CN112509357B - 一种基于遗传算法的公交发车时间间隔优化方法 - Google Patents
一种基于遗传算法的公交发车时间间隔优化方法 Download PDFInfo
- Publication number
- CN112509357B CN112509357B CN202011300373.2A CN202011300373A CN112509357B CN 112509357 B CN112509357 B CN 112509357B CN 202011300373 A CN202011300373 A CN 202011300373A CN 112509357 B CN112509357 B CN 112509357B
- Authority
- CN
- China
- Prior art keywords
- bus
- time
- time interval
- departure
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于遗传算法的公交发车时间间隔优化方法。公交发车时间间隔优化是基于公交车载数据、公交线路站点数据以及乘客IC卡刷卡数据进行统计分析,通过对公交车载数据分析得出公交车相邻站点在每个时刻的平均速度,得到公交车行驶的时间速度分布规律,用以表征道路的路况信息。通过对乘客IC卡刷卡数据分析得出站点的站点客流量分布规律以及乘客出行规律,用以表征乘客的分布信息,通过路况信息和乘客分布信息,模拟仿真公交车的到达每一站的时间,上下车人数,利用遗传算法的选择、交叉、变异算子,对公交车发车时间间隔进行搜索求解。本发明通过找一组发车时间间隔序列,使得公交车到站时间间隔和公交车满载率均能达到最优的效果。
Description
技术领域
本发明涉及的是一种公交发车时间间隔优化方法,具体涉及一种基于遗传算法的公交发车时间间隔优化方法。
背景技术
随着经济的迅速发展,人们生活水平不断提高,城市人口总量激增,导致私家车辆的数量急剧增加,城市的交通拥堵问题日益突出。为了倡导人们公交出行,缓解城市拥堵问题,提高公交服务质量和乘客满意度是解决问题的关键。公交运营中,乘客等车时间长是造成满意度低下的主要原因,因此公交公司如何在公交运营过程当中根据客流状况调度车辆来提高乘客满意度是一个重要的决策问题。
而公交发车时间间隔也是一个重要的评价标准,综上所述,本发明设计了一种基于遗传算法的公交发车时间间隔优化方法。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种基于遗传算法的公交发车时间间隔优化方法,通过找一组发车时间间隔序列,使得公交车到站时间间隔和公交车满载率均能达到最优的效果。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于遗传算法的公交发车时间间隔优化方法,包括以下步骤:
1、首先对公交车载数据、公交线路站点数据以及乘客IC卡刷卡数据进行分析,根据公交车载数据的GPS,车速,行驶时间,结合公交线路的站点数据,利用车辆航向角和班次方向一致的原则识别每个班次的开始时间和结束时间;借助高德地图OPENAPI技术获取相邻两个站点的GPS轨迹点,通过计算两个轨迹点的球面距离的积分得到站点间的距离,通过分析车辆到达每一个站点的时间计算车辆在站点间的运行时间,用于计算每个时刻车辆在站点间的速度分布;统计分析每个站点乘客的刷卡上车时间,得到每个时间段每个站点的客流量分布情况;
2、根据识别的班次,站点间信息结果以及站点间的不同时段的乘客分布,利用多线程技术模拟在给定发车时间间隔的基础上,对每个班次进行模拟,统计车辆的到站时间以及车辆的满载率指标;
3、过调整发车时间间隔序列,使得到站时间间隔在合理区间的次数更多以及车辆的平均满载率越大,即通过求解合理的到站时间间隔次数最大和车辆的平均满载率越大的多目标优化模型;
4、最后通过遗传算法的选择、交叉、变异算子,对公交车发车时间间隔进行搜索求解,输出发车间隔序列,构建发车时刻表。
所述的步骤4的遗传算法求解步骤如下:
(1)、发车时间间隔序列进行编码,将一天分为平峰期、高峰期、平峰期、高峰期、平峰期5个时间段,每个时间段内发车时间间隔相同,例如发车时间间隔序列[10,4,7,4,8]表示第1个平峰期每隔10分钟发一个班次;
(2)、生成初始种群,初始化多个发车间隔序列;
(3)、计算适应度函数值,计算多目标函数的值;
(4)、利用轮盘赌的方法选择优势个体;
(5)、利用交叉算子、变异算子生成新的个体;
(6)、对新的个体进入步骤(3);
(7)、当迭代次数达到最大值或者适应度函数值基本不再变化时,终止迭代,输出发车间隔序列。
本发明公交发车时间间隔优化是基于公交车载数据、公交线路站点数据以及乘客IC卡刷卡数据进行统计分析,通过对公交车载数据分析得出公交车相邻站点在每个时刻的平均速度,得到公交车行驶的时间速度分布规律,用以表征道路的路况信息。通过对乘客IC卡刷卡数据分析得出站点的站点客流量分布规律以及乘客出行规律,用以表征乘客的分布信息,通过路况信息和乘客分布信息,模拟仿真公交车的到达每一站的时间,上下车人数,利用遗传算法的选择、交叉、变异算子,对公交车发车时间间隔进行搜索求解。
本发明的有益效果:本发明是基于对公交车载数据、公交线路站点数据以及乘客IC卡刷卡数据进行分析,利用大数据分析技术以及人工智能遗传算法实现的一种发车时间间隔优化方法,本方法首先系统的分析了站点乘客乘车的分布规律,公交车在每个时间间隔的平均速度,以公交车到站时间间隔以及公交车的满载率两个指标,建立多目标优化模型,利用遗传算法求解该多目标问题。本质是通过找一组发车时间间隔序列,使得公交车到站时间间隔和公交车满载率均能达到最优的效果。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明的优化方法流程图;
图2为本发明的模拟仿真流程图;
图3为本发明的遗传算法求解流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1,本具体实施方式采用以下技术方案:一种基于遗传算法的公交发车时间间隔优化方法,包括以下步骤:
1、对公交车载数据、公交线路站点数据以及乘客IC卡刷卡数据进行数据处理,其具体包括:
1.1班次识别
1.11根据公交车载数据的GPS,车速,行驶时间,结合公交线路的站点数据,利用车辆航向角和班次方向一致的原则识别每个班次的开始时间和结束时间。班次识别是基于同一条公交线路中的同一辆车在同一天的数据分析运行上下行情况,实际班次识别规则如下:
1.12当前为第一个上下行状态,则当前时刻为班次开始时刻;
1.13当前数据时刻与上一条数据时刻时间差大于1小时,则当前时刻为班次开始时刻;
1.14当前上下行状态与上一个时间点不同,则当前时刻为班次开始时刻;
1.15当前为最后一个上下行状态,则当前时刻为班次结束时刻;
1.16当前数据时刻与下一条数据时刻时间差大于1小时,则当前时刻为班次结束时刻;
1.17当前上下行状态与下一个时间点不同,则当前时刻为班次结束时刻;
班次数据结构如下表:
名称 | 字段名 | 备注 |
线路 | line_name | |
上下行 | up_down | |
车辆ID | carno | |
班次 | schedule | yyyy-MM-dd hh:mm |
起始站发车时间 | start_time | |
终点站收车时间 | end_time | |
起始站点名称 | start_station_name | |
终止站点名称 | end_station_name | |
起始站点序号 | start_station_seq | |
终止站点序号 | end_station_seq |
1.2站点间信息计算
站点间信息计算是指计算相邻两站点的距离,借助高德地图OPENAPI技术获取相邻两个站点的GPS轨迹点,通过计算两个轨迹点的球面距离的积分得到站点间的距离,通过分析车辆到达每一个站点的时间计算车辆在站点间的运行时间,用于计算每个时刻车辆在站点间的速度分布。
站点间信息数据结构如下表:
1.3站点的乘客分布
站点间的乘客分布是统计分析每个站点乘客的刷卡上车时间,得到每个时间段每个站点的客流量分布情况。
站点间乘客分布数据结构如下表
名称 | 字段名 | 备注 |
线路 | line_name | |
上下行 | up_down | |
车辆ID | carno | |
班次 | schedule | |
站点名称 | station_name | |
站点序号 | station_seq | |
进站时间 | time_get_in | 如2018-09-01 16:48 |
进站日期 | day_get_in | 如2018-09-01 |
进站时刻 | time_get_in2 | 如16:48 |
出站时刻 | time_get_out2 | 如17:02 |
上车人数 | num_get_in | |
下车人数 | num_get_off | |
经度 | jingdu | 本站点经度 |
纬度 | weidu | 本站点纬度 |
2、模拟仿真
模拟仿真是根据识别的班次,站点间信息结果以及站点间的不同时段的乘客分布,利用多线程技术模拟在给定发车时间间隔的基础上,对每个班次进行模拟,统计车辆的到站时间以及车辆的满载率指标。其流程图如图2所示。
3、建立多目标优化模型
从公交企业的角度,车辆满载率越大越好,从乘客的角度来乘客的等待时间越少越好,乘客等待时间可以转化为分析车辆的到站时间间隔,到站时间间隔越均匀,乘客的平均等待时间越少,因此班次发车时间间隔的优化本质上是通过调整发车时间间隔序列,使得到站时间间隔在合理区间的次数更多以及车辆的平均满载率越大,即通过求解合理的到站时间间隔次数最大和车辆的平均满载率越大的多目标优化模型。根据经验公交车到站时间间隔在4-10分钟比较合理,其中高峰期在4-6分钟,平峰期在6-10分钟,即通过模拟计算分别在高峰期和平峰期时的到站时间间隔分布。
3.1发车时间间隔优化模型
tijk表示第i辆车第j个班次到达第k个站点的时间;
pijk表示第i辆车第j个班次到达第k个站点的上车人数;
qijk表示第i辆车第j个班次到达第k个站点的下车人数;
M表示班次总数;
C表示车辆的最大乘客数;
K表示线路的站点个数;
N表示车辆的个数;
1)到站时间间隔:
2)平均满载率:
构建多目标函数:
W=aQ+βS
其中Q是到站时间间隔,S是平均满载率,α,β分别为系数。
4、遗传算法求解
遗传算法是一种经典的人工智能算法,起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法,能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最佳解。遗传算法中每一条染色体,对应着遗传算法的一个解决方案,一般我们用适应性函数来衡量这个解决方案的优劣。
遗传算法以编码初始种群为进化基础,通过对种群中个体进行遗传操作以实现选择和遗传机制,从而建立起一个迭代过程。遗传算法的运算过程正是这样一个不断迭代的过程,但其迭代方式不同于牛顿法和禁忌搜索法,遗传算法是将多个解同时进行操作,产生的后代能够继承和融合其父代的优良特性,通过该过程完成选择、交叉、变异,如此进行多次的迭代过程,实现种群的进化,直至接近最优解,最终使得问题取得满意解。
遗传算法求解步骤:
1、发车时间间隔序列进行编码,将一天分为平峰期、高峰期、平峰期、高峰期、平峰期5个时间段,每个时间段内发车时间间隔相同,例如发车时间间隔序列[10,4,7,4,8]表示第1个平峰期每隔10分钟发一个班次;
2、生成初始种群,初始化多个发车间隔序列;
3、计算适应度函数值,计算多目标函数的值;
4、利用轮盘赌的方法选择优势个体;
5、利用交叉算子、变异算子生成新的个体;
6、对新的个体进入步骤3;
7、当迭代次数达到最大值或者适应度函数值基本不再变化时,终止迭代,输出发车间隔序列。
此遗传算法求解流程图如图3所示。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种基于遗传算法的公交发车时间间隔优化方法,其特征在于,包括以下步骤:
(1)、首先对公交车载数据、公交线路站点数据以及乘客IC卡刷卡数据进行分析,根据公交车载数据的GPS、车速和行驶时间,结合公交线路的站点数据,利用车辆航向角和班次方向一致的原则识别每个班次的开始时间和结束时间;借助高德地图OPENAPI技术获取相邻两个站点的GPS轨迹点,通过计算两个轨迹点的球面距离的积分得到站点间的距离,通过分析车辆到达每一个站点的时间计算车辆在站点间的运行时间,用于计算每个时刻车辆在站点间的速度分布;统计分析每个站点乘客的刷卡上车时间,得到每个时间段每个站点的客流量分布情况;
(2)、根据识别的班次,站点间信息结果以及站点间的不同时段的乘客分布,利用多线程技术模拟在给定发车时间间隔的基础上,对每个班次进行模拟,统计车辆的到站时间以及车辆的满载率指标;
(3)、过调整发车时间间隔序列,使得到站时间间隔在合理区间的次数更多以及车辆的平均满载率越大,即通过求解合理的到站时间间隔次数最大和车辆的平均满载率越大的多目标优化模型;
(4)、最后通过遗传算法的选择、交叉、变异算子,对公交车发车时间间隔进行搜索求解,输出发车间隔序列,构建发车时刻表。
2.根据权利要求1所述的一种基于遗传算法的公交发车时间间隔优化方法,其特征在于,所述的步骤(4)的遗传算法求解步骤如下:
(1)、发车时间间隔序列进行编码,将一天分为平峰期、高峰期、平峰期、高峰期、平峰期5个时间段,每个时间段内发车时间间隔相同,发车时间间隔序列[10,4,7,4,8]表示第1个平峰期每隔10分钟发一个班次;
(2)、生成初始种群,初始化多个发车间隔序列;
(3)、计算适应度函数值,计算多目标函数的值;
(4)、利用轮盘赌的方法选择优势个体;
(5)、利用交叉算子、变异算子生成新的个体;
(6)、对新的个体进入步骤(3);
(7)、当迭代次数达到最大值或者适应度函数值基本不再变化时,终止迭代,输出发车间隔序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300373.2A CN112509357B (zh) | 2020-11-19 | 2020-11-19 | 一种基于遗传算法的公交发车时间间隔优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300373.2A CN112509357B (zh) | 2020-11-19 | 2020-11-19 | 一种基于遗传算法的公交发车时间间隔优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112509357A CN112509357A (zh) | 2021-03-16 |
CN112509357B true CN112509357B (zh) | 2022-06-14 |
Family
ID=74958663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011300373.2A Active CN112509357B (zh) | 2020-11-19 | 2020-11-19 | 一种基于遗传算法的公交发车时间间隔优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112509357B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723141A (zh) * | 2022-04-11 | 2022-07-08 | 华侨大学 | 一种brt多服务模式优化方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737356B (zh) * | 2012-06-13 | 2016-01-20 | 西安理工大学 | 智能公交调度排班计算方法 |
CN102831767B (zh) * | 2012-08-13 | 2014-07-09 | 东南大学 | 一种综合成本优化的城市公共交通多模式站点停靠方法 |
US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
CN109255972B (zh) * | 2018-09-11 | 2019-12-10 | 北京市交通信息中心 | 一种基于大数据的地面公交固定线路时刻表的优化方法 |
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 |
CN111785015A (zh) * | 2019-12-30 | 2020-10-16 | 石家庄铁道大学 | 公交实时调控信息系统以及基于遗传算法的调度方法 |
-
2020
- 2020-11-19 CN CN202011300373.2A patent/CN112509357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112509357A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133302B (zh) | 一种基于大数据的公共自行车潜在需求预测方法 | |
Bischoff et al. | Proactive empty vehicle rebalancing for Demand Responsive Transport services | |
CN107545730B (zh) | 一种基于公交ic卡数据的站点上下车乘客数估计方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110909434B (zh) | 一种低碳导向下的城市公共交通干线网络设计方法 | |
CN112036757B (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
Chen et al. | ASC: Actuation system for city-wide crowdsensing with ride-sharing vehicular platform | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 | |
CN115344653A (zh) | 一种基于用户行为的电动汽车充电站选址方法 | |
CN112508235A (zh) | 一种基于蚁群算法的公交发车时间间隔优化方法 | |
CN112509357B (zh) | 一种基于遗传算法的公交发车时间间隔优化方法 | |
CN113935595B (zh) | 一种城市轨道交通路网高峰大客流疏导系统 | |
CN109522584B (zh) | 一种有轨电车发车时刻表设计方法 | |
Wang et al. | Electrification of a citywide bus network: A data-driven micro-simulation approach | |
CN116884223B (zh) | 一种智慧城市交通引导系统 | |
Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country | |
CN116523267B (zh) | 适用于轨道交通的车辆调度优化方法、系统及存储介质 | |
CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
CN109447352B (zh) | 一种公交出行od矩阵反推的组合方法 | |
Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
Izadi et al. | Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city) | |
CN108024205B (zh) | 基于深度学习的车联网移动广告传播方法 | |
CN115440040B (zh) | 一种基于高速公路通行数据的通勤车辆识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |