CN112633940A - 一种需求响应型城市轨道交通分时票价制定方法 - Google Patents
一种需求响应型城市轨道交通分时票价制定方法 Download PDFInfo
- Publication number
- CN112633940A CN112633940A CN202011621218.0A CN202011621218A CN112633940A CN 112633940 A CN112633940 A CN 112633940A CN 202011621218 A CN202011621218 A CN 202011621218A CN 112633940 A CN112633940 A CN 112633940A
- Authority
- CN
- China
- Prior art keywords
- time
- model
- passenger
- trip
- fare
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004044 response Effects 0.000 title claims abstract description 15
- 238000009472 formulation Methods 0.000 title claims abstract description 14
- 239000000203 mixture Substances 0.000 title claims abstract description 14
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008713 feedback mechanism Effects 0.000 abstract description 2
- 230000006698 induction Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000029305 taxis 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明提供了一种需求响应型城市轨道交通分时票价制定方法。该方法包括：S1：提取多源自动售检票数据，建立基于数据挖掘的乘客出行目的辨识规则，提取现状高峰期客流需求分布特征；S2：构建高峰期乘客出发时刻与出行方式调整行为NL模型和随机用户分配模型，预测高峰期客流需求演变特征；S3：构建平衡运营企业收入、乘客出行费用和客流分布均衡度的城市轨道交通分时票价双层规划模型，动态调整所述双层规划模型的决策变量，输出最优分时票价方案。本发明通过建立分时票价方案与乘客出行目的、选择行为间的互馈机制，克服了传统定价方法对乘客出行需求演变考虑不足的缺陷，综合利用高峰涨价和平峰降价两种策略，实现了对高峰期客流需求的精准诱导。
Description
技术领域
本发明涉及城市轨道交通需求管理技术领域。更具体地，涉及一种需求响应型城市轨道交通分时票价制定方法。
背景技术
近年来，我国各大城市的轨道交通网络持续扩张，城市轨道交通已成为很多城市出行系统的骨干。随着客流量的逐年攀升，客流需求与运能供给间的矛盾日益突出，客流时空分布不均衡加剧了高峰时段的供不应求，导致线网负荷压力过大，平峰时段的供大于求导致线网运能利用率低下。针对此现象，分时票价成为城市轨道交通高峰期客流需求管理的有效手段，通过对高峰和平峰的票价进行差异化设置，刺激乘客高峰出行需求向平峰转移。然而，分时票价策略的实施会直接影响乘客的出行成本，可能引发潜在的出发时刻调整和出行方式转移行为，进而造成宏观层面客流量的演化。
现有分时票价制定方法往往假设客流需求相对固定，未能对分时票价实施后的客流需求演变做出主动响应，并将其融入到分时票价制定过程中，进而导致其所制定的方案难以达到预期的客流诱导效果。此外，城市轨道交通分时票价方案的实施与运营企业收入、乘客出行成本密切相关，如何通过数据挖掘技术和最优化理论制定合理的分时票价方案，在保障双方的利益的同时实现客流的“削峰填谷”，是本发明所解决的关键技术问题。
发明内容
本发明综合采用平峰降价和高峰涨价两种措施，通过考虑分时票价措施下的乘客行为变化与客流需求演变特性，提出一种需求响应型城市轨道交通分时票价制定方法，刺激乘客的错峰出行行为，以缓解城市轨道交通高峰时段的大客流压力。
本发明的技术方案是：
一种需求响应型城市轨道交通分时票价制定方法，其特征在于，包括：
步骤S1：提取城市轨道交通多源自动售检票数据，建立基于数据挖掘的乘客出行目的辨识规则，根据多源自动售检票数据和乘客出行目的辨识规则，识别客流中乘客出行目的构成，获取现状高峰期客流需求分布特征；
步骤S2：构建高峰期乘客出发时刻转变与出行方式选择行为NL模型，将NL模型嵌入随机用户均衡分配模型，利用随机用户均衡分配模型和现状高峰期客流需求分布特征，预测不同分时票价方案下的高峰期客流需求演变特征；
步骤S3：构建城市轨道交通运营企业收入、乘客出行费用以及客流需求分布均衡度目标函数计算模型，以目标函数计算模型作为上层模型，以随机用户均衡分配模型作为下层模型，构建城市轨道交通分时票价双层规划模型，动态调整双层规划模型的决策变量，输出平衡企业收入、出行费用和客流分布均衡度的最优分时票价方案。
优选地，的步骤S1包括：
S11：融合普通票种刷卡数据和新票种刷卡数据为全票种刷卡数据，普通票种刷卡数据包括一卡通、月票和特种票，新票种刷卡数据包括金融IC卡和移动终端电子卡；
S12：建立基于数据挖掘的乘客出行目的辨识规则，根据全票种刷卡数据识别乘客的出行目的，出行目的包括通勤出行、通学出行、购物出行或休闲出行，辨识规则计算方法分为空间约束和时间约束，空间约束为乘客在早晚高峰的通勤出行在当日所有出行中的占比，时间约束为乘客在早晚高峰通勤出行时间在当日总出行时间中的占比；
S13：将不同起讫点(O-D，Origin-destination)下不同出行目的的乘客按照出发时刻进行集计，获取现状高峰期客流需求分布特征，出发时刻覆盖早、晚高峰的大客流时段，现状高峰期客流需求分布特征包括分时进站量和分时OD分布量。
优选地，步骤S2包括：
S21：构建高峰期乘客出发时刻与出行方式调整行为的NL模型，NL模型的上层为出行方式转移层h，下层为出发时刻调整层g，NL模型上、下层共同组合出6种备选方案，备选方案包括“保持原地铁出行方式且提前出发时刻”、“保持原地铁出行方式且不改变出发时刻”、“保持原地铁出行方式且推迟出发时刻”、“转移至公交车辆且不改变出发时刻”、“转移至私家车出行且不改变出发时刻”、“转移至出租车或网约车出行且不改变出发时刻”；
S22：根据NL模型中的备选方案特征，定义备选方案的特性变量，建立NL模型上层选择和下层选择的效用函数；
S23：根据上述NL模型上层和下层的效用函数，计算早晚高峰乘客选择上层出行方式h和下层备选方案g的行为概率；
S24：根据各备选方案的选择概率建立随机用户均衡分配(SUE)模型，SUE模型满足符合NL模型分层结构的随机用户均衡条件，随机用户均衡条件包含出发时刻调整和出行方式转移两个层次，当且仅当备选方案的瞬时效用等于该时刻、该OD间的最大瞬时效用时，随机用户均衡条件成立；
S25：根据随机用户均衡条件下各备选方案的效用函数，计算选择各备选方案的乘客数量。
优选地，骤S3包括：
S31：根据分时票价方案下的地铁定价，构建城市轨道交通运营企业收入目标函数计算模型，目标函数计算模型为各个OD对的客运量与对应票价乘积之和；
S32：构建乘客出行费用目标函数计算模型，包括货币费用计算模型和时间费用计算模型，货币费用计算模型用于计算乘客出行所支付的票价，时间费用计算模型用于计算乘客出行过程中的时间消耗，运用时间费用系数，将乘客出行过程中的时间消耗转化为广义时间费用；设置地铁票价的上限约束δmax和下限约束δmin以保证分时票价的合理性；
S33：根据地铁网络最大分时客流，建立客流需求分布均衡度目标函数计算模型，客流需求分布均衡度由各时段内各车站的客流需求与各时段客流需求平均值之比的平均方差反映；
S34：以城市轨道交通运营企业收入、乘客出行费用以及客流需求分布均衡度目标函数计算模型作为上层模型，以随机用户均衡分配模型作为下层模型，以地铁票价费率为决策变量，构建城市轨道交通分时票价双层规划模型；
S35：利用“遗传算法-相继加权平均”复合算法求解城市轨道交通分时票价双层规划模型，动态调控双层规划模型的决策变量，输出平衡城市轨道交通运营企业收入，乘客出行费用和地铁最大分时客流量的最优分时票价方案。
本发明的有益效果在于：
本发明通过建立分时票价方案与乘客出行选择行为间的互馈机制，克服了传统定价方法对乘客出行需求演变考虑不足的缺陷，综合利用高峰涨价和平峰降价两种策略，实现了对高峰期客流需求的精准诱导。
附图说明
图1为本发明实施例提供的一种需求响应型城市轨道交通分时票价制定方法的流程图；
图2为本发明实施例提供的一种构建高峰期乘客出发时刻与出行方式调整行为的NL模型的结构图；
图3为本发明实施例提供的一种“遗传算法-相继加权平均”复合算法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，本发明的实施方式不限于此。
如图1所示，一种需求响应型城市轨道交通分时票价制定方法，包括如下的处理步骤：
S1：提取城市轨道交通多源自动售检票数据，建立基于数据挖掘的乘客出行目的辨识规则，根据多源自动售检票数据和乘客出行目的辨识规则，识别客流中乘客出行目的构成，获取现状高峰期客流需求分布特征。S1可包括：
S11：融合普通票种刷卡数据和新票种刷卡数据为全票种刷卡数据，传统票种刷卡数据包括一卡通、月票和特种票，新票种刷卡数据包括金融IC卡和移动终端电子卡。
S12：建立基于数据挖掘的乘客出行目的辨识规则，根据全票种刷卡数据识别乘客的出行目的，出行目的包括通勤出行、通学出行、购物或休闲出行，辨识规则计算方法分为空间约束和时间约束，空间约束为乘客在早晚高峰的通勤出行在当日所有出行中的占比，计算方法为：
式中，Rm为乘客m起点位于居住区的车站集合；Bm为乘客m终点位于b类土地利用性质的车站集合，b＝1，2，3分别表示办公类、学校类和商业类，车站的土地利用性质由所在线路工程许可报告获知；Tz为早高峰时段集合；Nrb(t)为早高峰时段t内乘客m终点位于b类车站的通勤行程个数；Te为晚高峰时段集合；Nbr(z)为晚高峰时段t内乘客m起点位于b类车站的通勤行程个数；Om为乘客m的起点集合；Dm为乘客m的终点集合；Tm为乘客m的出行时间集合；Nod(t)为时段t内乘客m起点位于o，终点位于d的行程个数；
为出行目的i的空间辨识阈值，i＝1，2，3分别表示通勤出行、通学出行、购物或休闲出行。
时间约束为乘客在早晚高峰通勤出行时间在当日总出行时间中的占比，计算方法为：
式中，Tb(t)为时段t内乘客m到达b类土地利用性质的车站的时间，b＝1，2，3分别表示办公类、学校类和商业类；Tr(t)为时段t内乘客m从居住区r出发的时间；Td(t)为时段t内乘客m到达终点d的时间；To(t)为时段t内乘客m从起点o出发的时间；
为出行目的i的时间辨识阈值，i＝1，2，3分别表示通勤出行、通学出行、购物或休闲出行。
S13：将不同起讫点(O-D，Origin-destination)下不同出行目的的乘客按照出发时刻进行集计，获取现状高峰期客流需求分布特征，出发时刻覆盖早、晚高峰的大客流时段，现状高峰期客流需求分布特征包括分时进站量和分时OD分布量。
S2：构建高峰期乘客出发时刻转变与出行方式选择行为NL模型，将NL模型嵌入随机用户均衡分配模型，利用随机用户均衡分配模型和现状高峰期客流需求分布特征，预测不同分时票价方案下的高峰期客流需求演变特征。S2可包括：
如图2所示，为S21：构建高峰期乘客出发时刻与出行方式调整行为的NL模型的结构图，NL模型的上层为出行方式转移层h，下层为出发时刻调整层g，NL模型上、下层共同组合出6种备选方案，备选方案包含以下6种：
第一种备选方案：保持原地铁出行方式且提前出发时刻。此方案适用于工作时间约束性较强的乘客，此类乘客倾向于选择地铁方式出行，成因包括地铁出行准点率高、受客流控制影响较小、通勤效率较其他出行方式优势明显。
第二种备选方案：保持原地铁出行方式且不改变出发时刻。此方案适用于对既有出行模式依赖性较高的乘客，或因客观条件造成备选方案受阻的乘客。
第三种备选方案：保持原地铁出行方式且推迟出发时刻，此方案适用于倾向于选择地铁出行且工作时间弹性较大，对通勤时间敏感度较低的乘客。
第四种备选方案：转移至公交车辆出行且不改变出发时刻。此方案适用于因地铁票价上升放弃地铁出行，而改乘综合效用更优的公交车辆出行的乘客。
第五种备选方案：转移至私家车出行且不改变出发时刻。此方案适用于保有私家车且对地铁出行费用和出发时间较为敏感的乘客。
第六种备选方案：转移至出租车或网约车出行且不改变出发时刻。此方案适用于对通勤时间要求较高，且对出发时间和出行舒适度较为敏感的高时间价值乘客。
S22：根据NL模型中的备选方案特征，定义备选方案的特性变量，建立NL模型上层选择和下层选择的效用函数；
NL模型上层选择和下层选择的效用函数分别为：
式中，Ug|h为选择上层方案h前提下选择下层方案g的效用函数；K为该备选方案下特性变量的个数，k∈K；
为特性变量的系数值，采用极大似然估计进行标定；
为备选方案的特性变量向量；
为反映特性变量是否属于此备选方案的0-1变量，1表示属于，0表示不属于；B，L，T，F，D，止，Cmetro，Cbus，Jrise，jreduce，Y，Z为备选方案的特性变量，分别提前出发时间、推迟出发时间、各交通方式的出行时间、出行票价费用、出行距离、出行目的、地铁出行的拥挤度、公交出行的拥挤度、高峰涨价率、平峰折价率、私家车固有哑元、出租车和网约车固有哑元；Uh为乘客i选择上层方案h的效用函数；Gh为上层方案h对应的下层备选方案个数，τ1为NL模型的下层尺度系数。
其中，提前出发时间是指乘客为获得平峰票价而提前出发的时间，推迟出发时间是指乘客为获得平分票价而推迟出发的时间，单位为h；出行时间是指乘客出行所花费的时间，单位为h；出行票价费用是指乘客出行买票所花费的费用，单位为元；出行距离是指乘客从起点到终点的出行距离，单位为km；出行目的分别为工作出行、上学出行、商务出行和休闲购物出行；地铁和公交出行的拥挤度划分为舒适、比较拥挤、拥挤和严重拥挤四个等级值；高峰涨价率是指分时票价方案中高峰票价与原票价的比值；平峰折价率是指分时票价方案中平峰票价与原票价的比值；私家车固有哑元、出租车和网约车固有哑元用于反映在上述第五和第六种备选方案中除特性变量外的其他未观测变量，表示既有因素外其他因素对乘客出行方式转移行为偏好的影响，体现乘客对其他不确定因素的效用感知。
S23：根据上述NL模型上层和下层的效用函数，计算早晚高峰乘客选择上层出行方式h和下层备选方案g的行为概率：
Pgh＝Pg|hPh
式中，Pgh为选择上层方案h且选择下层方案g的概率；Pg|h为已选择上层方案h条件下选择选择下层方案g的概率；Ph为乘客i选择上层方案h的概率；τ2为NL模型的上层尺度系数。
S24：根据各备选方案的选择概率建立随机用户均衡分配(SUE)模型，SUE模型满足符合NL模型分层结构的随机用户均衡条件，随机用户均衡条件包含出发时刻调整和出行方式转移两个层次，当且仅当备选方案的瞬时效用等于该时刻、该OD间的最大瞬时效用时，随机用户均衡条件成立，出发时刻选择层的最大瞬时期望效用为：
出行方式选择层的最大瞬时效用为：
S25：根据随机用户均衡条件下各备选方案的效用函数，计算选择各备选方案的乘客的数量。在本实施例中，对于某一个出行OD对，选择各备选方案的乘客数量为：
式中，F(t)为在时段t内，该出行OD对间的乘客总数量；F1(t)，F2(t)，F3(t)，F4(t)，F5(t)，F6(t)分别为分时票价方案下选择备选方案一、二、三、四、五、六的乘客数量。
分时票价方案改变时，乘客的出行时间、出行费用、地铁出行的拥挤度、公交出行的拥挤度、高峰涨价率和平峰折价率将会随之发生改变，导致备选方案的效用函数和乘客的行为概率相继变化，进而造成宏观线网通勤客流需求的改变。
在本实施例中，将备选方案一的乘客计入其提前出行时段的客流量；将备选方案三的乘客计入其推迟出行时段的客流量；将备选方案四、五、六的乘客计入其选择交通方式的客流量，因而不计入地铁客流量。基于上述规则更新各个分时票价方案时段内各站的进站客流与OD分布量，即可得到目标分时票价方案下的需求特征。
S3：构建城市轨道交通运营企业收入、乘客出行费用以及客流需求分布均衡度目标函数计算模型，以目标函数计算模型作为上层模型，以随机用户均衡分配模型作为下层模型，构建城市轨道交通分时票价双层规划模型，动态调整双层规划模型的决策变量，输出平衡企业收入、出行费用和客流分布均衡度的最优分时票价方案。S3可包括：
S31根据分时票价方案下的地铁定价，构建城市轨道交通运营企业收入目标函数计算模型，计算模型为各个OD对的客运量与对应票价乘积之和，公式为：
式中，R为城市轨道交通运营企业收入；K为出发时刻所在的时间段集合；
为OD对w间选择选择乘坐地铁在时段k出发的乘客数量；pw为OD对w间在实施分时票价措施前的原始票价；
为时段k内，OD对w间选择乘坐地铁出发对应的票价与原始票价的比值。
S32：构建乘客出行费用目标函数计算模型，目标函数计算模型包括货币费用计算模型和时间费用计算模型，货币费用计算模型用于计算乘客出行所支付的票价，时间费用计算模型用于计算乘客出行过程中的时间消耗，运用时间费用系数，将乘客出行过程中的时间消耗转化为广义时间费用。
货币费用的计算方法为：
式中，Cp为乘客出行的货币费用；
为OD对w间选择公交出行的乘客数里；
为OD对w间公交出行的货币费用；
为OD对w间选择小汽车出行的乘客数量；
勾OD对w间小汽车出行的货币费用；
为OD对w间选择出租车或网约车出行的乘客数量；
为OD对w间出租车或网约车出行的票价。
设置地铁票价的上限约束δmax和下限约束δmin以保证分时票价的合理性，上限约束和下限约束满足以下条件：
时间费用的计算方法为：
式中，Ct为乘客出行的广义时间费用；VOT为时间价值系数；
为OD对w间选择公交出行所花费的时间；
为OD对w间选择小汽车出行所花费的时间；
为OD对w间选择出租车或网约车出行所花费的时间；
为OD对w间选择地铁出行所花费的时间。
乘客出行费用为：
C＝Cp+Ct
S33：根据地铁网络最大分时客流，建立客流需求分布均衡度目标函数计算模型，客流需求分布均衡度由各时段内各车站的客流需求与各时段客流需求平均值之比的平均方差反映，即：
式中，E为客流需求分布均衡度；|S|为采取分时票价车站个数；|K|为采取分时票价时段个数；
为时段k内车站s的客流需求。
S34：以城市轨道交通运营企业收入、乘客出行费用以及客流需求分布均衡度目标函数计算模型作为上层模型，以随机用户均衡分配模型作为下层模型，以地铁票价费率为决策变量，构建城市轨道交通分时票价双层规划模型。
双层规划模型用于分析和研究含有两个层次的决策问题，当面对复杂的问题时可以分阶段，分层次地进行处理，上层规划的决策过程不仅与上层的决策变量有关，还依赖于下层规划的最优解，同时下层规划的最优解又受上层决策变量的影响，综合考虑，最终达到整体最优。
城市轨道交通分时票价双层规划模型中，决策变量为各时段地铁票价与原票价的比值，每个时段内地铁票价与原票价的比值构成一个基因位，所有时段地铁票价与原票价的比值构成一条染色体，每条染色体表示一组分时票价方案。
如图3所示，为本发明实施例提供的一种“遗传算法-相继加权平均”复合算法的流程图，即S35：利用复合算法求解城市轨道交通分时票价双层规划模型，动态调控双层规划模型的决策变量，输出平衡城市轨道交通运营企业收入，乘客出行费用和客流分布均衡度的最优分时票价方案。
“遗传算法-相继加权平均”复合算法参数包括：遗传算法中的种群规模、选择概率、交叉概率、变异概率、最大迭代次数以及迭代计数等，以及相继加权算法中的控制误差限、最大迭代次数等。
“遗传算法-相继加权平均”复合算法仅是为求解城市轨道交通分时票价双层规划模型所定制的一种求解方法。所提出的城市轨道交通分时票价双层规划模型为本发明的核心技术，其实现方法不影响本身的技术创新性，但所提出的“遗传算法-相继加权平均”复合算法对所提出的双层规划模型的求解效率、最优解的质量具有提升效果，因而也构成求解方法层面的技术创新性。
城市轨道交通分时票价双层规划模型中，上层模型生成的决策变量用于确定高峰时段的票价上涨比例和平分时段票价降低比例，上层模型的决策变量作为下层模型的输入变量，用于计算分时票价方案下演化后的客流出行需求时间特征，将所得客流出行需求时间特征作为上层模型计算企业收入、乘客出行费用和客流需求分布均衡度的计算依据，经上下层共同迭代，获得平衡企业收入、出行费用和客流分布均衡度的决策变量，即最优分时票价方案。
综上，本发明实施例的需求响应型城市轨道交通分时票价制定方法通过深入剖析分时票价方案对乘客出行选择行为变化的影响，分析分时票价下的客流需求演化规律，从而可以针对性的制定分时票价方案，刺激乘客高峰出行需求向平峰转移。本发明方法通过分析提前出发时间、推迟出发时间、出行时间、出行票价费用、出行距离、出行目的、拥挤度、高峰涨价率、平峰折价率等因素对乘客的出行选择行为的影响，全面反映乘客的出行需求演化特征，以最大化运营企业收、最小化乘客出行费和客流需求分布均衡度为优化目标，实现需求响应型的分时票价优化，可为城市轨道交通高峰期分时票价的制定工作提供科学依据和方法指导。
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，附图中的流程并不一定是实施本发明所必须的。
Claims (4)
1.一种需求响应型城市轨道交通分时票价制定方法，其特征在于，包括：
步骤S1：提取城市轨道交通多源自动售检票数据，建立基于数据挖掘的乘客出行目的辨识规则，根据所述多源自动售检票数据和乘客出行目的辨识规则，识别客流中乘客出行目的构成，获取现状高峰期客流需求分布特征；
步骤S2：构建高峰期乘客出发时刻转变与出行方式选择行为NL模型，将所述NL模型嵌入随机用户均衡分配模型，利用所述随机用户均衡分配模型和现状高峰期客流需求分布特征，预测不同分时票价方案下的高峰期客流需求演变特征；
步骤S3：构建城市轨道交通运营企业收入、乘客出行费用以及客流需求分布均衡度目标函数计算模型，以所述目标函数计算模型作为上层模型，以所述随机用户均衡分配模型作为下层模型，构建城市轨道交通分时票价双层规划模型，动态调整所述双层规划模型的决策变量，输出平衡企业收入、出行费用和客流分布均衡度的最优分时票价方案。
2.根据权利要求1所述的一种需求响应型城市轨道交通分时票价制定方法，其特征在于，所述步骤S1包括：
S11：融合普通票种刷卡数据和新票种刷卡数据为全票种刷卡数据，所述普通票种刷卡数据包括一卡通、月票和特种票，所述新票种刷卡数据包括金融IC卡和移动终端电子卡；
S12：建立基于数据挖掘的乘客出行目的辨识规则，根据所述全票种刷卡数据识别乘客的出行目的，所述出行目的包括通勤出行、通学出行、购物出行或休闲出行，所述辨识规则计算方法分为空间约束和时间约束，所述空间约束为乘客在早晚高峰的通勤出行在当日所有出行中的占比，所述时间约束为乘客在早晚高峰通勤出行时间在当日总出行时间中的占比；
S13：将不同起讫点(O-D，Origin-destination)下不同出行目的的乘客按照出发时刻进行集计，获取现状高峰期客流需求分布特征，所述出发时刻覆盖早、晚高峰的大客流时段，所述现状高峰期客流需求分布特征包括分时进站量和分时OD分布量。
3.根据权利要求1所述的一种需求响应型城市轨道交通分时票价制定方法，其特征在于，所述步骤S2包括：
S21：构建高峰期乘客出发时刻与出行方式调整行为的NL模型，所述NL模型的上层为出行方式转移层h，下层为出发时刻调整层g，所述NL模型上、下层共同组合出6种备选方案，所述备选方案包括“保持原地铁出行方式且提前出发时刻”、“保持原地铁出行方式且不改变出发时刻”、“保持原地铁出行方式且推迟出发时刻”、“转移至公交车辆且不改变出发时刻”、“转移至私家车出行且不改变出发时刻”、“转移至出租车或网约车出行且不改变出发时刻”；
S22：根据所述NL模型中的备选方案特征，定义备选方案的特性变量，建立所述NL模型上层选择和下层选择的效用函数；
S23：根据上述NL模型上层和下层的效用函数，计算早晚高峰乘客选择上层出行方式h和下层备选方案g的行为概率；
S24：根据各备选方案的选择概率建立随机用户均衡分配(SUE)模型，所述SUE模型满足符合NL模型分层结构的随机用户均衡条件，所述随机用户均衡条件包含出发时刻调整和出行方式转移两个层次，当且仅当备选方案的瞬时效用等于该时刻、该OD间的最大瞬时效用时，随机用户均衡条件成立；
S25：根据所述随机用户均衡条件下各备选方案的效用函数，计算选择各备选方案的乘客的数量。
4.根据权利要求1所述的一种需求响应型城市轨道交通分时票价制定方法，其特征在于，所述步骤S3包括：
S31：根据分时票价方案下的地铁定价，构建城市轨道交通运营企业收入目标函数计算模型，所述目标函数计算模型为各个OD对的客运量与对应票价乘积之和；
S32：构建乘客出行费用目标函数计算模型，所述目标函数计算模型包括货币费用计算模型和时间费用计算模型，所述货币费用计算模型用于计算乘客出行所支付的票价，所述时间费用计算模型用于计算乘客出行过程中的时间消耗，运用时间费用系数，将乘客出行过程中的时间消耗转化为广义时间费用；设置地铁票价的上限约束δmax和下限约束δmin以保证分时票价的合理性；
S33：根据地铁网络最大分时客流，建立客流需求分布均衡度目标函数计算模型，所述客流需求分布均衡度由各时段内各车站的客流需求与各时段客流需求平均值之比的平均方差反映；
S34：以城市轨道交通运营企业收入、乘客出行费用以及客流需求分布均衡度目标函数计算模型作为上层模型，以随机用户均衡分配模型作为下层模型，以地铁票价费率为决策变量，构建城市轨道交通分时票价双层规划模型；
S35：利用“遗传算法-相继加权平均”复合算法求解所述城市轨道交通分时票价双层规划模型，动态调控所述双层规划模型的决策变量，输出平衡城市轨道交通运营企业收入，乘客出行费用和客流分布均衡度的最优分时票价方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621218.0A CN112633940A (zh) | 2020-12-30 | 2020-12-30 | 一种需求响应型城市轨道交通分时票价制定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621218.0A CN112633940A (zh) | 2020-12-30 | 2020-12-30 | 一种需求响应型城市轨道交通分时票价制定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633940A true CN112633940A (zh) | 2021-04-09 |
Family
ID=75287661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011621218.0A Pending CN112633940A (zh) | 2020-12-30 | 2020-12-30 | 一种需求响应型城市轨道交通分时票价制定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633940A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140365250A1 (en) * | 2013-06-05 | 2014-12-11 | Fujitsu Limited | Transportation service reservation method and apparatus |
| US20150106171A1 (en) * | 2013-10-11 | 2015-04-16 | Xerox Corporation | Dynamic pricing based on sliding mode control and estimation for high occupancy toll lanes |
| US20160117610A1 (en) * | 2014-10-28 | 2016-04-28 | Fujitsu Limited | Transportation service reservation method, transportation service reservation apparatus, and computer-readable storage medium |
| CN109409950A (zh) * | 2018-10-12 | 2019-03-01 | 东南大学 | 基于交通安全的最优收费定价软件 |
| CN109409560A (zh) * | 2018-08-16 | 2019-03-01 | 北京交通大学 | 基于多智能体仿真的城市轨道交通客流诱导方法 |
| CN109409955A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 需求变化下分期分时定制公交票价制定方法 |
| CN110162931A (zh) * | 2019-06-21 | 2019-08-23 | 北京交通大学 | 城市轨道交通大规模路网快速仿真系统 |
| CN110807651A (zh) * | 2019-09-26 | 2020-02-18 | 北京交通大学 | 基于广义费用函数的城际铁路客票分时定价方法 |
| US20200175635A1 (en) * | 2018-03-28 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining passenger-seeking ride-sourcing vehicle navigation |
| CN111476608A (zh) * | 2020-04-09 | 2020-07-31 | 长沙理工大学 | 一种响应型接驳公交车票价的竞争定价方法 |
| CN111523934A (zh) * | 2020-04-22 | 2020-08-11 | 桂林电子科技大学 | 一种面向无人驾驶出行方式选择的价格引导方法 |
-
2020
- 2020-12-30 CN CN202011621218.0A patent/CN112633940A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140365250A1 (en) * | 2013-06-05 | 2014-12-11 | Fujitsu Limited | Transportation service reservation method and apparatus |
| US20150106171A1 (en) * | 2013-10-11 | 2015-04-16 | Xerox Corporation | Dynamic pricing based on sliding mode control and estimation for high occupancy toll lanes |
| US20160117610A1 (en) * | 2014-10-28 | 2016-04-28 | Fujitsu Limited | Transportation service reservation method, transportation service reservation apparatus, and computer-readable storage medium |
| US20200175635A1 (en) * | 2018-03-28 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining passenger-seeking ride-sourcing vehicle navigation |
| CN109409560A (zh) * | 2018-08-16 | 2019-03-01 | 北京交通大学 | 基于多智能体仿真的城市轨道交通客流诱导方法 |
| CN109409950A (zh) * | 2018-10-12 | 2019-03-01 | 东南大学 | 基于交通安全的最优收费定价软件 |
| CN109409955A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 需求变化下分期分时定制公交票价制定方法 |
| CN110162931A (zh) * | 2019-06-21 | 2019-08-23 | 北京交通大学 | 城市轨道交通大规模路网快速仿真系统 |
| CN110807651A (zh) * | 2019-09-26 | 2020-02-18 | 北京交通大学 | 基于广义费用函数的城际铁路客票分时定价方法 |
| CN111476608A (zh) * | 2020-04-09 | 2020-07-31 | 长沙理工大学 | 一种响应型接驳公交车票价的竞争定价方法 |
| CN111523934A (zh) * | 2020-04-22 | 2020-08-11 | 桂林电子科技大学 | 一种面向无人驾驶出行方式选择的价格引导方法 |
Non-Patent Citations (8)
| Title |
|---|
| EVA HEINENA等: "Does exposure to new transport infrastructure result in modal shifts? Patterns of change in commute mode choices in a four-year quasi-experimental cohort study", 《ELSEVIER》 * |
| HONGNA DAI等: "Research on Congestion Pricing in Multimode Traffic considering Delay and Emission", 《DISCRETE DYNAMICS IN NATURE AND SOCIETY》 * |
| KUN GAO等: "Revealing psychological inertia in mode shift behavior and its quantitative influences on commuting trips", 《TRANSPORTATION RESEARCH PART F》 * |
| SUI TAO等: "Modelling loyalty and behavioural change intentions of busway passengers: a case study of Brisbane,Australia", 《IATSS RESEARCH》 * |
| 姚恩建等: "公共交通票价对通勤走廊出行结构的影响", 《交通运输工程学报》 * |
| 张晓晴: "城市轨道交通分时定价模型研究", 《中国优秀硕士学位论文全文数据库·经济与管理科学辑》 * |
| 王晓璠: "用户均衡模型（UE）与随机用户均衡模型（SUE）在交通流分配阶段的适用性分析", 《科技与创新》 * |
| 陈坚: "出行行为与公交定价理论及应用研究", 《中国博士学位论文全文数据库·工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107092976B (zh) | 一种多目标模型协同优化多条公交线路发车间隔的方法 | |
| CN109308574B (zh) | 一种实时响应的互联网半灵活公交调度方法 | |
| CN109191694A (zh) | 一种电动汽车快充站充电分段计费方法及装置 | |
| CN103198565A (zh) | 一种公交ic卡收费与客流信息采集方法 | |
| CN107392336A (zh) | 智能交通中基于预约的分布式电动汽车充电调度方法 | |
| Zheng et al. | Multimodal subsidy design for network capacity flexibility optimization | |
| CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
| CN107564269A (zh) | 一种基于支付意愿的半灵活公交调度方法 | |
| CN105930914A (zh) | 基于起讫点距离的城市公交最优收费结构的收费确定方法 | |
| CN108986459B (zh) | 一种基于预约通行的高速公路拥挤疏导方法 | |
| Karamanis et al. | Dynamic pricing in one-sided autonomous ride-sourcing markets | |
| CN115689203A (zh) | 一种基于电动汽车时空分布充电站的运行方法 | |
| Pei et al. | Operational design for a real-time flexible transit system considering passenger demand and willingness to pay | |
| Li et al. | An incentive-based optimizing strategy of service frequency for an urban rail transit system | |
| Sang et al. | Design of build-operate-transfer contract for integrated rail and property development with uncertainty in future urban population | |
| CN117973730A (zh) | 一种基于充电需求时空分布预测的充电站规划方法 | |
| CN111582682B (zh) | 一种车辆调度方法、装置及终端 | |
| CN112288272B (zh) | 基于需求演化与流量传播的地铁客流调控计划编制方法 | |
| CN103310120B (zh) | 一种基于交通服务水平确定路段拥堵收费费率的方法 | |
| Heting et al. | Charging station planning based on the accumulation prospect theory and dynamic user equilibrium | |
| CN111429176A (zh) | 一种用票价激励的单车规范停放的诱导方法 | |
| CN115545337A (zh) | 一种考虑线-网互动的电动汽车充电决策优化方法 | |
| Hu et al. | A path-based incentive scheme toward de-carbonized trips in a bi-modal traffic network | |
| Gao et al. | Tradable credits scheme and transit investment optimization for a two‐mode traffic network | |
| CN112633940A (zh) | 一种需求响应型城市轨道交通分时票价制定方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |