CN113379222B - 一种基于实时需求信息的城市轨道交通客流控制方法 - Google Patents
一种基于实时需求信息的城市轨道交通客流控制方法 Download PDFInfo
- Publication number
- CN113379222B CN113379222B CN202110624714.XA CN202110624714A CN113379222B CN 113379222 B CN113379222 B CN 113379222B CN 202110624714 A CN202110624714 A CN 202110624714A CN 113379222 B CN113379222 B CN 113379222B
- Authority
- CN
- China
- Prior art keywords
- train
- passenger flow
- time period
- flow control
- passengers
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000011217 control strategy Methods 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 13
- 230000000717 retained effect Effects 0.000 claims description 9
- 239000013604 expression vector Substances 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- CNJLMVZFWLNOEP-UHFFFAOYSA-N 4,7,7-trimethylbicyclo[4.1.0]heptan-5-one Chemical compound O=C1C(C)CCC2C(C)(C)C12 CNJLMVZFWLNOEP-UHFFFAOYSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000014599 transmission of virus Effects 0.000 description 1
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
- G06Q10/06311—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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明提供一种基于实时需求信息的城市轨道交通客流控制方法,包括:构建城市轨道交通的虚拟网络模型,刻画列车时刻表,表示每个时间段的列车停站及运营情况;基于构建的城市轨道交通虚拟网络模型,估计每个时段客流需求的随机分布特征,得到每个起讫点客流需求的概率分布;根据构建的城市轨道交通虚拟网络模型以及每个起讫点客流需求的概率分布,建立城市轨道交通客流控制的随机动态规划模型;基于近似动态规划方法,设计基于实时需求信息的城市轨道客流控制策略,得到每个阶段的客流控制决策方案。本发明方法能根据实时获取的需求信息进行客流控制决策,显著提高城市轨道交通运力资源的利用效率,降低高峰时段的城市轨道交通客流拥挤问题。
Description
技术领域
本发明涉及城市轨道交通客流控制技术领域,具体而言,尤其涉及一种基于实时需求信息的城市轨道交通客流控制方法。
背景技术
近年来,大城市轨道交通的客流需求高速增长,并且很大比例的出行集中在高峰时段,使其面临严重的客流拥挤问题。这会导致大量乘客聚集在地铁站,增加人流踩踏事故风险。尤其在公共卫生事件(如新冠肺炎疫情)期间,客流大规模聚集会增加病毒传播风险,威胁公众健康。当前运营者投入大量资源建设新线路,完善基础设施,降低发车间隔,以提高城市轨道交通运力供给。然而当前客流增速远超其运力供给增速,导致客流拥挤问题日益严重。此外,北京等大城市轨道交通的高峰时段发车间隔已经很短(2分钟以内),几乎达到安全运营极限,进一步增加运力缓解客流拥挤的空间较为有限。在此背景下,从运力资源分配角度研究城市轨道交通的客流控制策略,提升现有运力资源的利用效率,是缓解客流拥挤的有效方法。
