CN113159499B - 一种面向交通枢纽到达客流疏散的多出行模式组合调度方法 - Google Patents

一种面向交通枢纽到达客流疏散的多出行模式组合调度方法 Download PDF

Info

Publication number
CN113159499B
CN113159499B CN202110244774.9A CN202110244774A CN113159499B CN 113159499 B CN113159499 B CN 113159499B CN 202110244774 A CN202110244774 A CN 202110244774A CN 113159499 B CN113159499 B CN 113159499B
Authority
CN
China
Prior art keywords
bus
passengers
customized
evacuation
taxi
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
CN202110244774.9A
Other languages
English (en)
Other versions
CN113159499A (zh
Inventor
李想
田胜男
马红光
于海涛
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.)
Beijing Intelligent Transportation Development Center Beijing Motor Vehicle Regulation And Management Center
Beijing University of Chemical Technology
Original Assignee
Beijing Intelligent Transportation Development Center Beijing Motor Vehicle Regulation And Management Center
Beijing University of Chemical Technology
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 Beijing Intelligent Transportation Development Center Beijing Motor Vehicle Regulation And Management Center, Beijing University of Chemical Technology filed Critical Beijing Intelligent Transportation Development Center Beijing Motor Vehicle Regulation And Management Center
Priority to CN202110244774.9A priority Critical patent/CN113159499B/zh
Publication of CN113159499A publication Critical patent/CN113159499A/zh
Application granted granted Critical
Publication of CN113159499B publication Critical patent/CN113159499B/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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，基于交通枢纽的历史到达客流数据，统计在给定时间段内需要疏散的客流数量，以及客流对不同出行模式的偏好比例；对历史到达客流的目的地进行聚类，得到多个疏散目的区域，以及各区域内定制巴士的停车点；根据交通枢纽周边可调度的出租车、网约车、定制巴士数量及相应的调度成本，建立一个以最小化疏散成本为目标的混合整数非线性规划模型；根据所建立模型的性质，将其分解为一系列整数线性规划子模型，并分别使用分支定界算法进行求解，得到各个疏散目的区域所需的出租车、网约车与定制巴士数量；针对各个疏散目的区域，建立一个以最小化行驶成本为目标的定制巴士路线规划模型，使用分支定界算法进行求解，得到各个定制巴士的行驶路线。

Description

一种面向交通枢纽到达客流疏散的多出行模式组合调度方法
技术领域
本发明涉及一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，属于城市公共交通技术领域。
背景技术
随着交通运输行业的服务水平越来越高，效率也越来越高。各种城市间出行模式在缩短时空距离的同时，给与其配套的公共交通服务带来挑战。由于各交通枢纽站接驳运输系统还处在发展阶段，中间快，两头慢的现象普遍存在，城市内的交通低效率衔接，在一定程度上抵消了城市间交通的快速性。所以，在客流集中到达交通枢纽站时，怎样匹配高效的乘客接驳疏散运输方式成为关键。
城市内交通不断发展，人们出行需求的多样性与个性化逐渐凸显。地铁、公交、出租车是最传统的市内出行模式。地铁、公交运行时间受限，相对灵活性低，如遇突发客流，很难进行实时调度。网约车的便捷性与实时性使其迅速发展，更加方便了人们的市内出行。但网约车与出租车的单次平均载客率较低，对于解决交通枢纽到达客流的疏散问题及其受限。随着“互联网+”的快速发展，在顺应低碳运输发展的要求的同时进一步提升个性化、定制化服务水平，定制巴士成为新兴的出行模式。相对于地铁、公交，定制巴士灵活度高；相对于出租车网约车，载客量大，低碳环保。定制化交通枢纽站接驳运输服务也相继出现，如北京西站的“高铁快巴”。总而言之，对于一个现实的城市公共交通系统，如何在考虑乘客偏好的同时提高公共交通的利用率，利用有限的调配资源，向乘客提供优质的公共交通运输服务，关键在于高质量的城市公共交通系统规划管理方案。
目前对于客流疏散的研究，主要还是集中于突发事件下客流的疏散[1]，而研究对象也多针对于地铁车站[2-3]。许多研究都集中在开发用于转移滞留乘客的决策支持系统，通常集中在公共汽车接驳问题[4]。综合考虑车辆调配与路线规划没有系统整理研究。但这些问题又是大城市普遍存在且亟需解决的问题。
因此，目前交通枢纽到达客流长时间滞留问题的严重性，导致服务效率低下。本发明综合考虑乘客对不同出行模式的偏好，建立交通枢纽到达客流的疏散运输模式。确定出租车、网约车与定制巴士的数量决策优化以及定制巴士的行驶路线优化进而降低乘客疏散调度成本，属于城市公共交通技术领域；统计在给定时间段内需要疏散的客流数量，以及客流对不同出行模式的偏好比例；面向交通枢纽的到达客流，建立以最小化乘客疏散调度成本为目标的数学模型，得到各个疏散目的区域所需的出租车、网约车与定制巴士数量；针对各个疏散目的区域，建立一个以最小化行驶成本为目标的定制巴士路线规划模型，得到定制巴士的行驶路线。
[1]Wang Y,Guo J,Currie G.；Ceder A A；Dong W,Pender B.Bus bridgingdisruption in rail services with frustrated and impatient passengers[J].IEEETransactions on Intelligent Transportation Systems,2014,15(5):2014-2023.
[2]Gu W,Yu J,Ji Y,Zheng Y,Zhang H M.Plan-based flexible bus bridgingoperation strategy[J].Transportation Research Part C:Emerging Technologies,2018,
91(JUN.):209-229.
[3]Jin J G,Teo K M,Odoni A R.Optimizing bus bridging services inresponse to disruptions of urban transit rail networks[J].TransportationScience,2016,50(3):790-804.
[4]Yang Y,Ding H X,Chen F,Yang H M.An approach for evaluatingconnectivity of interrupted rail networks with bus bridging services[J].Advances in Mechanical Engineering,2018,10(3):1-12.
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，引入出租车、网约车与定制巴士组合调度模式改变现有的陆上出行模式，即改变只依靠出租车和网约车疏散客流导致乘客等待时间长的现状，针对交通枢纽站需要疏散的所有乘客，采用出租车、网约车与定制巴士组合调度的方法结合乘客的对不同出行模式的偏好进行调度，实现对交通枢纽到达客流的高效疏散和对疏散成本的最优控制。
本发明技术解决方案：一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，利用出租车、网约车和定制巴士的组合调度实现对交通枢纽到达客流的高效疏散。在考虑乘客对出租车与网约车偏好的基础上，根据出租车与网约车可调度数量的限制，协同调度出租车、网约车与定制巴士疏散交通枢纽到达乘客；根据历史数据中乘客的需求数据与偏好数据，对历史到达客流的目的地进行聚类，得到多个疏散目的区域，以及各区域内定制巴士的停车点；面向所有区域的乘客需求，建立一个以最小化调度成本与惩罚成本为目标的数学模型；将所建立的模型转换成一系列线性规划子模型，使用分支定界算法对其进行求解，得到出租车、网约车与定制巴士的组合调度方案；面向每个区域的乘客需求与定制巴士的调度数量，建立一个以最小化定制巴士行驶成本的数学模型；将所建立的模型使用分支定界算法对其进行求解，得到定制巴士的行驶路线优化方案。
具体包括以下步骤：
第一步，根据交通枢纽的历史到达客流数据，乘坐出租车和网约车的乘客的数量比例和目的地数据，确定乘客对出租车和网约车的偏好比例；
第二步，对乘客的历史目的地利用k-means聚类方法进行聚类，得到多个疏散目的区域，将聚类后的中心点作为定制巴士的停车点，根据停车点所在的疏散目的区域，与历史到达客流目的地数据确定每个疏散目的区域内每个停车点的乘客数量；
第三步，基于乘客对出租车和网约车的偏好比例与当前时段内可调度出租车与网约车的数量，优化各疏散目的区域内出租车、网约车与定制巴士的调度数量；确定出租车，网约车和定制巴士三种出行模式组合调度的目标以及相应的约束条件，提出将最小化调度成本与惩罚成本作为优化目标，满足车辆可调度作为约束条件；根据优化目标和约束条件，建立如下混合整数非线性规划模型：
Figure GDA0003573804320000031
Figure GDA0003573804320000032
Figure GDA0003573804320000033
Figure GDA0003573804320000034
nr1≥0,nr2≥0,nr3≥0；r＝1,2,…,R
0≤ωc≤1；c＝1,2
0≤ω0≤1
其中：
r为区域指标，r＝1,2,…,R；
c为出行模式，c＝1,2，c＝1为出租车，c＝2为网约车；
α1为出租车的单位调度成本，α2为网约车的单位调度成本，α3为定制巴士的单位调度成本；
γc为未满足历史天数中选择出行模式c乘客最大数量分位点的惩罚参数c＝1,2；
γ0为未满足历史天数中最大乘客疏散需求分位点的惩罚参数；
Nc为出行模式c最大可调度数量，c＝1,2；
μc为出行模式c平均载客数量，c＝1,2
Q为定制巴士的核载人数；
nr1为决策变量，区域r出租车需要调度的数量，r＝1,2,…,R；
nr2为决策变量，区域r网约车需要调度的数量，r＝1,2,…,R；
nr3为决策变量，区域r定制巴士需要调度的数量，r＝1,2,…,R；
ωc为决策变量，选择出行模式c乘客数量的分位点，c＝1,2；
ω0为决策变量，总体需要疏散乘客数量的分位点；
Figure GDA0003573804320000041
为决策变量，区域r选择出行模式c乘客数量分位数，r＝1,2,…,R,c＝1,2；
Figure GDA0003573804320000042
为决策变量，区域r内所有需要疏散的乘客数量分位数，r＝1,2,…,R；
第四步，对混合整数非线性规划模型进行求解，给定ωc与ω0不同取值下得到一系列整数线性规划子模型，采用分支定界算法分别求解，最后通过比较得到出租车、网约车与定制巴士三种出行模式的最优组合调度方案，即每个区域内可调度的出租车、网约车与定制巴士的数量，以及可疏散乘客的数量；
第五步，基于每个区域调度的定制巴士的数量与乘客数量，优化每个区域内的乘客行驶路线，确定定制巴士行驶路线优化的目标以及相应的约束条件，提出将最小化定制巴士行驶成本为优化目标，满足所有乘客的需求的约束条件；根据优化目标和约束条件，建立如下整数线性规划模型：
Figure GDA0003573804320000051
Figure GDA0003573804320000052
Figure GDA0003573804320000053
Figure GDA0003573804320000054
Figure GDA0003573804320000055
Figure GDA0003573804320000056
Figure GDA0003573804320000057
Figure GDA0003573804320000058
Figure GDA0003573804320000059
Figure GDA00035738043200000510
ui≥0；i＝1,2,…,N
Figure GDA00035738043200000511
其中：
i、j、k为定制巴士停车点的指标，i＝0,1,…,N；j＝1,…,N,N+1；k＝1,2,…N；0与N+1分别为交通枢纽站与停车场；
m为定制巴士的指标，m＝1,2,…,M
cij为路段(i,j)的行驶成本，不考虑i＝0和j＝N+1时；
di为定制巴士停车点i下车乘客的数量，不考虑i＝0时；
Figure GDA00035738043200000512
为决策变量，定制巴士m通过路段(i,j)，取值为1；否则，取值为0，m＝1,2,…,M；i＝0,1,…,N；j＝1,…,N,N+1；
Figure GDA00035738043200000513
为决策变量，定制巴士m在定制巴士停车点i下车乘客的数量，m＝1,2,…,M，不考虑i＝0时；
