CN111882915A - 采用复合算法及交互模型的应需定制公交线路规划方法 - Google Patents

Abstract

本发明提供了一种采用复合算法及交互模型的应需定制公交线路规划方法，包括：S1.获取乘客的出行需求数据；S2.计算站点间通行时间矩阵；S3.通过时间序列、空间序列的匹配，将出行需求数据融合处理以获取乘客出行的OD矩阵；S4.构建复合算法模型并将所述OD矩阵和站点间通行时间矩阵代入所述复合算法模型进行初次计算及后续更新。本发明具有乘客满意、成本合理且运营高效等优点。

Description

采用复合算法及交互模型的应需定制公交线路规划方法

技术领域

本发明属于智能交通技术领域，尤其是涉及一种采用复合算法及交互模型的应需定制公交线路规划方法。

背景技术

目前，随着城市化进程的发展，城市人口车辆剧增，道路拥堵情况逐年严峻，公共交通具有载运大、耗能少等特点，对于我国严峻的交通形势来说是最有效的缓解方案。但公共交通骨干线网覆盖范围有限、常规公交定站定线的服务模式日益凸显不足，在客流高峰期间，现有公共交通车内拥挤、线路绕行、换乘不便等问题造成公交分担率降低，抑制了公交优先作用。应需定制公交可以满足市民个性化、多样化的需求，弥补公交可达性不足性的问题。而线路规划作为应需定制公交的核心，依据合理、可解释性强、可人机协同操作的线路规划方法，不仅可以提升公交运营质量及乘客的出行满意度，也可以满足交通管路部门精细化管理的需要，降低公交运营企业的成本。

现有线路规划方法中，在选择乘客合乘点上，仅考虑将乘客需求拟合到直线距离最短的站点，未考虑实际地形(河道隔绝、小区围墙阻隔、道路封闭等)影响带来的步行距离增加；在线路设计上，并未考虑在不同出行时间里，道路通行条件对公交站与站间运行时间的影响；同时现有方法中，单一的算法模型，不能很好满足线路初次规划、多次更新调整的操作，实用性上欠佳。

因此，提供一种能够提升公交出行分担率、提高市民满意率、缓解道路拥堵的公交线路规划方案具有重要的社会价值和工程意义。

发明内容

本发明的目的是针对上述问题，提供一种乘客满意、成本合理、运营高效的复合算法及交互模型的应需定制公交线路规划方法。

本发明包括的一种采用复合算法及交互模型的应需定制公交线路规划方法，包括：

S1.获取乘客的出行需求数据；

S2.计算站点间通行时间矩阵；

S3.通过时间序列、空间序列的匹配，将出行需求数据融合处理以获取乘客出行的OD矩阵；

S4.构建复合算法模型并将所述OD矩阵和站点间通行时间矩阵代入所述复合算法模型进行初次计算及后续更新。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，在步骤S1中，乘客的出行需求数据包括若干乘客的出行时刻、起点位置和讫点位置。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，在步骤S2中，通过以下方式计算站点间通行时间矩阵：

a)取某一时间段里的车辆GPS数据，对比车辆GPS与公交站台GPS

其中dist(G_C,G_S)表示车辆与目标站台距离，G_c(x₁,x₂)为车辆GPS坐标，G_S(y₁,y₂)为公交站台坐标，

为有效GPS间距阈值。

b)计算该时间段里的站点间通行时间

记录符合

的时间段T,T包含m个等长的时间窗口：T{T₁,T₂,…,T_m}，根据窗口期内的车辆运行状态，判断是否到站，并记录前后两站通行时间：

表示T_i、T_i+1两个时刻取到的车辆GPS坐标

之间的间距，

表示T_i的平均速度，γ为车辆运行状态判断有效值，当

时，记录当前站点S_i到达时间为

为站点S_i与S_j之间的通行时间；

c)取不同时间下车辆GPS数据，重复a、b。

最终两公交站点在不同时间段里的通行时间矩阵为:

表示在时间段k里，共获得q次采样，每个采样结果代表站点S_i与站点S_j间的通行时间；

对

进行排序

为在时间段k，公交站点S_i与S_j之间的通行时间，

T为各个时间段下站点间通行时间集合。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，在步骤S3中，通过数据融合方式获取乘客的OD矩阵：

S31.将若干乘客的乘客出行需求数据通过时间序列匹配，得到时间序列匹配后的融合数据；

S32.将乘客出行需求数据、区域边界数据、站点分布数据、区域-站点关联信息通过边界聚合范围内的需求点；

S33.通过区域-站点关联关系，选取区域出入口的站点作为乘客上(下)车站点得到空间序列匹配后的融合数据；

S34.合并步骤S31和S33的融合数据获得OD矩阵。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，在步骤S4中，所述的复合算法模型包括基于多目标遗传学进行初次线路规划和基于已有线路进行剪枝合并。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，基于多目标遗传学进行初次线路规划包括输入数据、输出数据、约束条件和目标函数，输出数据包括初次线路列表，输入数据包括OD矩阵和站点间通行时间矩阵，约束条件包括载客人数约束、线路数约束和站点约束，目标函数包括乘客出行时间最小和运营公交企业经济效益最大。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，通过以下方式进行载客人数约束：

线路L为L＝{S_i,i＝1,2,…,p}，包含p个站点，

M_t为车车型t的核载人数，

C_t为车型t的开行载客下限，

为站点S_i的上车人数；

通过以下方式进行线路数约束：

L_n<L_max

L_n为要生成的线路数，L_max为线路数上限；

通过以下方式进行站点约束：

p<p_max

p_max为线路站点上限，p为所生成线路中的站点数。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，通过以下方式获取乘客的最小出行时间：

Z₁＝Z_乘车+Z_停靠

minZ_停靠＝h*MAX{W_下,W_上}

W_上为一个公交站的上车人数，W_下为一个公交站的下车人数，h为一个乘客的上(下)车时间，Z_乘车为乘客乘车时间，Z_停靠为停靠时间，Z₁为乘客出行时间，minZ_停靠为最少停靠时间，minZ₁为最小出行时间；

通过以下方式获取运营公交企业的最大经济效益；

Z₂＝Z_票-Z_成本

Z_成本＝Z_油耗+Z_{司机人力成本}+Z_车辆折旧

Z₂为经济效益，Z_票为卖票收费，Z_成本为运营成本，l票价。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，基于已有线路进行剪枝合并包括：

将线路L＝{S_i,i＝1,2,…,p}转换为树结构，

S_i→S_i+1i∈[1,p]

表示在线路L这条分支上，第i个站点是第i+1个站点的父节点，在k时刻，新需求站点S_a加入L＝{S_i,i＝1,2,…,p}线路，

遍历比较已有线路各个站点至新站点的时间，取站点间通行时间最小的站点S_j,j∈[1,p]作为新站点的父节点。

在上述的采用复合算法及交互模型的应需定制公交线路规划方法中，本方法还包括：

S5.定期统计运营中获取的车辆GPS数据，更新站点间通行时间矩阵，将OD矩阵、站点间通行时间矩阵重新代入复合算法模型，更新线路列表；

S6.提供人机交互界面，由人工通过人机交互界面拖拽线路将目标站点纳入或剔除。

本发明的优点在于：对多源数据(出行需求、站点间通行时间矩阵、站点分布等)进行时间和空间序列的数据融合处理，得到更综合、精确的数据，利用多源融合数据代入GA-TPM模型，实时得到可动态更新的线路信息列表；增加线路规划的科学性、准确性。

附图说明

图1为本发明方法的方法流程图；

图2是本发明数据融合示意图；

图3是本发明某区域处站点示例图；

图4是发明的复合算法模型运行流程图；

图5是本发明多目标遗传算法的总体流程图；

图6是本发明种群优化流程示意图；

图7是本发明个体交叉流程示意图；

图8是本发明的剪枝-合并示意图。

具体实施方式上

下面结合附图和具体实施方式对本发明做进一步详细的说明。

如图1所示，本实施例公开了一种采用复合算法及交互模型的应需定制公交线路规划方法，本方法首先利用乘客用户提交的出行需求数据、区域边界数据、站点分布及站点间通行时间数据进行融合处理，得到乘客出行的OD矩阵和站点间通行时间矩阵，随后利用OD矩阵和站点间通行时间矩阵代入复合算法模型(GA-TPM)得到应需定制公交线路规划分布，通过人机交互模型提供人工参与修正入口，实现对线路的调整优化。

具体如下：

1.获取乘客的出行需求数据

通过移动互联网应用，收集t时刻下，n个用户的出行需求数据：On(tn，Sn，En)，分别表示用户的出行时刻、起点位置、讫点位置。

2.计算站点间通行时间矩阵

通过车辆-站台GPS对比及多个时间窗口内车辆运动状态态势判断，得到车辆抵达各站的时间，重复计算不同时间段的数据，得到站点之间在不同时间段里的通行时间矩阵。

站点间通行时间的计算方法如下：

d)取某一时间段里的车辆历史GPS数据，对比车辆GPS与公交站台GPS

其中dist(G_C,G_S)表示车辆与目标站台距离，G_c(x₁,x₂)为车辆GPS坐标，G_S(y₁,y₂)为站台坐标，

为设定的有效GPS间距阈值；

e)计算该时间段里站点间通行时间

记录符合

的时间段T,T包含m个等长的时间窗口：T{T₁,T₂,…,T_m}，根据窗口期内的车辆运行状态，判断是否到站，并记录前后两站通行时间：

表示T_i、T_i+1两个时刻取到的车辆GPS坐标

之间的间距，

表示T_i的平均速度，γ为车辆运行状态判断有效值，当

时，记录当前站点S_i到达时间为

为站点S_i与S_j之间的通行时间；

f)取不同时间下，公交车运营的GPS数据，重复a、b，最终两公交站点在不同时间段里的通行时间矩阵为:

表示在时间段k里，共获得q次采样，每个采样结果代表站点S_i与站点S_j间的通行时间；

对

进行排序

为在时间段k，公交站点S_i与S_j之间的通行时间，

T为各个时刻下站点间通行时间集合。

3.数据融合处理

如图2所示，将乘客的出行需求数据通过时间序列的匹配，得到时间序列匹配后的融合数据；将乘客出行需求数据、区域边界数据、站点分布数据、区域-站点关联信息通过边界聚合范围内的需求点，通过区域-站点关联关系，选取区域出入口的站点作为乘客上(下)车站点，得到空间序列匹配后的融合数据，最终获得乘客出行的OD矩阵。

对于通过数学方法计算合乘点，如利用k-means聚类算法对乘客需求进行多集合分类的到合乘公交站点，可能会有地形阻隔、道路封闭等问题，导致理论上距离最近，但实际步行距离远，如图3，在这块区域中，需求A按距离原则上是分到东门旁边的站点2上下车，但是若该区域中，东门不开放，则A乘客需要从北门出去绕行到站点2，因此，应该将需求A归到北门位置的站点1。此外，需求和最近站点间有河流阻隔、道路维修等情况也会导致上述问题。本方案通过事先划分区域，获取区域周围的站点分布数据、区域-站点关联关系(如前述区域与站点1和站点2的关联关系包括站点1位置区域的北门，站点2位于区域的东门，且东门长期不开放)等信息设定该区域实际合乘站点。

4.构建复合算法模型(GA-TPM)

如图4所示，复合模型由两部分构成：

4.1第一部分基于NSGA2(多目标遗传学)用于线路初次规划：

输入数据：乘客出行的OD矩阵、站点间通行时间矩阵；

输出数据：初次线路列表，此处记为线路列表1；

算法目标：得到包含线路运营走向、时长、里程的线路列表信息；

约束条件：

a)载客人数约束，为保证经济效益，开行线路的载客人数要达到一定量才行，假设线路为L＝{S_i,i＝1,2,…,p}，包含p个站点，

M_t为车车型t的核载人数，

C_t为车型t的开行载客下限，

为站点S_i的上车人数权重，

b)线路数约束，L_n为要生成的线路数，L_max为线路数上限

L_n<L_max

c)站点约束，对于线路L＝{S_i,i＝1,2,…,p},p_max为线路站点上限。

p<p_max

目标函数：

a)乘客出行时间最小

乘客出行时间由乘车时间和停靠时间组成

Z₁＝Z_乘车+Z_停靠

停靠时间主要由乘客上下车耗费时间决定，假设一个乘客上下车时间为h，在一个公交站点上车的是人数为W_上，下车的人数为W_下，则停靠时间由其中最多人数的耗时决定，

minZ_停靠＝h*MAX{W_下+W_上}

a)运营公交企业经济效益最大

Z₂＝Z_票-Z_成本

设票价为l；

Z_成本＝Z_油耗+Z_{司机人力成本}+Z_车辆折旧

如图5所示，多目标遗传学算法设计如下：

a)编码设计：对上下车停靠点站台编码,用自然数表示；

b)初始种群：根据乘客出行OD矩阵，随机选择若干上车点生成若干线路，判断是否满足约束条件，以此重复，一条线路组成一个个体，一个个体对应一条线路；

c)根据每个个体的出行时间、企业经济效益为目标函数，进行快速非支配排序及拥挤距离计算；

d)采用锦标赛机制选择个体进行交叉、变异，图6中平均每条线路里的60％的站点，与另一条线路交叉，图7所示为随机在一条线路里随机选择2个站点，两个站点互换位置；

e)通过精英保留策略，将父代与子代合并，通过速非支配排序及拥挤距离计算，产生下一代种群；

f)返回c)，再次计算，直至达到设定的迭代数。

4.2第二部分基于树的剪枝合并(Tree-Pruning-Merge)，基于已有线路，当有新需求传入时，实现线路的延展：

输入数据：已有线路列表、新乘客需求、站点间通行时间矩阵、约束条件；

输出数据：线路列表2；

算法目标：可动态更改线路途经站点与走向。

将线路L＝{S_i,i＝1,2,…,p}，转换为树结构，

S_i→S_i+1i∈[1,p]

表示在线路L这条分支上，第i个站点是第i+1个站点的父节点

在k时刻，新需求站点S_a加入L＝{S_i,i＝1,2,…,p}线路

遍历比较已有线路各个站点至新站点的时间，取站点间通行时间最小的站点S_j,j∈[1,p]，作为新站点的父节点。

如图8所示，剪枝分为如下几种情况：

a)新站点与当前叶节点S_p作为兄弟节点，同属于S_p-1的子节点

对S_p-2→S_p-1剪枝，以S_p-2为起点，计算{S_p-1,S_p,S_a}三个节点最短路径；

b)新节点a加入后，与已有线路的节点S_p-1成为兄弟节点，两个同为节点S_p-2的孩子节点，

将a与分支2剪枝，计算{S_p-1,S_p,S_a}三个节点最短路径。

5.定期统计运营中获取的公交车辆GPS数据，更新站点间通行时间矩阵及OD矩阵，将OD矩阵和站点间通行时间矩阵重新代入GA-TPM，更新线路列表；

6.建立人机交互模型提供人机交互界面，可人工参与修正，算法给出最优结果：

a)拖拽：拖拽线路将站点纳入，根据TPM算法进行更新；

b)剔除：将节点从线路中剔除。

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。本发明所属技术领域的技术人员可以对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。

尽管本文较多地使用了需求数据、站点间通行时间矩阵、融合数据、区域边界等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，包括：

S1.获取乘客的出行需求数据；

S2.计算站点间通行时间矩阵；

S3.通过时间序列、空间序列的匹配，将出行需求数据融合处理以获取乘客出行的OD矩阵；

S4.构建复合算法模型并将所述OD矩阵和站点间通行时间矩阵代入所述复合算法模型进行初次计算及后续更新。

2.根据权利要求1所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，在步骤S1中，乘客的出行需求数据包括若干乘客的出行时刻、起点位置和讫点位置。

3.根据权利要求2所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，在步骤S2中，通过以下方式计算站点间通行时间矩阵：

a)取某一时间段里的车辆GPS数据，对比车辆GPS与公交站台GPS

其中dist(G_C，G_S)表示车辆与目标站台距离，G_c(x₁,x₂)为车辆GPS坐标，G_S(y₁,y₂)为公交站台坐标，

为有效GPS间距阈值。

b)计算该时间段里的站点间通行时间

记录符合

的时间段T,T包含m个等长的时间窗口：T{T₁，T₂，...，T_m}，根据窗口期内的车辆运行状态，判断是否到站，并记录前后两站通行时间：

表示T_i、T_i+1两个时刻取到的车辆GPS坐标

之间的间距，

表示T_i的平均速度，γ为车辆运行状态判断有效值，当

时，记录当前站点S_i到达时间为

为站点S_i与S_j之间的通行时间；

c)取不同时间下车辆GPS数据，重复a、b。

最终两公交站点在不同时间段里的通行时间矩阵为:

表示在时间段k里，共获得q次采样，每个采样结果代表站点S_i与站点S_j间的通行时间；

对

进行排序

为在时间段k，公交站点S_i与S_j之间的通行时间，

T为各个时间段下站点间通行时间集合。

4.根据权利要求2所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，在步骤S3中，通过数据融合方式获取乘客出行的OD矩阵：

S31.将若干乘客的乘客出行需求数据通过时间序列匹配，得到时间序列匹配后的融合数据；

S32.将乘客出行需求数据、区域边界数据、站点分布数据、区域-站点关联信息通过边界聚合范围内的需求点；

S33.通过区域-站点关联关系，选取区域出入口的站点作为乘客上(下)车站点得到空间序列匹配后的融合数据；

S34.合并步骤S31和S33的融合数据获得OD矩阵。

5.根据权利要求2所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，在步骤S4中，所述的复合算法模型包括基于多目标遗传学进行初次线路规划和基于已有线路进行剪枝合并。

6.根据权利要求5所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，基于多目标遗传学进行初次线路规划包括输入数据、输出数据、约束条件和目标函数，输出数据包括初次线路列表，输入数据包括OD矩阵和站点间通行时间矩阵，约束条件包括载客人数约束、线路数约束和站点约束，目标函数包括乘客出行时间最小和运营公交企业经济效益最大。

7.根据权利要求6所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，通过以下方式进行载客人数约束：

线路L为L＝{S_i，i＝1，2，...，p}，包含p个站点，

M_t为车车型t的核载人数，

C_t为车型t的开行载客下限，

为站点S_i的上车人数；

通过以下方式进行线路数约束：

L_n＜L_max

L_n为要生成的线路数，L_max为线路数上限；

通过以下方式进行站点约束：

p＜p_imax

p_max为线路站点上限，p为所生成线路中的站点数。

8.根据权利要求6所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，通过以下方式获取乘客的最小出行时间：

Z₁＝Z_乘车+Z_停靠

minZ_停靠＝h*MAX{W_下，W_上}

W_上为一个公交站的上车人数，W_下为一个公交站的下车人数，h为一个乘客的上(下)车时间，Z_乘车为乘客乘车时间，Z_停靠为停靠时间，Z₁为乘客出行时间，minZ_停靠为最少停靠时间，minZ₁为最小出行时间；

通过以下方式获取运营公交企业的最大经济效益；

Z₂＝Z_票-Z_成本

Z_成本＝Z_油耗+Z_{司机人力成本}+Z_车辆折旧

Z₂为经济效益，Z_票为卖票收费，Z_成本为运营成本，l票价。

9.根据权利要求5所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，基于已有线路进行剪枝合并包括：

将线路L＝{S_i，i＝1，2，...，p}转换为树结构，

S_i→S_i+1i∈[1，p]

表示在线路L这条分支上，第i个站点是第i+1个站点的父节点，在k时刻，新需求站点S_a加入L＝{S_i，i＝1，2，...，p}线路，

遍历比较已有线路各个站点至新站点的时间，取站点间通行时间最小的站点S_j，j∈[1，p]作为新站点的父节点。

10.根据权利要求9所述的采用复合算法及交互模型的应需定制公交线路规划方法，其特征在于，本方法还包括：

S5.定期统计运营中获取的车辆GPS数据，更新站点间通行时间矩阵，将述OD矩阵和站点间通行时间矩阵重新代入复合算法模型进而更新线路列表；

S6.提供人机交互界面，由人工通过人机交互界面拖拽线路将目标站点纳入或剔除。

Images