CN113592419B - 考虑客流和节能的轨道交通快慢车时刻表优化方法 - Google Patents
考虑客流和节能的轨道交通快慢车时刻表优化方法 Download PDFInfo
- Publication number
- CN113592419B CN113592419B CN202110606177.6A CN202110606177A CN113592419B CN 113592419 B CN113592419 B CN 113592419B CN 202110606177 A CN202110606177 A CN 202110606177A CN 113592419 B CN113592419 B CN 113592419B
- Authority
- CN
- China
- Prior art keywords
- train
- slow
- time
- fast
- station
- 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 47
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000004134 energy conservation Methods 0.000 title description 4
- 210000000349 chromosome Anatomy 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005265 energy consumption Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 239000002699 waste material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
-
- 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
- G06Q10/04—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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑客流和节能的轨道交通快慢车时刻表优化方法,属于轨道交通技术领域。包括S1对模型算法所需的快车、慢车的运营数据、线路数据、客流数据进行清洗、预处理;S2基于S1中的长短距离OD客流量计算快车、慢车开行比例,根据S1中的线路最大断面客流量P计算快慢车开行对数和开行周期时间H;S3、基于S1、S2的数据建立快车、慢车时刻表的数学模型;S4引入多种列车运行约束以及列车速度‑距离关系,并将多目标模型化为单目标模型;S5算法参数初始化,将S3中的决策变量转化为染色体进行编码,利用遗传算法求取全局最优解,得到此种场景下的快车、慢车最优时刻表。本发明解决了动态客流与列车运力不匹配的问题。
Description
技术领域
本发明涉及一种考虑客流和节能的轨道交通快慢车时刻表优化方法,属于轨道交通技术领域。
背景技术
城市轨道交通已经成为大城市中主要的公共交通方式,随着城市规模的发展,中心城市已经趋于饱和,导致城市中心与郊区之间的长途出行客流量日益增多。因此,一种新型的列车运营模式——快车、慢车组合运营模式应运而生。该模式是传统慢车与快车的结合,慢车指的是站站停的列车,而快车指的是跨站越行的列车。在快车越行的站点,停站等待时间为0,因此相比于传统慢车,快车完成一趟行程所需的时间更小。
随着线网规模的扩大,客流特征日趋复杂化,与常规停站模式类似,快车、慢车模式也同样面临着列车运力投放与线路客流特征不匹配的问题,尤其在高峰时段,均衡发车间隔的时刻表已无法满足不规律客流的变化需求,容易造成能耗的浪费,同时增加了乘客的出行等待时间。此外,目前快车、慢车开行比例过于单一,同一条线路在不同的场景、日期下的开行比例基本一致,方案的制定缺乏特异性,无法适应不同场景下的多维客流需求。因此,对于快车、慢车组合运营模式而言,基于客流变化特征的时刻表优化问题显得十分重要。目前对于快车、慢车组合运营模式的研究较多,但大多局限于对于列车停站方案及其开行方案的研究,而对于快车、慢车时刻表优化的研究十分稀缺。
发明内容
本发明的目的在于,克服现有技术中存在的问题,提供一种考虑客流和节能的轨道交通快慢车时刻表优化方法,可以解决动态客流与列车运力不匹配的问题,在同时考虑乘客出行满意度以及企业运营成本的前提下,快速提供一种快慢车组合运营模式的时刻表优化方案,为运营组织方案的制定提供依据。
为解决以上技术问题,本发明的一种考虑客流和节能的轨道交通快慢车时刻表优化方法,对列车时刻表进行建模,包括以下步骤:
S1、对模型算法所需的快车、慢车的运营数据、线路数据、客流数据进行清洗、预处理,基于客流变化特征将一个运营日划分为包括高峰、平峰的多个时段,并分别根据划分的时段统计OD客流数据,计算线路的最大断面客运量P以及长途、短途出行乘客团体的占比ρ;
S2、基于S1中的长短距离OD客流量计算快车、慢车开行比例,根据S1中的线路最大断面客流量P计算快车、慢车开行对数,并计算快车、慢车开行周期时间H;
S3、基于S1、S2的数据建立快车、慢车时刻表的数学模型:以乘客站台等待时间最小和列车运行能耗最小为目标,以不同列车的发车间隔以及停站时间为决策变量进行建模;
S4、引入多种列车运行约束以及列车速度-距离关系,并利用线性加权法将多目标模型化为单目标模型;
S5、算法参数初始化,将S3中的决策变量转化为染色体进行编码,利用遗传算法求取全局最优解,最后得到此种场景下的快车、慢车最优时刻表。
进一步的,S1具体包括如下步骤:
S101、收集并处理模型算法所需的快车、慢车运营数据、线路数据、客流数据,快车、慢车运营数据包括快车、慢车的停站方案、越行方案、列车运力、两种列车在各个区间的行驶时间以及原始的时刻表数据;线路数据包括站点信息数据;客流数据为轨道交通OD客流量;
S102、基于客流变化特征将一个运营日划分为包括高峰、平峰的多个时段并分别根据划分的时段统计OD客流数据,计算线路的最大断面客流量P以及长途、短途出行乘客团体的占比ρ,具体如下:
其中,pij为全日从i站到j站的OD客流量,i为起始站,j为目标站。
进一步的,S2具体包括如下步骤:。
S201、基于S1中的结果计算快车、慢车在此种场景下的开行对数以及开行比例,计算公式如下:
式中:me为快车的单位小时最小投放数量,ms为慢车的单位小时最小投放数量;
Ce为单辆快车的载客量,N为慢车与快车的比例,N为正整数;
S202、根据S201的结果计算该场景下开行一组快车、慢车的周期时间H:
进一步的,S3具体包括如下步骤:
S301、根据S1中的结果,建立不同比例的快车、慢车时间间隔关系模型;
S302、将所有列车分为五种类型,即Case1、Case2、Case3、Case4和Case5;
Case1:第一类列车为大部分慢车,运行期间始终不会与快车相邻;
Case2:第二类列车是此周期中的一辆慢车,该慢车比快车早出发两班,在快车越行前一辆慢车后,该快车与第二类列车相邻;
Case3:第三类列车是排在快车前面出发的一辆慢车,该慢车在越行站会被快车越行;
Case4:第四类列车是此周期中的唯一快车;
Case5:第五类列车是排在快车后面出发的一辆慢车;
S303、分种类计算相邻列车离开不同站点的间隔时间
第一类列车与第二类列车的间隔时间等于发车间隔,表示为:
其中为列车k离开i站的时间;
第三类列车在越行站会被快车越行,则间隔时间需要分开讨论,其中,Z-表示越行站前的站点编号集合,Z+表示越行站后的站点编号集合;Ie表示快车的编号集合,Is表示慢车的编号集合,其间隔时间可表示为:
第四类列车只在快车站停靠,其间隔时间可表示为:
第五类列车间隔时间为:
S304:计算乘坐不同类型列车乘客的站台等待时间;
S305:根据S302的列车划分,分别计算不同类型列车在运行期间的列车总能耗E。
进一步的,S4具体包括如下步骤:
S401、利用线性加权法将多目标问题转换为单目标问题,首先对T与E进行归一化处理:
S402、引入系数σ1表征乘客等待时间的重要程度,引入系数σ2来表征列车运行能耗的重要程度,同时引入保证列车安全运行的行车约束,构建减小乘客站台等待时间的时刻表优化模型:
Min F=σ1*ηT+σ2*ηE
其中,hmin为最小发车间隔,hmax为最大发车间隔,dmin为最小停站间隔,dmax为最大停站间隔,θsafe为安全间隔时间,θa为越行最小间隔时间,H为一个列车发车周期时间,S为列车运行距离,t为列车运行时间,V为列车运行速度,a为列车运行加速度。
进一步的,S5具体包括如下步骤:
S501、初始化参数:设置种群规模的最大数量pop_size,并随机产生发车间隔、停站时间的个体,然后设置最大进化代数max_generation,并设置进化代数计数器为1;
S502、编码和初解:对变量发车间隔和停站时间进行编码,以随机的初始值组成染色体的基因;判断变量发车间隔是否满足约束条件,如果满足,进入S503;如果不满足,则重新生成初始解;
S503、计算和选择:计算所有染色体的适应度值;通过轮盘赌法选择染色体;如果这一代染色体的适应度高于前一代,则保留这一代染色体;如果低于前一代,则保留前一代染色体;
S504、繁衍:当前染色体通过交叉和突变行为产生下一代个体;如果每个个体都满足约束条件,则转S505,如果不满足,则重新繁殖个体;
S505、如果当前进化代数等于max_generation,则停止循环,得到最优解;如果没有达到,则返回S503。
进一步的,S304中乘坐不同类型列车乘客的站台等待时间的计算方式如下:
首先基于OD客流量λij以及OD统计时间区间th计算时间内的车站到达客流量,同时计算因快车k越行产生的滞留乘客量Qij,qj为一个0,1变量,用于表示目标站点是否为快车停靠站,计算公式如下:
第一类、第二类列车的乘客站台等待时间计算公式如下:
式中,表示乘坐k车从i站到j站的乘客的站台等待时间;
第三类列车的乘客站台等待时间计算方式为:
第四类列车的乘客站台等待时间为:
第五类列车的乘客站台等待时间为:
总的乘客站台等待时间T计算为:
式中,i、i分别表示乘客出行的起始站点和目标站点编号,k为乘客乘上的列车编号,表示从i站到j站且乘坐k车的乘客的站台等待时间。
进一步的,S305中不同类型列车在运行期间的列车总能耗E的计算步骤如下:
(1):计算i站乘坐k车的总人数
式中,由不同站点在不同列车到来时/>中的上车人数统计得到;
车站i的下车人数即为乘上列车k的乘客中,想要去往站点i的乘客数,表示为:
(2):对列车在不同断面的载客量通过不同车站的上下车乘客数以及上个断面的载客量进行计算更新:
(3):计算得到在不同区间运行的列车总质量
其中,mp为单位乘客的平均质量,mk为列车k的空载质量;则每辆列车在区间i到i+1的运行能耗为:
则一个周期内的列车运行总能耗为:
式中,为k车在站点i与i+1间运行时产生的能耗。
进一步的,S301中,列车k离开i站的时间用前序列车间的发车间隔hk以及列车k在不同区间的运行时间、停站时间计算得到:
其中,取前一周期最后一辆车出发的时间点为本周期开始的时间点即/>
进一步的,S502中所述约束条件为最小发车间隔hmin、最大发车间隔hmax、最小停站间隔dmin、最大停站间隔dmax、安全间隔时间θsafe、越行最小间隔时间θa、一个列车发车周期时间H。
相对于现有技术,本发明取得了以下有益效果:1、根据不同场景下的客流特征变化,拟定客流到达率,并以客流到达率为数据基础,同时考虑客流需求以及列车能耗建立快车、慢车模式下的列车时刻表优化模型,并采用遗传算法进行求解,最后将一天不同时段的时刻表进行衔接,得到优化后的全日快慢车开行时刻表。
2、能够缩短乘客出行时间,降低列车运行能耗,提高列车运输效益,为快车、慢车运营模式的应用提供参考和依据。
3、利用一种适用于多场景的快慢车时刻表优化技术,可针对不同客流特征的场景例如高峰/平峰、工作日/周末/节假日等分别制定科学合理的行车方案,提高不同客流需求条件下的乘客出行舒适度。
4、该快慢车时刻表优化技术可对线路运力资源进行合理配置,提高运力与客流需求之间的匹配程度,从而减小运力资源的浪费;同时本发明可减小列车在区间运行的能耗,降低企业的运营成本。
5、考虑到了快慢车组合运营模式中的时刻表优化问题,与均衡发车间隔的传统快慢车时刻表相比,对不规则客流更具匹配性与适应性,使得运力投放精准化,从而降低了资源的浪费。
6、基于多场景下的客流多维特性,本发明的快慢车时刻表可针对不同场景制定对应的时刻表,与传统方案固定比例的快慢车模式相比,对于不同场景的客流需求更具适应性,对列车运营方案的科学合理制定有着重要指导意义。
7、传统快慢车优化方案注重于考虑乘客总出行时间,对于乘客在站台的总等待时间描述较为模糊,本发明以乘客站台等待时间以及列车运行能耗最小为目标,深入考虑了滞留乘客的满意度以及企业的运营成本,提高了乘客出行满意度,同时降低了企业运营成本,带来较大经济效益。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明,附图仅提供参考与说明用,非用以限制本发明。
图1是本发明考虑客流和节能的轨道交通快慢车时刻表优化方法的步骤示意图;
图2为本发明中快慢车一个开行周期的示意图;
图3为本发明中快车与慢车所有可能比例统计的示意图;
其中,图3(a)为N=1时快车与慢车的比例统计的示意图,
图3(b)为N=2时快车与慢车的比例统计的示意图,
图3(c)为N=3时快车与慢车的比例统计的示意图,
图3(d)为N>3时快车与慢车的比例统计的示意图;
图4为本发明中不同列车之间时间间隔计算的示意图;
图5是本发明中列车区间运行时段划分示意图;
图6是本发明所用的遗传优化算法的流程示意图;
图7是本发明实施案例中优化后的列车运行图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
本发明考虑客流和节能的轨道交通快慢车时刻表优化方法,对列车时刻表进行建模,如图1所示,包括以下步骤:
S1、对模型算法所需的快车、慢车的运营数据、线路数据、客流数据进行清洗、预处理,基于客流变化特征将一个运营日划分为包括高峰、平峰的多个时段,并分别根据划分的时段统计OD客流数据,计算线路的最大断面客运量P以及长途、短途出行乘客团体的占比ρ;
S2、基于S1中的长短距离OD客流量计算快车、慢车开行比例,根据S1中的线路最大断面客流量P计算快车、慢车开行对数,并计算快车、慢车开行周期时间H;
S3、基于S1、S2的数据建立快车、慢车时刻表的数学模型:以乘客站台等待时间最小和列车运行能耗最小为目标,以不同列车的发车间隔以及停站时间为决策变量进行建模;
S4、引入多种列车运行约束以及列车速度-距离关系,并利用线性加权法将多目标模型化为单目标模型;
S5、算法参数初始化,将S3中的决策变量转化为染色体进行编码,利用遗传算法求取全局最优解,最后得到此种场景下的快车、慢车最优时刻表。
S1具体包括如下步骤:
S101、收集并处理模型算法所需的快车、慢车运营数据、线路数据、客流数据,快车、慢车运营数据包括快车、慢车的停站方案、越行方案、列车运力、两种列车在各个区间的行驶时间以及原始的时刻表数据;线路数据包括站点信息数据;客流数据为轨道交通OD客流量;
S102、基于客流变化特征将一个运营日划分为包括高峰、平峰的多个时段并分别根据划分的时段统计OD客流数据,计算线路的最大断面客流量P以及长途、短途出行乘客团体的占比ρ,具体如下:
其中,ρ为长途、短途出行乘客团体的占比,pij为全日从i站到j站的OD客流量,i为起始站,j为目标站。
如图2-图4所示,
S2具体包括如下步骤:
如图3所示,S201、基于S1中的结果计算快车、慢车在此种场景下的开行对数以及开行比例,计算公式如下:
ms=me*N;
式中:me为快车的单位小时最小投放数量,ms为慢车的单位小时最小投放数量;
Ce为单辆快车的载客量,N为慢车与快车的比例,N为正整数。
S202、根据S201的结果计算该场景下开行一组快车、慢车的周期时间H:
S3具体包括如下步骤:
S301、根据S1中的结果,建立不同比例的快车、慢车时间间隔关系模型,列车k离开i站的时间用前序列车间的发车间隔hk以及列车k在不同区间的运行时间、停站时间计算得到:
其中,取前一周期最后一辆车出发的时间点为本周期开始的时间点即/>i站k列车的到站时间/>也可以用类似方法进行计算。
S302、将所有列车分为五种类型,即Case1、Case2、Case3、Case4和Case5;
Case1:第一类列车为大部分慢车,运行期间始终不会与快车相邻;即图2中的列车5、列车6…列车N+1;
Case2:第二类列车是此周期中的一辆慢车,该慢车比快车早出发两班,在快车越行前一辆慢车后,该快车与第二类列车相邻;即图2中的列车1;
Case3:第三类列车是排在快车前面出发的一辆慢车,该慢车在越行站会被快车越行;即图2中的列车2;
Case4:第四类列车是此周期中的唯一快车;即图2中的列车3;
Case5:第五类列车是排在快车后面出发的一辆慢车;即图2中的列车4。
如图4所示,S303、分种类计算相邻列车离开不同站点的间隔时间
第一类列车与第二类列车的间隔时间等于发车间隔,表示为:
其中为列车k离开i站的时间;
第三类列车在越行站会被快车越行,则间隔时间需要分开讨论,其中,Z-表示越行站前的站点编号集合,Z+表示越行站后的站点编号集合;Ie表示快车的编号集合,Is表示慢车的编号集合,其间隔时间可表示为:
第四类列车只在快车站停靠,其间隔时间可表示为:
第五类列车间隔时间为:
S304:计算乘坐不同类型列车乘客的站台等待时间,具体计算方式如下:
首先基于OD客流量λij以及OD统计时间区间th计算时间内的车站到达客流量,同时计算因快车k越行产生的滞留乘客量Qij,qj为一个0,1变量,用于表示目标站点是否为快车停靠站,计算公式如下:
第一类、第二类列车的乘客站台等待时间计算公式如下:
式中,表示乘坐k车从i站到j站的乘客的站台等待时间;
第三类列车的乘客站台等待时间计算方式为:
当第三类列车经过越行站,快车行驶在其前面,乘坐该类列车的乘客需要额外考虑被快车滞留的乘客;
第四类列车的乘客站台等待时间为:
第五类列车的乘客站台等待时间为:
总的乘客站台等待时间T可计算为:
式中,i、j分别表示乘客出行的起始站点和目标站点编号,k为乘客乘上的列车编号,表示从i站到j站且乘坐k车的乘客的站台等待时间。
如图5所示,S305:根据S302的列车划分,分别计算不同类型列车在运行期间的列车总能耗E,计算步骤如下:
(1):计算i站乘坐k车的总人数
式中,由不同站点在不同列车到来时/>中的上车人数统计得到;
车站i的下车人数即为乘上列车k的乘客中,想要去往站点i的乘客数,表示为:
(2):对列车在不同断面的载客量可以通过不同车站的上下车乘客数以及上个断面的载客量进行计算更新:
(3):计算得到在不同区间运行的列车总质量
其中,mp为单位乘客的平均质量,mk为列车k的空载质量;则每辆列车在区间i到i+1的运行能耗为:
则一个周期内的列车运行总能耗为:
式中,为k车在站点i与i+1间运行时产生的能耗。
S4具体包括如下步骤:
S401、利用线性加权法将多目标问题转换为单目标问题,首先对T与E进行归一化处理:
S402、引入系数σ1表征乘客等待时间的重要程度,引入系数σ2来表征列车运行能耗的重要程度,同时引入保证列车安全运行的行车约束,构建减小乘客站台等待时间的时刻表优化模型:
Min F=σ1*ηT+σ2*ηE
其中,hmin为最小发车间隔,hmax为最大发车间隔,dmin为最小停站间隔,dmax为最大停站间隔,θsafe为安全间隔时间,θa为越行最小间隔时间,第5个约束条件表示所有发车间隔之和等于一个列车发车周期时间H;S为列车运行距离,t为列车运行时间,V为列车运行速度,a为列车运行加速度,后六个等式为基于牛顿定理推算得到的列车运行速度与距离关系。
如图6所示,S5具体包括如下步骤:
S501、初始化参数:设置种群规模的最大数量pop_size,并随机产生发车间隔、停站时间的个体,然后设置最大进化代数max_generation,并设置进化代数计数器为1;
S502、编码和初解:对变量发车间隔和停站时间进行编码,以随机的初始值组成染色体的基因;判断变量发车间隔是否满足约束条件,如果满足,进入S503;如果不满足,则重新生成初始解;约束条件为最小发车间隔hmin、最大发车间隔hmax、最小停站间隔dmin、最大停站间隔dmax、安全间隔时间θsafe、越行最小间隔时间θa、一个列车发车周期时间H。
S503、计算和选择:计算所有染色体的适应度值;通过轮盘赌法选择染色体;如果这一代染色体的适应度高于前一代,则保留这一代染色体;如果低于前一代,则保留前一代染色体;
S504、繁衍:当前染色体通过交叉和突变行为产生下一代个体;如果每个个体都满足约束条件,则转S505,如果不满足,则重新繁殖个体;
S505、如果当前进化代数等于max_generation,则停止循环,得到最优解;如果没有达到,则返回S503。
以广州地铁14号线的上行方向为例做模型验证:
该线路采用快速/本地模式来满足长途旅行者的需求,共设有13个车站。其中,快车站为1、8、12、13号车站,其他的是慢车站,其中,6号站是越行点。将全日客流划分为高峰和平峰,以高峰时段1小时为目标进行研究,并统计OD客流量如表3所示。原来的行车计划中,快车与慢车的比例为固定的1∶4,选取其中一个周期快慢车进行案例分析,列车区间运行时间和停留时间分别如表1和表2所示,其余参数为H=1380s,hmin=100s,hmax=600s,θa=65s,a1=lm/s2,a3=-0.8m/s2,mk=280000kg,mp=60kg,σ1=σ2=0.5。
表1
表2
λij | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 |
1 | 0 | 1404 | 1104 | 1024 | 1092 | 552 | 252 | 1228 | 608 | 268 | 192 | 3032 | 432 |
2 | 0 | 0 | 120 | 288 | 192 | 136 | 4 | 72 | 28 | 32 | 8 | 44 | 0 |
3 | 0 | 0 | 0 | 308 | 144 | 116 | 20 | 92 | 32 | 20 | 12 | 68 | 8 |
4 | 0 | 0 | 0 | 0 | 152 | 196 | 16 | 132 | 32 | 24 | 16 | 124 | 12 |
5 | 0 | 0 | 0 | 0 | 0 | 100 | 32 | 124 | 36 | 28 | 8 | 100 | 32 |
6 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 228 | 32 | 16 | 8 | 56 | 0 |
7 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 52 | 12 | 0 | 4 | 36 | 4 |
8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 124 | 52 | 56 | 624 | 96 |
9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 20 | 328 | 32 |
10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 16 | 92 | 16 |
11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 88 | 16 |
12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 40 |
13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表3
首先考证本发明的时刻表优化方法。对于时刻表优化方案,为了与实际案例做对照,需要控制开行对数、开行比例、开行周期为固定变量,即将这些变量设为与案例相同的值。得到的该周期内的原始发车间隔如表4所示,停站时间及优化后的时刻表如表5所示。优化后的快慢车运行图如图7所示。
表4
表5
相比于优化前,优化后的乘客在站台的总等待时间减少了464716s(约20.3%),优化后的列车运行总能耗减少了831010284J(约1.4%)此外,有些乘客的目的地在慢车站,因此无法乘坐快车,这些乘客的站台等待时间也减少了约23%。结果显示,本发明能够有效减少乘客站台等待时间,尤其是被快车滞留的乘客的等待时间,能够提高乘客出行满意度。
此外,通过OD客流量的计算,可以发现该时段内的OD客流中,长距离出行乘客与短距离出行乘客之比约为1∶1,因此1∶4的快慢车开行比例并不能很好匹配该时段内的客流。通过本发明的模型方法,可以调整不同时段内的快慢车开行比例,进一步进行时刻表优化,提高列车运力投放效益。
Claims (8)
1.一种考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,对列车时刻表进行建模,包括以下步骤:
S1、对模型算法所需的快车、慢车的运营数据、线路数据、客流数据进行清洗、预处理,基于客流变化特征将一个运营日划分为包括高峰、平峰的多个时段,并分别根据划分的时段统计OD客流数据,计算线路的最大断面客运量P以及长途、短途出行乘客团体的占比ρ;
S2、基于S1中的长短距离OD客流量计算快车、慢车开行比例,根据S1中的线路最大断面客流量P计算快车、慢车开行对数,并计算快车、慢车开行周期时间H;
S3、基于S1、S2的数据建立快车、慢车时刻表的数学模型:以乘客站台等待时间最小和列车运行能耗最小为目标,以不同列车的发车间隔以及停站时间为决策变量进行建模;
S3具体包括如下步骤:
S301、根据S1中的结果,建立不同比例的快车、慢车时间间隔关系模型;
S302、将所有列车分为五种类型,即Case1、Case2、Case3、Case4和Case5;
Case1:第一类列车为大部分慢车,运行期间始终不会与快车相邻;
Case2:第二类列车是此周期中的一辆慢车,该慢车比快车早出发两班,在快车越行前一辆慢车后,该快车与第二类列车相邻;
Case3:第三类列车是排在快车前面出发的一辆慢车,该慢车在越行站会被快车越行;
Case4:第四类列车是此周期中的唯一快车;
Case5:第五类列车是排在快车后面出发的一辆慢车;
S303、分种类计算相邻列车离开不同站点的间隔时间
第一类列车与第二类列车的间隔时间等于发车间隔,表示为:
其中为列车k离开i站的时间;
第三类列车在越行站会被快车越行,则间隔时间需要分开讨论,其中,Z-表示越行站前的站点编号集合,Z+表示越行站后的站点编号集合;Ie表示快车的编号集合,Is表示慢车的编号集合,其间隔时间可表示为:
第四类列车只在快车站停靠,其间隔时间可表示为:
第五类列车间隔时间为:
S304:计算乘坐不同类型列车乘客的站台等待时间;
S305:根据S302的列车划分,分别计算不同类型列车在运行期间的列车总能耗E;
S4、引入多种列车运行约束以及列车速度-距离关系,并利用线性加权法将多目标模型化为单目标模型;
S4具体包括如下步骤:
S401、利用线性加权法将多目标问题转换为单目标问题,首先对T与E进行归一化处理:
S402、引入系数σ1表征乘客等待时间的重要程度,引入系数σ2来表征列车运行能耗的重要程度,同时引入保证列车安全运行的行车约束,构建减小乘客站台等待时间的时刻表优化模型:
Min F=σ1*ηT+σ2*ηE
其中,hmin为最小发车间隔,hmax为最大发车间隔,dmin为最小停站间隔,dmax为最大停站间隔,θsafe为安全间隔时间,θa为越行最小间隔时间;
S5、算法参数初始化,将S3中的决策变量转化为染色体进行编码,利用遗传算法求取全局最优解,最后得到此种场景下的快车、慢车最优时刻表。
2.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S1具体包括如下步骤:
S101、收集并处理模型算法所需的快车、慢车运营数据、线路数据、客流数据,快车、慢车运营数据包括快车、慢车的停站方案、越行方案、列车运力、两种列车在各个区间的行驶时间以及原始的时刻表数据;线路数据包括站点信息数据;客流数据为轨道交通OD客流量;
S102、基于客流变化特征将一个运营日划分为包括高峰、平峰的多个时段并分别根据划分的时段统计OD客流数据,计算线路的最大断面客流量P以及长途、短途出行乘客团体的占比ρ,具体如下:
其中,pij为全日从i站到j站的OD客流量,i为起始站,j为目标站。
3.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S2具体包括如下步骤:
S201、基于S1中的结果计算快车、慢车在此种场景下的开行对数以及开行比例,计算公式如下:
式中:me为快车的单位小时最小投放数量,ms为慢车的单位小时最小投放数量;Ce为单辆快车的载客量,N为慢车与快车的比例,N为正整数;
S202、根据S201的结果计算该场景下开行一组快车、慢车的周期时间H:
4.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S5具体包括如下步骤:
S501、初始化参数:设置种群规模的最大数量pop_size,并随机产生发车间隔、停站时间的个体,然后设置最大进化代数max_generation,并设置进化代数计数器为1;
S502、编码和初解:对变量发车间隔和停站时间进行编码,以随机的初始值组成染色体的基因;判断变量发车间隔是否满足约束条件,如果满足,进入S503;如果不满足,则重新生成初始解;
S503、计算和选择:计算所有染色体的适应度值;通过轮盘赌法选择染色体;如果这一代染色体的适应度高于前一代,则保留这一代染色体;如果低于前一代,则保留前一代染色体;
S504、繁衍:当前染色体通过交叉和突变行为产生下一代个体;如果每个个体都满足约束条件,则转S505,如果不满足,则重新繁殖个体;
S505、如果当前进化代数等于max_generation,则停止循环,得到最优解;如果没有达到,则返回S503。
5.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S304中乘坐不同类型列车乘客的站台等待时间的计算方式如下:
首先基于OD客流量λij以及OD统计时间区间th计算时间内的车站到达客流量,同时计算因快车k越行产生的滞留乘客量Qij,qj为一个0,1变量,用于表示目标站点是否为快车停靠站,计算公式如下:
第一类、第二类列车的乘客站台等待时间计算公式如下:
式中,表示乘坐k车从i站到j站的乘客的站台等待时间;
第三类列车的乘客站台等待时间计算方式为:
第四类列车的乘客站台等待时间为:
第五类列车的乘客站台等待时间为:
总的乘客站台等待时间T计算为:
式中,i、j分别表示乘客出行的起始站点和目标站点编号,k为乘客乘上的列车编号,表示从i站到j站且乘坐k车的乘客的站台等待时间。
6.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S305中不同类型列车在运行期间的列车总能耗E的计算步骤如下:
⑴:计算i站乘坐k车的总人数
式中,由不同站点在不同列车到来时/>中的上车人数统计得到;
车站i的下车人数即为乘上列车k的乘客中,想要去往站点i的乘客数,表示为:
⑵:对列车在不同断面的载客量通过不同车站的上下车乘客数以及上个断面的载客量进行计算更新:
⑶:计算得到在不同区间运行的列车总质量
其中,mp为单位乘客的平均质量,mk为列车k的空载质量;则每辆列车在区间i到i+1的运行能耗为:
则一个周期内的列车运行总能耗为:
式中,为k车在站点i与i+1间运行时产生的能耗。
7.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S301中,列车k离开i站的时间用前序列车间的发车间隔hk以及列车k在不同区间的运行时间、停站时间计算得到:
其中,取前一周期最后一辆车出发的时间点为本周期开始的时间点即/>
8.根据权利要求1所述的考虑客流和节能的轨道交通快慢车时刻表优化方法,其特征在于,S502中约束条件为最小发车间隔hmin、最大发车间隔hmax、最小停站间隔dmin、最大停站间隔dmax、安全间隔时间θsafe、越行最小间隔时间θa、一个列车发车周期时间H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110606177.6A CN113592419B (zh) | 2021-05-31 | 2021-05-31 | 考虑客流和节能的轨道交通快慢车时刻表优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110606177.6A CN113592419B (zh) | 2021-05-31 | 2021-05-31 | 考虑客流和节能的轨道交通快慢车时刻表优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592419A CN113592419A (zh) | 2021-11-02 |
CN113592419B true CN113592419B (zh) | 2024-05-14 |
Family
ID=78243405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110606177.6A Active CN113592419B (zh) | 2021-05-31 | 2021-05-31 | 考虑客流和节能的轨道交通快慢车时刻表优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592419B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104041A (zh) * | 2021-12-02 | 2022-03-01 | 北京城建设计发展集团股份有限公司 | 一种轨道交通运能策略优化方法、系统及电子设备 |
CN114655281B (zh) * | 2022-03-08 | 2024-01-02 | 通号城市轨道交通技术有限公司 | 列车运行图处理方法、装置、电子设备及存储介质 |
CN118195062A (zh) * | 2024-03-01 | 2024-06-14 | 西南交通大学 | 一种基于载客量的快慢车节能运行图优化方法及相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930937A (zh) * | 2016-05-07 | 2016-09-07 | 浙江大学 | 一种考虑地铁快慢线的列车运行调度一体化优化方法 |
CN108090668A (zh) * | 2017-12-14 | 2018-05-29 | 兰州交通大学 | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 |
CN110782079A (zh) * | 2019-10-18 | 2020-02-11 | 西南交通大学 | 基于停站方案节能的高速铁路列车运行图的调整方法 |
CN111311017A (zh) * | 2020-03-04 | 2020-06-19 | 广西大学 | 城市轨道交通列车运营时刻表和速度运行曲线优化方法 |
CN111523235A (zh) * | 2020-04-23 | 2020-08-11 | 广州地铁设计研究院股份有限公司 | 一种快慢车组合条件下节能坡优化方法 |
CN111882156A (zh) * | 2020-06-24 | 2020-11-03 | 北京交通大学 | 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 |
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
- 2021-05-31 CN CN202110606177.6A patent/CN113592419B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930937A (zh) * | 2016-05-07 | 2016-09-07 | 浙江大学 | 一种考虑地铁快慢线的列车运行调度一体化优化方法 |
CN108090668A (zh) * | 2017-12-14 | 2018-05-29 | 兰州交通大学 | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 |
CN110782079A (zh) * | 2019-10-18 | 2020-02-11 | 西南交通大学 | 基于停站方案节能的高速铁路列车运行图的调整方法 |
CN111311017A (zh) * | 2020-03-04 | 2020-06-19 | 广西大学 | 城市轨道交通列车运营时刻表和速度运行曲线优化方法 |
CN111523235A (zh) * | 2020-04-23 | 2020-08-11 | 广州地铁设计研究院股份有限公司 | 一种快慢车组合条件下节能坡优化方法 |
CN111882156A (zh) * | 2020-06-24 | 2020-11-03 | 北京交通大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113592419A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592419B (zh) | 考虑客流和节能的轨道交通快慢车时刻表优化方法 | |
CN111260221B (zh) | 一种面向城市全局基于动态模型的交通设施承载力评估方法 | |
CN104239484B (zh) | 一种基于多模式公交组合调度的时刻表编制方法 | |
CN104504229B (zh) | 一种基于混合启发式算法的智能公交调度方法 | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN105857350A (zh) | 一种基于区间断面客流的高铁列车开行方法 | |
CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
CN112309119B (zh) | 一种城市交通系统容量分析优化方法 | |
CN112465205B (zh) | 一种单线多站协同限流的轨道交通列车开行密度优化方法 | |
CN111552913A (zh) | 一种新线接入条件下城市轨道交通运能匹配性评价方法 | |
CN114298510A (zh) | 基于nspso算法的时刻表和速度曲线优化方法 | |
CN110910642A (zh) | 一种考虑混合交通系统的公交线路分析方法 | |
CN113538886A (zh) | 一种实时响应式定制公交递阶调度方法 | |
CN114818349A (zh) | 基于时空网络客流状态估计的节能运行图优化分析方法 | |
Zhang et al. | Pareto multi-objective optimization of metro train energy-saving operation using improved NSGA-II algorithms | |
CN117022398A (zh) | 考虑客流分配的城市轨道交通列车时刻表优化方法及系统 | |
Li et al. | Analysis of logistics distribution path optimization planning based on traffic network data | |
CN109522584B (zh) | 一种有轨电车发车时刻表设计方法 | |
CN115713207A (zh) | 一种混合公交服务组合优化方法 | |
CN113888387A (zh) | 一种基于客流需求的多目标运行优化方法 | |
CN115271276B (zh) | 联合宏微观需求响应式车辆调度方法 | |
CN116451857A (zh) | 一种基于事件驱动模型的城轨快慢车时刻表优化方法 | |
CN115099716A (zh) | 一种面向不同线路的大站快车与全程车调度方法及系统 | |
CN115481777A (zh) | 面向多线路公交动态时刻表协同仿真优化方法、设备及介质 |
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 |