CN112418503B - 面向出行链的需求响应公交服务模式及优化方法 - Google Patents

面向出行链的需求响应公交服务模式及优化方法 Download PDF

Info

Publication number
CN112418503B
CN112418503B CN202011286087.5A CN202011286087A CN112418503B CN 112418503 B CN112418503 B CN 112418503B CN 202011286087 A CN202011286087 A CN 202011286087A CN 112418503 B CN112418503 B CN 112418503B
Authority
CN
China
Prior art keywords
passenger
travel
vehicle
constraint
service
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.)
Active
Application number
CN202011286087.5A
Other languages
English (en)
Other versions
CN112418503A (zh
Inventor
王云
官云林
闫学东
周宇
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202011286087.5A priority Critical patent/CN112418503B/zh
Publication of CN112418503A publication Critical patent/CN112418503A/zh
Application granted granted Critical
Publication of CN112418503B publication Critical patent/CN112418503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Computational Mathematics (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明公开了一种面向出行链的需求响应公交服务模式及优化方法，包括：制定面向出行链的需求响应公交“一张票”服务模式；根据接送客站点网络拓扑、乘客出行链信息和车辆信息，生成约束集以及面向出行链的需求响应公交“一张票”服务运营成本的目标函数；根据约束集和目标函数建立面向出行链的需求响应公交“一张票”服务运营车辆路径优化的混合整数线性规划模型；求解所述混合整数线性规划模型，通过有效不等式和基于最优时差插入法的遗传算法获得优化后的服务车辆开行路径方案。本发明在提供了高水平定制化公共交通服务同时，也减少了乘客需要在多种常规固定公共交通方式中选择出行链组合方案的复杂度。

Description

面向出行链的需求响应公交服务模式及优化方法
技术领域
本发明涉及城市公共交通规划领域，尤其涉及一种面向出行链的需求响应公交服务模式及优化方法。
背景技术
随着全球城市化的快速推进,城市交通出行需求迅速增长，个人出行计划也更加个性化、多样化。在人口密度大、土地利用开发强度高的大城市,只有以公共交通为主导的城市交通才能够实现可持续发展。然而，乘客在常规公共交通系统中面临出行成本和服务质量间的矛盾。公交巴士和地铁轻轨虽然能够满足大量乘客出行需求且出行成本较低，但也因调度安排固定和基础设施建设范围有限的制约，难以达到较高的服务水平，也难以将服务范围辐射至市郊乃至临近城市。出租车虽较为灵活并能提供门到门的出行服务，但乘客共享搭乘模式应用并不广泛，因而能够服务的出行需求有限且成本较高。随着乘客出行的多元化，一个时间周期内乘客出行链需求的复杂性和个性化要求也越来越高。因此，亟需可以满足乘客个性化出行链需求的新型出行服务。本发明提出的面向出行链的“一张票”服务模式可实现乘客出行链中多个活动间一票通行。保持较高服务水平满足乘客多样灵活出行需求的同时减少了乘客在传统公共交通系统中选择出行方案组合的复杂性。
需求响应技术是实现“一张票”出行服务模式的前提基础。随着信息通讯技术、智慧交通技术的发展，通过需求响应定制公交实现“一张票”服务成为可能。
本发明聚焦于优化需求响应定制公交车辆路径规划，以适应乘客出行链需求。本发明提出的面向出行链的需求响应公交“一张票”服务模式及方法不仅能够满足乘客单次出行需求，也可以综合乘客一个时间周期内出行链计划提供相应的定制出行服务。需求响应公交不仅能够保障乘客出行服务质量，同时基于共享出行其成本也低于出租车。“一张票”服务模式减少了乘客需根据自身出行活动制定出行方案的复杂性。同时，在制定“一张票”服务方案过程中，如何通过降低服务运营成本以保障此出行服务模式能够作为常规公共交通系统的辅助方式可持续的运营，则需要依赖合理的人车匹配、车辆调度安排及路径方案。考虑到此优化问题求解的复杂性，本发明采用两种优化求解算法以适应不同“一张票”出行链情景，保障选择“一张票”服务模式乘客的出行需要，并得到低运营成本、高服务质量的出行方案，具有较高的研究价值与实际意义。
发明内容
本发明的目的是提供一种面向出行链的需求响应公交“一张票”服务模式及优化方法。
为实现上述目的，本发明的技术方案是：
一种面向出行链的需求响应公交服务模式及优化方法，包括：
S1、制定面向出行链的需求响应公交“一张票”服务模式；
S2、根据接送客站点网络拓扑、乘客出行链信息和车辆信息，生成约束集以及面向出行链的需求响应公交“一张票”服务运营成本的目标函数；
S3、根据约束集和目标函数建立面向出行链的需求响应公交“一张票”服务运营车辆路径优化的混合整数线性规划模型；
S4、求解所述混合整数线性规划模型，通过有效不等式和基于最优时差插入法的遗传算法获得优化后的服务车辆开行路径方案。
进一步的，步骤2中所述约束集包括多商品流的网络客流平衡约束、确保乘客接送服务均由同一车辆实现的约束、车辆开行时间窗约束和乘客出行时间窗约束和车辆接送乘客前后载客量变化约束及车辆载客能力约束。
进一步的，所述多商品流的网络客流平衡约束由接送客站点网络拓扑及车辆信息生成，具体为：
其中，xi,j,k表示服务车辆k是否从点i到点j的0-1决策变量，o和d分别表示起终点车库，K表示服务车辆集合，P和V分别表示接客站点集合和送客站点集合，约束保证任意接客站点有且仅能被访问一次。
进一步的，所述确保乘客接送服务均由同一车辆实现的约束由乘客出行链信息及车辆信息生成，具体为：
其中，i表示乘客出行链中一段出行所对应的接客点，n+i表示乘客出行链中一段出行所对应的送客点，A表示全部接送乘客点集合，K表示服务车辆集合，P和V分别表示接客站点集合和送客站点集合。