现阶段,针对城市轨道交通客流控制的实践操作和理论研究已经有一定的积累。一方面,北京、上海大城市都采取了客流控制措施管控高峰时段进站量,其主要从单个站点角度考虑限制乘客进站以防止客流过度聚集,而没有考虑线路上不同站点的协同客流控制,无法提升运力资源的利用效率。另一方面,相关理论研究大都基于客流需求确定且已知的前提下建立数学规划模型,没有考虑客流需求的随机性和动态性特点,而当实际客流需求波动时,当前方法得到的最优解将不再最优,甚至变得不可行。
发明内容
根据上述提出的技术问题,本发明提供一种基于实时需求信息的城市轨道交通客流控制方法。本发明考虑城市轨道交通客流需求的随机性和动态性特点,建立客流控制的随机动态规划模型,并基于近似动态规划方法设计客流控制策略。该方法能够优化城市轨道交通的实时客流控制决策,提高城市轨道交通运力资源的利用效率,缓解高峰时段的客流拥挤。
本发明采用的技术手段如下:
一种基于实时需求信息的城市轨道交通客流控制方法,包括:
S1、构建城市轨道交通的虚拟网络模型,刻画列车时刻表,表示每个时间段的列车停站及运营情况;
S2、基于构建的所述城市轨道交通虚拟网络模型,估计每个时段客流需求的随机分布特征,得到每个起讫点客流需求的概率分布;
S3、根据构建的所述城市轨道交通虚拟网络模型以及每个起讫点客流需求的概率分布,建立城市轨道交通客流控制的随机动态规划模型;
S4、基于近似动态规划方法,设计基于实时需求信息的城市轨道客流控制策略,得到每个阶段的客流控制决策方案。
进一步地,所述步骤S1的核心是基于列车时刻表表示每个阶段的列车停站、下游车站以及站点是否有列车停靠的信息,具体实现过程如下:
S11、假设城市轨道交通线路共包括N个站点,从起点到终点依次编号为0,1,...,N–1,共有V辆列车在高峰时段依次从起点0开往终点N-1,每辆列车的容量均为C;
S12、将高峰时段划分成T个时间段,则对每辆列车v从始发站出发和到达终点站的时间分别为和/>
S13、在列车v的运行途中,用0-1变量表示列车v在时间段t是否经过站点i,若经过则取1,否则取0;
S14、令表示列车v在时刻t距离最近的下游车站;
S15、用0-1变量表示列车v在时刻t是否停靠其中一个车站,若停靠则取1,否则取0;
S16、用0-1变量表示在时间段t是否有列车停靠站点i,若有列车停靠则取1,否则取0。
进一步地,所述步骤S2的具体实现过程如下:
S21、基于构建的所述城市轨道交通虚拟网络模型,根据城市轨道交通的历史客流刷卡数据,得到所有起讫点的集合
S22、针对每个起讫点OD(i,j),结合高峰时段的乘客出行行为特征,估计出每个时间段t的随机客流需求的分布特征;
S23、基于估计的分布特征,得到分布特征的均值及累积概率分布函数/>
S24、基于统计分析方法,得到时间段t的随机需求场景ωt及所有需求场景的支撑集Ω。
进一步地,所述步骤S3中建立的随机动态规划模型以高峰时段列车服务乘客所产生的总收益最大为目标函数,以列车容量、客流守恒及列车时刻表为约束,包括两部分模型变量,一部分是系统状态变量和/>其中/>表示在时间段t刚开始时起讫点OD(i,j)的滞留乘客数量,/>表示时间段t刚开始时列车v上到终点j的乘客数量;另一部分是系统控制变量/>表示在时间段t接收的起讫点OD(i,j)的上车人数。
进一步地,所述步骤S3的具体实现过程如下:
S31、基于系统状态变量的定义,表示模型的系统状态转移方程,包括系统滞留乘客数量的状态转移方程和列车上乘客数量的状态转移方程;
S32、采用粗体表示向量,将滞留乘客数量状态、车上乘客数量状态和客流控制决策向量分别表示成D,S和x;
S33、基于步骤S32,将时间段t的系统状态及决策子向量分别表示成Dt,St和xt(ωt);
S34、假设接收每个起讫点OD(i,j)中乘客上车能获得的收益为ri,j,将Vt(Dt,St)表示从时间段t刚开始时的状态(Dt,St)出发,在时间段t,t+1,...,T得到的最大累计收益值,即最优值函数,得到Bellman方程。
进一步地,所述步骤S31中的系统滞留乘客数量的状态转移方程,如下所示:
假定系统在初始阶段不存在滞留乘客,即当t=0时,所有起讫点OD(i,j)的滞留乘客数量的取值均为0,在后续阶段t=1,...,T,每个起讫点OD(i,j)的滞留乘客数量/>受上一时间段的滞留乘客量/>需求实现值/>以及客流控制决策的影响;
所述列车上乘客数量的状态转移方程,如下所示:
假定当列车v在其始发时刻时没有乘客在车上,即列车刚到达始发站时是空的;当列车v离开始发站且在运行途中,若列车在时间段t-1没有停靠车站,即/>则在时间段t的状态与t-1时间段保持一致;如果列车在时间段t-1停靠站点i,即/>则在时间段t的车上乘客数量不仅与t-1时间段的状态/>有关,还与t-1时间段的客流控制决策有关;即在时间段t,列车v上终点为j的人数等于在时间段t-1时终点为j的人数与在时间段t-1客流控制决策接收的终点为j的上车人数之和。
进一步地,所述步骤S34中得到的Bellman方程,表示如下:
其中,xt(Dt,St,ωt)为第t个时间段的决策可行域,具体表示如下:
在上式中,M表示一个极大的正数,μ表示列车最大满载率,其中,第一组约束表示第t个时间段接收的起讫点OD(i,j)上车人数不能超过新到达乘客量和滞留乘客量/>之和;第二组约束保证在第t个时间段有列车停靠站点i时,才可以接收从站点i出发的乘客上车;第三组约束是列车容量约束,表示当列车v在时间段t停靠在站点i时,车上原有乘客数量加上新上车人数不能超过列车满载率约束。
进一步地,所述步骤S4的具体实现过程如下:
S41、在每个时段t,利用当前阶段获取的需求信息和未来阶段,即t+1,...,T的平均需求,估计近似的最优值函数/>
S42、以当前阶段获取的收益及最优值函数之和为目标,建立线性规划模型进行客流控制决策;
S43、不断更新系统状态,并进行客流控制决策,直至到达系统终止阶段为止。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于实时需求信息的城市轨道交通客流控制方法,通过优化客流控制策略来提高城市轨道交通运力资源的利用效率,降低高峰时段客流拥挤问题的不利影响。
2、本发明提供的基于实时需求信息的城市轨道交通客流控制方法,其模型考虑到客流需求的随机性和动态性特点,并根据每个阶段实时获取的需求信息进行客流控制决策,具有较强的实用性。
3、本发明提供的基于实时需求信息的城市轨道交通客流控制方法,利用近似动态规划方法将大规模客流控制策略问题分解成一系列小规模问题进行求解,具有很高的计算效率,能够进行实时客流控制决策。
基于上述理由本发明可在城市轨道交通客流控制等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明实施例提供的城市轨道交通虚拟网络模型示意图。
图3为本发明实施例提供的城市轨道交通线路图。
图4为本发明实施例提供的不同需求场景下不同策略的目标函数值情况。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于实时需求信息的城市轨道交通客流控制方法,包括:
S1、构建城市轨道交通的虚拟网络模型,刻画列车时刻表,表示每个时间段的列车停站及运营情况;
S2、基于构建的所述城市轨道交通虚拟网络模型,估计每个时段客流需求的随机分布特征,得到每个起讫点客流需求的概率分布;
S3、根据构建的所述城市轨道交通虚拟网络模型以及每个起讫点(Origin-Destination,OD)客流需求的概率分布,建立城市轨道交通客流控制的随机动态规划模型;
S4、基于近似动态规划方法,设计基于实时需求信息的城市轨道客流控制策略,得到每个阶段的客流控制决策方案。
本发明提供的城市轨道交通客流控制方法,考虑客流需求的随机性和动态性特点,建立客流控制的随机动态规划模型,并基于近似动态规划方法确立客流控制策略,从而根据每个阶段的实时需求信息进行客流控制决策,进而提高城市轨道交通运力资源的利用效率,降低城市轨道交通客流拥挤的不利影响。
具体实施时,作为本发明优选的实施方式,所述步骤S1的核心是基于列车时刻表表示每个阶段的列车停站、下游车站以及站点是否有列车停靠的信息,具体实现过程如下:
S11、假设城市轨道交通线路共包括N个站点,从起点到终点依次编号为0,1,...,N–1,共有V辆列车在高峰时段依次从起点0开往终点N-1,每辆列车的容量均为C;
S12、将高峰时段划分成T个时间段,则对每辆列车v从始发站出发和到达终点站的时间分别为和/>
S13、在列车v的运行途中,用0-1变量表示列车v在时间段t是否经过站点i,若经过则取1,否则取0;
S14、令表示列车v在时刻t距离最近的下游车站;
S15、用0-1变量表示列车v在时刻t是否停靠其中一个车站,若停靠则取1,否则取0;
S16、用0-1变量表示在时间段t是否有列车停靠站点i,若有列车停靠则取1,否则取0。
具体实施时,作为本发明优选的实施方式,所述步骤S2的具体实现过程如下:
S21、基于构建的所述城市轨道交通虚拟网络模型,根据城市轨道交通的历史客流刷卡数据,得到所有起讫点的集合
S22、针对每个起讫点OD(i,j),结合高峰时段的乘客出行行为特征,估计出每个时间段t的随机客流需求的分布特征;
S23、基于估计的分布特征,得到分布特征的均值及累积概率分布函数/>
S24、基于统计分析方法,得到时间段t的随机需求场景ωt及所有需求场景的支撑集Ω。
具体实施时,作为本发明优选的实施方式,所述步骤S3中建立的随机动态规划模型以高峰时段列车服务乘客所产生的总收益最大为目标函数,以列车容量、客流守恒及列车时刻表为约束,包括两部分模型变量,一部分是系统状态变量和/>其中/>表示在时间段t刚开始时起讫点OD(i,j)的滞留乘客数量,/>表示时间段t刚开始时列车v上到终点j的乘客数量;另一部分是系统控制变量/>表示在时间段t接收的起讫点OD(i,j)的上车人数。
具体实施时,作为本发明优选的实施方式,所述步骤S3的具体实现过程如下:
S31、基于系统状态变量的定义,表示模型的系统状态转移方程,包括系统滞留乘客数量的状态转移方程和列车上乘客数量的状态转移方程;其中,系统滞留乘客数量的状态转移方程,如下所示:
假定系统在初始阶段不存在滞留乘客,即当t=0时,所有起讫点OD(i,j)的滞留乘客数量的取值均为0,在后续阶段t=1,...,T,每个起讫点OD(i,j)的滞留乘客数量/>受上一时间段的滞留乘客量/>需求实现值/>以及客流控制决策的影响;
所述列车上乘客数量的状态转移方程,如下所示:
假定当列车v在其始发时刻时没有乘客在车上,即列车刚到达始发站时是空的;当列车v离开始发站且在运行途中,若列车在时间段t-1没有停靠车站,即/>则在时间段t的状态与t-1时间段保持一致;如果列车在时间段t-1停靠站点i,即/>则在时间段t的车上乘客数量不仅与t-1时间段的状态/>有关,还与t-1时间段的客流控制决策有关;即在时间段t,列车v上终点为j的人数等于在时间段t-1时终点为j的人数与在时间段t-1客流控制决策接收的终点为j的上车人数之和。
S32、采用粗体表示向量,将滞留乘客数量状态、车上乘客数量状态和客流控制决策向量分别表示成D,S和x;
S33、基于步骤S32,将时间段t的系统状态及决策子向量分别表示成Dt,St和xt(ωt);
S34、求解随机动态规划的基本原则是Bellman最优性原理,即当系统在时间段t到达状态(Dt,St)时,其最优控制策略必须要保证优化其在后续阶段t,t+1,...,T的子问题。假设接收每个起讫点OD(i,j)中乘客上车能获得的收益为ri,j,将Vt(Dt,St)表示从时间段t刚开始时的状态(Dt,St)出发,在时间段t,t+1,...,T得到的最大累计收益值,即最优值函数,得到Bellman方程。表示如下:
其中,xt(Dt,St,ωt)为第t个时间段的决策可行域,具体表示如下:
在上式中,M表示一个极大的正数,μ表示列车最大满载率,其中,第一组约束表示第t个时间段接收的起讫点OD(i,j)上车人数不能超过新到达乘客量和滞留乘客量/>之和;第二组约束保证在第t个时间段有列车停靠站点i时,才可以接收从站点i出发的乘客上车;第三组约束是列车容量约束,表示当列车v在时间段t停靠在站点i时,车上原有乘客数量加上新上车人数不能超过列车满载率约束。
具体实施时,作为本发明优选的实施方式,所述步骤S4的具体实现过程如下:
S41、在每个时段t,利用当前阶段获取的需求信息和未来阶段,即t+1,...,T的平均需求,估计近似的最优值函数/>
S42、以当前阶段获取的收益及最优值函数之和为目标,建立线性规划模型进行客流控制决策;
S43、不断更新系统状态,并进行客流控制决策,直至到达系统终止阶段为止。
实施例
本实施例中,数据来自北京地铁运营公司,首先得到包括23个站点的北京地铁5号线,如图3所示。考虑该线路在早高峰时段(6:30—9:30)从土桥开往四惠方向的客流控制问题,结合列车时刻表数据,可得主要参数设定如下:决策时段T=180,车队规模V=32,列车容量C=1424,服务每个对(i,j)中乘客的收益为ri,j=1。
根据本发明建立的客流控制策略优化的随机动态规划模型,计算出每个阶段的客流控制决策。
步骤1,根据城市轨道交通线路及列车时刻表数据建立虚拟网络模型,如图2所示。
根据城市轨道交通网络的线路情况,首先将从土桥到四惠的所有站点依次编号为0,1,...,22,将高峰时段从起点出发的列车依次编号为0,1,...,31。其次,根据时刻表确定每个辆车v的时空运行轨迹,从而得到其出发时间和到达终点站时间/>及列车停站及下游车站信息参数/>和/>最后,根据所有列车的运行轨迹数据得到参数/>的取值。
步骤2,基于所述的城市轨道交通虚拟网络模型,估计高峰时段客流需求的随机分布特征。
首先根据所涉及城市轨道交通线路的历史刷卡数据,结合前述的虚拟网络模型,得到高峰时段中每个阶段的OD需求均值。然后根据OD需求的波动特征,结合数理统计方法,得到每个OD在不同时段客流需求的随机分布规律,以及累计概率分布函数
步骤3,建立高峰时段客流控制的随机动态规划模型。
根据所述虚拟网络模型及OD需求分布规律特征,建立客流控制问题的随机动态规划模型。首先写出模型的状态转移方程,表示系统状态随客流控制决策的动态演化过程;其次写出模型的Bellman方程,以及每个阶段客流控制决策的约束情况,包括客流需求约束、列车容量约束及时刻表约束等。
步骤4,基于近似动态规划方法,求解客流控制策略优化的随机动态规划模型。
基于本发明所述算法,在每个时间段t根据系统状态及获取的实时需求信息,进行客流控制决策。在每个时间段t刚开始的时候,首先更新系统状态得到滞留乘客数量状态Dt和车上乘客数量状态St,然后根据获取的客流需求信息及未来阶段的需求均值求解线性规划模型得到该时间段的客流控制决策。具体的算法流程如下:
根据本发明提出的模型及设计的客流控制策略,可得到每个阶段的客流控制决策及最终的目标函数值。为评估本发明所述方法的实际表现,将其得到的目标函数值与两种方法进行比较。一种是当前实践中采取的先到先上车(First-come-first serve,FCFS)策略,即每个阶段尽可能多地接收乘客上车,而不考虑留出容量给后续阶段;二是假设所有场景的需求信息已知,利用样本均值估计(Sample average approximation,SAA)通过求解静态的数据规划模型得到每个阶段的客流控制决策,其得到解相当于随机动态规划模型最优解的上界。分别考虑最大满载率为μ取0.6、0.8和1.0的情况,最终得到的结果如下表所示。
Table 1:不同策略的目标函数值情况
计算结果表明,本发明设计的Online策略能够显著提高FCFS策略的目标函数值,即在给定运力资源条件下运输更多乘客,从而缓解城市轨道交通的客流拥挤问题。与此同时,本发明所设计Online策略较FCFS策略的目标函数值改善比例随列车最大满载率下降而增大,表明其在线路越拥挤的条件下表现越好。此外,本发明所设计Online策略的目标函数与SAA 方法非常接近,表明其近似最优性。
本发明还可以得到所述的Online策略与SAA及FCFS策略在每个需求场景下的目标函数值表现情况,具体如图4所示,可以看出Online策略在所有需求场景下的目标函数值都高于FCFS策略,并且与SAA策略比较接近。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种基于实时需求信息的城市轨道交通客流控制方法,其特征在于,包括:
S1、构建城市轨道交通的虚拟网络模型,刻画列车时刻表,表示每个时间段的列车停站及运营情况;
S2、基于构建的所述城市轨道交通虚拟网络模型,估计每个时段客流需求的随机分布特征,得到每个起讫点客流需求的概率分布;所述步骤S2的具体实现过程如下:
S21、基于构建的所述城市轨道交通虚拟网络模型,根据城市轨道交通的历史客流刷卡数据,得到所有起讫点的集合
S22、针对每个起讫点OD(i,j),结合高峰时段的乘客出行行为特征,估计出每个时间段t的随机客流需求的分布特征;
S23、基于估计的分布特征,得到分布特征的均值及累积概率分布函数/>
S24、基于统计分析方法,得到时间段t的随机需求场景ωt及所有需求场景的支撑集Ω;
S3、根据构建的所述城市轨道交通虚拟网络模型以及每个起讫点客流需求的概率分布,建立城市轨道交通客流控制的随机动态规划模型;所述步骤S3中建立的随机动态规划模型以高峰时段列车服务乘客所产生的总收益最大为目标函数,以列车容量、客流守恒及列车时刻表为约束,包括两部分模型变量,一部分是系统状态变量和/>其中/>表示在时间段t刚开始时起讫点OD(i,j)的滞留乘客数量,/>表示时间段t刚开始时列车v上到终点j的乘客数量;另一部分是系统控制变量/>表示在时间段t接收的起讫点OD(i,j)的上车人数;所述步骤S3的具体实现过程如下:
S31、基于系统状态变量的定义,表示模型的系统状态转移方程,包括系统滞留乘客数量的状态转移方程和列车上乘客数量的状态转移方程;所述步骤S31中的系统滞留乘客数量的状态转移方程,如下所示:
假定系统在初始阶段不存在滞留乘客,即当t=0时,所有起讫点OD(i,j)的滞留乘客数量的取值均为0,在后续阶段t=1,...,T,每个起讫点OD(i,j)的滞留乘客数量/>受上一时间段的滞留乘客量/>需求实现值/>以及客流控制决策/>的影响;
所述列车上乘客数量的状态转移方程,如下所示:
假定当列车v在其始发时刻时没有乘客在车上,即列车刚到达始发站时是空的;当列车v离开始发站且在运行途中,若列车在时间段t-1没有停靠车站,即/>则在时间段t的状态与t-1时间段保持一致;如果列车在时间段t-1停靠站点i,即/>则在时间段t的车上乘客数量不仅与t-1时间段的状态/>有关,还与t-1时间段的客流控制决策/>有关;即在时间段t,列车v上终点为j的人数等于在时间段t-1时终点为j的人数与在时间段t-1客流控制决策接收的终点为j的上车人数之和;
S32、采用粗体表示向量,将滞留乘客数量状态、车上乘客数量状态和客流控制决策向量分别表示成D,S和x;
S33、基于步骤S32,将时间段t的系统状态及决策子向量分别表示成Dt,St和xt(ωt);
S34、假设接收每个起讫点OD(i,j)中乘客上车能获得的收益为ri,j,将Vt(Dt,St)表示从时间段t刚开始时的状态(Dt,St)出发,在时间段t,t+1,...,T得到的最大累计收益值,即最优值函数,得到Bellman方程;所述步骤S34中得到的Bellman方程,表示如下:
其中,为第t个时间段的决策可行域,具体表示如下:
在上式中,M表示一个极大的正数,μ表示列车最大满载率,其中,第一组约束表示第t个时间段接收的起讫点OD(i,j)上车人数不能超过新到达乘客量和滞留乘客量/>之和;第二组约束保证在第t个时间段有列车停靠站点i时,才可以接收从站点i出发的乘客上车;第三组约束是列车容量约束,表示当列车v在时间段t停靠在站点i时,车上原有乘客数量加上新上车人数不能超过列车满载率约束;
S4、基于近似动态规划方法,设计基于实时需求信息的城市轨道客流控制策略,得到每个阶段的客流控制决策方案,所述步骤S4的具体实现过程如下:
S41、在每个时段t,利用当前阶段获取的需求信息和未来阶段,即t+1,...,T的平均需求,估计近似的最优值函数/>
S42、以当前阶段获取的收益及最优值函数之和为目标,建立线性规划模型进行客流控制决策;
S43、不断更新系统状态,并进行客流控制决策,直至到达系统终止阶段为止。
2.根据权利要求1所述的基于实时需求信息的城市轨道交通客流控制方法,其特征在于,所述步骤S1的核心是基于列车时刻表表示每个阶段的列车停站、下游车站以及站点是否有列车停靠的信息,具体实现过程如下:
S11、假设城市轨道交通线路共包括N个站点,从起点到终点依次编号为0,1,...,N–1,共有V辆列车在高峰时段依次从起点0开往终点N-1,每辆列车的容量均为C;
S12、将高峰时段划分成T个时间段,则对每辆列车v从始发站出发和到达终点站的时间分别为和/>
S13、在列车v的运行途中,用0-1变量表示列车v在时间段t是否经过站点i,若经过则取1,否则取0;
S14、令表示列车v在时刻t距离最近的下游车站;
S15、用0-1变量表示列车v在时刻t是否停靠其中一个车站,若停靠则取1,否则取0;
S16、用0-1变量表示在时间段t是否有列车停靠站点i,若有列车停靠则取1,否则取0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624714.XA CN113379222B (zh) | 2021-06-04 | 2021-06-04 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624714.XA CN113379222B (zh) | 2021-06-04 | 2021-06-04 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379222A CN113379222A (zh) | 2021-09-10 |
CN113379222B true CN113379222B (zh) | 2024-02-27 |
Family
ID=77575841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624714.XA Active CN113379222B (zh) | 2021-06-04 | 2021-06-04 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379222B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874668A (zh) * | 2018-09-03 | 2020-03-10 | 深圳先进技术研究院 | 一种轨道交通od客流预测方法、系统及电子设备 |
CN112381260A (zh) * | 2020-09-03 | 2021-02-19 | 北京交通大学 | 基于进站比例的城市轨道交通客流管控优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448233B (zh) * | 2016-08-19 | 2017-12-05 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
-
2021
- 2021-06-04 CN CN202110624714.XA patent/CN113379222B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874668A (zh) * | 2018-09-03 | 2020-03-10 | 深圳先进技术研究院 | 一种轨道交通od客流预测方法、系统及电子设备 |
CN112381260A (zh) * | 2020-09-03 | 2021-02-19 | 北京交通大学 | 基于进站比例的城市轨道交通客流管控优化方法 |
Non-Patent Citations (2)
Title |
---|
不确定条件下的城市轨道交通客流控制策略及接驳公交网络优化研究;梁金鹏;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第03期);C033-72 * |
随机供给下的行程时间动态可靠性;张玺;刘海旭;蒲云;;系统工程(03);105-109 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379222A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353639B (zh) | 协调列车时刻表的城市轨道交通高峰期限流优化方法 | |
CN109859459B (zh) | 一种自动驾驶公交调度优化方法 | |
CN109774750B (zh) | 一种基于虚拟耦合模式的动态调度时空决策方法 | |
CN111127936B (zh) | 一种共享巴士的动态车辆调度和线路规划方法 | |
CN112381260B (zh) | 基于进站比例的城市轨道交通客流管控优化方法 | |
CN113306605A (zh) | 一种动态运行图的调整方法及系统 | |
CN112819316B (zh) | 一种综合客运枢纽轨道交通系统的枢纽运能识别方法 | |
CN109308574A (zh) | 一种实时响应的互联网半灵活公交调度方法 | |
CN109255972A (zh) | 一种基于大数据的地面公交固定线路时刻表的优化方法 | |
CN112580866B (zh) | 基于全程车与区间车组合调度的公交线路串车优化方法 | |
CN110019569B (zh) | 一种获取城市轨道交通运营状态信息的方法 | |
CN111859718B (zh) | 一种区域多制式轨道交通车站拥挤系数计算方法及系统 | |
CN111882156A (zh) | 面向随机动态客流和节能运行的列车时刻表鲁棒优化方法 | |
CN114925909A (zh) | 城市轨道交通客流与车流耦合优化方法及系统 | |
CN113379222B (zh) | 一种基于实时需求信息的城市轨道交通客流控制方法 | |
Zhang et al. | Real-time energy saving optimization method for urban rail transit train timetable under delay condition | |
CN113408942B (zh) | 一种兼顾实时确定和未来不确定信息的共享单车动态重部署方法 | |
CN111105078B (zh) | 一种定制公交网络优化方法 | |
CN116109081A (zh) | 一种基于物联网的动态公交调度优化方法和装置 | |
CN109552370B (zh) | 基于客流量的列车运行图生成方法 | |
CN111367900A (zh) | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 | |
US20220270488A1 (en) | Systems and methods for order dispatching and vehicle repositioning | |
CN113793042A (zh) | 一种轨道交通线路车站客流控制方案编制方法 | |
CN111859717A (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 | |
CN107886190B (zh) | 一种突发事件下乘客出行选择行为仿真方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |