CN112561249B - 面向实时需求的城市定制公交调度方法 - Google Patents

面向实时需求的城市定制公交调度方法 Download PDF

Info

Publication number
CN112561249B
CN112561249B CN202011367124.5A CN202011367124A CN112561249B CN 112561249 B CN112561249 B CN 112561249B CN 202011367124 A CN202011367124 A CN 202011367124A CN 112561249 B CN112561249 B CN 112561249B
Authority
CN
China
Prior art keywords
vehicle
passenger
time
station
stage
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
CN202011367124.5A
Other languages
English (en)
Other versions
CN112561249A (zh
Inventor
周雪梅
席姣姣
梁甲慧
王晔涵
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Publication of CN112561249A publication Critical patent/CN112561249A/zh
Application granted granted Critical
Publication of CN112561249B publication Critical patent/CN112561249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0631—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种面向实时需求的定制公交调度方法，其特征是，包括以下步骤：步骤一，实时需求定制公交调度模型建立：所生成的实时需求定制公交线路可对两种类型的乘车请求做出响应，车辆在行驶过程中可根据动态乘车请求时间上的差异，将接客过程分为两个阶段。步骤二、设计最优算法输出最优路径：综合多目标函数的矛盾性和冲突性，兼顾求解过程中的计算效率与响应时间，采用遗传算法进行求解，并且将第一阶段的决策成果应用到第二阶段中；第二个阶段的目标函数最终作为单目标优化问题进行求解。面对乘客实时需求产生最优化动态公交线路，以填补现有技术空缺。

Description

面向实时需求的城市定制公交调度方法
技术领域
本发明涉及一种面向实时需求的定制公交调度方案设计，属于定制公交调度方案设计技术领域。
背景技术
定制公交在我国一些城市实施以来，依然存在一些弊端，主要有两大方面：
第一，受众较少，主要面向偏离社区且出行需求较集中的社区，或有通勤服务需求的工业园区等；
第二，两种定制公交虽在一定程度上弥补了常规公交的不足，但服务对象主要为通勤时间段的乘客出行，对于非通勤服务时间段的乘客出行服务，尚待进一步开发。
城市边缘地区，对于客流密度较低的区域或非高峰时段，公交运力相对于客流水平明显过剩，倘若不降低发车频率，车辆的空驶率会较为突出，长时间的运作，会导致公交运营企业的亏损。
当前国内许多城市采用的定制公交运营模式为预订式公交，出行者根据乘客的出行需求进行预约，而在调度中心制定规划线路及派发车辆的过程中常出现车辆使用不灵活，既定的车辆路径与新的乘客需求无法匹配的缺陷。因此，面对乘客实时需求产生最优化动态公交线路将填补这一空缺。
发明内容
填补这一空缺，本发明面对乘客实时需求产生最优化动态公交线路。
为实现上述目的，本发明的技术方案是：
一种面向实时需求的定制公交调度方法，其特征是，包括以下步骤：
步骤一，实时需求定制公交调度模型建立
所生成的实时需求定制公交线路可对两种类型的乘车请求做出响应，车辆在行驶过程中可根据动态乘车请求时间上的差异，将接客过程分为两个阶段：
所面向乘客实时需求的车辆路径问题涉及时间窗(Open Vehicle RoutingProblem with Time Windows,OVRPTW)，即车辆在载客能力范围内根据请求点的乘客服务时间，形成面向乘客的服务路径，决策变量表示为：
Figure BDA0002804981400000021
第一阶段，车辆按调度中心给出的初始路径出发并有序接客，该阶段的线路生成是个OVRPTW问题；
每个动态乘车请求的出行行为可表示为：
Figure BDA0002804981400000022
乘客在上车区域站点的动态和静态信息可表示为：
Figure BDA0002804981400000023
乘客在下车区域站点的动态和静态信息可表示为：
Figure BDA0002804981400000024
定制车辆信息表示为：
V＝{C,Non} (5)
第一阶段——计划初始路径优化(OVRPTW)
目标函数：
Figure BDA0002804981400000025
s.t.
Figure BDA0002804981400000026
Figure BDA0002804981400000027
Figure BDA0002804981400000028
∑q∈Nx0q＝1 (10)
∑p∈Nxp,n+m+1＝1 (11)
上述目标函数中，式(7)(8)分别代表N*中必然经过及离开的站点；式(9)代表车上的载客量限制，式(10)(11)分别代表载客起终点；
上述第一阶段，车辆选择在第一个乘客发出请求后间隔T发车，或选择先后有N个乘客发出请求后再发车，乘客的请求发车信息经过调度中心核算，车辆综合乘客的位置信息形成一条初始路径；进入第二阶段；
第二阶段，车辆行驶过程中根据第一阶段乘客的位置以及结合时间等信息形成最优化动态行驶路径，若乘客的请求信息不在响应范围内，则系统及时做出反馈；
第二阶段——实时响应路径优化(多目标优化)
目标函数：
Figure BDA0002804981400000031
Figure BDA0002804981400000032
Figure BDA0002804981400000033
Figure BDA0002804981400000034
s.t.
Figure BDA0002804981400000035
Figure BDA0002804981400000036
Figure BDA0002804981400000037
Figure BDA0002804981400000038
∑q∈Nx0q＝1 (20)
∑p∈Nxp,n+m+1＝1 (21)
上述目标函数中，式(16)代表必然经过N*中的点，式(17)代表车辆未达到满载时必然被访问到N-中的点，式(18)代表车辆会离开的站点，式(19)代表车辆的载客量，式(20)和式(21)代表车站的起讫点条件；
参数注解：
mp——乘客数(个)；
Figure BDA0002804981400000039
——第i个乘客请求产生的时间；
Figure BDA00028049814000000310
——第i个乘客期望的最早服务时间；
Figure BDA00028049814000000311
——第i个乘客可接受的最晚服务时间；
vf——乘客步行速度(m/s)；
Figure BDA0002804981400000041
——第i个乘客的步行时间(s)；
σf——单位时间产生的步行成本(元/s)；
σo——单位时间乘客候车成本(元/s)；
b——每响应一个请求企业所产生的收益(元)；
Figure BDA0002804981400000042
——第i个乘客请求的x坐标；
Figure BDA0002804981400000043
——第i个乘客请求的y坐标；
Figure BDA0002804981400000044
——第i个乘客请求的目的地的x坐标；
Figure BDA0002804981400000045
——第i个乘客请求的目的地的y坐标；
γ——单位时间产生的乘客动态请求数。
n、m——站点数(个)；
Figure BDA0002804981400000046
——车辆预计到达站点j时间；
Figure BDA0002804981400000047
——车辆响应动态请求后预计到达站点j时间；
Figure BDA0002804981400000048
——第j个站点期望的最早服务时间；
Figure BDA0002804981400000049
——第j个站点可接受的最晚服务时间；
tij——车辆从站点i驶向站点j所用总时间(s)；
Figure BDA00028049814000000410
——车辆到达站点j前站内乘客数(个)；
Figure BDA00028049814000000411
——车辆到达站点j前车上乘客数(个)；
Figure BDA00028049814000000412
——车辆到达站点j下车乘客数(个)；
σw——单位时间的站内候车成本(元/s)；
Figure BDA00028049814000000413
——第j个站点的x坐标；
Figure BDA00028049814000000414
——第j个站点的y坐标。
o——决策阶段数；
Tst——当前路段松弛时间；
v——车辆的行驶速度(m/s)；
σv——行驶单位时间车辆产生的成本(元/s)；
C——车辆的最大载客量(人)；
Non——当前在车人数(个)；
tad——车辆的启停时间(s)；
t——当前时间；
步骤二、设计最优算法输出最优路径
综合多目标函数的矛盾性和冲突性，兼顾求解过程中的计算效率与响应时间，采用遗传算法进行求解，并且将第一阶段的决策成果应用到第二阶段中；第二个阶段的目标函数最终作为单目标优化问题进行求解；
选择保留的种群将直接影响到遗传算法的效率，适应度函数为自然常数为底的指数函数，表示为：
fi＝exp(20000/Gi) (23)
式中：Gi——目标函数值
个体被选择的概率为：
pi＝fi/∑fi (23)
发车前的目标函数是寻找一条包含必须经由站点的最优化线路，发车后的目标函数是根据乘客动态请求形成的合乘站点及固定站点，形成一条贯穿这些点的最优路径。
附图说明
图1需求响应式公交合乘站点示意图；
图2算例范围示意图；
图3路网示意图；
图4动态请求示意图；
图5第一阶段实际站点示意图图；
图6车辆计划初始路径；
图7计划初始路径优化目标函数进化趋势；
图8车辆到站时间及时间窗；
图9车辆到达4000米处时已完成的实际路径；
图10实时响应路径优化最终路径示意图；
图11实时响应路径优化实际路径示意图；
图12实时响应路径优化目标函数进化趋势；
图13车辆到站时间及时间窗。
具体实施方式
城市定制公交实时调度方法，具体实施时，包括：合乘站点的确定，模型假设，模型建立，求解等。
包括以下步骤：
1)变量分析
从乘客视角、站点视角、车辆视角三方面入手，建立面向实时响应的定制公交调度系统。
先定义无向图G＝(N,R)，点集N＝{1,2,3…n,n+1,n+2,…n+m}，该点集表示n个上车站点，m个下车站点，除起止点外总计n+m个中间站点。0表示乘客的起点A，n+m+1表示乘客的终点B，点集N*代表车辆必定会经过的站点，点集N-代表车辆不一定经过的站点。弧集R＝{(i,j)|i∈N{n+m+1},j∈N{0},i≠j}代表车辆所经由任意站点的路径。
乘客视角：
mp——乘客数(个)；
Figure BDA0002804981400000061
——第i个乘客请求产生的时间；
Figure BDA0002804981400000062
——第i个乘客期望的最早服务时间；
Figure BDA0002804981400000063
——第i个乘客可接受的最晚服务时间；
vf——乘客步行速度(m/s)；
Figure BDA0002804981400000064
——第i个乘客的步行时间(s)；
σf——单位时间产生的步行成本(元/s)；
σo——单位时间乘客候车成本(元/s)；
b——每响应一个请求企业所产生的收益(元)；
Figure BDA0002804981400000065
——第i个乘客请求的x坐标；
Figure BDA0002804981400000066
——第i个乘客请求的y坐标；
Figure BDA0002804981400000067
——第i个乘客请求的目的地的x坐标；
Figure BDA0002804981400000068
——第i个乘客请求的目的地的y坐标；
γ——单位时间产生的乘客动态请求数。
站点视角：
n、m——站点数(个)；
Figure BDA0002804981400000069
——车辆预计到达站点j时间；
Figure BDA00028049814000000610
——车辆响应动态请求后预计到达站点j时间；
Figure BDA00028049814000000611
——第j个站点期望的最早服务时间；
Figure BDA00028049814000000612
——第j个站点可接受的最晚服务时间；
tij——车辆从站点i驶向站点j所用总时间(s)；
Figure BDA00028049814000000613
——车辆到达站点j前站内乘客数(个)；
Figure BDA0002804981400000071
——车辆到达站点j前车上乘客数(个)；
Figure BDA0002804981400000072
——车辆到达站点j下车乘客数(个)；
σw——单位时间的站内候车成本(元/s)；
Figure BDA0002804981400000073
——第j个站点的x坐标；
Figure BDA0002804981400000074
——第j个站点的y坐标。
车辆视角：
o——决策阶段数；
Tst——当前路段松弛时间；
v——车辆的行驶速度(m/s)；
σv——行驶单位时间车辆产生的成本(元/s)；
C——车辆的最大载客量(人)；
Non——当前在车人数(个)；
tad——车辆的启停时间(s)；
t——当前时间。
2)合乘站点的确定
所提出的定制公交线路经由的站点，包含两部分：固定站点及动态乘客请求形成的合乘站点。合乘站点的设置是为解决以下问题：降低企业运营成本及最早上车的乘客的在车时间成本，使车辆的接客和下客更为集中，从而提高定制公交的服务水平，如图1所示。
在合乘站点中引入K-means聚类分析法，目标为：出行时间与距离在统一范围内的多个乘客进行区域化接送，车辆在运行过程中对同一合乘站点内的乘客进行动态请求响应从而进行统一服务，否则，车辆调度中心不做出响应。使用K-means聚类分析法对不同区域乘客实时需求进行聚类分析的步骤为：
Step1：分析乘客发出的动态请求数据，明确乘客所处位置及时间范围需求；
Step2：建立预约请求数据集X；
Step3：分析动态请求位置分布，从中选取K个初始聚类中心Zk(k＝1,2…,K)
Step4：以Zk为参照点，计算其他动态请求到点Zk的距离，对应数据对象划分到最近的聚类中心所在的类，即
dis(Xi,Zk)＝mindis(Xi,Zk) (24)
如果Xi，Zk满足上述条件，则说明Xi属于第k聚类；
Step5：计算过程中，将每个聚类区域样本点的均值作为聚类中心Zk依据；
Step6：按照平方误差准则，计算平方误差
Figure BDA0002804981400000081
Step7：迭代结束的依据为平方误差E进行小于规定的误差ε，否则重复以上步骤。
用K-means聚类分析法对动态乘车请求进行聚类分析后，假设第i个聚类中心中第i个请求的坐标为
Figure BDA0002804981400000082
合乘站点的坐标为
Figure BDA0002804981400000083
考虑乘客可接受的最大步行距离为dmaxw，根据下式来判断车辆是否响应动态乘车请求：
Figure BDA0002804981400000084
每个聚类中心接受订制服务的乘客数依据合乘站点区域服务范围进行确定。
3)模型假设
为便于建模，假设以下的模型条件总成立：
(1)乘客动态请求在服务范围内随机，且符合空间及时间上的均匀分布；
(2)定制公交在路网上行驶时不受交通事故、交通拥堵及道路施工等影响，且保持匀速；
(3)路网上任意两动态请求点间的距离已知；
(4)乘客选择在等时线范围内步行至就近的候车点；
(5)忽略乘客的上下车时间，车辆的启停时间为一定值；
(6)车辆中途不停车，只在上车区域、下车区域停靠。
4)实时需求定制公交调度模型建立
本发明所生成的实时需求定制公交线路可对两种类型的乘车请求做出响应，车辆在行驶过程中可根据动态乘车请求时间上的差异，将接客过程分为两个阶段：
第一阶段，车辆选择在第一个乘客发出请求后间隔T发车，或选择先后有N个乘客发出请求后再发车，乘客的请求发车信息经过调度中心核算，车辆综合乘客的位置信息形成一条初始路径；
第二阶段，车辆行驶过程中，相继产生多个乘客需求，调度中心根据乘客的位置、时间等信息进行判断，符合接客条件时，新的乘客请求点会被纳入更新的动态行驶路径，否则，请求失败，调度中心对乘客做出实时反馈。
本发明所面向乘客实时需求的车辆路径问题涉及时间窗(Open Vehicle RoutingProblem with Time Windows,OVRPTW)，即车辆在载客能力范围内根据请求点的乘客服务时间，形成面向乘客的服务路径。依据调度模型的两个阶段，决策变量可表示为：
Figure BDA0002804981400000085
第一阶段，车辆按调度中心给出的初始路径出发并有序接客，该阶段的线路生成是个OVRPTW问题。
每个动态乘车请求的出行行为可表示为：
Figure BDA0002804981400000091
乘客在上车区域站点的动态和静态信息可表示为：
Figure BDA0002804981400000092
乘客在下车区域站点的动态和静态信息可表示为：
Figure BDA0002804981400000093
定制车辆信息表示为：
V＝{C,Non} (5)
当有N个乘客的请求信息发送至车辆时，调度中心会根据乘客信息自动生成一条出行路径，该路径旨在乘客和运营者的出行成本最小。
第一阶段——计划初始路径优化(OVRPTW)
目标函数：
Figure BDA0002804981400000094
s.t.
Figure BDA0002804981400000095
Figure BDA0002804981400000096
Figure BDA0002804981400000097
∑q∈Nx0q＝1 (10)
∑p∈Nxp,n+m+1＝1 (11)
以上目标函数中，式(7)(8)分别代表N*中必然经过及离开的站点；式(9)代表车上的载客量限制，式(10)(11)分别代表载客起终点。
第二阶段——实时响应路径优化(多目标优化)
目标函数：
Figure BDA0002804981400000101
Figure BDA0002804981400000102
Figure BDA0002804981400000103
Figure BDA0002804981400000104
s.t.
Figure BDA0002804981400000105
Figure BDA0002804981400000106
Figure BDA0002804981400000107
Figure BDA0002804981400000108
∑q∈Nx0q＝1 (20)
∑p∈Nxp,n+m+1＝1 (21)
以上目标函数中，
式(16)代表必然经过N*中的点，
式(17)代表车辆未达到满载时必然被访问到N-中的点，
式(18)代表车辆会离开的站点，
式(19)代表车辆的载客量，
式(20)和式(21)代表车站的起讫点条件。
5)基于所建立的模型及参数分析，结合构建的两阶段模型特点，设计改进的遗传算法以及目标加权法求解模型，以期得到系统最优调度方案：
5.1)模型算法分析
(1)第一阶段：计划初始路径优化
模型第一阶段，采用车辆路径问题(VRP)优化，定制车辆根据最优路径有序接客；模型第一阶段可视为带软时间窗约束的面向实时需求的车辆路径问题(OVRPTW)；
(2)第二阶段：实时响应路径优化
本发明综合多目标函数的矛盾性和冲突性，兼顾求解过程中的计算效率与响应时间，采用遗传算法进行求解，并且将第一阶段的决策成果应用到第二阶段中；第二个阶段最终转化为单目标优化问题；
5.2)算法设计
对遗传算法的涉及的多个环节进行改进。选择保留的种群将直接影响到遗传算法的效率，适应度函数为自然常数为底的指数函数，表示为：
fi＝exp(20000/Gi) (22)
式中：Gi——目标函数值。
个体被选择的概率为：
pi＝fi/∑fi (23)
综合第一阶段及第二阶段的模型求解，可看出上述两个阶段最终是对静态过程的求解，而在实际运行中乘客的请求呈动态变化，因而需将整个乘客请求响应过程按照动态更新状态划分成K段，将动态响应问题转化为K个阶段的序贯决策问题，循环往复，直到车辆完成从起点到终点的整个响应过程。
下面结合附图和具体实施例子对本发明进行详细说明。
实施例子
通过设计算例来对建立的实时需求定制公交调度模型及其求解算法进行模型验证和算法有效性分析，包括以下阶段：
1)算例说明
为了简化模型，根据本发明技术方案，我们假设线路分为上车区域和下车区域，乘客只在下车区域内的站点下车，基于这一假设，我们设计了多点对多点的定制公交算例。
如图2所示，算例规划区域范围长12km，宽2km，图中A,B,C,D分别代表驶入和驶出的起讫点，用三角形表示；附图中固定站点则用方块表示。区域路网示意图如图3所示；在某个区域产生的乘客动态请求如图4所示。
第一阶段需要确定线路必经的固定站点，第二阶段需要根据乘客的动态请求产生新的最优线路。处理后的结果如图5所示，星号代表一个站点。其中，需要服务的乘客数标示在站点旁边，当固定站点乘客数为零时，车辆仍需访问该站点。
2)试验数据
第一阶段乘客动态乘车请求信息如表1所示。
表1第一阶段区域内动态乘车请求分布
Figure BDA0002804981400000121
注1：Ⅰ型、Ⅱ型站点分别表示临时站点及固定站点；
2：站点按横坐标的大小顺序来进行编号，横坐标最小的站点编号为0，横坐标最大的站点编号为16；
3：当动态请求发出时间为0时，表明对应的乘客数在此站下车。
3)参数设置
OVRPTW模型构建中的参数设置如表2所示。
表2模型参数设置
Figure BDA0002804981400000122
注：乘客候车成本根据上海最低工资计算时间价值而得。
本发明设计的遗传算法参数设置如表3所示。
表3遗传算法参数设置
Figure BDA0002804981400000131
4)算法实现的主要步骤
以下应用改进的遗传算法来实现算例模型的求解，算法实现的步骤主要如下所示：
Step1：用自然数编码的方式，构造车辆经过站点的染色体；
Step2：定义模型和算法参数，σw、σo、σc、b、v、C和N、L、Pc、Pm、Gen；
Step3：标记进化代数gen＝0，随机生成种群规模为N的初始群体G(0)；
Step4：当满足算法条件时终止计算，否则继续；
Step5：定义循环变量i＝0；
Step6：计算适应度的大小；
Step7：i＝i+1
Step8：若i≤N，转至Step5，否则转至Step9；
Step9：按照每个个体适应度的大小，复制下一代染色体；
Step10：进行类部分交叉、变异操作，重组G(gen+1)；
Step11：标记进化代数：gen＝gen+1；
Step12：当满足条件时终止迭代，否则转至Step4。
5)结果分析
(1)计划初始路径优化结果分析
车辆选择在第一个乘客发出请求后间隔T发车，或选择先后有N个乘客发出请求后再发车，乘客的请求发车信息经过调度中心核算，车辆综合乘客的位置信息形成一条初始路径。第一阶段的求解结果如表4所示。
表4计划初始路径优化计算结果
Figure BDA0002804981400000132
从表4可看出，第一阶段计算的最优解为302.5637，经过约48次迭代之后逐渐趋于稳定，最终形成的车辆行驶路径为0-1-2-3-4-5-6-8-7-9-10-11-12-13-14-15-16。
目前在车乘客数为12人，车辆行驶过程中响应了乘客的动态需求，车辆在实际路网上行驶路线如图6所示。图中，黑色线代表相邻两点直接相连，体现两点的位置关系，蓝色线代表车辆实际走行路线，是根据实际路网规划得到的路径。第一阶段优化目标函数迭代进化趋势如图7所示。图8表示第一阶段车辆行驶至每个站点的时间窗，图中蓝色线和红色线分别表示车辆实际行驶至每个站点的时间及乘客在各个站点上车的时间窗约束。
(2)实时响应路径优化结果分析
第二阶段只有在满载时才会对乘客的动态请求停止响应，结合第一阶段路径选择结果，选择序贯决策法并使用遗传算法对第二阶段模型进行求解。在决策算例示范过程中，选取车辆到达4000米处作为临界点。
车辆在第一阶段生成的最优路径如图9所示，图中灰色区域表示车辆已经行驶过的路径。假定，车辆满载为50客座，行驶至4000米处时，车上已有乘客26人，车辆在行驶过程中继续响应动态请求。黑色实心圆、黑色空心圆、红色空心圆分别表示第一阶段产生的固定站点、乘车动态请求点、第二阶段新增的动态乘车请求点。第二阶段新增的动态请求的时间如表5所示。
表5第二阶段车辆行驶至4000米时新增动态乘车请求分布表
Figure BDA0002804981400000141
第二阶段优化目标的计算结果如表6所示。
表6实时响应路径优化计算结果
Figure BDA0002804981400000151
由上表得出，第二阶段优化目标的最优解为337.0679，计算结果在78代之后趋于稳定，最终形成的车辆行驶路径为0-1-3-2-4-5-6-7-8-9-17-18-19-20-21-12-10-11-13-22-15-16。为了使目标函数达到最小，车辆有选择性地对动态乘车需求进行了响应。
算法求得的最优路径如图所示，比较图10和图9可以发现，图9中的灰色点代表该站点不在车辆行驶路径的动态请求响应范围内。图11表示第二阶段形成的路网中实际路径示意图；图12为第二阶段车辆实时响应路径优化目标迭代变化趋势；图13代表第二阶段车辆到达各站的时间和乘客上车时间窗。

Claims (1)

1.一种面向实时需求的定制公交调度方法，其特征在于，包括以下步骤：
步骤一，实时需求定制公交调度模型的建立
所生成的实时需求定制公交线路对两种类型的乘车请求做出响应，车辆在行驶过程中根据乘车请求时间上的差异，将接客过程分为两个阶段：
所面向乘客实时需求的车辆路径问题涉及时间窗，即车辆在载客能力范围内根据请求点的乘客服务时间，形成面向乘客的服务路径，决策变量表示为：
Figure FDA0003636777840000011
第一阶段，车辆按调度中心给出的初始路径出发并有序接客，该阶段的线路生成是个OVRPTW问题；
每个乘车请求的出行行为集合O表示为：
Figure FDA0003636777840000012
乘客在上车区域站点的动态和静态信息集合SJ表示为：
Figure FDA0003636777840000013
乘客在下车区域站点的动态和静态信息集合SD表示为：
Figure FDA0003636777840000014
定制车辆信息集合V表示为：
V＝{C,Non} (5)
第一阶段初始路径优化的目标函数：
Figure FDA0003636777840000015
s.t.
Figure FDA0003636777840000016
Figure FDA0003636777840000017
Figure FDA0003636777840000018
Σq∈Nx0q＝1 (10)
Σp∈Nxp,n+m+1＝1 (11)
上述各式中，式(7)代表N*中必然经过的站点，式(8)代表N*中必然离开的站点；式(9)代表车辆的载客量限制，式(10)代表载客起点，式(11)代表载客终点；
所述第一阶段，车辆选择在第一个乘客发出乘车请求后间隔T发车，或选择先后有N个乘客发出乘车请求后再发车，乘客的乘车请求发车信息经过调度中心核算，车辆综合乘客的位置信息形成一条初始路径，进入第二阶段；
第二阶段，车辆行驶过程中根据第一阶段乘客的位置以及结合时间信息形成最优化动态行驶路径，若乘客的乘车请求信息不在响应范围内，则系统及时做出反馈；
第二阶段实时响应路径优化的目标函数：
Figure FDA0003636777840000021
Figure FDA0003636777840000022
Figure FDA0003636777840000023
Figure FDA0003636777840000024
s.t.
Figure FDA0003636777840000025
Figure FDA0003636777840000026
Figure FDA0003636777840000027
Figure FDA0003636777840000028
Σq∈Nx0q＝1 (20)
Σp∈Nxp,n+m+1＝1 (21)
上述各式中，式(16)代表N*中必然经过的站点，式(17)代表车辆未达到满载时必然被访问到N-中的点，式(18)代表车辆会离开的站点，式(19)代表车辆的载客量限制，式(20)代表载客起点，式(21)代表载客终点；
其中：
Figure FDA0003636777840000029
为第i个乘客请求产生的时间；
Figure FDA00036367778400000210
为第i个乘客期望的最早服务时间；
Figure FDA00036367778400000211
为第i个乘客可接受的最晚服务时间；
σo为单位时间乘客候车成本；
b为每响应一个请求企业所产生的收益；
Figure FDA0003636777840000031
为第i个乘客请求的x坐标；
Figure FDA0003636777840000032
为第i个乘客请求的y坐标；
Figure FDA0003636777840000033
为第i个乘客请求的目的地的x坐标；
Figure FDA0003636777840000034
为第i个乘客请求的目的地的y坐标；
Figure FDA0003636777840000035
为车辆预计到达站点q时间；
Figure FDA0003636777840000036
为车辆响应动态请求后预计到达站点q时间；
Figure FDA0003636777840000037
为第j个站点期望的最早服务时间；
Figure FDA0003636777840000038
为第j个站点可接受的最晚服务时间；
Figure FDA0003636777840000039
为车辆到达站点j前站内乘客数；
Figure FDA00036367778400000310
为车辆到达站点q前车上乘客数；
Figure FDA00036367778400000311
为车辆到达站点j下车乘客数；
σw为单位时间的站内候车成本；
Figure FDA00036367778400000312
为第j个站点的x坐标；
Figure FDA00036367778400000313
为第j个站点的y坐标；
v为车辆的行驶速度；
σv为行驶单位时间车辆产生的成本；
C为车辆的最大载客量；
Non为当前在车人数；
tad为车辆的启停时间；
tpq为公交车从站点p运行至站点q的时间；
步骤二、设计遗传算法输出最优路径
采用遗传算法进行求解，并且将第一阶段的决策应用到第二阶段中；第二阶段的目标函数最终作为单目标优化问题进行求解；
为提高遗传算法效率，适应度函数采用以自然常数为底的指数函数，表示为：
fi＝exp(2000/Gi) (22)
式中：Gi为第二阶段目标函数值；
个体被选择的概率为：
pi＝fi/Σfi (23)
发车前的第一阶段目标函数是寻找一条包含必须经由站点的最优化线路，发车后的第二阶段目标函数是根据乘客的乘车请求形成的合乘站点及固定站点，形成一条贯穿上述站点的最优路径。
CN202011367124.5A 2020-09-04 2020-11-29 面向实时需求的城市定制公交调度方法 Active CN112561249B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010923566 2020-09-04
CN2020109235667 2020-09-04

Publications (2)

Publication Number Publication Date
CN112561249A CN112561249A (zh) 2021-03-26
CN112561249B true CN112561249B (zh) 2022-07-05

Family

ID=75045172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011367124.5A Active CN112561249B (zh) 2020-09-04 2020-11-29 面向实时需求的城市定制公交调度方法

Country Status (1)

Country Link
CN (1) CN112561249B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077162A (zh) * 2021-04-14 2021-07-06 同济大学 面向实时需求的多车型定制公交区域调度方法
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
CN115018208B (zh) * 2022-08-04 2023-02-03 深圳市城市交通规划设计研究中心股份有限公司 一种城市轨道运力优化方法、电子设备及其存储介质
CN115424437A (zh) * 2022-08-22 2022-12-02 厦门筑成信创城市规划设计有限公司 站点响应式公交调度方法及装置
CN115662116B (zh) * 2022-10-12 2023-09-12 昆明理工大学 一种城市场景下中基于聚类的混合数据分发方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096868A (zh) * 2016-07-01 2016-11-09 广州地理研究所 一种多约束网络集约小客车调度方法
CN109409599B (zh) * 2018-10-24 2022-02-08 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
CN109615112B (zh) * 2018-11-16 2023-07-07 上海理工大学 一种响应型社区公交行车调度优化方法
CN109934401A (zh) * 2019-03-09 2019-06-25 吉林大学 一种基于移动互联的定制公交方法
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

Also Published As

Publication number Publication date
CN112561249A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112561249B (zh) 面向实时需求的城市定制公交调度方法
CN109409599B (zh) 基于实时需求的定制公交线路开通优化方法
CN110472764B (zh) 基于强化学习使用半合作纳什平衡来协调多方服务的方法和系统
CN110162931B (zh) 城市轨道交通大规模路网快速仿真系统
CN109447340B (zh) 一种可靠性最短路的定制公交线路优化方法
Chen et al. Customized bus route design with pickup and delivery and time windows: Model, case study and comparative analysis
CN107944611B (zh) 面向个性化出行需求的跨模式组合出行规划方法
Luo et al. Optimal design of intermodal mobility networks under uncertainty: Connecting micromobility with mobility-on-demand transit
Shu et al. A novel demand-responsive customized bus based on improved ant colony optimization and clustering algorithms
CN111724076A (zh) 运营中断条件下区域多式轨道交通客流动态分配方法
CN112085249A (zh) 一种基于强化学习的定制公交线路规划方法
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
Jaramillo-Alvarez et al. Route optimization of urban public transportation
CN113538886A (zh) 一种实时响应式定制公交递阶调度方法
CN115423168A (zh) 一种考虑服务稳定性的定制公交路网优化方法及系统
Hakeem et al. Multi-destination vehicular route planning with parking and traffic constraints
Tang et al. Dynamic operations of an integrated mobility service system of fixed-route transits and flexible electric buses
Wang et al. A dynamic graph-based many-to-one ride-matching approach for shared autonomous electric vehicles
CN111738490A (zh) 柔性公交线路资源复用分配调度方法
CN116524705A (zh) 一种城际出行车辆的调度方法及终端
Yao et al. Circle line optimization of shuttle bus in central business district without transit hub
Djavadian et al. Demand for shared mobility to complement public transportation: Human driven and autonomous vehicles
Afandizadeh Zargari et al. Optimizing algorithm for allocating passengers in shared taxis
Carrese et al. Relationship between parking location and traffic flows in urban areas
Ordóñez Medina et al. New dynamic events-based public transport router for agent-based simulations

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