进一步的，所述车辆开行时间窗约束和乘客出行时间窗约束由乘客出行链信息、接送客站点网络拓扑及车辆信息生成，包括车辆站点间出行时间约束、各站点时间窗约束和保证乘客被先接后送的时间约束；
车辆站点间出行时间约束为：
各站点时间窗约束为：
保证乘客被先接后送的时间约束为：
其中，Ti,k表示服务车辆k到达接客点i开始服务的时间，Si表示在接客点i服务的停车时间，ti,j,k表示车辆k在接客点i和送客点n+i间出行时间。
进一步的，所述车辆接送乘客前后载客量变化约束及车辆载客能力约束由乘客出行链信息和车辆信息，包括车辆接送乘客前后载客量变化约束和车辆载客能力约束；
车辆接送乘客前后载客量变化约束为：
其中，Li,k表示车辆k到达站点i完成服务后的载量状态，lj,k表示车辆k在站点j接送乘客数量；
车辆载客能力约束
其中，Ck表示车辆k的最大载客能力。
进一步的，所述面向出行链的需求响应公交“一张票”服务运营成本的目标函数由乘客出行链信息和车辆信息生成，具体为：
其中，参数ci,j表示从站点i到站点j出行成本。
进一步的，步骤S3所述面向出行链的需求响应公交“一张票”服务运营车辆路径优化的混合整数线性规划模型
目标函数为最小化总运营成本。
进一步的，步骤S8所述有效不等式为
其中，P为接客点全集，任取集合作为接客点子集，k(S)是服务子集S最少车辆数，L是所有向弧的集合，d是终点车库，基于网络中各站点的出行需求和车辆的容量限制，当子集S所需车辆数大于2辆时，则要求至少两辆车从非S集合出发进入S集合中的站点。
进一步的，步骤S8所述基于最优时差插入法提出适宜求解“一张票”出行服务优化方案的遗传算法包括：
在初始解生成阶段，结合出行链中各段路径出发及到达时间窗信息，根据OTDIH判断乘客出行需求与车辆匹配的可行性，同时将新出行需求与车辆匹配后，车内载客人数不超过车辆容量限制；
在染色体交叉阶段，提出概率选择对称或非对称交叉方法，从父代染色体中分别任取一至两条染色体片段进行交叉；
在染色体变异阶段，任取染色体中某条片段上的一个出行对，按照OTDIH方法原则插入染色体中任意一个片段中。
本发明的有益效果是：
本发明面向出行链的需求响应公交“一张票”服务模式，是一个时间周期内，为计划依次实现多个出行活动的乘客所提供的需求响应公交一票通行服务，该出行服务模式可以作为常规公共交通系统的辅助出行方式，在提供了高水平定制化公共交通服务同时，也减少了乘客需要在多种常规固定公共交通方式中选择出行链组合方案的复杂度。
本发明通过提出有效不等式优化方法可以在小规模计算情景下实现高效的最优解计算，并在大规模计算情景下通过基于OTDIH的遗传算法有效优化车辆路径方案。既保证优化计算结果，也通过求解算法的改进增强了“一张票”服务模式的适用性。
本发明提出的面向出行链的需求响应公交“一张票”服务模式除了能够满足日常乘客出行链需求，还能实现例如重大赛事活动期间单比赛日内计划观看多场比赛的乘客的赛场间出行安排，减少乘客在常规公共交通系统中寻找、优化出行方案的复杂度，也减少了外地乘客因不熟悉赛事举办城市常规公共交通系统而带来的出行难度。
本发明的出行服务模式也可为游客在旅游城市内多个景点间的游览观光、劳务人员工作日内通勤出行及因公外出的商务出行链等情景提供参考和技术支持，具有较强的应用能力和价值。
附图说明
图1为本发明实施例提供的面向出行链的需求响应公交“一张票”服务模式及优化方法的处理流程图；
图2为本发明实施例提供的重大赛事活动期间赛事场馆网络网络拓扑结构分析图；
图3为本发明实施例提供的一种基于OTDIH将待插入出行对插入染色体示意图；
图4为本发明实施例提供的概率选择对称或非对称交叉过程示意图；
图5为本发明实施例提供的一种基于OTDIH的出行对随机变异过程示意图；
图6为单比赛日(小规模)赛事活动安排表；
图7为单比赛日(大规模)赛事活动安排。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述。
对于如图2所示的赛事活动场馆间网络拓扑结构，给定的赛事活动安排如图6、图7所示，根据赛事安排设定单比赛日乘客出行链需求规模。对于单比赛日计划观看多场赛事活动并选择本发明提出的面向出行链的需求响应公交“一张票”服务的乘客，本发明实施例提供的面向出行链的需求响应公交服务模式及优化方法，如图1所示，具体包括以下步骤：
S1、制定面向出行链的需求响应公交“一张票”服务模式。
所述的出行链指的是：在一个时间周期内，乘客计划依次完成多个出行活动的出行行为。
所述的面向出行链的需求响应公交“一张票”服务模式为针对已选择“一张票”出行服务的乘客，根据乘客出行链信息和车辆信息在接送客站点网络拓扑范围内提供需求响应公交服务，可实现一票通行的新出行服务模式。
S2、根据接送客站点网络拓扑、乘客出行链信息和车辆信息，生成约束集以及面向出行链的需求响应公交“一张票”服务运营成本的目标函数。
接送客站点网络拓扑，是接客站点集合与送客站点集合依次相接所构成的网络拓扑，任意两站点间的有向弧包含成本信息，成本与需求响应公交在站点间出行时间相关。
车辆信息，包括车辆ID、车辆起终点车库ID、车辆最早出发时间、车辆最晚返回时间和车辆运载能力。
乘客出行链信息，包括出行链中每段出行的出发及到达时间、每段出行的起终地点。
所述约束集包括多商品流的网络客流平衡约束、确保乘客接送服务均由同一车辆实现的约束、车辆开行时间窗约束和乘客出行时间窗约束和车辆接送乘客前后载客量变化约束及车辆载客能力约束。
所述多商品流的网络客流平衡约束由接送客站点网络拓扑及车辆信息生成，具体为：
其中，xi,j,k表示服务车辆k是否从点i到点j的0-1决策变量，o和d分别表示起终点车库，K表示服务车辆集合，P和V分别表示接客站点集合和送客站点集合，约束保证任意接客站点有且仅能被访问一次。
所述确保乘客接送服务均由同一车辆实现的约束由乘客出行链信息及车辆信息生成，具体为：
其中，i表示乘客出行链中一段出行所对应的接客点，n+i表示乘客出行链中一段出行所对应的送客点，A表示全部接送乘客点集合，K表示服务车辆集合，P和V分别表示接客站点集合和送客站点集合。
所述车辆开行时间窗约束和乘客出行时间窗约束由乘客出行链信息、接送客站点网络拓扑及车辆信息生成，包括车辆站点间出行时间约束、各站点时间窗约束和保证乘客被先接后送的时间约束。
车辆站点间出行时间约束为：
各站点时间窗约束为：
保证乘客被先接后送的时间约束为：
其中，Ti,k表示服务车辆k到达接客点i开始服务的时间，Si表示在接客点i服务的停车时间，ti,j,k表示车辆k在接客点i和送客点n+i间出行时间。
所述车辆接送乘客前后载客量变化约束及车辆载客能力约束由乘客出行链信息和车辆信息，包括车辆接送乘客前后载客量变化约束和车辆载客能力约束。
车辆接送乘客前后载客量变化约束为：
其中，Li,k表示车辆k到达站点i完成服务后的载量状态，lj,k表示车辆k在站点j接送乘客数量；
车辆载客能力约束
其中，Ck表示车辆k的最大载客能力。
所述面向出行链的需求响应公交“一张票”服务运营成本的目标函数由乘客出行链信息和车辆信息生成，具体为：
其中，参数ci,j表示从站点i到站点j出行成本。
S3、根据约束集和目标函数建立面向出行链的需求响应公交“一张票”服务运营车辆路径优化的混合整数线性规划模型，该模型具体为：
目标函数为最小化总运营成本。
S4、求解所述混合整数线性规划模型，通过有效不等式和基于最优时差插入法的遗传算法获得优化后的服务车辆开行路径方案。
VRPPDTW属于NP难问题，亟需通过求解算法的优化提高计算可行性和计算效率。当“一张票”服务规模较小，可以通过精确算法实现最优方案的求解。为减少最优解求解时间，提高算法计算效率，本发明提出有效不等式以缩减可行域求解空间，减少最优解搜索计算量。所述有效不等式为
其中，P为接客点全集，任取集合作为接客点子集，k(S)是服务子集S最少车辆数，L是所有向弧的集合，d是终点车库，基于网络中各站点的出行需求和车辆的容量限制，当子集S所需车辆数大于2辆时，则要求至少两辆车从非S集合出发进入S集合中的站点。通过设置有效不等式将可行域中不符合约束条件的范围进行切割，缩小求解搜索空间以提高计算最优解的效率。
当“一张票”出行服务规模较大，随着计算量的指数增长将难以在有限的计算资源和计算时间内得到最优方案。为提高面向出行链的需求响应公交“一张票”服务模式的实际情景应用范围，本发明基于最优时差插入法(OTDIH)提出适宜求解出“一张票”出行服务优化方案的遗传算法。能够在可接受的计算时间内得到大规模出行链情景下的需求响应公交路径优化方案。所述基于最优时差插入法提出适宜求解“一张票”出行服务优化方案的遗传算法包括：
S4.1在初始解生成阶段，结合出行链中各段路径出发及到达时间窗信息，根据OTDIH判断乘客出行需求与车辆匹配的可行性，保障新的出行需求插入车辆现有路径方案后各个出行需求均能在时间窗约束范围内完成运送任务。同时将新出行需求与车辆匹配后，车内载客人数不超过车辆容量限制。
S4.2在染色体交叉阶段，提出概率选择对称或非对称交叉方法，从父代染色体中分别任取一至两条染色体片段进行交叉。本文交叉方法即能保证交叉后所有出行需求的时间窗可行性,而且还能保证每一接客点与其对应的送客点在一条路径内,且取货点的访问顺序在送货点之前,即满足各位置点的配对约束。
S4.3在染色体变异阶段，任取染色体中某条片段上的一个出行对，按照OTDIH方法原则插入染色体中任意一个片段中。同时保证变异过程中各取送货位置点的配对问题以及时间窗约束的问题。
根据表1所示小规模赛事活动安排，设置该比赛日“一张票”出行链服务包括12个出行对共涵盖171个需求总量。通过本发明中的有效不等式和基于OTDIH的遗传算法进行求解，得到计算方案成本误差和计算时间比较为：
上表显示了在小规模计算情景下有效不等式的优势在于能够更快进行精确计算从而得到最优解。同时基于OTDIH的遗传算法计算结果表明，在可接受的优化解计算目标成本偏差下，此求解策略能够极大减少计算时间，有能力计算大规模实例情景，具有更广泛的实际应用价值。
基于表2中给定的单比赛日大量赛事活动安排，设置乘客出行链需求共涉及场馆间96个出行对，涵盖1414个需求总量的大规模求解情景。通过基于OTDIH的遗传算法实现求解，设置不同概率参数的交叉、突变算子和种群规模，得到计算结果为：
由上表可以看出，本发明实施例的方法基于重大活动情景下乘客单比赛日在场馆间的出行链需求为计算实例，以最小化运营成本为目标，通过本发明提出的有效不等式和基于OTDIH的遗传算法求解不同实例规模下“一张票”服务模式人车匹配、车辆调度和路径优化方案。面对乘客出行需求个性化、出行链组合复杂性以及常规公共交通方式的多样选择，本发明提出的面向出行链的需求响应公交“一张票”服务模式将灵活满足乘客出行链需求，保障出行服务质量同时降低乘客在多样交通方式中判断、选择出行方案的复杂性。此新出行服务模式也考虑了运营成本的优化，可以作为日常常规公共交通系统的辅助出行方式提升乘客出行所接受出行服务水平，保障公共交通系统安稳运行。同时，也能够实现例如重大赛事活动期间单比赛日内计划观看多场比赛的乘客的赛场间出行链安排，减少乘客在常规公共交通系统中寻找、优化出行方案的复杂度，也减少了外地乘客因不熟悉赛事举办城市常规公共交通系统而带来的出行难度。本发明的出行服务模式也可为游客在旅游城市内多个景点间的游览观光、劳务人员工作日内通勤出行及因公外出的商务出行链等情景提供参考和技术支持，具有较强的应用能力和价值。
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。

Claims (3)

1.一种面向出行链的需求响应公交服务模式及优化方法，其特征在于，包括：
S1、制定面向出行链的需求响应公交“一张票”服务模式，公交“一张票”服务模式用于实现乘客出行链中多个活动间一票通行；
S2、根据接送客站点网络拓扑、乘客出行链信息和车辆信息，生成约束集以及面向出行链的需求响应公交“一张票”服务运营成本的目标函数；
S3、根据约束集和目标函数建立面向出行链的需求响应公交“一张票”服务运营车辆路径优化的混合整数线性规划模型；
S4、求解所述混合整数线性规划模型，通过有效不等式和基于最优时差插入法的遗传算法获得优化后的服务车辆开行路径方案；其中，通过设置有效不等式将可行域中不符合约束条件的范围进行切割，缩小求解搜索空间；
步骤2中所述约束集包括多商品流的网络客流平衡约束、确保乘客接送服务均由同一车辆实现的约束、车辆开行时间窗约束和乘客出行时间窗约束和车辆接送乘客前后载客量变化约束及车辆载客能力约束；
所述多商品流的网络客流平衡约束由接送客站点网络拓扑及车辆信息生成，具体为：
其中，xi,j,k表示服务车辆k是否从点i到点j的0-1决策变量，o和d分别表示起终点车库，K表示服务车辆集合，P和V分别表示接客站点集合和送客站点集合，约束保证任意接客站点有且仅能被访问一次；
所述确保乘客接送服务均由同一车辆实现的约束由乘客出行链需求信息及车辆信息生成，具体为：
其中，i表示乘客出行链中一段出行所对应的接客点，n+i表示乘客出行链中一段出行所对应的送客点，A表示全部接送乘客点集合，K表示服务车辆集合，P和V分别表示接客站点集合和送客站点集合；
所述车辆开行时间窗约束和乘客出行时间窗约束由乘客出行链信息、接送客站点网络拓扑及车辆信息生成，包括车辆站点间出行时间约束、各站点时间窗约束和保证乘客被先接后送的时间约束；
车辆站点间出行时间约束为：
各站点时间窗约束为：
保证乘客被先接后送的时间约束为：
其中，Ti,k表示服务车辆k到达接客点i开始服务的时间，Si表示在接客点i服务的停车时间，ti,j,k表示车辆k在接客点i和送客点n+i间出行时间；
所述车辆接送乘客前后载客量变化约束及车辆载客能力约束由乘客出行链信息和车辆信息，包括车辆接送乘客前后载客量变化约束和车辆载客能力约束；
车辆接送乘客前后载客量变化约束为：
其中，Li,k表示车辆k到达站点i完成服务后的载量状态，lj,k表示车辆k在站点j接送乘客数量；
车辆载客能力约束
其中，Ck表示车辆k的最大载客能力；
所述面向出行链的需求响应公交“一张票”服务运营成本的目标函数由乘客出行链信息和车辆信息生成，具体为：
其中，参数ci,j表示从站点i到站点j出行成本；
步骤S3所述面向出行链的需求响应公交“一张票”服务运营车辆路径优化的混合整数线性规划模型
目标函数为最小化总运营成本。
2.如权利要求1所述的一种面向出行链的需求响应公交服务模式及优化方法，其特征在于，步骤S4所述有效不等式为
其中，P为接客点全集，任取集合作为接客点子集，k(S)是服务子集S最少车辆数，L是有向弧的集合，d是终点车库，基于网络中各站点的出行需求和车辆的容量限制，当子集S所需车辆数大于2辆时，则要求至少两辆车从非S集合出发进入S集合中的站点。
3.如权利要求1所述的一种面向出行链的需求响应公交服务模式及优化方法，其特征在于，步骤S4所述基于最优时差插入法提出求解“一张票”出行服务优化方案的遗传算法包括：
在初始解生成阶段，结合出行链中各段路径出发及到达时间窗信息，根据OTDIH判断乘客出行需求与车辆匹配的可行性，同时将新出行需求与车辆匹配后，车内载客人数不超过车辆容量限制；
在染色体交叉阶段，提出概率选择对称或非对称交叉方法，从父代染色体中分别任取一至两条染色体片段进行交叉；
在染色体变异阶段，任取染色体中某条片段上的一个出行对，按照OTDIH方法原则插入染色体中任意一个片段中。
CN202011286087.5A 2020-11-17 2020-11-17 面向出行链的需求响应公交服务模式及优化方法 Active CN112418503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011286087.5A CN112418503B (zh) 2020-11-17 2020-11-17 面向出行链的需求响应公交服务模式及优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011286087.5A CN112418503B (zh) 2020-11-17 2020-11-17 面向出行链的需求响应公交服务模式及优化方法

Publications (2)

Publication Number Publication Date
CN112418503A CN112418503A (zh) 2021-02-26
CN112418503B true CN112418503B (zh) 2024-03-22

Family

ID=74831454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011286087.5A Active CN112418503B (zh) 2020-11-17 2020-11-17 面向出行链的需求响应公交服务模式及优化方法

Country Status (1)

Country Link
CN (1) CN112418503B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096430B (zh) * 2021-03-09 2022-04-01 东南大学 基于欧氏距离收费的弹性公交即时需求动态响应方法
CN113257028B (zh) * 2021-04-16 2022-04-26 南京交通职业技术学院 一种乘客需求过饱和的可变线路式接驳公交调度方法
CN113657673A (zh) * 2021-08-18 2021-11-16 北京航空航天大学 一种考虑异质车辆的需求响应式公交路径优化方法
CN114331060B (zh) * 2021-12-15 2023-04-28 东南大学 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法
CN116451961B (zh) * 2023-04-21 2024-02-02 四川国蓝中天环境科技集团有限公司 一种城际需求响应式公交服务的建模优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016071069A (ja) * 2014-09-29 2016-05-09 株式会社コロプラ 路線バス運行最適化システム及び路線バス運行最適化方法
WO2017045294A1 (zh) * 2015-09-17 2017-03-23 华南理工大学 一种城市常规公交线网设计方法
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN110245779A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 一种基于遗传算法的公交动态发车调度优化方法
CN111144618A (zh) * 2019-12-04 2020-05-12 东南大学 一种基于两阶段优化模型的需求响应型定制公交网络规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200349485A1 (en) * 2019-07-11 2020-11-05 Beihang University Optimization method for joint scheduling of manned buses and autonomous buses

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016071069A (ja) * 2014-09-29 2016-05-09 株式会社コロプラ 路線バス運行最適化システム及び路線バス運行最適化方法
WO2017045294A1 (zh) * 2015-09-17 2017-03-23 华南理工大学 一种城市常规公交线网设计方法
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN110245779A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 一种基于遗传算法的公交动态发车调度优化方法
CN111144618A (zh) * 2019-12-04 2020-05-12 东南大学 一种基于两阶段优化模型的需求响应型定制公交网络规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于公共交通数据的常规公交调度优化研究;江德潮;《中国优秀硕士学位论文全文数据库》;全文 *
基于遗传算法的公交服务模式优化;罗金鑫 等;《汽车实用技术》;全文 *
多交叉口公交优先协调控制方法;余红红;;甘肃科学学报(03);全文 *
考虑容量限制的多公交车型运行计划优化模型;张思林;袁振洲;曹志超;;交通运输系统工程与信息(01);全文 *

Also Published As

Publication number Publication date
CN112418503A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112418503B (zh) 面向出行链的需求响应公交服务模式及优化方法
CN109409599B (zh) 基于实时需求的定制公交线路开通优化方法
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
Zhu et al. An online ride-sharing path-planning strategy for public vehicle systems
Wong et al. Optimizing timetable synchronization for rail mass transit
CN115547052B (zh) 改进自适应大邻域算法的动态需求响应电动公交调度方法
CN107358319A (zh) 城市轨道交通客流预测方法、装置、存储介质和计算机设备
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
CN110533219B (zh) 城市轨道交通末班列车时刻表优化方法
CN112633831B (zh) 一种交通时刻表优化方法、装置、设备及可读存储介质
Li et al. An efficient reinforcement learning based charging data delivery scheme in VANET-enhanced smart grid
Liu et al. Minimizing metro transfer waiting time with AFCS data using simulated annealing with parallel computing
Xu et al. A zone-based dynamic queueing model and maximum-stability dispatch policy for shared autonomous vehicles
Zhao et al. Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm.
Perera et al. Genetic algorithm based dynamic scheduling of EV in a demand responsive bus service for first mile transit
Shen et al. A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty
Yao et al. Circle line optimization of shuttle bus in central business district without transit hub
CN115936330A (zh) 一种基于拉格朗日原理的需求响应式brt车辆调度算法
Zhang et al. Routing and charging optimization for electric bus operations
Liu et al. Providing active charging services: An assignment strategy with profit-maximizing heat maps for idle mobile charging stations
CN113642796A (zh) 基于历史数据的动态共享电动自动驾驶车辆路径规划方法
El-Fedany et al. A smart management system of electric vehicles charging plans on the highway charging stations
Eswar et al. Fleet management of public transportation using Internet of Things
Hou et al. Optimal Routing Design of Demand-Responsive Feeder Transit in the Era of Mobility as a Service
Srivastava et al. XGBoost-based dynamic ride-sharing model for New York City.

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