CN113420926A - 一种城市枢纽间多交通方式运力协同优化方案编制方法 - Google Patents

Abstract

本发明提供了一种城市枢纽间多交通方式运力协同优化方案编制方法。该方法包括：根据枢纽间乘客对不同交通方式出行的效用计算，构建运力调整下乘客交通方式转移MNL模型，预测运力调整后乘客出行选择演化特征；提出枢纽间各交通方式出行需求估计方法，结合枢纽间乘客出行需求总量数据，估计不同交通方式的乘客出行需求；构建枢纽间多交通方式运力协同优化方案编制模型，输出需求变动下供需均衡的运力协同优化方案。本发明通过揭示运力调整对乘客个体交通方式转移行为的影响机理，实现了对各交通方式出行需求估计及运力协同优化效果的精准把控。

Description

一种城市枢纽间多交通方式运力协同优化方案编制方法

技术领域

本发明涉及多枢纽间运力优化技术领域，尤其涉及一种城市枢纽间多交通方式运力协同优化方案编制方法。

背景技术

随着城市群的大力建设、联程出行的不断发展，联程客运量稳步攀升，与此同时，城市枢纽间客运量逐渐增加、各交通方式客流需求与其运力之间的非均衡问题日益突出。为应对此问题，对城市各交通方式的既有运力方案进行调整、以匹配相应的交通需求已成为该问题的主要解决途径。然而，在运力调整后，乘客在进行多种交通方式决策时也会同步产生变化，从而导致各方式客流需求发生变化，导致新的运力调度优化方案实施后仍然无法匹配变化后客流需求的问题。因此，如何在各交通方式运力调整过程中同时考虑需求的动态变动，能够更为精准地匹配各交通方式运力与需求二者之间的均衡关系，有必要将枢纽间客流需求的动态变化融入多交通方式运力协同优化方案编制过程。

目前，现有技术中的运力优化方案编制方法普遍认为枢纽间客流需求保持恒定，即假设运力调整不会引发客流需求的变动；并且仅考虑城市内部单一交通方式的运力优化，忽略了综合考虑多种交通方式之间的协同性。因此，目前的运力优化技术难以适用于城市枢纽间多交通方式运力协同优化方案编制问题。

发明内容

本发明的实施例提供了一种城市枢纽间多交通方式运力协同优化方案编制方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种城市枢纽间多交通方式运力协同优化方案编制方法，包括：

步骤S1：基于手机信令数据，通过数据挖掘识别枢纽间乘客出行数据，统计不同时段枢纽间乘客出行量，获取枢纽间乘客出行需求分布特征和出行需求总量数据；

步骤S2：根据枢纽间乘客对不同交通方式出行的效用计算结合枢纽间乘客出行需求分布特征，构建运力调整下的乘客交通方式转移MNL模型，预测运力调整后乘客出行选择演化特征；

步骤S3：基于所述MNL模型结合枢纽间乘客出行需求总量数据提出枢纽间各交通方式出行需求估计方法，计算出枢纽间各交通方式客流量；

步骤S4：基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征以乘客换乘时间、运力调整幅度最小为目标，构建枢纽间多交通方式运力协同优化方案编制模型，通过求解所述枢纽间多交通方式运力协同优化方案编制模型，输出需求变动下供需均衡的最优运力协同优化方案。

优选地，所述的步骤S1包括：

S11：基于城市枢纽范围内的乘客的移动终端信令数据，通过数据挖掘识别枢纽间乘客出行数据，统计不同时段枢纽间乘客出行量，获取枢纽间客流需求分时数据，获取枢纽间乘客出行需求分布特征和出行需求总量数据；

S12：基于枢纽间乘客交通方式选择数据，采用直接分析、交叉分析等方法，分析乘客交通方式选择特征，挖掘枢纽间乘客交通方式选择偏好，分析各影响因素变化对乘客交通方式选择的影响。

优选地，所述的步骤S2包括：

S21：根据枢纽间乘客对不同交通方式出行的效用计算结合枢纽间乘客出行需求分布特征，综合考虑轨道交通、地面公交、出租车以及机场巴士在内的枢纽间交通方式，采用MNL模型作为框架构建枢纽间交通方式选择模型；

所述MNL模型的数学表示形式如下：

V_1n＝θ₁+β₁X_1n1+β₂X_1n2+β₃X_1n3+β₃X_1n3+β₄X_1n5

V_2n＝θ₂+β₁X_2n1+β₂X_2n2+β₃X_2n3+β₃X_2n3+β₄X_2n5

V_3n＝θ₃+β₁X_3n1+β₂X_3n2+β₃X_3n4+β₄X_3n5

V_4n＝β₁X_4n1+β₂X_4n2+β₃X_4n3+β₄X_4n5

其中，i为枢纽间某交通方式选择肢，i＝1,2,3,4，θ_i表示第i个选择肢的固定哑元，β_k是待估参数，V_in是出行者n选择第i个选择肢的效用函数，P_in表示出行者n选择第i个选择肢的概率，A_n表示出行者n的可选方案的集合，X_ink为枢纽间交通方式选择的某影响因素，k＝1,2,3,4,5，其中分别表示出行者n乘坐交通方式i的出行时间、费用、步行距离、等车时间、舒适度；

S22：以δ_in表示出行者n选择第i个交通方式的结果，则采用极大似然估计法得到的出行者n所有选择结果的联合概率为

所有出行者选择结果的似然函数为：

对似然函数的对数进行求导并设其导数为0，则得出关于参数估计值的方程式如下：

S23：将乘客出行数据代入标定后的MNL模型中，得到运力调整后乘客出行选择演化特征。

优选地，所述S3包括：

S31：基于运力协同调度方案实施后的运力情况，计算枢纽间乘客各交通方式的指标及影响因素，该影响因素包括出行总时间、乘客等待时间，基于枢纽间乘客各交通方式的指标及影响因素通过枢纽间乘客交通方式转移MNL模型，计算出枢纽间乘客各交通方式分担率；

S32：根据枢纽间各交通方式分担率的计算结果，结合枢纽间乘客出行需求总量数据，计算出枢纽间各交通方式客流量f_i。

优选地，所述S4中的基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征以乘客换乘时间、运力调整幅度最小为目标，构建枢纽间多交通方式运力协同优化方案编制模型，包括：

S41：考虑包括乘客出行的时间窗约束、交通方式选择约束、容量限制约束的约束条件，以枢纽间运力调整幅度最小、乘客换乘等待时间最小为目标，基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征构建枢纽间多交通方式运力协同优化方案编制模型；

所述枢纽间多交通方式运力协同优化方案编制模型的目标函数为：

其中，i表示乘客，j表示交通方式车次；I表示所有乘客集合，i∈I；J表示所有交通方式车次集合，j∈J，T_i0表示调整前的车次i到站时刻，T_i1表示调整后的车次i到站时刻，C_i表示车次i是否进行了时刻表调整；

其中，WT_ij表示乘客j等待车次i时的换乘等待时间；

所述枢纽间多交通方式运力协同优化方案编制模型的约束条件包括时间窗约束、乘客交通方式选择约束、交通方式容量约束、最大等待时间约束，其中：

①时间窗约束，表示乘客乘坐交通方式的时刻不小于到达该站点的时刻与站点内步行时间之和，乘客等车时间为乘客乘车时间与乘客到站时间和站内步行时间之差，具体表示形式如下：

其中，

表示乘客j乘坐车次i的时刻，

表示乘客j到达车次i站点的时刻，d_i表示车次i站点的换乘步行距离，v表示乘客换乘时的平均步行速度；

②乘客交通方式选择约束，表示乘客j选择交通方式i的概率，具体表示形式如下：

其中，P_ij表示乘客j选择交通方式i的概率。

③交通方式容量约束，表示当前在车人数应小于车辆容量限制，具体表示形式如下：

其中，s_ijt表示时刻t乘客j是否在车次i上，C_m表示车量容量限制；

④最大等待时间约束，表示乘客j选择交通方式i的最大换乘等待时间限制，具体表示形式如下：

其中，WT_m表示乘客等待时间最大上限。

优选地，所述S4中的通过求解所述枢纽间多交通方式运力协同优化方案编制模型，输出需求变动下供需均衡的最优运力协同优化方案，包括：

S42：采用NSGA-II算法流程对所述枢纽间多交通方式运力协同优化方案编制模型进行求解，包括如下步骤：

(1)生成时刻表初始化优化方案

采用整数编码的方式来反映任务车次排序，每个被编码的染色体代表各交通方式时刻表调整后的一种随机排序，其中同一交通方式线路对应的时刻表仅在该交通方式时刻表对应的范围内进行排序，染色体上每个基因处的数字代表某种车型对应的某个发车时间编号，整个染色体的基因序列代表调整后的时刻表；

(2)生成初始种群

采用计算机随机生成初始种群中的若干个体，个体中某种交通方式的染色体序列范围内仅生成该交通方式对应的发车时刻，保证生成的个体均具有可行性；

(3)枢纽间客流配分及加载过程仿真

以模型的目标函数作为适应度函数来对个体的优劣性进行评价，并按照一定规则保留性能较优的个体、淘性能较差的个体；利用NSGA2算法的非支配排序方法对种群进行快速分层，获得种群个体的非支配层数，使优良个体更加靠近Pareto前沿，拥挤度以目标空间上的每一点与同层相邻两点之间的局部拥挤距离来计算；

(4)遗传操作

遗传操作包括选择、交叉、变异三个基本步骤，针对每个步骤设计出与编码方案相适应的选择、交叉和变异算子，将选择、交叉和变异操作应用在遗传算法的每一次迭代过程中，使得新个体不断取代旧个体，且模型的目标函数值不断优化，在算法不断迭代的过程中，当目标函数值的变化程度小于某个阈值或算法的迭代次数满足相应标准时，则确认算法终止，输出需求变动下供需均衡的最优运力协同优化方案，该最优运力协同优化方案包括枢纽间各交通方式发车车次的时刻表调整幅度。

由上述本发明的实施例提供的技术方案可以看出，本发明通过构建交通方式决策模型揭示运力调整方案对乘客交通方式的影响机理，实现了对各交通方式客流规模的精准把握，克服了因运力调整导致的需求估计偏差而造成的供需非均衡现象，能够有效解决枢纽间多交通方式运力协同优化方案编制问题。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种城市枢纽间多交通方式运力协同优化方案编制方法的流程图；

图2为本发明实施例提供的一种枢纽间乘客交通方式转移行为MNL模型的结构图；

图3为本发明实施例提供的一种用于求解枢纽间多交通方式运力协同优化模型的“NSGA2-客流加载仿真”混合算法的流程图；

图4为本发明实施例提供的一种最优枢纽间多交通方式运力协同优化方案示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供了一种城市枢纽间多交通方式运力协同优化方案编制方法，在枢纽间多交通方式运力优化时考虑各交通方式客流需求演变特征，实现对各交通方式客流需求量的精准把控，以提升枢纽间出行服务水平。通过协调多交通方式运力协同优化后的客流需求转移估计，制定更为科学、高校与公平的运力优化方案，从而保证枢纽间各交通方式运力配置的协调性和有效性。

图1为本发明实施例提供的一种城市枢纽间多交通方式运力协同优化方案编制方法的流程图，包括如下的处理步骤：

步骤S1：基于手机信令数据，通过数据挖掘识别枢纽间乘客出行数据，统计不同时段枢纽间乘客出行量，获取枢纽间乘客出行需求分布特征和出行需求总量数据。所述S1可包括：

S11：基于城市枢纽范围内的乘客的移动终端信令数据，通过数据挖掘识别枢纽间乘客出行数据，统计不同时段枢纽间乘客出行量，获取枢纽间客流需求分时数据，获取枢纽间乘客出行需求分布特征和出行需求总量数据。

S12：基于枢纽间乘客交通方式选择数据，采用直接分析、交叉分析等方法，分析乘客交通方式选择特征，挖掘枢纽间乘客交通方式选择偏好，分析各影响因素变化对乘客交通方式选择的影响。

步骤S2：根据枢纽间乘客对不同交通方式出行的效用计算，结合枢纽间乘客出行需求分布特征，构建运力调整下的乘客交通方式转移MNL模型，预测运力调整后乘客出行选择演化特征。

构建运力调整下的乘客交通方式转移MNL(Multinominal Logit，多项Logit)模型，预测运力调整后乘客出行选择演化特征。所述S2可包括：

S21：构建枢纽间交通方式选择模型，综合考虑轨道交通、地面公交、出租车以及机场巴士在内的枢纽间交通方式，采用MNL模型作为框架构建枢纽间交通方式选择模型。图2为本发明实施例提供的城市枢纽间多交通方式运力协同优化方案编制方法的模型结构，其数学表示形式如下：

V_1n＝θ₁+β₁X_1n1+β₂X_1n2+β₃X_1n3+β₃X_1n3+β₄X_1n5

V_2n＝θ₂+β₁X_2n1+β₂X_2n2+β₃X_2n3+β₃X_2n3+β₄X_2n5

V_3n＝θ₃+β₁X_3n1+β₂X_3n2+β₃X_3n4+β₄X_3n5

V_4n＝β₁X_4n1+β₂X_4n2+β₃X_4n3+β₄X_4n5

其中，i为枢纽间某交通方式选择肢(i＝1,2,3,4)，θ_i表示第i个选择肢的固定哑元，β_k是待估参数，V_in是出行者n选择第i个选择肢的效用函数，P_in表示出行者n选择第i个选择肢的概率，A_n表示出行者n的可选方案的集合，X_ink为枢纽间交通方式选择的某影响因素(k＝1,2,3,4,5)，其中分别表示出行者n乘坐交通方式i的出行时间、费用、步行距离、等车时间、舒适度。

S22：离散选择模型的参数估计常常采用极大似然估计法，以δ_in表示出行者n选择第i个交通方式的结果，则出行者n所有选择结果的联合概率为

所有出行者选择结果的似然函数为：

对似然函数的对数进行求导并设其导数为0，则可得出关于参数估计值的方程式如下：

求出模型的参数估计值后可用t值检验各变量的显著性水平，当|t|≥1.96时，有95％的把握确定变量有显著影响。除此之外，还需对模型的拟合优度进行判断，本研究采用

AIC、ρ²以及对自由度调整修正ρ²作为模型拟合优度的评价指标。其中

为模型的最大似然函数值，ρ²为模型的拟合优度比，其计算公式如下：

式中的L(0)表示各估计值均为0时的似然函数值，ρ²值在0～1之间，越接近1表示模型精度越高，当其值大于0.1，即认为模型可以被接受，当其值达到0.2～0.4，即认为模型拟合效果较好，精度较高。

为弥补计算拟合优度时自由度的损失，除ρ²外，还采用修正ρ²、AIC作为模型拟合优度的评价指标，其中，修正ρ²计算如下：

式中的N为样本量，K为变量数。

AIC计算公式如下：

AIC＝2K-2ln(L)

一般情况下，AIC的值将随着模型变量增多而逐渐减小，而当变量过多时，AIC值将慢慢变大。AIC这一指标因加入了参数惩罚项而可防止模型出现过度拟合。

S23：将乘客出行数据代入标定后的MNL模型中，即可得到运力调整后乘客出行选择演化特征，用于后续步骤中计算运力调度方案实施后对不同交通方式客流需求的影响。

步骤S3：基于乘客交通方式转移MNL模型，结合枢纽间乘客出行需求总量数据，提出枢纽间各交通方式出行需求估计方法，计算出枢纽间各交通方式客流量；

S31：基于运力协同调度方案实施后的运力情况，计算枢纽间乘客各交通方式的指标及影响因素，包括出行总时间、乘客等待时间等。根据枢纽间乘客交通方式转移MNL模型，计算枢纽间乘客各交通方式分担率P_in，具体计算形式如下：

S32：根据枢纽间各交通方式分担率计算结果，结合枢纽间客流需求数据，计算枢纽间各交通方式客流量f_i，具体计算形式如下：

f_i＝F·P_in

其中，F为枢纽间总客流量，

步骤S4：基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征以乘客换乘时间、运力调整幅度最小为目标，构建枢纽间多交通方式运力协同优化方案编制模型，通过求解所述枢纽间多交通方式运力协同优化方案编制模型，输出需求变动下供需均衡的最优运力协同优化方案。

S41：考虑乘客出行的时间窗约束、交通方式选择约束、容量限制约束等约束条件，以枢纽间运力调整幅度最小、乘客换乘等待时间最小为目标建立模型。为便于模型求解，建模时所涉及的时间单位均以“秒”为单位进行统计。

模型中，i表示乘客，j表示交通方式车次；I表示所有乘客集合，i∈I；J表示所有交通方式车次集合，j∈J。此外，模型中涉及的其他参数和变量如下所示：

根据上面的分析和假设，构建枢纽间多模式交通系统协同调度优化模型。

(1)目标函数：

模型的目标函数包括最小化枢纽间运力调整幅度、最小化乘客等待时间，具体表示形式如下：

其中，T_i0表示调整前的车次i到站时刻，T_i1表示调整后的车次i到站时刻，C_i表示车次i是否进行了时刻表调整。

其中，WT_ij表示乘客j等待车次i时的换乘等待时间，

(2)约束条件：

模型的约束条件包括时间窗约束、乘客交通方式选择约束、交通方式容量约束、最大等待时间约束。其中：

①时间窗约束，表示乘客乘坐交通方式的时刻不小于到达该站点的时刻与站点内步行时间之和，乘客等车时间为乘客乘车时间与乘客到站时间和站内步行时间之差，具体表示形式如下：

其中，

表示乘客j乘坐车次i的时刻，

表示乘客j到达车次i站点的时刻，d_i表示车次i站点的换乘步行距离，v表示乘客换乘时的平均步行速度。

②乘客交通方式选择约束，表示乘客j选择交通方式i的概率，具体表示形式如下：

其中，P_ij表示乘客j选择交通方式i的概率。

③交通方式容量约束，表示当前在车人数应小于车辆容量限制，具体表示形式如下：

其中，s_ijt表示时刻t乘客j是否在车次i上，C_m表示车量容量限制。

④最大等待时间约束，表示乘客j选择交通方式i的最大换乘等待时间限制，具体表示形式如下：

其中，WT_m表示乘客等待时间最大上限。

S42：求解上述枢纽间多交通方式运力协同优化方案编制模型。上述模型所描述的问题中，由于枢纽间交通方式发车频率普遍较高，尤其在高峰时期，这时刻表优化问题的求解规模十分庞大，此类问题为NP-H问题，因此，针对此问题，结合客流加载仿真，采用NSGA-II算法流程对模型进行求解。

图3为本发明实施例提供的城市枢纽间多交通方式运力协同优化方案编制模型的求解流程图，包括如下步骤：

(1)时刻表优化方案初始化生成(编码及解码方案设计)

本发明采用整数编码的方式来反映任务车次排序，每个被编码的染色体代表各交通方式时刻表调整后的一种随机排序，其中同一交通方式线路对应的时刻表仅在该交通方式时刻表对应的范围内进行排序。染色体上每个基因处的数字代表某种车型对应的某个发车时间编号，整个染色体的基因序列代表调整后的时刻表。

(2)初始种群生成

本发明采用计算机随机生成初始种群中的若干个体，其中考虑了多模式交通运力调度优化，不同交通方式对应的时刻表在进行优化时具有较大差异，因此，个体中某种交通方式的染色体序列范围内仅可以生成该交通方式对应的发车时刻，保证生成的个体均具有可行性。

(3)枢纽间客流配分及加载过程仿真(适应度函数设计)

本发明以模型的目标函数作为适应度函数来对个体的优劣性进行评价，并按照一定规则保留性能较优的个体、淘性能较差的个体；利用NSGA2算法的快速非支配排序方法对种群进行快速分层，获得种群个体的非支配层数，使优良个体更加靠近Pareto前沿。拥挤度以目标空间上的每一点与同层相邻两点之间的局部拥挤距离来计算，可保持个体的多样性。

(4)遗传操作

遗传操作包括选择、交叉、变异三个基本步骤，有必要根据具体问题针对每个步骤设计出与编码方案相适应的选择、交叉和变异算子。将选择、交叉和变异操作应用在遗传算法的每一次迭代过程中，可使得新个体不断取代旧个体，且模型的目标函数值不断优化。在算法不断迭代的过程中，当目标函数值的变化程度小于某个阈值或算法的迭代次数满足相应标准时，则可认为算法终止。

以“北京南站-北京首都国际机场”场景为案例，对上述发明内容进行进一步说明，该场景包含机场巴士、轨道交通、地面公交、出租车四种交通方式，此部分针对机场巴士、轨道交通、地面公交的时刻表进行调整，从而进行枢纽间多模式运力的优化，达到缩短乘客换乘等待时间的目标。“北京南站-北京首都国际机场”各交通方式的换乘线路如下所示：

图4为本发明实施例提供的城市枢纽间多交通方式运力协同优化方案编制模型求解得到的最终优化方案，该最终优化方案包括各交通方式中不同线路的时刻表调整措施。

综上所述，本发明实施例通过构建交通方式决策模型揭示运力调整方案对乘客交通方式的影响机理，实现了对各交通方式客流规模的精准把握，克服了因运力调整导致的需求估计偏差而造成的供需非均衡现象，能够有效解决枢纽间多交通方式运力协同优化方案编制问题。

本发明通过揭示运力调整对乘客个体交通方式转移行为的影响机理，实现了对各交通方式出行需求估计及运力协同优化效果的精准把控。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种城市枢纽间多交通方式运力协同优化方案编制方法，其特征在于，包括：

步骤S1：基于手机信令数据，通过数据挖掘识别枢纽间乘客出行数据，统计不同时段枢纽间乘客出行量，获取枢纽间乘客出行需求分布特征和出行需求总量数据；

步骤S2：根据枢纽间乘客对不同交通方式出行的效用计算结合枢纽间乘客出行需求分布特征，构建运力调整下的乘客交通方式转移MNL模型，预测运力调整后乘客出行选择演化特征；

步骤S3：基于所述MNL模型结合枢纽间乘客出行需求总量数据提出枢纽间各交通方式出行需求估计方法，计算出枢纽间各交通方式客流量；

步骤S4：基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征以乘客换乘时间、运力调整幅度最小为目标，构建枢纽间多交通方式运力协同优化方案编制模型，通过求解所述枢纽间多交通方式运力协同优化方案编制模型，输出需求变动下供需均衡的最优运力协同优化方案。

2.根据权利要求1所述的方法，其特征在于，所述的步骤S1包括：

S11：基于城市枢纽范围内的乘客的移动终端信令数据，通过数据挖掘识别枢纽间乘客出行数据，统计不同时段枢纽间乘客出行量，获取枢纽间客流需求分时数据，获取枢纽间乘客出行需求分布特征和出行需求总量数据；

S12：基于枢纽间乘客交通方式选择数据，采用直接分析、交叉分析等方法，分析乘客交通方式选择特征，挖掘枢纽间乘客交通方式选择偏好，分析各影响因素变化对乘客交通方式选择的影响。

3.根据权利要求1所述的方法，其特征在于，所述的步骤S2包括：

S21：根据枢纽间乘客对不同交通方式出行的效用计算结合枢纽间乘客出行需求分布特征，综合考虑轨道交通、地面公交、出租车以及机场巴士在内的枢纽间交通方式，采用MNL模型作为框架构建枢纽间交通方式选择模型；

所述MNL模型的数学表示形式如下：

V_1n＝θ₁+β₁X_1n1+β₂X_1n2+β₃X_1n3+β₃X_1n3+β₄X_1n5

V_2n＝θ₂+β₁X_2n1+β₂X_2n2+β₃X_2n3+β₃X_2n3+β₄X_2n5

V_3n＝θ₃+β₁X_3n1+β₂X_3n2+β₃X_3n4+β₄X_3n5

V_4n＝β₁X_4n1+β₂X_4n2+β₃X_4n3+β₄X_4n5

其中，i为枢纽间某交通方式选择肢，i＝1,2,3,4，θ_i表示第i个选择肢的固定哑元，β_k是待估参数，V_in是出行者n选择第i个选择肢的效用函数，P_in表示出行者n选择第i个选择肢的概率，A_n表示出行者n的可选方案的集合，X_ink为枢纽间交通方式选择的某影响因素，k＝1,2,3,4,5，其中分别表示出行者n乘坐交通方式i的出行时间、费用、步行距离、等车时间、舒适度；

S22：以δ_in表示出行者n选择第i个交通方式的结果，则采用极大似然估计法得到的出行者n所有选择结果的联合概率为

所有出行者选择结果的似然函数为：

对似然函数的对数进行求导并设其导数为0，则得出关于参数估计值的方程式如下：

S23：将乘客出行数据代入标定后的MNL模型中，得到运力调整后乘客出行选择演化特征。

4.根据权利要求1所述的方法，其特征在于，所述S3包括：

S31：基于运力协同调度方案实施后的运力情况，计算枢纽间乘客各交通方式的指标及影响因素，该影响因素包括出行总时间、乘客等待时间，基于枢纽间乘客各交通方式的指标及影响因素通过枢纽间乘客交通方式转移MNL模型，计算出枢纽间乘客各交通方式分担率；

S32：根据枢纽间各交通方式分担率的计算结果，结合枢纽间乘客出行需求总量数据，计算出枢纽间各交通方式客流量f_i。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述S4中的基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征以乘客换乘时间、运力调整幅度最小为目标，构建枢纽间多交通方式运力协同优化方案编制模型，包括：

S41：考虑包括乘客出行的时间窗约束、交通方式选择约束、容量限制约束的约束条件，以枢纽间运力调整幅度最小、乘客换乘等待时间最小为目标，基于所述枢纽间各交通方式客流量和所述运力调整后乘客出行选择演化特征构建枢纽间多交通方式运力协同优化方案编制模型；

所述枢纽间多交通方式运力协同优化方案编制模型的目标函数为：

其中，i表示乘客，j表示交通方式车次；I表示所有乘客集合，i∈I；J表示所有交通方式车次集合，j∈J，T_i0表示调整前的车次i到站时刻，T_i1表示调整后的车次i到站时刻，C_i表示车次i是否进行了时刻表调整；

其中，WT_ij表示乘客j等待车次i时的换乘等待时间；

所述枢纽间多交通方式运力协同优化方案编制模型的约束条件包括时间窗约束、乘客交通方式选择约束、交通方式容量约束、最大等待时间约束，其中：

①时间窗约束，表示乘客乘坐交通方式的时刻不小于到达该站点的时刻与站点内步行时间之和，乘客等车时间为乘客乘车时间与乘客到站时间和站内步行时间之差，具体表示形式如下：

其中，

表示乘客j乘坐车次i的时刻，

表示乘客j到达车次i站点的时刻，d_i表示车次i站点的换乘步行距离，v表示乘客换乘时的平均步行速度；

②乘客交通方式选择约束，表示乘客j选择交通方式i的概率，具体表示形式如下：

其中，P_ij表示乘客j选择交通方式i的概率。

③交通方式容量约束，表示当前在车人数应小于车辆容量限制，具体表示形式如下：

其中，s_ijt表示时刻t乘客j是否在车次i上，C_m表示车量容量限制；

④最大等待时间约束，表示乘客j选择交通方式i的最大换乘等待时间限制，具体表示形式如下：

其中，WT_m表示乘客等待时间最大上限。

6.根据权利要求5所述的方法，其特征在于，所述S4中的通过求解所述枢纽间多交通方式运力协同优化方案编制模型，输出需求变动下供需均衡的最优运力协同优化方案，包括：

S42：采用NSGA-II算法流程对所述枢纽间多交通方式运力协同优化方案编制模型进行求解，包括如下步骤：

(1)生成时刻表初始化优化方案

采用整数编码的方式来反映任务车次排序，每个被编码的染色体代表各交通方式时刻表调整后的一种随机排序，其中同一交通方式线路对应的时刻表仅在该交通方式时刻表对应的范围内进行排序，染色体上每个基因处的数字代表某种车型对应的某个发车时间编号，整个染色体的基因序列代表调整后的时刻表；

(2)生成初始种群

采用计算机随机生成初始种群中的若干个体，个体中某种交通方式的染色体序列范围内仅生成该交通方式对应的发车时刻，保证生成的个体均具有可行性；

(3)枢纽间客流配分及加载过程仿真

以模型的目标函数作为适应度函数来对个体的优劣性进行评价，并按照一定规则保留性能较优的个体、淘性能较差的个体；利用NSGA2算法的非支配排序方法对种群进行快速分层，获得种群个体的非支配层数，使优良个体更加靠近Pareto前沿，拥挤度以目标空间上的每一点与同层相邻两点之间的局部拥挤距离来计算；

(4)遗传操作

遗传操作包括选择、交叉、变异三个基本步骤，针对每个步骤设计出与编码方案相适应的选择、交叉和变异算子，将选择、交叉和变异操作应用在遗传算法的每一次迭代过程中，使得新个体不断取代旧个体，且模型的目标函数值不断优化，在算法不断迭代的过程中，当目标函数值的变化程度小于某个阈值或算法的迭代次数满足相应标准时，则确认算法终止，输出需求变动下供需均衡的最优运力协同优化方案，该最优运力协同优化方案包括枢纽间各交通方式发车车次的时刻表调整幅度。

Images