CN113077086A - 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法 - Google Patents
一种接驳地铁枢纽的公交车同步换乘时刻表设计方法 Download PDFInfo
- Publication number
- CN113077086A CN113077086A CN202110344240.3A CN202110344240A CN113077086A CN 113077086 A CN113077086 A CN 113077086A CN 202110344240 A CN202110344240 A CN 202110344240A CN 113077086 A CN113077086 A CN 113077086A
- Authority
- CN
- China
- Prior art keywords
- bus
- subway
- transfer
- time
- hub
- 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.)
- Granted
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 183
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000011160 research Methods 0.000 claims abstract description 14
- 239000011541 reaction mixture Substances 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000001726 chromosome structure Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 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 description 1
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 101150077543 st gene Proteins 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"
-
- 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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,包括:确定待优化的地铁枢纽,确定枢纽周边的公交站分布和公交线路,确定研究时间段;采集地铁枢纽内各地铁线路在研究时间段内的发车时刻表和运行至枢纽的时间;采集待优化公交线路的相关数据,包括:发车频率、最小发车间隔、最大发车间隔、从始发站运行至枢纽的时间;采集乘客换乘走行时间、安检进站时间;采集乘客可接受的等待时间窗;采集地铁枢纽各类换乘模式的换乘客流量,计算换乘模式优先级;建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型;利用遗传算法求解模型,获取最优公交发车时刻表方案。本发明可提高枢纽处多模式换乘的效率,提高公共交通服务水平。
Description
技术领域
本发明涉及一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,属于城市公交运营管理的技术领域。
背景技术
大力推广公共交通是缓解城市交通拥堵的有效策略之一,而换乘优化是公共交通领域重要的研究方向,交通枢纽更是城市公共交通网络的重要节点,其换乘效率对于提高公共交通服务水平和乘客出行满意度具有巨大作用。
乘客在枢纽的换乘时间主要包括换乘步行时间和换乘等待时间,换乘步行时间由公共交通设施规划建设确定,换乘等待时间与两换乘线路的时刻表协同程度紧密相关。同步换乘是指通过协调不同线路的车次在同一换乘点的到达时间,使得不同线路在该站的到达时间差满足一定条件,从而减少换乘乘客的额外等待时间。当公共交通运营者提供更多的同步到达次数时,将减少换乘不畅,提高公交吸引力,且更多同步到达次数所带来的优势可弥补公共交通其他不足。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,综合考虑乘客的换乘步行时间,协调两线路到达地铁枢纽的时间,降低乘客额外的等待时间。
本发明具体采用以下技术方案解决上述技术问题:
一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,包括以下步骤:
步骤1:确定待优化的地铁枢纽,确定地铁枢纽周边的公交站分布和待优化的公交线路,确定研究时间段;
步骤2:采集地铁枢纽内各地铁线路在研究时间段内的发车时刻表和运行至地铁枢纽的时间;
步骤3:采集待优化公交线路的数据,包括:发车频率、最小发车间隔、最大发车间隔、从始发站运行至地铁枢纽的时间;
步骤4:采集乘客换乘走行时间、安检进站时间;
步骤5:采集乘客可接受的等待时间窗;
步骤6:采集地铁枢纽各类换乘模式的换乘客流量,计算换乘模式优先级;
步骤7:基于步骤2至步骤6所采集的数据,建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型;
步骤8:利用遗传算法求解公交车同步换乘时刻表优化设计模型,获取最优公交发车时刻表方案。
进一步地,作为本发明的一种优选技术方案,所述步骤1中待优化的地铁枢纽、地铁枢纽周边的公交站分布和公交线路确定方法为:根据地铁站点性质、客流量、换乘效率确定地铁网络中关键的交通接驳站作为待优化的地铁枢纽;以地铁枢纽设置的距离为半径确定枢纽周边的公交汽车站,将经过上述公交汽车站的公交线路作为待优化的公交线路。
进一步地,作为本发明的一种优选技术方案,所述步骤5中通过问卷调查方式调查乘客可容忍的最大等待时间,结合换乘线路的发车间隔确定乘客可接受的等待时间窗。
进一步地,作为本发明的一种优选技术方案,所述步骤6中采集地铁枢纽各类换乘模式的换乘客流量包括:公交车换乘公交车的客流量、地铁换乘公交车的客流量、公交车换乘地铁的客流量;以及,计算换乘模式优先级如下:
上述式(1)、式(2)、式(3)中,α、β、γ分别为公交车换乘公交车、地铁换乘公交车、公交车换乘地铁的优先级系数,Q1、Q2、Q3分别为公交车换乘公交车、地铁换乘公交车、公交车换乘地铁的换乘客流量。
进一步地,作为本发明的一种优选技术方案,所述步骤7中建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型,具体为:
关于线路实现同步换乘的定义如下:假设当车次i和车次j运行至换乘站点n的时间分别为ti和tj,乘客换乘步行时间为w,基本时间窗为[0,μn],则当w≤|ti-tj|≤μn+w时,记为车次i和车次j在换乘站点n的一个同步换乘次数;
基于同步换乘的定义,建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型如下:
s.t.
式(4)中,X为地铁枢纽基于换乘模式优先级的总同步换乘次数;为公交线路l1的第i个车次与公交线路l2的第j个车次间的一次同步换乘;为地铁线路c的第j车次与公交线路l的第i个车次间的一次同步换乘;为公交线路l的第i个车次与地铁线路c的第j个车次间的一次同步换乘;L为公交线路集合,L={1,2,...,p},其中p表示公交线路总数;Fl为第l条公交线路在研究时间段内的车次集合,Fl={1,2,...,fl},其中fl表示公交线路l在研究时间段的车次总数;Fl1为第l1条公交线路在研究时间段内的车次集合,Fl1={1,2,...,fl1},其中fl1表示公交线路l1在研究时间段内的车次总数;Fl2为第l2条公交线路在研究时间段内的车次集合,Fl2={1,2,...,fl2},其中fl2表示公交线路l2在研究时间段内的车次总数;C为地铁线路集合,C={1,2,...,q}其中q表示地铁线路总数;Kc为第c条地铁线,
路在研究时间段内的车次集合,Kc={1,2,...,kc},其中kc表示地铁在研究时间段内的车次总数;
式(9)中,为第l2条公交线路的第j个车次的发车时间;为第l1条公交线路的第i个车次的发车时间;为公交线路l2从首发站至站点d2的运行时间;为公交线路l1从首发站至站点d1的运行时间;为乘客在站点d1和站点d2间的换乘步行时间;Z为一个无穷大的正数;D为地铁枢纽周边的公交汽车站点集合,D={1,2,...,n};
式(10)中,μ为乘客可接受的最大换乘等待时间;
式(11)中,为公交线路l从首发站至站点d的运行时间;第c条地铁线路的第j个车次的发车时间;为地铁线路c从首发站至枢纽站点s的运行时间;为乘客在站点d和站点s间的换乘步行时间;S为地铁枢纽站点集合,S={1};
式(13)中,tcheckin为乘客安检进站时间。
进一步地,作为本发明的一种优选技术方案,所述步骤8中利用遗传算法求解公交车同步换乘时刻表优化设计模型,具体为:
步骤81:确定遗传算法参数,包括:种群规模N、交叉概率Pc、变异概率Pm和最大迭代次数Gen;
步骤82:进行参数编码,即采用实数编码的方式一个基因表示一条线路的一个车次的发车时间,所有线路全部车次的发车时间组成一条染色体,即最优化问题一个可能的解;
步骤83:生成初始化种群,即采用设置限制条件,随机产生满足条件个体的方法;
步骤84:判断当前迭代次数是否小于最大迭代次数Gen,若当前迭代次数小于最大迭代次数Gen,执行步骤85至步骤810,否则执行步骤810;
步骤85:计算当前种群各个体的适应度,采用模型目标函数为适应度函数f(x),并给予非可行个体的适应度以一定的罚值M,其中M为一个负数;
步骤86:选择操作,包括:根据计算的种群各个体的适应度值,按照适应度值升序排列,将排序序号作为个体的新适应度值,根据新适应度值选取N个个体;
步骤87:交叉操作,包括:采用离散交叉法对选取的N个个体按照交叉概率Pc进行交叉操作;
步骤88:变异操作,包括:采用均匀变异法对交叉操作后的N个个体按照变异概率Pm进行变异操作,得到变异后的个体;
步骤89:更新当前种群,即将经过选择操作、交叉操作、遗传操作后的种群作为当前种群,迭代次数加1;
步骤810:输出最优个体。
进一步地,作为本发明的一种优选技术方案,所述步骤810输出最优个体,包括:
(1)确定当前种群的最优个体,即计算当前种群的适应度,选择当前种群中适应度最大的个体为当前种群的最优个体;
(2)确定迄今为止的最优个体,并将其作为最优个体输出,即将当前迭代种群的最优个体与迄今为止的最优个体相比,若前者大于后者,将当前迭代种群的最优个体作为迄今为止的最优个体,否则迄今为止的最优个体不变。
本发明采用上述技术方案,能产生如下技术效果:
1.本发明提出了一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,重点考虑换乘线路间的时刻表衔接过程。在协调换乘线路的到达时间时,预留了乘客的换乘步行时间,使整个换乘优化设计更人性化,提高了乘客在枢纽站换乘成功的概率,具有实际意义。
2.本发明提出了接驳地铁枢纽的公交车时刻表协调方法,减少了乘客在枢纽的额外等待时间,提高了地铁换乘公交、公交换乘地铁和公交换乘公交的换乘效率,提高了乘客在站点的换乘顺畅性。
3.本发明提出了基于换乘模式优先级的站点最大同步换乘公交时刻表优化设计模型,优先满级级别高的换乘模式,避免了低效的同步换乘,更利于提高站点的换乘效率。
因此,本发明提出的方法,有利于提高换乘线路间的运营接续水平,便于实现枢纽换乘的效率,提高乘客公交出行满意度。
附图说明
图1是本发明接驳地铁枢纽的公交车同步换乘时刻表设计方法的流程示意图。
图2是本发明中遗传算法求解模型的流程图。
图3是本发明中染色体结构示意图。
图4是本发明中遗传算法迭代进化图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明涉及一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,包括以下步骤:
步骤1:确定待优化的地铁枢纽,确定地铁枢纽周边的公交站分布和待优化的公交线路,确定研究时间段。
在该步骤中,待优化的地铁枢纽、地铁枢纽周边的公交站分布和公交线路确定方法为:根据地铁站点性质、客流量、换乘效率等确定地铁网络中关键的交通接驳站作为待优化的地铁枢纽。以地铁枢纽设置的距离为但不限于500m内为半径,确定枢纽周边的公交汽车站,将经过上述公交汽车站的公交线路作为待优化的公交线路。
步骤2:采集地铁枢纽内各地铁线路在研究时间段内的发车时刻表和运行至地铁枢纽的时间。
步骤3:采集待优化公交线路的相关数据,包括:发车频率、最小发车间隔、最大发车间隔、从始发站运行至地铁枢纽的时间。
步骤4:采集乘客换乘走行时间、安检进站时间。
步骤5:采集乘客可接受的等待时间窗。
步骤6:采集地铁枢纽各类换乘模式的换乘客流量,计算换乘模式优先级。
在该步骤中,需要采集的地铁枢纽各类换乘模式的换乘客流量包括:公交车换乘公交车的客流量、地铁换乘公交车的客流量、公交车换乘地铁的客流量。换乘模式优先级计算方法如下:
式(1)、式(2)、式(3)中,α、β、γ分别为公交车换乘公交车、地铁换乘公交车、公交车换乘地铁的优先级系数,Q1、Q2、Q3分别为公交车换乘公交车、地铁换乘公交车、公交车换乘地铁的换乘客流量。
步骤7:基于步骤2至步骤6所采集的数据,建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型,具体如下:
在该步骤中,首先对关于实现同步换乘做出定义:假设当车次i和车次j运行至换乘站点n的时间分别为ti和tj,乘客换乘步行时间为w,基本时间窗为[0,μn],则当w≤|ti-tj|≤μn+w时,记为车次i和车次j在换乘站点n的一个同步换乘次数。
接着确定模型优化目标。地铁枢纽处涉及多种换乘模式,由于实际运营的复杂性,往往很难同时满足所有交通方式间的同步换乘。为提高枢纽的换乘效率,避免低效的同步换乘,本发明以枢纽基于换乘模式优先级的总同步换乘次数为优化目标,基于同步换乘的定义,接驳地铁枢纽的公交车同步换乘时刻表优化设计模型定义如下:
式(4)中,X为地铁枢纽基于换乘模式优先级的总同步换乘次数;为公交线路l1的第i个车次与公交线路l2的第j个车次间的一次同步换乘;为地铁线路c的第j车次与公交线路l的第i个车次间的一次同步换乘;为公交线路l的第i个车次与地铁线路c的第j个车次间的一次同步换乘;L为公交线路集合,L={1,2,...,p},其中p表示公交线路总数;Fl为第l条公交线路在研究时间段内的车次集合,Fl={1,2,...,fl},其中fl表示公交线路l在研究时间段的车次总数;Fl1为第l1条公交线路在研究时间段内的车次集合,Fl1={1,2,...,fl1},其中fl1表示公交线路l1在研究时间段内的车次总数;Fl2为第l2条公交线路在研究时间段内的车次集合,Fl2={1,2,...,fl2},其中fl2表示公交线路l2在研究时间段内的车次总数;C为地铁线路集合,C={1,2,...,q},其中q表示地铁线路总数;Kc为第c条地铁线路在研究时间段内的车次集合,Kc={1,2,...,kc},其中kc表示地铁在研究时间段内的车次总数;
进而,定义发车时间约束,具体包括普通公交车发车时间约束和首末班车发车时间约束:
进而,定义发车间隔约束:
进而,定义车辆同步到达约束,具体包括公交车辆与公交车辆的同步到达、公交车辆与地铁列车的同步到达和地铁列车与公交车辆的同步到达:
式(9)中,为第l2条公交线路的第j个车次的发车时间;为第l1条公交线路的第i个车次的发车时间;为公交线路l2从首发站至站点d2的运行时间(单位:min);为公交线路l1从首发站至站点d1的运行时间(单位:min);为乘客在站点d1和站点d2间的换乘步行时间(单位:min);Z为一个无穷大的正数;D为地铁枢纽周边的公交汽车站点集合,D={1,2,...,n};
式(10)中,μ为乘客可接受的最大换乘等待时间(单位:min);
式(11)中,为公交线路l从首发站至站点d的运行时间(单位:min);第c条地铁线路的第j个车次的发车时间;为地铁线路c从首发站至枢纽站点s的运行时间(单位:min);为乘客在站点d和站点s间的换乘步行时间(单位:min);S为地铁枢纽站点集合,S={1};
式(13)中,tcheckin为乘客安检进站时间(单位:min)。
最终,由目标函数式(4)、约束条件式(5)-(17)构成完整的接驳地铁枢纽的公交车同步换乘时刻表优化设计模型,该模型为整数规划模型。
步骤8:利用遗传算法求解公交车同步换乘时刻表优化设计模型,获取最优公交发车时刻表方案。
在该步骤中,针对步骤7建立的整数规划模型,提出采用遗传算法求解模型,遗传算法流程如图2所示,具体如下:
步骤81:确定遗传算法参数,包括:种群规模N、交叉概率Pc、变异概率Pm和最大迭代次数Gen;
步骤82:进行参数编码,即采用实数编码的方式一个基因表示一条线路的一个车次的发车时间,所有线路全部车次的发车时间组成一条染色体,即最优化问题一个可能的解;其中,染色体结构如图3所示,染色体长度为即最优化问题的一个可能的解由个基因组成,每个基因表示一条线路的一个车次的发车时间。其中第1个基因至第f1个基因表示线路1共f1个车次的发车时间,依此类推,当l≥2时,第个基因至第个基因对应的是线路l共fl个车次的发车时间。
步骤83:生成初始化种群,即采用设置限制条件,随机产生满足条件个体的方法;限制条件可为上述式(6)、式(7)、式(8)。
步骤84:判断当前迭代次数是否小于最大迭代次数Gen,若当前迭代次数小于最大迭代次数Gen,执行步骤85至步骤810,否则执行步骤810;
步骤85:计算当前种群各个体的适应度。采用模型目标函数为适应度函数f(x),并给予非可行个体的适应度以一定的罚值M,其中M为一个较大的负数;
步骤86:选择操作,采用基于排序选择策略的轮盘赌方法,根据计算的种群各个体的适应度值,按照适应度值升序排列,将排序序号作为个体的新适应度值,根据新适应度值选取N个个体进入下一代,具体如下:
(1)采用适应度函数f(x)计算各个个体的适应度值;
(3)定义P(0)=0,生成随机数y∈[0,1],若下述条件成立,则排序序号为k的个体被选入下一代:
P(1)+P(2)+...+P(k-1)≤y≤P(1)+P(2)+...+P(k)
因此,根据新适应度值选取排序序号为k的个体,逐步得到N个个体进入下一代。
步骤87:交叉操作,包括:采用离散交叉法,对选取的N个个体按照一定的交叉概率Pc进行交叉操作;对于进行交叉操作的两父代个体N1、N2,具体操作如下:
(1)生成两个随机整数o,g∈[1,p]表示线公交路序号,再生成两个随机整数z∈[1,fo]和u∈[1,fg]表示公交线路车次序号;其中,p表示公交线路总数,o和g是公交线路序号,取值范围是1到p的整数,fo和fg分别表示公交线路o和公交线路g在研究时段的车次总数,z和u是公交线路车次序号,取值范围分别是1到fo和1到fg的整数;
(3)交换后生成两个子代个体N1'、N'2。
步骤88:变异操作,包括:采用均匀变异法,对交叉操作后的N个个体按照一定的变异概率Pm进行变异操作,得到变异后的个体;对于进行变异操作的父代染色体N3,具体操作如下:
(1)生成随机整数v∈[1,p]和w∈[1,fv]分别表示参与变异的公交线路和车次,确定参与变异的基因为其中,p表示公交线路总数,v是公交线路序号,取值范围是1到p的整数,fv分别表示公交线路v在研究时段的车次总数,w是公交线路车次序号,取值范围分别是1到fv的整数。
步骤89:更新当前种群,即将经过选择操作、交叉操作、遗传操作后的种群作为当前种群,迭代次数加1;
步骤810:输出最优个体,具体操作如下:
(1)确定当前种群的最优个体。计算当前种群的适应度,选择当前种群中适应度最大的个体为当前种群的最优个体;
(2)确定迄今为止的最优个体,并将其作为最优个体输出。即将当前迭代种群的最优个体与迄今为止的最优个体相比,若前者大于后者,将当前迭代种群的最优个体作为迄今为止的最优个体,否则迄今为止的最优个体不变。
为了验证本发明方法可以有效提高枢纽处多模式换乘的效率,提高公共交通服务水平,现列举一个验证例进行验证说明。
以下描述南京地铁油坊桥站为例,利用本发明的接驳地铁枢纽的公交车同步换乘时刻表设计方法,获取公交车同步换乘时刻表的过程具体如下:
步骤1:选定南京地铁油坊桥站为所述实施例的地铁枢纽,油坊桥站是地铁2号线和S3号线的换乘站,周边有友谊桥站、油坊桥地铁站、油坊桥地铁站西和油坊桥地铁站南共4个公交站点。共有13条公交线路经过上述车站,且每条公交线路包括上行和下行两个运行方向,即共有26条单向公交线路经过上述车站。各站点的公交线路情况如下:
表1油坊桥站公交线路情况
选定工作日早高峰7:00至8:30为研究时间段,即研究周期为90min。
步骤2:地铁2号线上行和下行方向早高峰发车间隔时间均为4min,地铁S3号线上行和下行方向早高峰发车间隔时间均为7min。
表2研究时段内地铁首班车在站点的发车时刻
步骤3:Y22夜间公交运营时间不在研究时段内,在此剔除该线路。运行到站时间指线路由始发站运行至油坊桥地铁站周边对应的公交站点的时间。公交站点序号如表1所示。717路上行方向经过友谊桥站和油坊桥地铁站,其运行到站时间33(1)指线路由始发站运行至友谊桥站的时间为33min,运行到站时间36(2)指线路由始发站运行至油坊桥地铁站的时间为36min。其余类似。
表3待优化公交线路相关参数
步骤4:通过调查获取乘客的平均安检时间为0.5min,在站点间的平均步行时间如表4所示。
表4乘客步行时间(单位:min)
步骤5:根据问卷调查结果,结合地铁线路和公交线路的发车间隔,所述实施例设定乘客在地铁站点的可接受等待时间最大为2min,在公交站点的可接受等待时间为3min。
步骤6:根据调查结果,油坊桥站各类换乘模式的换乘客流量如表5。
表5枢纽各类换乘模式的换乘客流量(单位:人次/小时)
公交换乘地铁客流 | 公交换乘公交客流 | 地铁换乘公交客流 | |
换乘客流量 | 2067 | 120 | 227 |
将数据代入计算可得各换乘模式的优先级系数为:
步骤7:基于上述数据,建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型。
步骤8:对遗传算法参数定义如表6所示。
表6遗传算法参数定义
种群规模 | 500 |
交叉概率 | 0.8 |
变异概率 | 0.1 |
最大迭代次数 | 500 |
采用MATLAB编程,运用遗传算法求解,遗传算法迭代进化图如图4所示。模型最优解即为优化后的公交发车时刻表。模型优化效果如表7。通过实施例证明了本发明所提供的技术方案可有效提高枢纽的换乘效率。
表7模型优化效果分析
现状方案(次) | 模型最优解(次) | 优化比例 | |
站点总同步换乘次数 | 351.36 | 540.4 | 53.8% |
公交换乘公交同步换乘次数 | 1516 | 2521 | 66.3% |
公交换乘地铁同步换乘次数 | 257 | 412 | 60.3% |
地铁换乘公交同步换乘次数 | 606 | 667 | 10.1% |
所得到的优化后的公交发车时刻表如表8。
表8优化后的公交发车时刻表
综上,本发明方法基于换乘模式优先级的站点最大同步换乘公交时刻表优化设计模型,优先满级级别高的换乘模式,避免了低效的同步换乘,减少了乘客在枢纽的额外等待时间,提高了地铁换乘公交、公交换乘地铁和公交换乘公交的换乘效率,提高了乘客在站点的换乘顺畅性。有利于提高换乘线路间的运营接续水平,便于实现枢纽换乘的效率,提高乘客公交出行满意度。
通过实施例描述了本发明的具体实施方式。但是本发明并不限于上述实施例的具体细节,在本发明所公开的实质和本原则范围内的任何修改、变化或者仿效变换都属于本发明的权利要求保护范围。
Claims (7)
1.一种接驳地铁枢纽的公交车同步换乘时刻表设计方法,其特征在于,包括以下步骤:
步骤1:确定待优化的地铁枢纽,确定地铁枢纽周边的公交站分布和待优化的公交线路,确定研究时间段;
步骤2:采集地铁枢纽内各地铁线路在研究时间段内的发车时刻表和运行至地铁枢纽的时间;
步骤3:采集待优化公交线路的数据,包括:发车频率、最小发车间隔、最大发车间隔、从始发站运行至地铁枢纽的时间;
步骤4:采集乘客换乘走行时间、安检进站时间;
步骤5:采集乘客可接受的等待时间窗;
步骤6:采集地铁枢纽各类换乘模式的换乘客流量,计算换乘模式优先级;
步骤7:基于步骤2至步骤6所采集的数据,建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型;
步骤8:利用遗传算法求解公交车同步换乘时刻表优化设计模型,获取最优公交发车时刻表方案。
2.根据权利要求1所述的接驳地铁枢纽的公交车同步换乘时刻表设计方法,其特征在于,所述步骤1中待优化的地铁枢纽、地铁枢纽周边的公交站分布和公交线路确定方法为:根据地铁站点性质、客流量、换乘效率确定地铁网络中关键的交通接驳站作为待优化的地铁枢纽;以地铁枢纽设置的距离为半径确定枢纽周边的公交汽车站,将经过上述公交汽车站的公交线路作为待优化的公交线路。
3.根据权利要求1所述的接驳地铁枢纽的公交车同步换乘时刻表设计方法,其特征在于,所述步骤5中通过问卷调查方式调查乘客可容忍的最大等待时间,结合换乘线路的发车间隔确定乘客可接受的等待时间窗。
5.根据权利要求1所述的接驳地铁枢纽的公交车同步换乘时刻表设计方法,其特征在于,所述步骤7中建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型,具体为:
关于线路实现同步换乘的定义如下:假设当车次i和车次j运行至换乘站点n的时间分别为ti和tj,乘客换乘步行时间为w,基本时间窗为[0,μn],则当w≤|ti-tj|≤μn+w时,记为车次i和车次j在换乘站点n的一个同步换乘次数;
基于同步换乘的定义,建立接驳地铁枢纽的公交车同步换乘时刻表优化设计模型,如下:
s.t.
式(4)中,X为地铁枢纽基于换乘模式优先级的总同步换乘次数;为公交线路l1的第i个车次与公交线路l2的第j个车次间的一次同步换乘;为地铁线路c的第j车次与公交线路l的第i个车次间的一次同步换乘;为公交线路l的第i个车次与地铁线路c的第j个车次间的一次同步换乘;L为公交线路集合,L={1,2,...,p},其中p表示公交线路总数;Fl为第l条公交线路在研究时间段内的车次集合,Fl={1,2,...,fl},其中fl表示公交线路l在研究时间段的车次总数;为第l1条公交线路在研究时间段内的车次集合,其中表示公交线路l1在研究时间段内的车次总数;为第l2条公交线路在研究时间段内的车次集合,其中表示公交线路l2在研究时间段内的车次总数;C为地铁线路集合,C={1,2,...,q},其中q表示地铁线路总数;Kc为第c条地铁线路在研究时间段内的车次集合,Kc={1,2,...,kc},其中kc表示地铁在研究时间段内的车次总数;
式(9)中,为第l2条公交线路的第j个车次的发车时间;为第l1条公交线路的第i个车次的发车时间;为公交线路l2从首发站至站点d2的运行时间;为公交线路l1从首发站至站点d1的运行时间;为乘客在站点d1和站点d2间的换乘步行时间;Z为一个无穷大的正数;D为地铁枢纽周边的公交汽车站点集合,D={1,2,...,n};
式(10)中,μ为乘客可接受的最大换乘等待时间;
式(11)中,为公交线路l从首发站至站点d的运行时间;第c条地铁线路的第j个车次的发车时间;为地铁线路c从首发站至枢纽站点s的运行时间;为乘客在站点d和站点s间的换乘步行时间;S为地铁枢纽站点集合,S={1};
式(13)中,tcheckin为乘客安检进站时间。
6.根据权利要求1所述的接驳地铁枢纽的公交车同步换乘时刻表设计方法,其特征在于,所述步骤8中利用遗传算法求解公交车同步换乘时刻表优化设计模型,具体为:
步骤81:确定遗传算法参数,包括:种群规模N、交叉概率Pc、变异概率Pm和最大迭代次数Gen;
步骤82:进行参数编码,即采用实数编码的方式一个基因表示一条线路的一个车次的发车时间,所有线路全部车次的发车时间组成一条染色体,即最优化问题一个可能的解;
步骤83:生成初始化种群,即采用设置限制条件,随机产生满足条件个体的方法;
步骤84:判断当前迭代次数是否小于最大迭代次数Gen,若当前迭代次数小于最大迭代次数Gen,执行步骤85至步骤810,否则执行步骤810;
步骤85:计算当前种群各个体的适应度,采用模型目标函数为适应度函数f(x),并给予非可行个体的适应度以一定的罚值M,其中M为一个负数;
步骤86:选择操作,包括:根据计算的种群各个体的适应度值,按照适应度值升序排列,将排序序号作为个体的新适应度值,根据新适应度值选取N个个体进入下一代;
步骤87:交叉操作,包括:采用离散交叉法对选取的N个个体按照交叉概率Pc进行交叉操作;
步骤88:变异操作,包括:采用均匀变异法对交叉操作后的N个个体按照变异概率Pm进行变异操作,得到变异后的个体;
步骤89:更新当前种群,即将经过选择操作、交叉操作、遗传操作后的种群作为当前种群,迭代次数加1;
步骤810:输出最优个体。
7.根据权利要求6所述的接驳地铁枢纽的公交车同步换乘时刻表设计方法,其特征在于,所述步骤810输出最优个体,包括:
(1)确定当前种群的最优个体,即计算当前种群的适应度,选择当前种群中适应度最大的个体为当前种群的最优个体;
(2)确定迄今为止的最优个体,并将其作为最优个体输出,即将当前迭代种群的最优个体与迄今为止的最优个体相比,若前者大于后者,将当前迭代种群的最优个体作为迄今为止的最优个体,否则迄今为止的最优个体不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344240.3A CN113077086B (zh) | 2021-03-30 | 2021-03-30 | 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344240.3A CN113077086B (zh) | 2021-03-30 | 2021-03-30 | 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077086A true CN113077086A (zh) | 2021-07-06 |
CN113077086B CN113077086B (zh) | 2024-07-12 |
Family
ID=76611895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344240.3A Active CN113077086B (zh) | 2021-03-30 | 2021-03-30 | 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077086B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450032A (zh) * | 2021-08-31 | 2021-09-28 | 浙江非线数联科技股份有限公司 | 一种基于遗传算法的地铁发车策略方法及系统 |
CN113657672A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种基于动态规划的综合枢纽末班车衔接方法 |
CN114021823A (zh) * | 2021-11-09 | 2022-02-08 | 上海市隧道工程轨道交通设计研究院 | 一种地铁与其它公共交通换乘信息系统及其工作方法 |
CN114170815A (zh) * | 2021-12-08 | 2022-03-11 | 安徽达尔智能控制系统股份有限公司 | 一种人工智能诊断交通运维管控方法、系统 |
CN114723111A (zh) * | 2022-03-25 | 2022-07-08 | 东南大学 | 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法 |
CN115760520A (zh) * | 2022-11-11 | 2023-03-07 | 交通运输部科学研究院 | 地铁新线开通阶段公交接驳优化方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136933A (zh) * | 2013-01-14 | 2013-06-05 | 东南大学 | 一种常规公交与地铁站的换乘协调控制方法 |
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 |
CN106652434A (zh) * | 2016-12-02 | 2017-05-10 | 东南大学 | 一种基于轨道交通协调的公交调度方法 |
CN106845734A (zh) * | 2017-03-29 | 2017-06-13 | 东南大学 | 面向末班换乘需求的多模式公共交通时刻表优化方法 |
CN107016633A (zh) * | 2017-03-29 | 2017-08-04 | 东南大学 | 城市轨道交通接运公交计划发车时刻生成方法 |
CN107194128A (zh) * | 2017-06-30 | 2017-09-22 | 东南大学 | 基于中心辐射型网络框架的多模式公共交通网络设计方法 |
CN112381472A (zh) * | 2021-01-15 | 2021-02-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种地铁接驳公交线路优化方法、装置及存储介质 |
-
2021
- 2021-03-30 CN CN202110344240.3A patent/CN113077086B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136933A (zh) * | 2013-01-14 | 2013-06-05 | 东南大学 | 一种常规公交与地铁站的换乘协调控制方法 |
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 |
CN106652434A (zh) * | 2016-12-02 | 2017-05-10 | 东南大学 | 一种基于轨道交通协调的公交调度方法 |
CN106845734A (zh) * | 2017-03-29 | 2017-06-13 | 东南大学 | 面向末班换乘需求的多模式公共交通时刻表优化方法 |
CN107016633A (zh) * | 2017-03-29 | 2017-08-04 | 东南大学 | 城市轨道交通接运公交计划发车时刻生成方法 |
CN107194128A (zh) * | 2017-06-30 | 2017-09-22 | 东南大学 | 基于中心辐射型网络框架的多模式公共交通网络设计方法 |
CN112381472A (zh) * | 2021-01-15 | 2021-02-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种地铁接驳公交线路优化方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
张姚;曹振宇;: "考虑换乘站点时间权重的公交时刻表优化", 交通运输工程与信息学报, no. 01, 3 March 2020 (2020-03-03) * |
郑红星;邓春远;冯盼盼;司志涛;: "公交枢纽内站台线路选择与布局优化", 物流技术, no. 04, 25 April 2018 (2018-04-25) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657672A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种基于动态规划的综合枢纽末班车衔接方法 |
CN113657672B (zh) * | 2021-08-18 | 2024-06-18 | 北京航空航天大学 | 一种基于动态规划的综合枢纽末班车衔接方法 |
CN113450032A (zh) * | 2021-08-31 | 2021-09-28 | 浙江非线数联科技股份有限公司 | 一种基于遗传算法的地铁发车策略方法及系统 |
CN114021823A (zh) * | 2021-11-09 | 2022-02-08 | 上海市隧道工程轨道交通设计研究院 | 一种地铁与其它公共交通换乘信息系统及其工作方法 |
CN114170815A (zh) * | 2021-12-08 | 2022-03-11 | 安徽达尔智能控制系统股份有限公司 | 一种人工智能诊断交通运维管控方法、系统 |
CN114170815B (zh) * | 2021-12-08 | 2023-10-27 | 安徽达尔智能控制系统股份有限公司 | 一种人工智能诊断交通运维管控方法、系统 |
CN114723111A (zh) * | 2022-03-25 | 2022-07-08 | 东南大学 | 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法 |
CN114723111B (zh) * | 2022-03-25 | 2024-04-30 | 东南大学 | 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法 |
CN115760520A (zh) * | 2022-11-11 | 2023-03-07 | 交通运输部科学研究院 | 地铁新线开通阶段公交接驳优化方法及装置 |
CN115760520B (zh) * | 2022-11-11 | 2024-01-26 | 交通运输部科学研究院 | 地铁新线开通阶段公交接驳优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113077086B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077086A (zh) | 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法 | |
CN109753694B (zh) | 基于全过程出行感知时间的中小城市公交线网设计方法 | |
CN110119835B (zh) | 一种基于区间计算的公交动态发车调度优化方法 | |
Li et al. | Train rescheduling with stochastic recovery time: A new track-backup approach | |
Almasi et al. | Optimization of a transit services model with a feeder bus and rail system using metaheuristic algorithms | |
CN109192284B (zh) | 一种带软时间窗的远程健康监护线下服务任务调度的方法 | |
Sun et al. | Optimizing multi-terminal customized bus service with mixed fleet | |
Fan et al. | Large-scale multimodal transportation network models and algorithms-Part I: The combined mode split and traffic assignment problem | |
CN111768851B (zh) | 一种动态需求下多级别家庭护理调度方法及系统 | |
CN111126681B (zh) | 一种基于历史客流量的公交线路调整方法 | |
CN115239021A (zh) | 一种城市轨道交通大小交路列车开行方案优化方法 | |
CN109583834A (zh) | 基于启发式的公交系统日计划排班算法 | |
CN113096429B (zh) | 基于公交调度站点集散的弹性公交区域灵活性线路生成方法 | |
CN109522584B (zh) | 一种有轨电车发车时刻表设计方法 | |
CN113592419B (zh) | 考虑客流和节能的轨道交通快慢车时刻表优化方法 | |
CN114742340A (zh) | 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 | |
Tan et al. | An enhanced adaptive large neighborhood search for fatigue-conscious electric vehicle routing and scheduling problem considering driver heterogeneity | |
CN108515988B (zh) | 一种提高乘客时效的列车运行图优化方法 | |
Yoo et al. | Revising bus routes to improve access for the transport disadvantaged: A reinforcement learning approach | |
CN111931386B (zh) | 一种区域多制式轨道交通区间拥挤系数计算方法及系统 | |
CN115169696A (zh) | 一种人工与自动驾驶混行下的地铁接驳公交智能调度方法 | |
CN111859717B (zh) | 最小化区域多制式轨道交通旅客拥挤系数的方法及系统 | |
Park et al. | Multiobjective approach to the transit network design problem with variable demand considering transit equity | |
CN114036749A (zh) | 一种考虑续航里程的新能源共享汽车的调度方法 | |
CN114723141A (zh) | 一种brt多服务模式优化方法及系统 |
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 |