搜索。该案例中,初步优化方案中采用原班车开行方案的车辆数,即8辆;起点与原计划保持一致,其中,4辆从A市发车收车(含电动车),2辆从B市发车收车,C市和D市各有1辆;班车终点可以设置在任何工作节点;线路长度设置为4-10站(单向)。
指定统一的最晚到站时间tw、预留时间tr和最大换乘等待时间ttrans。初始化线路终点站到站时刻。本案例中设定的预留时间为20分钟,以早班8:00为例,预留时间为20分钟,则对于li的初始时刻表TTi=[t1,t2,...,td],终点站d到站时间td=8:00-0:20=7:40。设置时间窗范围为10分钟,则终点站d的访问时间窗为[7:35,7:45],同理得到其他节点的访问时间窗。再根据终点站时间迭代计算前向节点的到站时间,即可得到各线路初始化时刻表TTi。
步骤2基于随机抽样的局部邻域智能搜索方法,对路径及线路中的换乘节点的换乘时刻进行评估与迭代。
a)记满足约束的智能搜索线路组合为P={l1,l2,...,ln},线路li=[s1,s2,...,su]。
c)优化换乘时刻。乘客的最大换乘等待时间记为ttrans。本案例中设置的职工换乘等待时间阈值为20分钟,即职工在换乘站等待时间超过20分钟的方案被认为是无效的换乘。统计到达换乘站时刻序列中的众数,将其数值记为数量记为当时,表示此时有超过四分之一经过该换乘点的线路到达换乘点的时间集中在该众数,令st的优化换乘时刻当时,以中位数作为优化换乘时刻,鉴于所有班车的初始时刻表只能提前不可延后,需要对前后到达的线路分别考虑:对于之前到达的线路,统计满足到达换乘站时间 的线路[lb1,lb2,...lbv],当时,说明范围内到达换乘点的时间较密集,令
d)计算换乘时刻表。经计算,大部分线路方案具备2到3组时刻表,对带时刻表的线路方案组合进行客流加载和评估。
e)回程班车时刻表生成。下班线路的始发站d发车时间td=8:00+0:20=8:20,其他时间点也分别对应时间间隔对称分布。
步骤3基于K短路的乘客客流加载方法、采用多项Logit模型,将不同OD的乘客加载到相应的路径。
根据指定的乘客需求OD表(带时间窗约束),带时刻表的线路方案PT,进行考虑换乘和时间窗的K短路客流加载,将客流分配至对应车辆。
根据本发明提出的高速收费站班车调度分阶段启发式算法来对收费站管理处的班车运行情况进行优化设计,得到的单一目标下的班车运行优化结果如表1所示,多目标下的班车运行优化结果如表2所示。根据可达性、车辆满载率、额外出行时间、未服务需求分析等评价指标,可以对现有方案进行初步评估与分析。基于不同线路方案的客流加载结果,根据不同的目标函数参数选择最优解,对不同偏好的最优线路方案的服务水平进行评价。通过调整各目标的权重,分别得到了服务率优先、服务率与行驶时间兼顾、行驶时间优先的三种满意解。以当前开行方案为参照基准,三种优化后的方案,在各项指标上均有一定提升。得到的各方案服务水平指标比较如图2所示。
计算结果表明,当车辆规模为8辆时,采用服务率优先的方案,服务率有显著的提升,上升了约15个百分点,但平均乘车时间、平均额外出行时间和车辆平均单程行驶时间都有一定的增加;行驶时间优先方案下,服务率有一定提高,但提升幅度较小,平均乘车时间、平均额外出行时间和车辆平均单程行驶时间都有一定的减少;均衡方案下,服务率、平均乘车时间、平均额外出行时间和车辆平均单程行驶时间都有一定的提升,几项评价指标的值均介于服务率优先方案和行驶时间优先方案之间。
接着,对班车车队规模做进一步优化,分别调整班车数量至9辆、10辆与8辆车的情况进行对比。服务率优先、行驶时间优先和兼顾服务率与行驶时间三种方案下的服务水平比较如表3所示。
研究发现,车队规模的扩大不一定会同时提高服务率、降低出行时间,随着车队规模的扩大,原本得不到满足的需求可能会被服务,随之会导致路线行驶距离的增加、行驶时间的增加。本算例下,当车队规模为8辆时,较为经济高效。
表1
表2
表3
综上所述,本发明提出的一种考虑换乘的高速收费站班车调度方法,一方面,能够确定出合理的车队规模,为高速收费站管理处提供班车服务降低成本;另一方面,能够制定出合理的班车路线,节省职工的在途时间,提高班车的服务率,为职工提供更舒适、更便捷的上下班服务,从而大大提升职工的工作效率。本发明能够为高速收费站管理处的班车方案制定提供依据。
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。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
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 (4)
1.一种考虑换乘的多目标高速收费站班车调度方法,其特征在于,包括:
基于时空能力约束条件,生成高速收费站班车线路集合及各线路的初始时刻;
基于各线路的初始时刻,采用随机抽样的局部邻域智能搜索方法,对线路中的换乘节点的换乘时刻进行评估与迭代,搜索班车线路时刻表的局部最优解,得到每条线路的优化时刻表;
基于K短路的乘客客流加载方法,根据乘客的出行需求和每条线路的优化时刻表,采用多项Logit模型,在满足班车能力约束的前提下,将不同OD的乘客加载到相应的路径。
2.根据权利要求1所述的方法,其特征在于,所述的基于时空能力约束条件的生成高速收费站班车线路集合及各线路的初始时刻,包括:
所述时空能力约束条件包括:
(1)最大车辆数
(2)起点设置,所有的班车从指定的居住地节点出发;
(3)终点设置,班车终点设置在任何收费站节点;
(4)线路长度约束;
(5)网络覆盖约束,在生成的线路组合中,所有的收费节点至少需要被一辆车服务,且所有线路不允许出现自环;
根据所述时空能力约束条件采用深度优选规则与智能筛选方法生成可行的路径集合,初始化线路终点站的到站时间窗,设规定的上班时间为tw,线路的车辆到达终点站的时间早于上班时间tw一定的预留时间tr,则有每条线路的车辆到达终点站的时间为tw-tr,设时间窗的范围为2Δ,则线路终点站的到站时间窗为[tw-tr-Δ,tw-tr+Δ],根据车辆到达终点站的时间和路线拓扑信息向前递推各个节点的到站时间,记节点p到节点q的行驶时间为tpq,分别令k=1,2,...,l-1,l为线路上的节点总数,迭代计算前向节点的到站时间tl-k=tl-k+1-tl-k,l-k+1,同理可得到各节点访问时间窗,综合线路上所有节点的到站时间得到线路的初始时刻表TTi。
3.根据权利要求1所述的方法,其特征在于,所述的基于各线路的初始时刻采用随机抽样的局部邻域智能搜索方法,对线路中的换乘节点的换乘时刻进行评估与迭代,搜索班车线路时刻表的局部最优解,得到每条线路的优化时刻表,包括:
采用自适应调整的策略,通过可行解的目标函数值设定适应度函数,跟踪每一次迭代的适应度并确定一个访问节点选择其他节点作为邻接节点的权重,从而对所适用案例中优化目标贡献更大的点赋予更高的权重,并有更大的概率作为该节点的邻接访问节点;
针对换乘节点st进行换乘优化,按各个线路i到达st的时刻升序排列,得到时刻序列以换乘时间最小为原则根据时刻序列优化换乘节点st的换乘时刻,得到优化后的换乘时刻重新统计的线路,其中ttrans为乘客的最大换乘等待时间,则各线路需要向前调整的时长为将各线路时刻表的时刻分别向前推算该时长,得到针对st的换乘时刻表
如果存在多个换乘节点,使用上述方法计算每个换乘节点的换乘时刻表,将每条线路中的所有换乘节点的换乘时刻表和该线路的初始时刻表进行组合,得到带有换乘时刻的每条线路的上班优化时刻表,根据每条线路的上班可行时刻表逆向得到每条线路的下班优化时刻表。
4.根据权利要求1所述的方法,其特征在于,所述的基于K短路的乘客客流加载方法,根据乘客的出行需求和每条线路的优化时刻表,采用多项Logit模型,在满足班车能力约束的前提下,将不同OD的乘客加载到相应的线路,包括:
(1)对运行线路、乘客需求等变量初始化,线路k的信息记为:
lk=(Qk,[atk1,atk2,...atki,...],[dtk1,dtk2,...,dtki,...],[qk1,qk2,...])
Qk为线路k的荷载人数,atki为线路k在第i个车站的到达时间,dtki为线路k在第i个车站的出发时间,qki为线路k在第i个车站出发时的载客人数,初始值为0;
乘客需求记为:
demand=(O,D,[eto,lto],[etd,ltd],n)
O代表乘客需求起点,D代表乘客需求终点,[eto,lto]代表起点站的服务时间窗,[etd,ltd]代表终点站的服务时间窗,n代表以人为单位的需求数量,所有乘客的需求集合记为S={demand};
(2)从需求集合S中依次选择各个未被匹配的乘客的出行需求;
(3)针对乘客M的出行需求,检查符合乘客M需求的直达路径rd=(c,ns,[(lk,(io,id))];其中,c为路径行驶时间,ns为该路径上考虑车辆剩余容量的最大服务人数,io,id分别代表线路k的上车站索引和下车站索引,[(lk,(io,id))]代表路径的列表,直达路径的路径列表仅包含一个线路信息;
(5)计算乘客M的可行路径集合r={r}d∪{rt},若集合为空,将客流存入开行方案不可达客流集合Ur=(O,D,n),该部分客流在当前班车开行方案下无法到达目的地,跳至(9);
(6)计算所有可行路径ri∈r的Pi,其中b为调整对于选择概率影响程度的参数:
(7)将最大的概率Pi值对应的线路匹配为乘客M的出行线路,按照上述处理过程,依次将各个乘客匹配到对应的出行线路上;
(8)更新所有班车的区间载客人数qki;
(9)S=S(O,D,[eto,lto],[etd,ltd],n)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010772888.6A CN111861279B (zh) | 2020-08-04 | 2020-08-04 | 一种考虑换乘的多目标高速收费站班车调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010772888.6A CN111861279B (zh) | 2020-08-04 | 2020-08-04 | 一种考虑换乘的多目标高速收费站班车调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861279A true CN111861279A (zh) | 2020-10-30 |
CN111861279B CN111861279B (zh) | 2024-05-03 |
Family
ID=72953414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010772888.6A Active CN111861279B (zh) | 2020-08-04 | 2020-08-04 | 一种考虑换乘的多目标高速收费站班车调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861279B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418465A (zh) * | 2020-11-05 | 2021-02-26 | 盐城工业职业技术学院 | 一种轨道式校车系统 |
CN117195484A (zh) * | 2023-08-08 | 2023-12-08 | 广东贝能达交通设备有限公司 | 一种轨道交通管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652434A (zh) * | 2016-12-02 | 2017-05-10 | 东南大学 | 一种基于轨道交通协调的公交调度方法 |
CN106652530A (zh) * | 2016-11-02 | 2017-05-10 | 北京瑞华赢科技发展有限公司 | 一种调度时刻表生成方法及装置 |
CN110135755A (zh) * | 2019-05-23 | 2019-08-16 | 南京林业大学 | 一种综合优化片区城乡公交时刻表编制与车辆调度的方法 |
KR20200051448A (ko) * | 2018-11-05 | 2020-05-13 | 한국철도기술연구원 | 급행열차의 스케줄링 시스템 및 그 방법 |
-
2020
- 2020-08-04 CN CN202010772888.6A patent/CN111861279B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652530A (zh) * | 2016-11-02 | 2017-05-10 | 北京瑞华赢科技发展有限公司 | 一种调度时刻表生成方法及装置 |
CN106652434A (zh) * | 2016-12-02 | 2017-05-10 | 东南大学 | 一种基于轨道交通协调的公交调度方法 |
KR20200051448A (ko) * | 2018-11-05 | 2020-05-13 | 한국철도기술연구원 | 급행열차의 스케줄링 시스템 및 그 방법 |
CN110135755A (zh) * | 2019-05-23 | 2019-08-16 | 南京林业大学 | 一种综合优化片区城乡公交时刻表编制与车辆调度的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418465A (zh) * | 2020-11-05 | 2021-02-26 | 盐城工业职业技术学院 | 一种轨道式校车系统 |
CN112418465B (zh) * | 2020-11-05 | 2021-06-15 | 盐城工业职业技术学院 | 一种轨道式校车系统 |
CN117195484A (zh) * | 2023-08-08 | 2023-12-08 | 广东贝能达交通设备有限公司 | 一种轨道交通管理方法及系统 |
CN117195484B (zh) * | 2023-08-08 | 2024-05-03 | 广东贝能达交通设备有限公司 | 一种轨道交通管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111861279B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
Taniguchi et al. | Modelling city logistics using recent innovative technologies | |
Liu et al. | Optimizing fleet size and scheduling of feeder transit services considering the influence of bike-sharing systems | |
Fiedler et al. | The impact of ridesharing in mobility-on-demand systems: Simulation case study in Prague | |
Wu et al. | A label based ant colony algorithm for heterogeneous vehicle routing with mixed backhaul | |
Wong et al. | Solution of the Dial‐a‐Ride Problem with multi‐dimensional capacity constraints | |
CN104102953B (zh) | 一种物流送货线路优化生成方法及系统 | |
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 | |
CN111861279A (zh) | 一种考虑换乘的多目标高速收费站班车调度方法 | |
CN113780808A (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 | |
CN114925995A (zh) | 基于单亲遗传算法的公路干线车货匹配和路径规划方法 | |
Zhang et al. | Dynamic vehicle routing with random requests: A literature review | |
Fescioglu-Unver et al. | Electric vehicle charging service operations: A review of machine learning applications for infrastructure planning, control, pricing and routing | |
Jacyna et al. | Decision-making problems of collective transport development in terms of sustainable urban mobility | |
Li et al. | Dynamic pricing, vehicle relocation and staff rebalancing for station-based one-way electric carsharing systems considering nonlinear charging profile | |
CN114118616A (zh) | 一种带软时间窗的多目标车辆路径规划方法 | |
Han et al. | Two-stage optimization of airport ferry service delay considering flight uncertainty | |
Lee et al. | Planning and design of a taxipooling dispatching system | |
Liu et al. | Research on vehicle routing problem with time windows based on the dragonfly algorithm | |
Afandizadeh Zargari et al. | Optimizing algorithm for allocating passengers in shared taxis | |
Almasi et al. | Validating an improved model for Feeder Bus network design using Genetic Algorithm (GA) and Particle swarm optimization (PSO) | |
Hadded et al. | Platoon Route Optimization for Picking up Automated Vehicles in an Urban Network | |
Van Son et al. | Prediction-based optimization for online People and Parcels share a ride taxis | |
Zheng et al. | Research on express delivery vehicle route planning method for stochastic customer demand | |
Sun et al. | Optimizing customized transit service considering stochastic bus arrival time |
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 |