CN112700029A - 一种基于仿真优化框架的定制公交规划方法 - Google Patents
一种基于仿真优化框架的定制公交规划方法 Download PDFInfo
- Publication number
- CN112700029A CN112700029A CN202011394645.XA CN202011394645A CN112700029A CN 112700029 A CN112700029 A CN 112700029A CN 202011394645 A CN202011394645 A CN 202011394645A CN 112700029 A CN112700029 A CN 112700029A
- Authority
- CN
- China
- Prior art keywords
- bus
- station
- passenger
- customized
- stations
- 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 51
- 238000004088 simulation Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000004044 response Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000007418 data mining Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于仿真优化框架的定制公交规划方法,可以给定制公交运营商提供运营规划的建议,精准服务需求用户、提高运营收益。具体实施方案是:通过传统公交刷卡数据挖掘定制公交潜在用户需求,同时根据站点客流特征,确定备选站点集合;考虑乘客出行时间、车辆容量、路径选择等约束,构建最大乘客服务人数和定制公交运营商运营收益的双目标优化模型;对乘客、车辆、站点与路径之间的匹配关系构建仿真流程;采用SBO框架对CB规划的整个流程进行优化,主要基于拉丁超立方体的解空间抽样、对初始解仿真结果拟合基于SVR的响应面模型,最后采用NSGA‑II算法进行响应面探索,得到最优规划方案。
Description
技术领域
本发明涉及智能交通系统技术领域,特别涉及一种基于仿真优化框架的定制公交规划方法。
背景技术
交通供需不平衡导致了严重的交通拥堵以及交通安全和环境问题。为解决城市交通问题,发展公共交通等绿色交通模式是城市可持续发展的重要保障。随着中国基础设施建设的不断推进,城市公共交通系统基本完成了规模化覆盖,城市公交可达性显著提升。然而,目前,居民工作地与居住地分离的趋势越来越明显,有限的传统公共交通网络覆盖难以满足居民对更高效、舒适的通勤服务需求。
为了缓解人们出行多元化和传统公交模式单一化的矛盾,部分城市进行了大量的“新公交”探索。定制公交(Customized Bus,CB)是一种新型需求响应公交模式,它通过对相似的用户需求聚类来给乘客提供先进的、具有吸引力的用户导向服务。一般来说,乘客需要通过网络平台或手机等提供需求信息,定制公交供应商根据需求提供服务,定制公交的规划和运营是一个用户和供应商信息交互的过程。
自2013年,青岛市作为中国首个城市开通定制公交的城市以来,定制公交在中国已经发展了7年之久,开通和拟定开通的城市已达到50多个,每个城市的定制公交运营模式有其特色。以北京市定制公交为例,它大致分为两种运营模式:第一种为定制公交供应商根据乘客历史出行数据,提取通勤高峰时段和热点线路,为乘客提供具有明确上下车站点以及发车时间的线路开通信息,之后根据实际乘客出行情况可进一步调整的模式。第二种即为常见的用户和定制公交运营商网络平台的交互模式,通过预定信息来确定定制公交开行线路和上下车站点。
目前两种运营模式主要分阶段进行规划,即站点聚类、路线规划、时刻表确定。但该方法无法达到全局最优解。本发明建立了一个多目标规划模型,对潜在CB线路规划的各个阶段进行协同优化,以实现运营收益和服务人数最大的目标。同时构建了基于仿真优化(SBO)方法的CB规划框架(SBO-CB),采用拉丁超立方体对解空间进行抽样,并对乘客、车辆、站点以及路径之间的匹配关系进行仿真,构建响应面模型,采用NSGA-Ⅱ算法对构建的响应面模型寻找帕累托解。最后,基于北京市7天的公交刷卡数据挖掘潜在定制公交线路,进而利用SBO-CB框架进行潜在线路规划的案例分析。结果表明,SBO-CB优化框架可以提供步行距离短且利润高的高效公交服务。
发明内容
运营定制公交是缓解乘客过高的旅行成本(在途时间、换乘等)和不舒适的乘车环境的重要措施。高效的定制公交运营方案既能够提高乘客的出行体验,又能够提高运营商的综合效益。本发明提供了一种基于仿真优化框架的定制公交规划方法,可以对定制公交线路规划的站点选择、路径选择以及时刻表规划等各个阶段进行协同优化,为定制公交运营商提供一定的理论指导。
为达到以上目的,本发明采取的技术方案是:
一种基于仿真优化框架的定制公交规划方法,包括以下步骤:
步骤1:将研究区域根据一定规则划分网格,统计每个网格间的OD量(起终点间的交通出行量),当网格间的OD量大于定制公交线路开行标准时,在两个网格间构建潜在定制公交线路,为了尽可能的保证人群覆盖率,若达到定制公交线路开行标准的多个网格相邻,则将其合并同时进行运营规划;
由于网格间的OD量并不一定全部由其他出行方式转移至定制公交,因此在确定潜在定制公交线路实际需求时,需要考虑公交用户从其他交通方式中的转化过程,定制公交的实际需求受定制公交本身规划效果的影响;
步骤2:结合步骤1确定的潜在定制公交线路,考虑定制公交用户从其他交通方式中的转化过程,建立乘客选择定制公交和其他交通方式的Logit模型,其他交通方式包括传统公交车、地铁和出租车等;
步骤3:通过步骤2建立的Logit模型确定潜在定制公交线路服务的实际乘客数量,为了服务该部分乘客,以最大乘客服务人数和定制公交的运营收益为优化目标,构建定制公交规划模型;
步骤4:步骤3中定制公交规划模型的决策变量为上车站点个数、下车站点个数、发车间隔以及公交车辆在站点的驻车时间,上述4个决策变量的定义域共同构成了解空间;由于备选站点集越大,解空间规模越大,定制公交规划模型优化运算时间成本也就越高;因此计算上下车区域内的站点客流量,并根据站点客流量从大到小对站点进行排序,然后依次选择站点,设定站点覆盖半径,当站点覆盖率达到95%以上,则停止选择站点,当前的站点选择集为备选站点集,以此来缩小站点备选集;
步骤5:结合步骤2、3、4确定的Logit模型、定制公交规划模型和解空间,考虑乘客选择交通方式与定制公交规划相互影响,对乘客、定制公交车辆、站点以及路径之间的匹配关系构建仿真流程,为了保证车辆、站点与路径之间的匹配,仿真过程中内嵌最短路径规划算法;上述仿真流程一般需要昂贵的时间成本;
步骤6:构建仿真优化(SBO)框架,包括:解空间抽样、构建响应面模型和响应面探索,同时对响应面探索寻找最优解,步骤6的目的是为了减少步骤5中仿真流程的仿真时间,提高计算效率;
步骤7:对步骤6中的最优解进行分析,以证明仿真优化框架的高效性。
在上述方案的基础上,步骤1具体为:
步骤1.1:将研究区域按照网格划分距离划分网格,网格划分距离设置为500m,并且假定一辆定制公交的座位数为20,调查表明北京市高峰时段公交出行中有65%的通勤者,因此以高峰时段网格间OD量达到62人为定制公交线路开行标准,高峰时段具体为7:00-9:00;
步骤1.2:考虑网格区域的合并:通过深度优先搜索算法,将上车区域一致、下车区域相邻或下车区域一致、上车区域相邻的网格进行合并。
在上述方案的基础上,步骤2具体为:
乘客选择某种交通方式的效用函数Uc如公式(1)所示;
Uc=Vc+εc (1)
其中,Vc为影响乘客选择交通方式的固定项,εc为随机项,随机项服从Gumbel分布,采用步行距离WalkDist、预期时间差TimeAdj、车内出行时间TravTime以及收费Fare作为影响乘客选择交通方式的主要因素;
求解乘客选择交通方式c的概率pc,其中C为交通方式选择集,概率pc的具体表达式如公式(2)所示;
Vc=β1,cWalkDist+β2,cTimeAdj+β3,cTravTime+β4,cFare (3)
其中,
Twalk1=len(o,i)/vp (8)
其中,图G=(V,A)表示定制公交的运营过程,V为站点集合,i,j为站点,i,j∈V,A为边集合,(i,j)为图G中的边,(i,j)∈A,β1,c、β2,c、β3,c、β4,c分别为步行距离WalkDist、预期时间差TimeAdj、车内出行时间TravTime和收费Fare的系数,σ为单位里程票价,yi,j∈{0,1},如果乘客被定制公交车辆从i站点接上,并且送达j站点,则yi,j=1,否则yi,j=0;Oi∈{0,1},如果乘客在i站点上车,则Oi=1,否则Oi=0;同理,Di∈{0,1},如果乘客在i站点下车,则Di=1,否则Di=0;Oi,Di可通过yi,j求得;len(o,i)为出发地到站点i的距离,len(i,d)为站点i到目的地的距离,len(i,j)为站点i到站点j的距离,si,sj分别为车辆到达站点i,j的时间,t0为乘客出发时间,vp为乘客步行速度,Twalk 1为乘客上车步行时间,通过距离除以步速获得。
在上述方案的基础上,步骤3具体为:
目标1:定制公交的运营收益为票价收入减去定制公交的运营成本;定制公交的运营成本包括固定费用和可变费用;固定费用为车辆购置费用,可变费用为车辆每次出行造成的车辆损耗费用以及能耗费用;将车辆购置费用均分到寿命里程中,与车辆损耗费用、能耗费用共同构成定制公交的运营成本;公式(9)为定制公交的运营收益最大;
其中,M为定制公交车辆集合,P为乘客集合,如果定制公交车辆m从i站点到达j站点,则否则up,m∈{0,1},若乘客p乘坐定制公交车辆m,则up,m=1,否则up,m=0;Farep,m为乘客p乘坐定制公交车辆m的票价支出;γm为定制公交车辆的单位里程成本;
目标2:定制公交作为一种新的交通方式,致力于解决乘客的换乘、等待时间、无座位等问题;因此,定制公交吸引的乘客越多,说明乘客接受程度越高,该方式的规划效果越好;公式(10)为每辆车上选择意愿大于δ的乘客up数量最大;
约束条件:
其中,如果定制公交车辆m从i站点出发,到达j站点,则否则如果定制公交车辆m从j站点出发,达到i站点,则否则b0为定制公交发车场站,CAPm为定制公交车辆m的容量,为定制公交车辆m的发车时间,为定制公交车辆m+1的发车时间,vb为定制公交车辆运行速度,d为发车间隔,为驻车时间,具体为乘客等待车辆的最大时间或车辆等待乘客的最大时间;
公式(11)为网络守恒约束;公式(12)表明定制公交车辆一次只能经过一个顶点;公式(13)和公式(14)保证乘客只能乘坐有效的定制公交车辆,并且每个乘客至多乘坐一辆定制公交车辆,其中,如果乘客p被定制公交车辆m从i站点接上,并且送达j站点,则否则如果乘客p被定制公交车辆m从j站点接上,并且送达i站点,则否则公式(15)和(16)保证流量均衡,并且乘客只能在一个站点上车和一个站点下车,其中,若乘客p从i站乘坐定制公交车辆m,则否则若乘客p乘坐定制公交车辆m从i站下车,则否则公式(17)为乘坐定制公交车辆m的乘客数um的计算方法;公式(18)保证乘坐定制公交车辆m的乘客数要低于车辆容量,以保证一人一座;公式(19)为相邻站点间的定制公交车辆运行时间,其中分别为定制公交车辆m到达i点的时间,定制公交车辆m到达j点的时间,定制公交车辆m在站点i和j之间运行的时间;公式(20)表明站点间定制公交车辆运行时间通过站点间距离除以车速得到;公式(21)为相邻定制公交车辆之间的发车间隔;公式(22)表明当乘客选择定制公交车辆的意愿大于设定的阈值δ时,才成为该线路潜在服务对象;公式(23)为乘客与定制公交车辆的时间窗约束,具体为乘客等待车辆时间与车辆等待乘客时间的约束必须小于设定的阈值,需要注意的是,因为存在乘客的选择概率问题,判断乘客乘车时间窗是否满足条件的前提是乘客有较大意愿乘坐定制公交车辆,即up,m=1,其中分别代表乘客p的在家出发时间和乘客从家到上车站点的步行时间。
在上述方案的基础上,步骤4具体为:
解空间的规模与备选站点集的规模直接相关,并且备选站点集越大,定制公交路径规划方案也就越多,以上两种原因表明备选站点集与定制公交规划的时间成本息息相关;通过公交刷卡数据分析制定定制公交规划方案,利用现有公交站点作为备选站点集;并且公交站点具有聚集效应,站点的选择之初就会考虑乘客的步行距离等因素,合理的站点会吸引乘客乘车;
为了使站点个数尽可能少,又同时保证较短的乘客步行距离,我们根据研究区域站点吸引乘客数量进行排序,选取排名前几位站点,便可兼顾站点个数和乘客步行距离;同时,为了避免站点过度集中,应使选取的站点在一定覆盖范围下能够覆盖绝大部分的站点,以此保证乘客就近选择站点上下车;因此综合考虑步行距离和覆盖率来进行站点的选择,以站点覆盖率CovPct达到95%以上,步行距离WalkDist小于50米为判断阈值,公式(24)为覆盖率公式;
其中,Ci∈{0,1},如果选择站点i当作备选站点,则Ci=1,否则Ci=0;为以500m为覆盖半径,选择站点i覆盖区域内的站点,B代表覆盖站点的集合,保证每次覆盖的站点放入集合B不重复,N为研究区域的所有站点。
在上述方案的基础上,步骤5具体为:
为了避免定制公交运营规划各个阶段独立处理无法考虑彼此影响,导致规划方案无法达到最优的问题,采用仿真方法将定制公交规划与乘客乘坐定制公交的过程进行虚拟呈现,模拟整个运营规划过程,主要分为以下步骤:
步骤5.2:调用高德API,计算站点间实际距离,调用最短路径选择算法得到最短车辆运行路径(车辆经过站点的顺序);
步骤5.3:计算乘客自身上、下车位置与上、下车站点集合中站点的距离,选择最短步行距离的站点作为乘客的上、下车站点;
步骤5.5:判断乘客是否在该站点上车,乘客上车的条件为:乘客到站时间Arrtime,passenger-车辆到达时间并且定制公交车辆必须有剩余位置,若乘客在该站点上车,座位数减1,同时判断乘客是否需要在该站点下车;
步骤5.6:定制公交车辆依次经过站点到达最后一个下车点后,计算乘客选择乘坐该车的概率pc,若pc≥0.5,则认为该乘客一定乘坐该车次,并计算本车次运行收益(所收票价减去运营支出),收益为负,则放弃运营该车次;
步骤5.7:若仍有乘客没有乘坐定制公交车辆出行,返回步骤5.2,生成新的车辆执行载客任务;
步骤5.8:计算每个乘客选择定制公交的概率pc,统计pc≥0.5的人数;计算所有定制公交运营总的收益。
其中,最短路径选择算法为:
定制公交的路径选择问题因为只考虑单向规划,是一个不需要回到出发点的旅行商问题;在本发明中,选择2-opt算法来求解路径选择问题;具体步骤为:
步骤5.2.1:获取上车站点集合Ostation;下车站点集合Dstation,以及站点间距离表格Distancestation,最短路径方案Smin,最短路径长度Lmin,最大迭代次数Itermax;
步骤5.2.2:随机选择一条路线Stemp,使Smin=Stemp(,为了保证方案的可行性,上车站点必须在下车站点之前,计算该路线的总长度Ltemp,并使Lmin=Ltemp;
步骤5.2.3:随机选择在路线Smin中不相连的两个节点,将两个节点之间的路径翻转过来获得新路径Snew,计算路径长度Lnew;
步骤5.2.4:如果新路径Lnew比Lmin路径短,则设新路径Snew为最短路径,即Smin=Snew,Lmin=Lnew,否则Smin,Lmin不发生变化,使Itermax=Itermax-1,返回步骤5.2.3,当Itermax=0时,算法结束,此时Smin为最短路径。
在上述方案的基础上,步骤6具体为:
解空间抽样:
解空间抽样选取涵盖较多信息的点作为构造响应面模型的输入,采用拉丁超立方体抽样技术,它是一种从多元参数分布中近似随机抽样的方法,属于分层抽样技术;
本研究中,解空间共4个维度,分别为上车站点集合,下车站点集合,发车间隔集合和站点驻车时间集合;对步骤4确定的备选站点集、发车间隔和公交车辆在站点的驻车时间采用拉丁超立方体进行抽样构成初始解;
构建响应面模型:
SVR是支持向量机(SVM)的最重要应用之一;在本研究中,将初始解利用步骤5仿真得到的输入-输出集合,划分训练集和测试集;并将训练集合用于训练SVR模型,测试集合来验证SVR元模型拟合度是否达到要求;若SVR元模型的拟合优度达到90%以上并且具有很好的泛化功能,我们便可直接采用该响应面在解空间里进行最优解的搜索;若SVR元模型的拟合优度低于90%或泛化功能欠缺,为了提高基于初始样本的替代模型的准确性,需要基于某些填充或更新策略进行进一步的目标函数评估;
响应面探索:
多目标优化一般通过加权转换成单目标问题或者同时对多目标求解帕累托解;第一种处理方式是人为设定权重,存在一定的主观性,在不同场景下可能会有不同的参数集合;而帕累托解作为资源分配的一种理想状态,即在所有解中,没有任何一个解可以在不使其他解境况变化的同时使自己的情况变得更好,那么这种状态就达到了资源配置的最优化;在本研究中,共有两大目标,即愿意乘坐定制公交的人数和定制公交运营商运营收益;最终得到的解集应保证该集合中没有任何一个解的两个目标都劣于其他解;
本发明使用目前使用较普遍的NSGA-II算法。多目标遗传算法是用来分析和解决多目标优化问题的一种进化算法,其核心就是协调各个目标函数之间的关系,找出使得各个目标函数都尽可能达到比较大的(或比较小的)函数值的最优解集。
本发明的有益效果:本发明基于仿真优化(SBO)框架给出了定制公交规划各阶段协同优化的方法。考虑乘客、车辆、站点以及路径之间的匹配关系,以愿意乘坐定制公交的人数和定制公交运营商运营收益为优化目标构建了定制公交运营规划模型。由于仿真过程是实际运营过程的复现,因此可以将运营规划各个阶段联合在一起考虑,同时采用SBO框架构造响应面,以相对简单的响应面模型替代仿真过程,可以大量节省仿真运行时间。本发明采用传统公交刷卡数据作为需求挖掘的基础,数据获取容易,并且由于公交站点本身具有的聚集效用,在备选站点集选取时,可以通过历史客流量筛选重要站点。本发明采用的SBO框架中所用的SVR模型和NSGA-II算法,对类似的模型拟合及响应面探索具有通用性,计算得到的规划结果较为合理。
附图说明
本发明有如下附图:
图1为基于SBO框架的定制公交规划示意图;
图2为根据网格划分提取的北京市潜在定制公交线路示意图;
图3为根据覆盖率CovPct取95%和上车区域步行距离WalkDist取50m下的站点备选集选择结果示意图;
图4为根据覆盖率CovPct取95%和下车区域步行距离WalkDist取10m下的站点备选集选择结果示意图;
图5为NSGA-II算法在不同参数(初始种群数量、变异率、交叉率)下的收敛性和非支配解的个数;
图6为帕累托前沿示意图;
图7-1为上车站点个数为1,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客步行距离概率密度图;
图7-2为上车站点个数为1,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客等车时间概率密度图;
图7-3为上车站点个数为2,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客步行距离概率密度图;
图7-4为上车站点个数为2,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客等车时间概率密度图;
图7-5为上车站点个数为2,下车站点个数为2,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客步行距离概率密度图;
图7-6为上车站点个数为2,下车站点个数为2,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客等车时间概率密度图;
图7-7为上车站点个数为4,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为1分钟的乘客步行距离概率密度图;
图7-8为上车站点个数为4,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为1分钟的乘客等车时间概率密度图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明所述的基于仿真优化(SBO)方法的定制公交规划框架,包括如下步骤:
步骤1:确定潜在定制公交路线;
将研究区域根据一定规则划分网格,统计每个网格间的OD量(起终点间的交通出行量),当网格间的OD量大于定制公交线路开行标准时,在两个网格间构建潜在定制公交线路,为了尽可能的保证人群覆盖率,若达到定制公交线路开行标准的多个网格相邻,则将其合并同时进行运营规划;
步骤1.1:将研究区域按照网格划分距离划分网格,网格划分距离设置为500m,并且假定一辆公交车的座位数为20,调查表明北京市高峰时段公交出行中有65%的通勤者,因此以高峰时段网格间OD量达到62人为定制公交线路开行标准,高峰时段具体为7:00-9:00。图2给出了根据网格划分提取的北京市潜在定制公交线路示意图。
步骤1.2:考虑网格区域的合并:通过深度优先搜索算法,将上车区域一致、下车区域相邻或下车区域一致、上车区域相邻的网格进行合并。
步骤2:建立乘客选择定制公交和其他交通方式的Logit模型;
由于网格间的OD量并不一定全部由其他出行方式转移至定制公交,因此在确定潜在定制公交线路实际需求时,需要考虑定制公交的用户一般从其他交通方式如传统公交、出租车中转化而来,因此定制公交的实际需求受定制公交本身规划效果的影响:
结合步骤1确定的潜在定制公交线路,考虑定制公交用户从其他交通方式中的转化过程,建立乘客选择定制公交和其他交通方式的Logit模型,其他交通方式包括传统公交车、地铁和出租车等;
乘客选择某种交通方式的效用函数Uc如公式(1)所示。
Uc=Vc+εc (1)
其中,Vc为影响乘客选择交通方式选择的固定项,εc为随机项,随机项服从Gumbel分布,采用步行距离WalkDist、预期时间差TimeAdj、车内出行时间TravTime以及收费Fare作为影响乘客选择交通方式的主要因素。
求解乘客选择交通方式c的概率pc,其中C为交通方式选择集,概率pc的具体表达式如公式(2)所示;
Vc=β1,cWalkDist+β2,cTimeAdj+β3,cTravTime+β4,cFare (3)
其中,
Twalk 1=len(o,i)/v (8)
其中,图G=(V,A)表示定制公交的运营过程,V为站点集合,i,j为站点,i,j∈V,A为边集合,(i,j)为图G中的边,(i,j)∈A,β1,c、β2,c、β3,c、β4,c分别为步行距离WalkDist、预期时间差TimeAdj、车内出行时间TravTime和收费Fare的系数,σ为单位里程票价,yi,j∈{0,1},如果乘客被定制公交车辆从i站点接上,并且送达j站点,则yi,j=1,否则yi,j=0;Oi∈{0,1},如果乘客在i站点上车,则Oi=1,否则Oi=0;同理,Di∈{0,1},如果乘客在i站点下车,则Di=1,否则Di=0;Oi,Di可通过yi,j求得。len(o,i)为出发地到站点i的距离,len(i,d)为站点i到目的地的距离,len(i,j)为站点i到站点j的距离。si,sj分别为车辆到达站点i,j的时间。t0为乘客出发时间,v为乘客步行速度,Twalk 1为乘客上车步行时间,可通过距离除以步速获得。
步骤3:构建定制公交规划模型;
通过步骤2建立的Logit模型确定潜在定制公交线路服务的实际乘客数量,为了服务该部分乘客,以最大乘客服务人数和定制公交的运营收益为优化目标,构建定制公交规划模型;
目标1:定制公交的运营收益为票价收入减去公司的定制公交运营成本。公司的运营成本包括固定费用和可变费用。固定费用为车辆的购置成本,可变费用为车辆每次出行造成的车辆损耗以及能耗费用。将车辆购置费用均分到寿命里程中,与车辆损耗、能耗共同构成车辆运营成本。公式(9)为运营公司在该线路的全部收益最大。
其中,M为定制公交车辆集合,P为乘客集合,如果定制公交车辆m从i站点到达j站点,则否则up,m∈{0,1},若乘客p乘坐定制公交车辆m,则up,m=1,否则up,m=0;Farep,m为乘客p乘坐定制公交车辆m的票价支出;γm为定制公交车辆的单位里程成本。
目标2:定制公交作为一种新的交通方式,致力于解决乘客的换乘、等待时间、无座位等问题。因此,定制公交吸引的乘客越多,说明乘客接受程度越高,该方式的规划效果越好。公式(10)为每辆车上选择意愿大于δ的乘客up数量最大;
约束条件:
其中,如果定制公交车辆m从i站点出发,到达j站点,则xi,j=1,否则如果定制公交车辆m从j站点出发,达到i站点,则否则b0为定制公交发车场站,CAPm为定制公交车辆m的容量,为定制公交车辆m的发车时间,为定制公交车辆m+1的发车时间,vb为定制公交车辆运行速度,d为发车间隔,为驻车时间,即乘客可以等待车辆的最大时间或车辆可以等待乘客的最大时间。
公式(11)为网络守恒约束;公式(12)表明定制公交车辆一次只能经过一个顶点;公式(13)和公式(14)保证乘客只能乘坐有效的定制公交车辆,并且每个乘客至多乘坐一辆定制公交车辆;其中,如果乘客p被定制公交车辆m从i站点接上,并且送达j站点,则否则如果乘客p被定制公交车辆m从j站点接上,并且送达i站点,则否则公式(15)和(16)保证流量均衡,并且乘客只能在一个站点上车和一个站点下车。其中,若乘客p从i站乘坐定制公交车辆m,则否则若乘客p乘坐定制公交车辆m从i站下车,则否则公式(17)为乘坐定制公交车辆m的乘客数um的计算方法;公式(18)保证乘坐定制公交车辆m的乘客数要低于车辆容量,以保证一人一座;公式(19)为相邻站点间的定制公交车辆运行时间;其中分别为定制公交车辆m到达i点的时间,定制公交车辆m到达j点的时间,定制公交车辆m在站点i和j之间运行的时间;公式(20)表明站点间定制公交车辆运行时间可以通过站点间距离除以车速得到;公式(21)相邻定制公交车辆之间的发车间隔;公式(22)表明当乘客选择定制公交车辆的意愿大于设定的阈值δ时,才成为该线路潜在服务对象;公式(23)为乘客与定制公交车辆的时间窗约束,具体为乘客等待车辆时间与车辆等待乘客时间的约束必须小于设定的阈值,需要注意的是,因为存在乘客的选择概率问题,判断乘客乘车时间窗是否满足条件的前提是乘客有较大意愿乘坐定制公交车辆,即up,m=1,其中 分别代表乘客p的在家出发时间和乘客从家到上车站点的步行时间。
步骤4:确定站点备选集。步骤3中定制公交规划模型的决策变量为上车站点个数、下车站点个数、发车间隔以及公交车辆在站点的驻车时间,上述4个决策变量的定义域共同构成了解空间;由于备选站点集越大,解空间规模越大,定制公交规划模型优化运算时间成本也就越高;因此计算上下车区域内的站点客流量,并根据站点客流量从大到小对站点进行排序,然后依次选择站点,设定站点覆盖半径,当站点覆盖率达到95%以上,则停止选择站点,当前的站点选择集为备选站点集,以此来缩小站点备选集。
图3为根据覆盖率取95%和上车区域步行距离取50m下的站点备选集选择结果示意图;图4为根据覆盖率取95%和下车区域步行距离取10m下的站点备选集选择结果示意图。因为上车区域乘客上车站点相对分散,在满足95%的条件下,设置最大步行距离相对较大,而下车区域乘客下车站点相对集中,在满足95%的条件下,设置最大步行距离相对较小。
解空间的规模与备选站点集的规模直接相关,并且备选站点集越大,定制公交路径规划方案也就越多,以上两种原因表明备选站点集与定制公交规划的时间成本息息相关;通过公交刷卡数据分析制定定制公交规划方案,利用现有公交站点作为备选站点集;并且公交站点具有聚集效应,站点的选择之初就会考虑乘客的步行距离等因素,合理的站点会吸引乘客乘车;
为了使站点个数尽可能少,又同时保证较短的乘客步行距离,我们根据研究区域站点吸引乘客数量进行排序,选取排名前几位站点,便可兼顾站点个数和乘客步行距离。同时,为了避免站点过度集中,应使选取的站点在一定覆盖范围下能够覆盖绝大部分的站点,以此保证乘客可以就近选择站点上下车。因此,本研究综合考虑步行距离和覆盖率来进行站点的选择,以站点覆盖率CovPct达到95%以上,步行距离小于50米为判断阈值。公式(22)为覆盖率公式。
其中,Ci∈{0,1},如果选择站点i当作备选站点,则Ci=1,否则Ci=0;为以500m为覆盖半径,选择站点i覆盖区域内的站点,B代表覆盖站点的集合,保证每次覆盖的站点放入集合B不重复。N为研究区域的所有站点。
步骤5:构建定制公交规划运营仿真流程。结合步骤2、3、4确定的Logit模型、定制公交规划模型和解空间,考虑乘客选择交通方式与定制公交规划相互影响,对乘客、定制公交车辆、站点以及路径之间的匹配关系构建仿真流程,为了保证车辆、站点与路径之间的匹配,仿真过程中内嵌最短路径规划算法;上述仿真流程一般需要昂贵的时间成本;
为了避免定制公交运营规划各个阶段独立处理无法考虑彼此影响,导致规划方案无法达到最优的问题,本研究中采用仿真方法将定制公交规划与乘客乘坐定制公交的过程进行虚拟呈现,模拟整个运营规划过程。主要分为以下步骤:
步骤5.2:调用高德API,计算站点间实际距离,调用路径选择算法得到最短车辆运行路径,即车辆经过站点的顺序;
步骤5.3:计算乘客自身上、下车位置与上、下车站点集合中站点的距离,选择最短步行距离的站点作为乘客的上、下车站点;
步骤5.5:判断乘客是否在该站点上车,即乘客可以上车的条件为:乘客到站时间Arrtime,passenger-车辆到达时间并且定制公交车辆必须有剩余位置,若乘客在该站点上车,车辆座位数减1,同时判断乘客是否需要在该站点下车;
步骤5.6:定制公交车辆依次经过站点到达最后一个下车点后,计算乘客选择乘坐该车的概率pc,若pc≥0.5,则认为该乘客一定乘坐该车次,并计算本车次运行收益,即所收票价减去运营支出,收益为负,则放弃运营该车次;
步骤5.7:若仍有乘客没有乘坐定制公交车辆出行,返回步骤5.2,生成新的车辆执行载客任务;
步骤5.8:计算每个乘客选择定制公交的概率pc,统计pc≥0.5的人数;计算所有CB运营总的收益。
其中,最短路径选择算法为:
定制公交的路径选择问题因为只考虑单向规划,是一个不需要回到出发点的旅行商问题。在本发明中,选择2-opt算法来求解路径选择问题。具体步骤为:
步骤5.2.1:获取上车站点集合Ostation;下车站点集合Dstation,以及站点间距离表格Distancestation,最短路径方案Smin,最短路径长度Lmin,最大迭代次数Itermax。
步骤5.2.2:随机选择一条路线Stemp,使Smin=Stemp(为了保证方案的可行性,上车站点必须在下车站点之前),计算该路线的总长度Ltemp,并使Lmin=Ltemp;
步骤5.2.3:随机选择在路线Smin中不相连两个节点,将两个节点之间的路径翻转过来获得新路径Snew,计算路径长度Lnew;
步骤5.2.4:如果新路径Lnew比Lmin路径短,则设新路径Snew为最短路径,即Smin=Snew,Lmin=Lnew,否则Smin,Lmin不发生变化,使Itermax=Itermax-1,返回步骤3,当Itermax=0时,算法结束,此时Smin即为最短路径。
步骤6:构建仿真优化(SBO)框架,包括:解空间抽样、构建响应面模型和响应面探索,同时对响应面探索寻找最优解,步骤6的目的是为了减少步骤5中仿真流程的仿真时间,提高计算效率。图1给出了基于SBO框架的定制公交规划示意图。
解空间抽样:
拉丁超立方体抽样是一种从多元参数分布中近似随机抽样的方法,属于分层抽样技术。在本研究中,解空间共4个维度,即[上车站点集合X下车站点集合X发车间隔集合X站点驻车时间集合]。对步骤4确定的备选站点集、发车间隔和公交车辆在站点的驻车时间采用拉丁超立方体进行抽样构成初始解。
构建响应面模型:
SVR是支持向量机(SVM)的最重要应用之一。在本研究中,将初始解仿真得到的输入-输出集合,划分训练集和测试集。并将训练集合用于训练SVR模型,测试集合来验证SVR方法得到的元模型拟合度是否达到要求。若SVR元模型的拟合优度达到90%以上并且具有很好的泛化功能,我们便可直接采用该响应面在解空间里进行最优解的搜索。若SVR元模型的拟合优度低于90%或泛化功能欠缺,为了提高基于初始样本的替代模型的准确性,需要基于某些填充或更新策略进行进一步的目标函数评估。
响应面探索:
多目标优化一般通过加权转换成单目标问题或者同时对多目标求解帕累托解。第一种处理方式是人为设定权重存在一定的主观性,在不同场景下可能会有不同的参数集合。而帕累托解作为资源分配的一种理想状态,即在所有解中,没有任何一个解可以在不使其他解境况变化的同时使自己的情况变得更好,那么这种状态就达到了资源配置的最优化。在本研究中,共有两大目标,即愿意乘坐定制公交的人数和定制公交运营商运营收益。最终得到的解集应保证该集合中没有任何一个解的两个目标都劣于其他解。
本发明使用目前使用较普遍的NSGA-II算法。多目标遗传算法是用来分析和解决多目标优化问题的一种进化算法,其核心就是协调各个目标函数之间的关系,找出使得各个目标函数都尽可能达到比较大的(或比较小的)函数值的最优解集。图5为NSGA-II算法在不同参数(初始种群数量、变异率、交叉率)下的收敛性和非支配解的个数。组合1为(初始种群:100,交叉概率:0.9,变异概率:0.9);组合2为(初始种群:100,交叉概率:0.5,变异概率:0.5);组合3为(初始种群:200,交叉概率:0.5,变异概率:0.5)。
步骤7:对优化结果进行分析,以证明优化框架的高效性,图6为优化后的帕累托前沿示意图。
图7-1~7-8为乘客步行距离、乘客等车时间概率密度图,为帕累托前沿的四种优化结果,图7-1为上车站点个数为1,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客步行距离概率密度图,图7-2为上车站点个数为1,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客等车时间概率密度图;图7-3为上车站点个数为2,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客步行距离概率密度图;图7-4为上车站点个数为2,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客等车时间概率密度图;图7-5为上车站点个数为2,下车站点个数为2,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客步行距离概率密度图;图7-6为上车站点个数为2,下车站点个数为2,发车间隔为5分钟,车辆在站点的停留时间为2分钟的乘客等车时间概率密度图;图7-7为上车站点个数为4,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为1分钟的乘客步行距离概率密度图;图7-8为上车站点个数为4,下车站点个数为1,发车间隔为5分钟,车辆在站点的停留时间为1分钟的乘客等车时间概率密度图。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的实质和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范围。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于仿真优化框架的定制公交规划方法,其特征在于,包括以下步骤:
步骤1:将研究区域根据一定规则划分网格,统计每个网格间的OD量,当网格间的OD量大于定制公交线路开行标准时,在两个网格间构建潜在定制公交线路,若达到定制公交线路开行标准的多个网格相邻,则将其合并同时进行运营规划;
步骤2:结合步骤1确定的潜在定制公交线路,考虑定制公交用户从其他交通方式中的转化过程,建立乘客选择定制公交和其他交通方式的Logit模型;
步骤3:通过步骤2建立的Logit模型确定潜在定制公交线路的实际乘客数量,以最大乘客服务人数和定制公交的运营收益为优化目标,构建定制公交规划模型;
步骤4:步骤3中定制公交规划模型的决策变量为上车站点个数、下车站点个数、发车间隔以及公交车辆在站点的驻车时间,上述4个决策变量的定义域共同构成了解空间;计算上下车区域内的站点客流量,并根据站点客流量从大到小对站点进行排序,然后依次选择站点,设定站点覆盖半径,当站点覆盖率达到95%以上,则停止选择站点,当前的站点选择集为备选站点集,以此来缩小站点备选集;
步骤5:结合步骤2、3、4确定的Logit模型、定制公交规划模型和解空间,考虑乘客选择交通方式与定制公交规划相互影响,对乘客、定制公交车辆、站点以及路径之间的匹配关系构建仿真流程,为了保证车辆、站点与路径之间的匹配,仿真过程中内嵌最短路径规划算法;
步骤6:构建仿真优化框架,包括:解空间抽样、构建响应面模型和响应面探索,同时对响应面探索寻找最优解;
步骤7:对步骤6中的最优解进行分析,以证明仿真优化框架的高效性。
2.如权利要求1所述的基于仿真优化框架的定制公交规划方法,其特征在于,步骤1具体为:
步骤1.1:将研究区域按照网格划分距离划分网格,网格划分距离设置为500m,并且假定一辆定制公交的座位数为20,以高峰时段网格间OD量达到62人为定制公交线路开行标准,高峰时段具体为7:00-9:00;
步骤1.2:考虑网格区域的合并:通过深度优先搜索算法,将上车区域一致、下车区域相邻或下车区域一致、上车区域相邻的网格进行合并。
3.如权利要求1所述的基于仿真优化框架的定制公交规划方法,其特征在于,步骤2具体为:
乘客选择某种交通方式的效用函数Uc如公式(1)所示;
Uc=Vc+εc (1)
其中,Vc为影响乘客选择交通方式的固定项,εc为随机项,随机项服从Gumbel分布,采用步行距离WalkDist、预期时间差TimeAdj、车内出行时间TravTime以及收费Fare作为影响乘客选择交通方式的主要因素;
求解乘客选择交通方式c的概率pc,其中C为交通方式选择集,概率pc的具体表达式如公式(2)所示;
Vc=β1,cWalkDist+β2,cTimeAdj+β3,cTravTime+β4,cFare (3)
其中,
Twalk1=len(o,i)/vp (8)
其中,图G=(V,A)表示定制公交的运营过程,V为站点集合,i,j为站点,i,j∈V,A为边集合,(i,j)为图G中的边,(i,j)∈A,β1,c、β2,c、β3,c、β4,c分别为步行距离WalkDist、预期时间差TimeAdj、车内出行时间TravTime和收费Fare的系数,σ为单位里程票价,yi,j∈{0,1},如果乘客被定制公交车辆从i站点接上,并且送达j站点,则yi,j=1,否则yi,j=0;Oi∈{0,1},如果乘客在i站点上车,则Oi=1,否则Oi=0;同理,Di∈{0,1},如果乘客在i站点下车,则Di=1,否则Di=0;Oi,Di通过yi,j求得;len(o,i)为出发地到站点i的距离,len(i,d)为站点i到目的地的距离,len(i,j)为站点i到站点j的距离,si,sj分别为车辆到达站点i,j的时间,t0为乘客出发时间,vp为乘客步行速度,Twalk1为乘客上车步行时间。
4.如权利要求3所述的基于仿真优化框架的定制公交规划方法,其特征在于,步骤3具体为:
目标1:定制公交的运营收益为票价收入减去定制公交的运营成本;定制公交的运营成本包括固定费用和可变费用;固定费用为车辆购置费用,可变费用为车辆每次出行造成的车辆损耗费用以及能耗费用;将车辆购置费用均分到寿命里程中,与车辆损耗费用、能耗费用共同构成定制公交的运营成本;公式(9)为定制公交的运营收益最大;
其中,M为定制公交车辆集合,P为乘客集合,如果定制公交车辆m从i站点到达j站点,则否则up,m∈{0,1},若乘客p乘坐定制公交车辆m,则up,m=1,否则up,m=0;Farep,m为乘客p乘坐定制公交车辆m的票价支出;γm为定制公交车辆的单位里程成本;
目标2:公式(10)为每辆车上选择意愿大于δ的乘客up数量最大;
约束条件:
其中,如果定制公交车辆m从i站点出发,到达j站点,则否则如果定制公交车辆m从j站点出发,达到i站点,则否则b0为定制公交发车场站,CAPm为定制公交车辆m的容量,为定制公交车辆m的发车时间,为定制公交车辆m+1的发车时间,vb为定制公交车辆运行速度,d为发车间隔,为驻车时间,具体为乘客等待车辆的最大时间或车辆等待乘客的最大时间;
公式(11)为网络守恒约束;公式(12)表明定制公交车辆一次只能经过一个顶点;公式(13)和公式(14)保证乘客只能乘坐有效的定制公交车辆,并且每个乘客至多乘坐一辆定制公交车辆,其中,如果乘客p被定制公交车辆m从i站点接上,并且送达j站点,则否则如果乘客p被定制公交车辆m从j站点接上,并且送达i站点,则否则公式(15)和(16)保证流量均衡,并且乘客只能在一个站点上车和一个站点下车,其中,若乘客p从i站乘坐定制公交车辆m,则否则若乘客p乘坐定制公交车辆m从i站下车,则否则公式(17)为乘坐定制公交车辆m的乘客数um的计算方法;公式(18)保证乘坐定制公交车辆m的乘客数要低于车辆容量,以保证一人一座;公式(19)为相邻站点间的定制公交车辆运行时间,其中分别为定制公交车辆m到达i点的时间,定制公交车辆m到达j点的时间,定制公交车辆m在站点i和j之间运行的时间;公式(20)表明站点间定制公交车辆运行时间通过站点间距离除以车速得到;公式(21)为相邻定制公交车辆之间的发车间隔;公式(22)表明当乘客选择定制公交车辆的意愿大于设定的阈值δ时,才成为该线路潜在服务对象;公式(23)为乘客与定制公交车辆的时间窗约束,具体为乘客等待车辆时间与车辆等待乘客时间的约束必须小于设定的阈值,需要注意的是,因为存在乘客的选择概率问题,判断乘客乘车时间窗是否满足条件的前提是乘客有较大意愿乘坐定制公交车辆,即up,m=1,其中分别代表乘客p的在家出发时间和乘客从家到上车站点的步行时间。
5.如权利要求4所述的基于仿真优化框架的定制公交规划方法,其特征在于,步骤4具体为:
通过公交刷卡数据分析制定定制公交规划方案,利用现有公交站点作为备选站点集;根据研究区域站点吸引乘客数量进行排序,选取排名前几位站点,兼顾站点个数和乘客步行距离;同时,为了避免站点过度集中,应使选取的站点在一定覆盖范围下能够覆盖绝大部分的站点,以此保证乘客就近选择站点上下车;综合考虑步行距离和覆盖率来进行站点的选择,以站点覆盖率CovPct达到95%以上,步行距离WalkDist小于50米为判断阈值,公式(24)为覆盖率公式;
6.如权利要求5所述的基于仿真优化框架的定制公交规划方法,其特征在于,步骤5具体为:
步骤5.2:调用高德API,计算站点间实际距离,调用最短路径选择算法得到最短车辆运行路径;
步骤5.3:计算乘客自身上、下车位置与上、下车站点集合中站点的距离,选择最短步行距离的站点作为乘客的上、下车站点;
步骤5.6:定制公交车辆依次经过站点到达最后一个下车点后,计算乘客选择乘坐该车的概率pc,若pc≥0.5,则认为该乘客一定乘坐该车次,并计算本车次运行收益,收益为负,则放弃运营该车次;
步骤5.7:若仍有乘客没有乘坐定制公交车辆出行,返回步骤5.2,生成新的车辆执行载客任务;
步骤5.8:计算每个乘客选择定制公交的概率pc,统计pc≥0.5的人数;计算所有定制公交运营总的收益。
7.如权利要求6所述的基于仿真优化框架的定制公交规划方法,其特征在于,最短路径选择算法为2-opt算法,具体步骤为:
步骤5.2.1:获取上车站点集合Ostation;下车站点集合Dstation,以及站点间距离表格Distancestation,最短路径方案Smin,最短路径长度Lmin,最大迭代次数Itermax;
步骤5.2.2:随机选择一条路线Stemp,使Smin=Stemp,为了保证方案的可行性,上车站点必须在下车站点之前,计算该路线的总长度Ltemp,并使Lmin=Ltemp;
步骤5.2.3:随机选择在路线Smin中不相连的两个节点,将两个节点之间的路径翻转过来获得新路径Snew,计算路径长度Lnew;
步骤5.2.4:如果新路径Lnew比Lmin路径短,则设新路径Snew为最短路径,即Smin=Snew,Lmin=Lnew,否则Smin,Lmin不发生变化,使Itermax=Itermax-1,返回步骤5.2.3,当Itermax=0时,算法结束,此时Smin为最短路径。
8.如权利要求6所述的基于仿真优化框架的定制公交规划方法,其特征在于,解空间抽样:
解空间共4个维度,分别为上车站点集合,下车站点集合,发车间隔集合和站点驻车时间集合;对步骤4确定的备选站点集、发车间隔和公交车辆在站点的驻车时间采用拉丁超立方体进行抽样构成初始解;
构建响应面模型:
将初始解利用步骤5仿真得到的输入-输出集合,划分训练集和测试集;并将训练集合用于训练SVR模型,测试集合来验证SVR元模型拟合度是否达到要求;若SVR元模型的拟合优度达到90%以上并且具有很好的泛化功能,则直接采用该响应面在解空间里进行最优解的搜索;若SVR元模型的拟合优度低于90%或泛化功能欠缺,需要基于某些填充或更新策略进行进一步的目标函数评估;
响应面探索:
使用NSGA-II算法求解最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394645.XA CN112700029A (zh) | 2020-12-03 | 2020-12-03 | 一种基于仿真优化框架的定制公交规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394645.XA CN112700029A (zh) | 2020-12-03 | 2020-12-03 | 一种基于仿真优化框架的定制公交规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700029A true CN112700029A (zh) | 2021-04-23 |
Family
ID=75506653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394645.XA Pending CN112700029A (zh) | 2020-12-03 | 2020-12-03 | 一种基于仿真优化框架的定制公交规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700029A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326989A (zh) * | 2021-06-15 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种车辆路线优化的方法和系统 |
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 |
CN115409388A (zh) * | 2022-09-02 | 2022-11-29 | 北京化工大学 | 多车型定制公交运营优化方法 |
CN116090785A (zh) * | 2023-02-21 | 2023-05-09 | 哈尔滨工业大学 | 针对大型活动散场场景两阶段的定制公交规划方法 |
CN117875523A (zh) * | 2024-03-13 | 2024-04-12 | 西北大学 | 基于多源数据的公交站点优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130304378A1 (en) * | 2012-05-09 | 2013-11-14 | Google Inc. | Public Transportation Journey Planning |
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 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
CN110704993A (zh) * | 2019-09-11 | 2020-01-17 | 东南大学 | 一种疏解地铁客流压力的定制公交线路设计方法 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
US20200349485A1 (en) * | 2019-07-11 | 2020-11-05 | Beihang University | Optimization method for joint scheduling of manned buses and autonomous buses |
-
2020
- 2020-12-03 CN CN202011394645.XA patent/CN112700029A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130304378A1 (en) * | 2012-05-09 | 2013-11-14 | Google Inc. | Public Transportation Journey Planning |
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 |
CN107330559A (zh) * | 2017-07-03 | 2017-11-07 | 华南理工大学 | 一种多起终点多车型混载的定制公交线路规划方法 |
US20200349485A1 (en) * | 2019-07-11 | 2020-11-05 | Beihang University | Optimization method for joint scheduling of manned buses and autonomous buses |
CN110704993A (zh) * | 2019-09-11 | 2020-01-17 | 东南大学 | 一种疏解地铁客流压力的定制公交线路设计方法 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
Non-Patent Citations (4)
Title |
---|
宋瑞;何世伟;杨海;罗康锦;: "基于随机需求的公交运营设计优化模型及算法", 土木工程学报, no. 04 * |
王冠;陈华;李建忠;孙贻璐;: "武汉市公共交通信息系统建设与应用", 城市交通, no. 03 * |
雷永巍;林培群;姚凯斌;: "互联网定制公交的网络调度模型及其求解算法", 交通运输系统工程与信息, no. 01 * |
韩霜;傅惠;: "即时响应式定制公交调度优化", 公路交通科技, no. 06 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326989A (zh) * | 2021-06-15 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种车辆路线优化的方法和系统 |
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 |
CN115409388A (zh) * | 2022-09-02 | 2022-11-29 | 北京化工大学 | 多车型定制公交运营优化方法 |
CN116090785A (zh) * | 2023-02-21 | 2023-05-09 | 哈尔滨工业大学 | 针对大型活动散场场景两阶段的定制公交规划方法 |
CN116090785B (zh) * | 2023-02-21 | 2024-03-08 | 哈尔滨工业大学 | 针对大型活动散场场景两阶段的定制公交规划方法 |
CN117875523A (zh) * | 2024-03-13 | 2024-04-12 | 西北大学 | 基于多源数据的公交站点优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409599B (zh) | 基于实时需求的定制公交线路开通优化方法 | |
CN112700029A (zh) | 一种基于仿真优化框架的定制公交规划方法 | |
Martinez et al. | Assessing the impacts of deploying a shared self-driving urban mobility system: An agent-based model applied to the city of Lisbon, Portugal | |
de Cea Ch et al. | Demand responsive urban public transport system design: Methodology and application | |
Chen et al. | Customized bus route design with pickup and delivery and time windows: Model, case study and comparative analysis | |
Wang et al. | Multi-objective optimization of real-time customized bus routes based on two-stage method | |
CN110458456B (zh) | 基于人工智能的需求响应式公交系统的调度方法及系统 | |
CN107609677A (zh) | 一种基于出租车gps大数据的定制公交线路规划方法 | |
CN107330716A (zh) | 一种考虑系统最优的定制公交定价方法 | |
CN112561249B (zh) | 面向实时需求的城市定制公交调度方法 | |
Qu et al. | Location optimization for urban taxi stands based on taxi GPS trajectory big data | |
Hou et al. | A combined modal split and traffic assignment model with capacity constraints for siting remote park-and-ride facilities | |
Lin et al. | Intelligent bus operation optimization by integrating cases and data driven based on business chain and enhanced quantum genetic algorithm | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
Santos et al. | A flow-based integer programming approach to design an interurban shared automated vehicle system and assess its financial viability | |
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 | |
Xu et al. | Urban smart public transport studies: a review and prospect | |
Zhang et al. | The research on planning of taxi sharing route and sharing expenses | |
Davidson et al. | Impact of capacity, crowding, and vehicle arrival adherence on public transport ridership: Los Angeles and Sydney experience and forecasting approach | |
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 | |
Guo et al. | Selective multi-grade charging scheduling and rebalancing for one-way car-sharing systems | |
Zhang et al. | Research on optimization of customized bus routes based on uncertainty theory | |
Li et al. | Flexible Bus Route Setting and Scheduling Optimization Adapted to Spatial-temporal Variation of Passenger Flow. | |
Sun et al. | Subway passenger flow analysis and management optimization model based on AFC data | |
Zhang et al. | Analysis of Passenger Flow Characteristics of Urban Rail Transit Based on Spatial Data Dynamic Analysis Technology |
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 |