第六步，对数学模型进行求解，采用分支定界算法对得到的混合整数线性规划模型进行求解，得到每个区域内定制巴士的行驶路线及服务各停车点乘客的数量。
所述第四步与第六步中，采用分支定界算法对得到的混合整数线性规划模型进行求解，分别得到出租车、网约车与定制巴士在各区域内的调度数量和定制巴士在各区域内的行驶路线，具体如下：
(1)第三步混合整数非线性规划模型进行求解，根据模型性质在给定ωc与ω0不同的取值下，将其分解为一系列整数线性规划子模型，采用分支定界算法求解比较，得到决策变量nr1,nr2,nr3；r＝1,2,…,R；，即各个疏散目的区域所需的出租车、网约车与定制巴士数量；
(2)采用分支定界算法对第五步的整数线性规划模型进行求解，得到决策变量
Figure GDA0003573804320000061
和
Figure GDA0003573804320000062
i＝1,2,…,N；m＝1,2,…,M的值，即在该区域内定制巴士m行走的弧段与在每个停车点服务乘客的数量。
本发明与现有技术相比具有如下有益效果：
(1)考虑实际交通枢纽到达乘客疏散过程中乘客对不同出行模式的偏好，以往乘客疏散只考虑一种出行模式进行服务，并没有考虑乘客的个性化需求。在考虑乘客的偏好性的基础上，本发明组合调度出租车、网约车与定制巴士三种出行模式疏散交通枢纽到达乘客，并优化定制巴士的路线，具有现实意义。
(2)该方法通过决策出租车、网约车与定制巴士三种出行模式的调度数量与定制巴士的行驶路线，以最小化车辆调度的成本、惩罚与最小化定制巴士行驶成本，能够实现对疏散成本的最优控制。
(3)本发明提供了一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，综合考虑乘客的偏好对交通枢纽到达客流进行疏散，通过对出租车、网约车与定制巴士的数量决策优化与定制巴士的路线优化进而降低客流疏散调度成本，属于城市公共交通技术领域；基于交通枢纽的历史到达客流数据，统计在给定时间段内需要疏散的客流数量，以及客流对不同出行模式的偏好比例；面向交通枢纽到达客流的疏散问题，建立以最小化疏散客流调度成本为目标的数学模型，得到各个疏散目的区域所需的出租车、网约车与定制巴士数量；以最小化定制巴士行驶成本为目标的定制巴士路线优化的数学模型，得到每个区域内定制巴士的行驶路线以及每个停车点服务乘客的数量。针对所建立的数学模型，使用分支定界算法进行求解，得到了模型的全局最优解。
(4)本发明主要在城市交通枢纽到达旅客滞留频发的背景下，采用出租车、网约车与定制巴士组合调度方法疏散交通枢纽到达客流，以实现对到达客流的高效疏散和对疏散成本的最优控制。陆上交通如果只依靠出租车网约车疏散，会导致乘客等待时间较长，且车辆运行成本太高导致资源浪费；通过出租车、网约车与定制巴士的组合调度，考虑了乘客对不同出行模式的偏好，增加定制巴士的调度优化其行驶路线，从而显著减少了成本和资源的浪费。因此，本发明针对交通枢纽到达客流实现高效疏散和对疏散成本的最优控制。
附图说明
图1为本发明方法的实现流程图；
图2是需要疏散乘客目的地的候选点；
图3是乘客目的地候选点聚类。
具体实施方式
以下结合具体实例对本发明内容作详细说明。
如图1所示，本发明的方法通过以下步骤实现：
(1)基于交通枢纽的历史到达客流数据，统计在给定时间段内需要疏散的客流数量，以及客流对不同出行模式的偏好比例；
(2)对历史到达客流的目的地利用k-means聚类方法进行聚类，得到多个疏散目的区域，以及各区域内定制巴士的停车点，并确定在历史数据中每个区域内乘客数量；
(3)根据乘客对不同出行模式的偏好数据与可调度车辆的数量，优化各区域内调度出租车、网约车与定制巴士的数量。确定三种出行模式组合调度的目标以及相应的约束条件，提出将最小化调度成本与惩罚成本作为目标，需要满足车辆可调度的限制约束条件。
(4)在明确优化目标和约束条件以后，建立数学模型，具体如下：
符号系统：
r为区域指标，r＝1,2,…,R
c为出行模式的指标，c＝1,2，c＝1为出租车，c＝2为网约车
α1为出租车的单位调度成本，α2为网约车的单位调度成本，α3为定制巴士的单位调度成本；
γc为未满足历史天数中选择交通方式c乘客最大数量分位点的惩罚参数c＝1,2
γ0为未满足历史天数中最大乘客疏散需求分位点的惩罚参数
Nc为出行模式c最大可调度数量，c＝1,2
μc为出行模式c平均载客数量，c＝1,2
Q为定制巴士的核载人数
nr1为决策变量，区域r出租车需要调度的数量，r＝1,2,…,R
nr2为决策变量，区域r网约车需要调度的数量，r＝1,2,…,R
nr3为决策变量，区域r定制巴士需要调度的数量，r＝1,2,…,R
ωc为决策变量，选择出行模式c乘客数量的分位点，c＝1,2
ω0为决策变量，总体需要疏散乘客数量的分位点
Figure GDA0003573804320000081
为决策变量，区域r选择出行模式c乘客数量分位数，r＝1,2,…,R；c＝1,2
Figure GDA0003573804320000082
为决策变量，区域r内所有需要疏散的乘客数量分位数，r＝1,2,…,R
面向所有区域的乘客需求，目标是最小化出租车、网约车与定制巴士的调度成本与惩罚成本：
Figure GDA0003573804320000083
为了保证服务的可靠性，要求调度的出租车与网约车不能超过最大限制，即：
Figure GDA0003573804320000084
综上，建立如下的数学模型：
Figure GDA0003573804320000091
Figure GDA0003573804320000092
Figure GDA0003573804320000093
Figure GDA0003573804320000094
nr1≥0,nr2≥0,nr3≥0；r＝1,2,…,R
0≤ωc≤1；c＝1,2
0≤ω0≤1
(5)所建立的数学模型是一个非线性规划，因为第二个约束和第三个约束条件是非线性的。分别确定一系列ωc与ω0的值，将模型分解为一系列线性规划子模型，分别采用分支定界算法求解，最后通过比较得到出租车、网约车与定制巴士的最优组合调度方案，具体如下：得到决策变量nr1,nr2,nr3；r＝1,2,…,R；
Figure GDA0003573804320000095
r＝1,2,…,R；c＝1,2和
Figure GDA0003573804320000096
r＝1,2,…,R的值。区域r内出行模式c调度的数量为nrc，能满足乘客数量为
Figure GDA0003573804320000097
的需求。
(6)基于每个区域调度的定制巴士的数量nr3与乘客数量，优化每个区域内定制巴士的行驶路线。确定定制巴士路线调度的目标以及相应的约束，提出将最小化定制巴士行驶成本为目标，满足所有乘客的需求的限制约束。
(7)在明确优化目标和约束条件以后，建立数学模型，具体如下：
符号系统：
ijk为定制巴士停车点的指标，i＝0,1,…,N；j＝1,…,N,N+1；k＝1,2,…N；0与N+1分别为交通枢纽站与停车场
m为定制巴士的指标，m＝1,2,…,M
cij为路段(i,j)的行驶成本，不考虑i＝0和j＝N+1时；
di为定制巴士停车点i下车乘客的数量，不考虑i＝0时；
Q为定制巴士的核载人数
Figure GDA0003573804320000098
为决策变量，车辆m通过路段(i,j)，取值为1；否则，取值为0，m＝1,2,…,M,i＝0,1,…,N；j＝1,…,N,N+1；
Figure GDA0003573804320000101
为决策变量，定制巴士m在定制巴士停车点i下车乘客的数量，m＝1,2,…,M,不考虑i＝0时；
面向所有区域的乘客需求，目标是最小化定制巴士行驶成本：
Figure GDA0003573804320000102
为了保证服务的可靠性，要求所有乘客的需求必须满足且每辆定制巴士的车载量不能超过额定人数，即：
Figure GDA0003573804320000103
Figure GDA0003573804320000104
综上，建立如下的数学模型：
Figure GDA0003573804320000105
Figure GDA0003573804320000106
Figure GDA0003573804320000107
Figure GDA0003573804320000108
Figure GDA0003573804320000109
Figure GDA00035738043200001010
Figure GDA00035738043200001011
Figure GDA00035738043200001012
Figure GDA00035738043200001013
Figure GDA00035738043200001014
ui≥0；i＝1,2,…,N
Figure GDA00035738043200001015
(7)采用分支定界算法对得到的混合整数线性规划模型进行求解，得到每个车的承载的乘客数量及其目的地信息，以及每个区域内定制巴士的行驶路线，具体如下：
采用分支定界算法对转化后的混合整数线性规划模型进行求解，得到决策变量
Figure GDA00035738043200001016
m＝1,2,…,M和
Figure GDA0003573804320000111
m＝1,2,…,M的值。若
Figure GDA0003573804320000112
则定制巴士m经过路段(i,j)，且在定制巴士停车点i服务的乘客数量为
Figure GDA0003573804320000113
下面再结合具体的实例进行说明。
现在交通枢纽到达乘客的陆上交通可以选择大巴、出租车与网约车，大巴数量较少目的地有限运行时间长等原因选择大巴的乘客很少，尤其在夜间，乘客主要选择的出行模式为出租车与网约车，但这样会导致乘客长时间滞留。以在首都国际机场为例，由于乘客的目的地较多如图2所示，遍布整个北京市及周边，每天依靠出租车与网约车进行疏散，将会导致乘客滞留时间长并且造成资源浪费。本发明在出租车与网约车的基础上增加调度定制巴士，并且考虑乘客对出租车与网约车的偏好的基础上优化客流疏散方案。
具体考虑在晚间23:00到24:00内首都机场到达乘客的疏散调度问题。30天内每天的需要疏散的乘客数量如表1所示。乘客最多的一天有11336人次，按照平均一辆车1.4人次计算，大概需要8098辆出租车或网约车。一个小时内想要调度这么多的车辆有很大难度，导致乘客长时间滞留。
表130天内晚间23:00到24:00内首都机场乘客需要疏散的人数
Figure GDA0003573804320000114
本发明在考虑乘客偏好的基础上，对出租车、网约车与定制巴士进行组合调度，以降低疏散成本，提高客流的疏散效率。具体步骤如下：
(1)根据首都机场历史乘客选择三种出行模式的数量与目的地数据，确定乘客对出租车与网约车的偏好比例，对于该交通枢纽站研究时段内出租车与网约车可调度数量为800辆与520辆。
(2)把乘客的历史目的地经纬度坐标转化为笛卡尔坐标系，利用k-means聚类方法进行聚类，得到聚类后的中心点作为定制巴士的停车点，根据停车点所在区域，确定在历史数据中每个区域内每个点的乘客数量；目的地聚类后得到70个中心点(如图3所示，圆圈表示聚类后的中心点)，根据这些点的位置划分为10个疏散目的区域，且这些中心点作为各区域内的定制巴士停车点(以下称为停车点)。
(3)根据乘客对出租车、网约车的偏好数据与当前时段可调度出租车、网约车的数量，将最小化调度成本与惩罚成本作为目标，需要满足车辆可调度的限制约束条件建立如下的混合整数非线性规划模型：
Figure GDA0003573804320000121
Figure GDA0003573804320000122
Figure GDA0003573804320000123
Figure GDA0003573804320000124
nr1≥0,nr2≥0,nr3≥0；r＝1,2,…,R
0≤ωc≤1,c＝1,2
0≤ω0≤1
对模型进行求解，在ωc与ω0不同的取值下得到一系列整数线性规划子模型，采用分支定界算法分别求解，最后通过比较，得到各个疏散目的区域所需的出租车、网约车与定制巴士数量，如表2所示。
表2最优调度方案
Figure GDA0003573804320000125
(4)根据每个区域调度的定制巴士的数量nr3与乘客数量，部分停车点的乘客数量超过定制巴士的核载人数，需要以核载人数的倍数对需求数量进行拆分。整倍数的停车点通过调度相关数量的定制巴士进行疏散；小于定制巴士核载人数的停车点，以最小化定制巴士的行驶成本为目标，需要满足所有乘客的需求的限制约束条件，优化定制巴士的行驶路线。以区域1为例，停车点的个数为7。设0与8都为首都机场。7个停车点的乘客人数为[88，26，41，13，84，223，95]。由于部分停车点的乘客数量超过定制巴士的核载人数(45人)，单个停车点达到定制巴士的核载人数时，需要以核载人数的倍数对需求数量进行拆分。例如停车点7的乘客数量为95，可以拆分为45×2+5，以5作为停车点7的乘客数量，其余乘客直接被两辆定制巴士车服务。则各停车点的乘客数量为[43，26，41，13，39，43，5]，疏散这些乘客定制巴士数量为13-8＝5，建立如下的整数线性规划模型：
Figure GDA0003573804320000131
Figure GDA0003573804320000132
Figure GDA0003573804320000133
Figure GDA0003573804320000134
Figure GDA0003573804320000135
Figure GDA0003573804320000136
Figure GDA0003573804320000137
Figure GDA0003573804320000138
Figure GDA0003573804320000139
Figure GDA00035738043200001310
ui≥0；i＝1,2,…,7
Figure GDA00035738043200001311
使用分支定界算法对模型进行求解。得到一个区域内每个车的承载的乘客数量及其目的地信息，以及每个区域内定制巴士的优化路线。例如：区域1内定制巴士的优化路线与载客数量如表3所示。
表3区域1的定制巴士优化路线
Figure GDA00035738043200001312
Figure GDA0003573804320000141
以上说明了本发明的有效性，得出本发明所提出的出租车、网约车与定制巴士组合调度优化方法可以有效疏散交通枢纽到达客流。
总之，基于交通枢纽的历史到达客流数据，统计在给定时间段内需要疏散的客流数量，以及客流对不同出行模式的偏好比例；对历史到达客流的目的地进行聚类，得到多个疏散目的区域，以及各区域内定制巴士的停车点；根据交通枢纽周边可调度的出租车、网约车、定制巴士数量及相应的调度成本，建立一个以最小化疏散成本为目标的混合整数非线性规划模型；根据所建立模型的性质，将其分解为一系列整数线性规划子模型，并分别使用分支定界算法进行求解，得到各个疏散目的区域所需的出租车、网约车与定制巴士数量；针对各个疏散目的区域，建立一个以最小化行驶成本为目标的定制巴士路线规划模型，使用分支定界算法进行求解，得到各个定制巴士的行驶路线。本发明在交通枢纽到达旅客滞留频发的背景下，考虑客流对不同出行模式的偏好，通过出租车、网约车与定制巴士等多种出行模式的组合调度以及定制巴士的路线规划，实现对交通枢纽到达客流的高效疏散和对疏散成本的最优控制。

Claims (2)

1.一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，其特征在于，包括以下步骤：
第一步，根据交通枢纽的历史到达客流数据，乘坐出租车和网约车的乘客的数量比例和目的地数据，确定乘客对出租车和网约车的偏好比例；
第二步，对乘客的历史目的地利用k-means聚类方法进行聚类，得到多个疏散目的区域，将聚类后的中心点作为定制巴士的停车点，根据停车点所在的疏散目的区域，与历史到达客流目的地数据确定每个疏散目的区域内每个停车点的乘客数量；
第三步，基于乘客对出租车和网约车的偏好比例与当前时段内可调度出租车与网约车的数量，优化各疏散目的区域内出租车、网约车与定制巴士的调度数量；确定出租车，网约车和定制巴士三种出行模式组合调度的目标以及相应的约束条件，提出将最小化调度成本与惩罚成本作为优化目标，满足车辆可调度作为约束条件；根据优化目标和约束条件，建立如下混合整数非线性规划模型：
Figure FDA0003583217220000011
Figure FDA0003583217220000012
Figure FDA0003583217220000013
Figure FDA0003583217220000014
nr1≥0,nr2≥0,nr3≥0；r＝1,2,…,R
0≤ωc≤1；c＝1,2
0≤ω0≤1
其中：
R表示所有区域的个数；
M表示所有定制巴士车辆的个数；
r为区域指标，r＝1,2,…,R；
c为出行模式，c＝1,2，c＝1为出租车，c＝2为网约车；
α1为出租车的单位调度成本，α2为网约车的单位调度成本，α3为定制巴士的单位调度成本；
γc为未满足历史天数中选择出行模式c乘客最大数量分位点的惩罚参数c＝1,2；
γ0为未满足历史天数中最大乘客疏散需求分位点的惩罚参数；
Nc为出行模式c最大可调度数量，c＝1,2；
μc为出行模式c平均载客数量，c＝1,2；
Q为定制巴士的核载人数；
nr1为决策变量，区域r出租车需要调度的数量，r＝1,2,…,R；
nr2为决策变量，区域r网约车需要调度的数量，r＝1,2,…,R；
nr3为决策变量，区域r定制巴士需要调度的数量，r＝1,2,…,R；
ωc为决策变量，选择出行模式c乘客数量的分位点，c＝1,2；
ω0为决策变量，总体需要疏散乘客数量的分位点；
Figure FDA0003583217220000021
为决策变量，区域r选择出行模式c乘客数量分位数，r＝1,2,…,R；c＝1,2；
Figure FDA0003583217220000022
为决策变量，区域r内所有需要疏散的乘客数量分位数，r＝1,2,…,R；
第四步，对混合整数非线性规划模型进行求解，给定ωc与ω0不同取值下得到一系列整数线性规划子模型，采用分支定界算法分别求解，最后通过比较得到出租车、网约车与定制巴士三种出行模式的最优组合调度方案，即每个区域内可调度的出租车、网约车与定制巴士的数量，以及可疏散乘客的数量；
第五步，基于每个区域调度的定制巴士的数量与乘客数量，优化每个区域内的乘客行驶路线，确定定制巴士行驶路线优化的目标以及相应的约束条件，提出将最小化定制巴士行驶成本为优化目标，满足所有乘客的需求的约束条件；根据优化目标和约束条件，建立如下整数线性规划模型：
Figure FDA0003583217220000031
Figure FDA0003583217220000032
Figure FDA0003583217220000033
Figure FDA0003583217220000034
Figure FDA0003583217220000035
Figure FDA0003583217220000036
Figure FDA0003583217220000037
Figure FDA0003583217220000038
Figure FDA0003583217220000039
Figure FDA00035832172200000310
ui≥0；i＝1,2,…,N
Figure FDA00035832172200000311
其中：
N表示所有定制巴士停车点的个数；
i,j,k为交通枢纽和定制巴士停车点的指标，i＝0,1,…,N；j＝1,…,N,N+1；k＝1,2,…N，其中0与N+1都表示交通枢纽，1,2,…,N为定制巴士停车点；
m为定制巴士的指标，m＝1,2,…,M；
cij为路段(i,j)的行驶成本，不考虑i＝0和j＝N+1；
di为定制巴士停车点i下车乘客的数量，不考虑i＝0；
ui表示定制巴士停车点i被定制巴士访问的次序；
uj表示定制巴士停车点j被定制巴士访问的次序；
Figure FDA0003583217220000041
为决策变量，定制巴士m通过路段(i,j)，取值为1；否则，取值为0，m＝1,2,…,M；i＝0,1,…,N；j＝1,…,N,N+1；
Figure FDA0003583217220000042
为决策变量，定制巴士m在定制巴士停车点i下车乘客的数量，m＝1,2,…,M；不考虑i＝0时；
第六步，对数学模型进行求解，采用分支定界算法对得到的混合整数线性规划模型进行求解，得到每个区域内定制巴士的行驶路线及服务各停车点乘客的数量。
2.根据权利要求1所述的一种面向交通枢纽到达客流疏散的多出行模式组合调度方法，其特征在：所述第四步与第六步中，采用分支定界算法对得到的混合整数线性规划模型进行求解，分别得到出租车、网约车与定制巴士在各区域内的调度数量和定制巴士在各区域内的行驶路线，具体如下：
步骤1对所述第三步混合整数非线性规划模型进行求解，根据模型性质在给定ωc与ω0不同的取值下，将其分解为一系列整数线性规划子模型，采用分支定界算法求解比较，得到决策变量nr1，nr2，nr3；r＝1,2,…,R，即各个疏散目的区域所需的出租车、网约车与定制巴士数量；
步骤2采用分支定界算法对第五步的整数线性规划模型进行求解，得到决策变量
Figure FDA0003583217220000043
和
Figure FDA0003583217220000044
i＝1,2,…,N；m＝1,2,…,M的值，即在该区域内定制巴士m行走的弧段与在每个停车点服务乘客的数量。
CN202110244774.9A 2021-03-05 2021-03-05 一种面向交通枢纽到达客流疏散的多出行模式组合调度方法 Active CN113159499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110244774.9A CN113159499B (zh) 2021-03-05 2021-03-05 一种面向交通枢纽到达客流疏散的多出行模式组合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110244774.9A CN113159499B (zh) 2021-03-05 2021-03-05 一种面向交通枢纽到达客流疏散的多出行模式组合调度方法

Publications (2)

Publication Number Publication Date
CN113159499A CN113159499A (zh) 2021-07-23
CN113159499B true CN113159499B (zh) 2022-05-10

Family

ID=76884251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110244774.9A Active CN113159499B (zh) 2021-03-05 2021-03-05 一种面向交通枢纽到达客流疏散的多出行模式组合调度方法

Country Status (1)

Country Link
CN (1) CN113159499B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409388B (zh) * 2022-09-02 2023-04-07 北京化工大学 多车型定制公交运营优化方法
CN115578233B (zh) * 2022-11-18 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 一种交通应急疏散方法、系统及计算机设备
CN116468324B (zh) * 2023-04-25 2024-01-05 北京化工大学 一种数据驱动的交通枢纽到达客流量分解-集成预测方法
CN117236473B (zh) * 2023-11-10 2024-01-30 华中科技大学 枢纽疏散场景下乘客同乘车辆的路径分配方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793760A (zh) * 2014-01-24 2014-05-14 同济大学 多模式综合交通枢纽内部客流换乘分配比例优化方法
WO2018000931A1 (zh) * 2016-07-01 2018-01-04 广州地理研究所 一种多约束网络集约小客车调度方法
CN109409599A (zh) * 2018-10-24 2019-03-01 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
CN110070218A (zh) * 2019-04-12 2019-07-30 西南交通大学 面向多制式区域轨道交通的动态服务网络优化设计方法
CN111582691A (zh) * 2020-04-28 2020-08-25 北京交通大学 基于双层规划的客运枢纽多交通方式的运力匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784827A (zh) * 2017-10-22 2018-03-09 深圳市微埃智能科技有限公司 一种动态巴士路线的实现方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793760A (zh) * 2014-01-24 2014-05-14 同济大学 多模式综合交通枢纽内部客流换乘分配比例优化方法
WO2018000931A1 (zh) * 2016-07-01 2018-01-04 广州地理研究所 一种多约束网络集约小客车调度方法
CN109409599A (zh) * 2018-10-24 2019-03-01 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
CN110070218A (zh) * 2019-04-12 2019-07-30 西南交通大学 面向多制式区域轨道交通的动态服务网络优化设计方法
CN111582691A (zh) * 2020-04-28 2020-08-25 北京交通大学 基于双层规划的客运枢纽多交通方式的运力匹配方法

Also Published As

Publication number Publication date
CN113159499A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159499B (zh) 一种面向交通枢纽到达客流疏散的多出行模式组合调度方法
CN105070044B (zh) 一种基于乘客预约的定制公交合乘车辆动态调度方法
US20190108468A1 (en) Method and apparatus to operate smart mass transit systems with on-demand rides, dynamic routes and coordinated transfers
CN103956041B (zh) 一种公交调度系统及其控制方法
CN102113001A (zh) 用于出租车管理的系统与方法
CN111915464B (zh) 一种基于考虑常规公交线网的地铁中断区间乘客接驳模型系统及方法
CN113628473B (zh) 一种智能公交车辆响应式停站计划与动态调度系统
CN103793760A (zh) 多模式综合交通枢纽内部客流换乘分配比例优化方法
CN111898909A (zh) 一种基于实时需求的无人驾驶公交派车方法
CN106981189B (zh) 智能公交运行路线设置方法和系统
CN113988371B (zh) 基于客流直达的城市轨道交通跨站停开行方案优化方法
CN109523064B (zh) 一种基于多网融合的智能微枢纽
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
CN114971136A (zh) 一种公交及巡游小巴调度方法
CN112465177B (zh) 一种基于大数据分析的公交线路优化系统及方法
CN113450242A (zh) 一种路径偏离式公交调度系统及存储介质和设备
CN116153060A (zh) 一种应用于智能公交的乘客周期性行为模式的需求响应车辆调度方法及系统
CN116468219A (zh) 一种枢纽站接驳出租车合乘调度匹配方法
CN115879658A (zh) 定制公交路径优化方法、系统、存储介质及设备
CN116109081A (zh) 一种基于物联网的动态公交调度优化方法和装置
CN113096430B (zh) 基于欧氏距离收费的弹性公交即时需求动态响应方法
Yin et al. A two-stage stochastic optimization model for passenger-oriented metro rescheduling with backup trains
CN116151538A (zh) 一种应用于智能公交需求均衡式调度的仿真系统及方法
CN111951542B (zh) 一种面向机场出租车上客区服务效率优化的上客点数量规划方法
CN110246356B (zh) 一种确定可变线路公交配置车辆数和类型的方法

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
CB02 Change of applicant information

Address after: 100029, No. 15 East Third Ring Road, Chaoyang District, Beijing

Applicant after: BEIJING University OF CHEMICAL TECHNOLOGY

Applicant after: Beijing Intelligent Transportation Development Center (Beijing motor vehicle regulation and management center)

Address before: 100029, No. 15 East Third Ring Road, Chaoyang District, Beijing

Applicant before: BEIJING University OF CHEMICAL TECHNOLOGY

Applicant before: Beijing Traffic Information Center

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant