CN114331060B - 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法 - Google Patents
一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法 Download PDFInfo
- Publication number
- CN114331060B CN114331060B CN202111533267.3A CN202111533267A CN114331060B CN 114331060 B CN114331060 B CN 114331060B CN 202111533267 A CN202111533267 A CN 202111533267A CN 114331060 B CN114331060 B CN 114331060B
- Authority
- CN
- China
- Prior art keywords
- drt
- demand
- station
- time
- site
- 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 45
- 230000003068 static effect Effects 0.000 claims abstract description 48
- 230000002068 genetic effect Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000669618 Nothes Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法,首先区分选择DRT接驳服务的乘客信息的进离站方向,若乘客需求方向为离站,获取乘客离站需求信息,建立离站方向静态调度模型,计算最佳行驶路径,下达发车指令并向乘客反馈结果;若需求方向为进站,首先获取截止时间前的进站需求信息,建立进站方向静态调度模型,生成车辆初始路径并下达发车指令,随后继续获取DRT动态乘客需求信息,建立进站方向动态调度模型,更新行驶路径并实时反馈调度信息至相应班车与提交申请的乘客。本发明实现了MaaS背景下面向高铁乘客差异需求的DRT车辆路径动静态结合生成方法,满足DRT个性化服务需求,为智能交通发展提供了技术支持。
Description
技术领域
本发明涉及一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法,属于需求响应式公共交通(Demand-Responsive Transit,简称DRT)技术领域。
背景技术
作为城市重要的交通枢纽,高铁车站客流集散效率的高低极大地影响着整个城市的交通服务水平。由于高铁与各种交通方式的无缝衔接及协同服务水平不足,接驳公共交通的运营模式较为传统,当前的高铁客流集散方案已不能满足出行即服务(Mobility as aService,简称MaaS)“一站式按需无缝衔接移动或出行”的要求,客流疏散压力较大。为提高高铁车站的一体化服务水平,各个城市正在迅速发展新型的DRT接驳服务。现有的DRT接驳公交调度研究仍缺乏灵活性,较多考虑针对公交发车前的乘客需求进行线路规划,将线路生成后的乘客需求简单地归到下一辆公交车,对动态需求的实时响应模型研究不足;并在构建模型时多以满足乘客总行程时间最少等条件建立单目标函数模型,没有考虑公交车的成本、效益、使单次响应的乘客数量最多等问题。
为更好地解决“互联网+”背景下高铁站庞大的客流集散问题,满足乘客日益提升的个性化、差异化需求,有必要提出一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法,充分利用MaaS平台高度的信息交互性与智能性,从运营和乘客两个角度考虑问题,合理配置运力资源,进一步完善现有的DRT接驳公交系统。
发明内容
本发明所要解决的技术问题是:提供一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法,充分考虑MaaS背景下离开高铁站和前往高铁站的乘客需求特性的不同,分别针对两种情况从运营和乘客的角度进行优化,构建模型,并改进现有算法使问题得到解决,弥补当前方法的不足。
本发明为解决上述技术问题采用以下技术方案:
一种针对DRT离站方向的静态调度路径生成方法,所述静态调度路径生成方法包括如下步骤:
步骤A1,乘客乘坐高铁到达目的高铁站出站前,获取选择DRT接驳服务的乘客需求信息;
步骤A2,根据乘客需求信息,建立离站方向DRT静态调度模型;
步骤A3,利用改进式遗传算法,计算最佳行驶路径;
步骤A4,生成调度计划,根据调度计划生成调度指令并下达至相应DRT车辆,同时向选择DRT接驳服务的乘客反馈信息。
作为静态调度路径生成方法的优选方案,步骤A1所述乘客需求信息包括:乘坐DRT下车的位置、期望DRT车辆最早到达时间、期望DRT车辆最晚到达时间、所能接受的最大步行距离以及当日申请次数。
作为静态调度路径生成方法的优选方案,所述步骤A2的具体过程如下:
步骤A2-1,根据乘客乘坐DRT下车的位置生成本次调度计划的需求公交站点,用C表示需求公交站点集合,需求公交站点共n个,不包括始发站点和最终停车/调度站点,i,j表示响应的需求公交站点编号,i<j,共K班DRT车辆,以k作为索引,为0-1决策变量,当站点i、j在线路上相邻时取1,否则取0;
步骤A2-2,离站方向DRT静态调度模型的目标函数由目标函数1和目标函数2组成;
目标函数1为使公交企业运营成本最低:
目标函数2为使乘客总行程时间成本最低:
其中,为离站乘客乘坐一次DRT的总行程时间成本的最小值;δ为每个车内乘客的单位时间成本;tij为站点i到站点j之间的行车时间;t1为站点内每位乘客的平均服务时间;Qj为到达需求站点j前的车内人数;Qj+1为到达需求站点j+1前的车内人数;为在需求站点j的下车人数;
步骤A2-3,离站方向DRT静态调度模型的约束条件包括容量约束、时间窗约束、服务约束和其他约束;
公交的容量约束为:
其中,Q(m)为编组为m的车内容量;
公交运营的时间窗约束为:
其中,Tmax为乘客能接受的单程最大旅行时间;tej为DRT在需求站点j的最早到达时间;tlj为DRT在需求站点j的最晚到达时间;tj为DRT到达需求站点j的实际时间,tj由以下公式获得:
公交在站点的服务约束为:
其中,第一个公式表示每班车都从始发站点出发,最后都到达最后一个需求站点n;第二和第三个公式表示每个需求站点都被同一班车访问且只能访问一次;第四个公式表示每班车到达需求站点后确保又从该站点离开;和均为0-1决策变量;
公交运营时的其它约束为:
其中,第一个公式表示每班车从需求站点i到需求站点j服从时间关联约束;第二个公式表示每班车从需求站点i到需求站点j服从载重量关联约束;第三个公式表示决策变量满足0-1整数约束;为在需求站点i的下车人数。
作为静态调度路径生成方法的优选方案,所述步骤A3中,利用改进式遗传算法针对两个目标优化问题,采用效用最优化法,对每个目标赋予一定的权重后合并,公式为:
其中,Z表示合并后的目标函数,ω1、ω2为各目标函数的效用系数,且ω1+ω2=1,ω1、ω2的值取决于DRT运营过程中基于运营成本和乘客出行时间成本的偏好;
改进式遗传算法在设计选择算子时,采用基于精英保留的选择策略,将个体按照适应度的大小排序,将适应度最高的个体直接复制到下一代,其余个体则采用轮盘赌选择方法,计算个体的相对适应度,对相对适应度由大到小排序,选择排序前N的相对适应度对应的个体进入下一代,N为预先设定的值,保证每一代的最优基因得以保留。
作为静态调度路径生成方法的优选方案,步骤A4所述调度指令包括执行调度计划的班车编组数量、班车服务人数、班车行驶路径、班车在行驶路径中的所有停靠站点、班车最早及最晚出发时间、班车在每个停靠站点的最早及最晚到达时间、班车在每个停靠站点的下车人数;所述向选择DRT接驳服务的乘客反馈信息,即向选择DRT接驳服务的乘客反馈接驳需求是否被响应的信息,若需求被响应,则反馈信息包括乘坐车辆信息、班车行驶路径、预计乘车时间、预计到达时间、乘车地点、下车地点、需支付费用。
一种针对DRT进站方向的静态与动态两阶段调度路径生成方法,所述静态与动态两阶段调度路径生成方法包括如下步骤:
步骤B1,获取截止时间之前选择DRT接驳服务的乘客静态需求信息,所述截止时间为系统设置的接受乘客静态需求信息的截止时间;
步骤B2,根据获取的乘客静态需求信息,建立进站方向DRT静态调度模型;
步骤B3,利用改进式遗传算法,生成初始行驶路径;
步骤B4,生成初始调度计划,根据初始调度计划生成初始调度指令并下达至相应DRT车辆,同时向选择DRT接驳服务的乘客反馈信息;
步骤B5,在截止时间之后,实时获取选择DRT接驳服务的乘客动态需求信息;
步骤B6,建立进站方向DRT动态调度模型,利用基于遗传算法的精确算法更新初始行驶路径并验证,所述基于遗传算法的精确算法的输入为步骤B3中改进式遗传算法的输出;
步骤B7,根据更新后的路径生成调度指令并实时下达至相应DRT车辆,DRT车辆按更新后的路径继续行驶,同时向执行初始调度计划过程中选择DRT接驳服务的乘客反馈信息。
作为静态与动态两阶段调度路径生成方法的优选方案,步骤B2所述进站方向DRT静态调度模型的目标函数为:
其中,为第k班车执行一次进站方向调度计划产生的总运营成本的最小值;为进站乘客乘坐一次DRT的总行程时间成本的最小值;为0-1决策变量,当站点i、j在线路上相邻时取1,否则取0;为每班车每公里的总运营成本;m为车辆编组数;dij为从站点i到站点j之间的运行距离;tij为站点i到站点j之间的行车时间;为在需求站点j的上车人数;t1为站点内每位乘客的平均服务时间;Qj为到达需求站点j前的车内人数;
约束条件为:
其中,Q(m)为编组为m的车内容量;Tmax为乘客能接受的单程最大旅行时间;tej为DRT在需求站点j的最早到达时间;tlj为DRT在需求站点j的最晚到达时间;tj为DRT到达需求站点j的实际时间,为第k班车在始发站点的出发时间;均为0-1决策变量;为在需求站点i的下车人数;n为需求公交站点个数,不包括始发站点和最终停车/调度站点;K为DRT车辆总班次。
作为静态与动态两阶段调度路径生成方法的优选方案,所述步骤B5中,在截止时间之后,对于新产生的DRT接驳服务申请,以提交申请时间先后为乘客重要度依据,按照即收即处理的原则依次处理乘客申请。
作为静态与动态两阶段调度路径生成方法的优选方案,所述步骤B6的具体过程如下:
步骤B6-1,若新产生的DRT接驳服务申请能够划分至已有需求站点,即响应该申请不需要新增需求站点,则判断响应该申请后增加的行程时间是否超过班车能够增加的最大行程时间Tz,即是否满足如下约束:
若满足上述约束,则响应该申请,否则不响应;
步骤B6-2,若新产生的DRT接驳服务申请不能够划分至已有需求站点,即响应该申请需要新增需求站点,设新增的停靠站点为站点y,其访问顺序位于站点i与j之间,为计算站点y插入线路的最佳位置,建立使得增加的运营成本与行程时间成本最小的目标函数为:
其中,minΔF′1为新增需求站点后增加的公交运营成本的最小值;minΔF′2为新增需求站点后既有乘客增加的总行程时间成本的最小值;Y为新增需求站点集合,共有w个;diy为从站点i到站点y之间的运行距离;dyj为从站点y到站点j之间的运行距离;为在需求站点y的上车人数;
当新增需求站点作为新的停靠站点纳入调度计划,产生新的线路后,更新原有线路并对新的线路进行所有约束条件检验,此时,i∈(0,1,…,n,n+1,…,n+w-1),j∈(1,2,…n,n+1,…,n+w)。
作为静态与动态两阶段调度路径生成方法的优选方案,所述步骤B7中,DRT车辆按照实时更新的路径继续行驶,且调度指令的下达时间不晚于DRT车辆到达新增需求站点前一站点的时间。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明提出的一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法,包括一种针对DRT离站方向的静态调度路径生成方法和一种针对DRT进站方向的静态与动态两阶段调度路径生成方法。根据需求申请时间特性的不同,对选择DRT换乘服务的乘客出行方向进行细分,同一服务范围内DRT的不同服务方向上使用不同的模型生成线路,建立离站方向的静态调度模型与进站方向的静态与动态两阶段调度模型,本发明实现了DRT车辆在接驳高铁乘客时的路径生成方法,充分利用了MaaS平台的有利性与便捷性,满足了DRT个性化、智能化的服务需求,为智能交通的发展提供了有力的技术服务支持。
附图说明
图1是本发明的整体逻辑流程图;
图2是本发明中基于遗传算法的精确算法实现流程示意图。
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。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。
如图1所示,给出了本发明的整体逻辑流程图,包括一种针对DRT离站方向的静态调度路径生成方法和一种针对DRT进站方向的静态与动态两阶段调度路径生成方法。
针对本发明实施例做出四个假设:假设本发明实施例中的调度系统为MaaS平台下基于互联网的信息化调度系统,此应用背景下的调度系统提供了获取乘客需求的先前性,支持乘客在出发前制定全程出行计划,在中途无需考虑换乘选择问题;假设运营公交车为可变编组式公交车,运营班车为模块化灵活编组的接驳公交车组,由m辆型号、容量等均相同的公交车辆连挂而成,公交车组两端车头均设置司机驾驶室,在进行换向操作时可无需调头,原地折返;假设DRT可以在服务区域内所有道路自由通行,道路任何位置均可设站点;假设进站方向乘客只上车不下车。
一种针对需求响应式公交(Demand-Responsive Transit,简称DRT)离站方向的静态调度路径生成方法,包括:
步骤A1:乘客乘坐高铁到达目的高铁站出站前,调度系统获取选择DRT接驳服务的乘客需求信息;
乘客需求信息内容包括乘坐DRT下车的位置、期望DRT车辆最早到达时间、最晚到达时间、所能接受的最大步行距离、当日申请次数。
步骤A2:根据乘客需求信息,建立离站方向DRT静态调度模型;具体如下:
步骤A2-1:根据乘客乘坐DRT下车的位置生成本次调度计划的公交站点,并对停靠的需求公交站点进行定义。用C表示需求站点集合,共n个,不包括公交始发站和最终停车/调度站,i,j表示响应的需求站点编号,i<j,共K班车,以k作为索引,为0-1决策变量,当站点i、j在线路上相邻时取1,否则取0;
步骤A2-2:目标函数由目标函数1和目标函数2组成:
目标函数1为使公交企业运营成本最低:
其中,为第k班车执行一次离站方向调度计划产生的总运营成本;为第k班车执行一次离站方向调度计划产生的总运营成本的最小值;为每班车每公里的总运营成本,包括动力成本(燃油、燃气或耗电)、驾驶员的工资成本、车辆折旧成本等,进行编组的车辆还需考虑编组的人力、技术成本;m为车辆编组数;dij为从站点i到站点j之间的运行距离;
目标函数2为使乘客总行程时间成本最低:
其中,为离站乘客乘坐一次DRT的总行程时间成本;为离站乘客乘坐一次DRT的总行程时间成本的最小值;δ为每个车内乘客的单位时间成本;tij为站点i到站点j之间的行车时间;t1为站点内每位乘客的平均服务时间;Qj为到达需求站点j前的车内人数;为在需求站点j的下车人数;
步骤A2-3:明确约束条件。离开高铁站方向的静态调度模型,在实际运行时受到容量、时间、站点服务等限制,约束条件包括容量约束、时间窗约束、站点服务约束和其他约束:
公交的容量约束为:
其中,Q(m)为编组为m的车内容量;
公交运营的时间窗约束为:
其中,Tmax为乘客能接受的单程最大旅行时间;tej为DRT在需求站点j的最早到达时间;tlj为DRT在需求站点j的最晚到达时间;tj为DRT到达需求站点j的实际时间,tj由以下公式获得:
公交在站点的服务约束为:
其中,第一个公式表示每班车都从枢纽车站(始发站)出发,最后都到达最后一个需求站点n;第二和第三个公式表示每个需求点都被同一班车访问且只能访问一次;第四个公式表示每班车到达需求站点后确保又从该站点离开;
公交运营时的其它约束为:
其中,公式从上到下分别表示每班车从需求站点i到需求站点j服从时间关联约束;每班车从需求站点i到需求站点j服从载重量关联约束;决策变量满足0-1整数约束。
步骤A3:设计改进式遗传算法,计算最佳行驶路径;
改进式遗传算法针对本发明中的多目标优化问题,所追求的两个目标有可共度性,即无相互冲突,可采用效用最优化法,对每个目标赋予一定的权重后合并,公式为:
其中,ω1、ω2为各目标函数的效用系数,且ω1+ω2=1,ω1、ω2的值取决于DRT运营过程中基于运营成本和乘客出行时间成本的偏好,在实际情况中对其进行修正可取得不同的效果。
在设计选择算子时,提供基于精英保留的选择策略,首先将个体按照适应度的大小排序,值最高的个体直接复制到下一代,其余个体则采用经典的轮盘赌选择方法,计算个体的相对适应度,保证相对适应度较高的个体基因进入下一代。这种改进式的选择策略得到的精英群体保证每一代的最优基因得以保留,且只占种群的极小部分,避免陷入局部最优解,同时提高了算法的收敛速度。
步骤A4:调度系统将调度指令下达至相应班车,并将结果反馈至提出申请的乘客;
调度指令主要包括执行响应计划的本班次公交车编组数量、班车服务人数、班车行驶路径、班车在行驶路径中的所有停靠站点、班车最早及最晚出发时间、班车在每个停靠站点的最早及最晚到达时间、班车在每个停靠站点的下车人数;进一步的,调度系统将结果反馈至提出申请的乘客,指所有在系统申请的乘客都将收到申请是否被响应的信息,若其需求被响应,反馈信息主要包括乘坐车辆信息、班车行驶路径、预计乘车时间、预计到达时间、乘车地点、下车地点、需支付费用;若其需求被拒绝,系统会根据乘客自身情况生成个性化的乘车建议。
因DRT进站方向的车辆调度是包含离站调度过程在内的完整的静态与动态两阶段调度路径规划,下面对DRT进站方向的调度路径生成方法的具体实施方式作进一步详细的说明。
步骤B1:调度系统储存截止时间之前选择DRT的乘客静态需求信息;
截止时间为调度系统设置的接受乘客静态需求信息的截止时间;乘客需求信息包括乘坐DRT的位置j、期望DRT车辆最早到达时间tej、最晚到达时间tlj、所能接受的最大步行距离L、当日申请次数。
步骤B2:建立进站方向DRT静态调度模型;
静态调度模型的目标函数为:
其中,为第k班车执行一次进站方向调度计划产生的总运营成本;为第k班车执行一次进站方向调度计划产生的总运营成本的最小值;为进站乘客乘坐一次DRT的总行程时间成本;为进站乘客乘坐一次DRT的总行程时间成本的最小值;为每班车每公里的总运营成本,包括动力成本(燃油、燃气或耗电)、驾驶员的工资成本、车辆折旧成本等,进行编组的车辆还需考虑编组的人力、技术成本;m为车辆编组数;dij为从站点i到站点j之间的运行距离;δ为每个车内乘客的单位时间成本;tij为站点i到站点j之间的行车时间;t1为站点内每位乘客的平均服务时间;Qj为到达需求站点j前的车内人数;为在需求站点j的上车人数;
约束条件为:
步骤B3:设计改进式遗传算法,生成初始行驶路径;
本发明实施例中所述问题属于多目标优化问题,所追求的两个目标有可共度性,即无相互冲突,可采用效用最优化法,对每个目标赋予一定的权重后合并,公式为:
其中,ω1、ω2为各目标函数的效用系数,且ω1+ω2=1,ω1、ω2的值取决于DRT运营过程中基于运营成本和乘客出行时间成本的偏好,在本实施例中对其进行修正可取得不同的效果;
进一步的,结合遗传算法基本原理,针对整合后的单目标优化模型对算法加以改进,利用MATLAB求出最优解,生成初始行驶路径;
步骤B4:调度系统将初始调度指令下达至相应班车,并将结果反馈至提出申请的乘客;
初始调度指令主要包括执行响应计划的本班次公交车的具体编组数量、班车服务人数、班车行驶路径、班车在行驶路径中的所有停靠站点、班车最早及最晚出发时间、班车在每个停靠站点的最早及最晚到达时间、班车在每个停靠站点的上车人数;
进一步的,调度系统将结果反馈至提出申请的乘客,指所有在系统申请的乘客都将收到申请是否被响应的信息,若其需求被响应,反馈信息主要包括乘坐车辆信息、班车行驶路径、预计乘车时间、预计到达时间、乘车地点、下车地点、需支付费用;若其需求被拒绝,系统会根据乘客自身情况生成个性化的乘车建议。
步骤B5:调度系统继续实时获取选择DRT服务的乘客动态需求信息;
由于MaaS平台支持乘客与运营调度人员的实时信息交互,结合实际情况,在截止时间之后,仍可能源源不断地产生新的乘车需求,此时以在系统提交时间的先后顺序为乘客间的重要度依据,系统收到一个申请便处理一个申请。
步骤B6:建立进站方向DRT动态调度模型,设计基于遗传算法的精确算法,获取最佳行驶路径并验证;
步骤B6-1:若产生的新需求可以划分至已有停靠站点,即响应该动态需求不需要新增停靠站点,则判断是否可以响应的规则为:响应之后班车增加的行程时间是否超过了班车能够增加的最大行程时间Tz:
其中,Tz需满足如下约束:
其中,z为新增需求所在的停靠站点;tz ′为接受新增需求后到达该站点z的时间;
步骤B6-2:若产生的新需求因地理位置与已有站点距离过远等因素未能划分至已有停靠站点,即响应该动态需求需要新增停靠站点,此时对于产生的若干条新路径进行选择,设新增的停靠站点为站点y,其访问顺序位于站点i与j之间,为计算站点y插入线路的最佳位置,建立使得增加的运营成本与行程时间成本最小的目标函数为:
其中,ΔF1 ′为新增停靠点后增加的公交运营成本;minΔF1 ′为新增停靠点后增加的公交运营成本的最小值;ΔF2 ′为新增停靠点后既有乘客增加的总行程时间成本;minΔF2 ′为新增停靠点后既有乘客增加的总行程时间成本的最小值;Y为新增停靠站点集合,共有w个;
进一步的,当新增需求点作为新的停靠站点纳入调度计划,产生最优线路后,更新原有线路并对新线路进行所有约束条件检验,此时,i∈(0,1,…,n,n+1,…,n+w-1),j∈(1,2,…n,n+1,…,n+w)。
图2示出了本发明实施例中基于遗传算法的精确算法实现流程示意图,利用MATLAB,精确算法基于第一阶段静态模型遗传算法的精确算法搜寻最优解,得到满足约束条件的情况下使得原目标函数增量最小的解,更新最优路径。
步骤B7:调度系统将调度指令实时下达至相应班车,班车按更新路径继续行驶,调度结果也将同时反馈至提出申请的乘客。
调度指令要求该班次公交按照实时更新的路径继续行驶,且指令的下达时间不晚于班车到达新增需求点前一站点的时间。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种针对DRT离站方向的静态调度路径生成方法,其特征在于,所述静态调度路径生成方法包括如下步骤:
步骤A1,乘客乘坐高铁到达目的高铁站出站前,获取选择DRT接驳服务的乘客需求信息;
所述乘客需求信息包括:乘坐DRT下车的位置、期望DRT车辆最早到达时间、期望DRT车辆最晚到达时间、所能接受的最大步行距离以及当日申请次数;
步骤A2,根据乘客需求信息,建立离站方向DRT静态调度模型;具体过程如下:
步骤A2-1,根据乘客乘坐DRT下车的位置生成本次调度计划的需求公交站点,用C表示需求公交站点集合,需求公交站点共n个,不包括始发站点和最终停车/调度站点,i,j表示响应的需求公交站点编号,i<j,共K班DRT车辆,以k作为索引,为0-1决策变量,当站点i、j在线路上相邻时取1,否则取0;
步骤A2-2,离站方向DRT静态调度模型的目标函数由目标函数1和目标函数2组成;
目标函数1为使公交企业运营成本最低:
目标函数2为使乘客总行程时间成本最低:
其中,为离站乘客乘坐一次DRT的总行程时间成本的最小值;δ为每个车内乘客的单位时间成本;tij为站点i到站点j之间的行车时间;t1为站点内每位乘客的平均服务时间;Qj为到达需求站点j前的车内人数;Qj+1为到达需求站点j+1前的车内人数;为在需求站点j的下车人数;
步骤A2-3,离站方向DRT静态调度模型的约束条件包括容量约束、时间窗约束、服务约束和其他约束;
公交的容量约束为:
其中,Q(m)为编组为m的车内容量;
公交运营的时间窗约束为:
其中,Tmax为乘客能接受的单程最大旅行时间;tej为DRT在需求站点j的最早到达时间;tlj为DRT在需求站点j的最晚到达时间;tj为DRT到达需求站点j的实际时间,tj由以下公式获得:
公交在站点的服务约束为:
其中,第一个公式表示每班车都从始发站点出发,最后都到达最后一个需求站点n;第二和第三个公式表示每个需求站点都被同一班车访问且只能访问一次;第四个公式表示每班车到达需求站点后确保又从该站点离开;和均为0-1决策变量;
公交运营时的其它约束为:
其中,第一个公式表示每班车从需求站点i到需求站点j服从时间关联约束;第二个公式表示每班车从需求站点i到需求站点j服从载重量关联约束;第三个公式表示决策变量满足0-1整数约束;为在需求站点i的下车人数;
步骤A3,利用改进式遗传算法,计算最佳行驶路径;
步骤A4,生成调度计划,根据调度计划生成调度指令并下达至相应DRT车辆,同时向选择DRT接驳服务的乘客反馈信息。
2.根据权利要求1所述的静态调度路径生成方法,其特征在于,所述步骤A3中,利用改进式遗传算法针对两个目标优化问题,采用效用最优化法,对每个目标赋予一定的权重后合并,公式为:
其中,Z表示合并后的目标函数,ω1、ω2为各目标函数的效用系数,且ω1+ω2=1,ω1、ω2的值取决于DRT运营过程中基于运营成本和乘客出行时间成本的偏好;
改进式遗传算法在设计选择算子时,采用基于精英保留的选择策略,将个体按照适应度的大小排序,将适应度最高的个体直接复制到下一代,其余个体则采用轮盘赌选择方法,计算个体的相对适应度,对相对适应度由大到小排序,选择排序前N的相对适应度对应的个体进入下一代,N为预先设定的值,保证每一代的最优基因得以保留。
3.根据权利要求1所述的静态调度路径生成方法,其特征在于,步骤A4所述调度指令包括执行调度计划的班车编组数量、班车服务人数、班车行驶路径、班车在行驶路径中的所有停靠站点、班车最早及最晚出发时间、班车在每个停靠站点的最早及最晚到达时间、班车在每个停靠站点的下车人数;所述向选择DRT接驳服务的乘客反馈信息,即向选择DRT接驳服务的乘客反馈接驳需求是否被响应的信息,若需求被响应,则反馈信息包括乘坐车辆信息、班车行驶路径、预计乘车时间、预计到达时间、乘车地点、下车地点、需支付费用。
4.一种针对DRT进站方向的静态与动态两阶段调度路径生成方法,其特征在于,所述静态与动态两阶段调度路径生成方法包括如下步骤:
步骤B1,获取截止时间之前选择DRT接驳服务的乘客静态需求信息,所述截止时间为系统设置的接受乘客静态需求信息的截止时间;
步骤B2,根据获取的乘客静态需求信息,建立进站方向DRT静态调度模型;
所述进站方向DRT静态调度模型的目标函数为:
其中,为第k班车执行一次进站方向调度计划产生的总运营成本的最小值;为进站乘客乘坐一次DRT的总行程时间成本的最小值;为0-1决策变量,当站点i、j在线路上相邻时取1,否则取0;为每班车每公里的总运营成本;m为车辆编组数;dij为从站点i到站点j之间的运行距离;tij为站点i到站点h之间的行车时间;为在需求站点j的上车人数;t1为站点内每位乘客的平均服务时间;Qj为到达需求站点j前的车内人数;
约束条件为:
其中,Q(m)为编组为m的车内容量;Tmax为乘客能接受的单程最大旅行时间;tej为DRT在需求站点j的最早到达时间;tlj为DRT在需求站点j的最晚到达时间;tj为DRT到达需求站点h的实际时间,为第k班车在始发站点的出发时间;均为0-1决策变量;为在需求站点i的下车人数;n为需求公交站点个数,不包括始发站点和最终停车/调度站点;K为DRT车辆总班次;
步骤B3,利用改进式遗传算法,生成初始行驶路径;
步骤B4,生成初始调度计划,根据初始调度计划生成初始调度指令并下达至相应DRT车辆,同时向选择DRT接驳服务的乘客反馈信息;
步骤B5,在截止时间之后,实时获取选择DRT接驳服务的乘客动态需求信息;
步骤B6,建立进站方向DRT动态调度模型,利用基于遗传算法的精确算法更新初始行驶路径并验证,所述基于遗传算法的精确算法的输入为步骤B3中改进式遗传算法的输出;
步骤B7,根据更新后的路径生成调度指令并实时下达至相应DRT车辆,DRT车辆按更新后的路径继续行驶,同时向执行初始调度计划过程中选择DRT接驳服务的乘客反馈信息。
5.根据权利要求4所述的静态与动态两阶段调度路径生成方法,其特征在于,所述步骤B5中,在截止时间之后,对于新产生的DRT接驳服务申请,以提交申请时间先后为乘客重要度依据,按照即收即处理的原则依次处理乘客申请。
6.根据权利要求4所述的静态与动态两阶段调度路径生成方法,其特征在于,所述步骤B6的具体过程如下:
步骤B6-1,若新产生的DRT接驳服务申请能够划分至已有需求站点,即响应该申请不需要新增需求站点,则判断响应该申请后增加的行程时间是否超过班车能够增加的最大行程时间Tz,即是否满足如下约束:
若满足上述约束,则响应该申请,否则不响应;
步骤B6-2,若新产生的DRT接驳服务申请不能够划分至已有需求站点,即响应该申请需要新增需求站点,设新增的停靠站点为站点y,其访问顺序位于站点i与j之间,为计算站点y插入线路的最佳位置,建立使得增加的运营成本与行程时间成本最小的目标函数为:
其中,minΔF′1为新增需求站点后增加的公交运营成本的最小值;minΔF′2为新增需求站点后既有乘客增加的总行程时间成本的最小值;Y为新增需求站点集合,共有w个;diy为从站点i到站点y之间的运行距离;dyj为从站点y到站点j之间的运行距离;为在需求站点y的上车人数;
当新增需求站点作为新的停靠站点纳入调度计划,产生新的线路后,更新原有线路并对新的线路进行所有约束条件检验,此时,i∈(0,1,…,n,n+1,…,n+w-1),j∈(1,2,…n,n+1,…,n+w)。
7.根据权利要求6所述的静态与动态两阶段调度路径生成方法,其特征在于,所述步骤B7中,DRT车辆按照实时更新的路径继续行驶,且调度指令的下达时间不晚于DRT车辆到达新增需求站点前一站点的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533267.3A CN114331060B (zh) | 2021-12-15 | 2021-12-15 | 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533267.3A CN114331060B (zh) | 2021-12-15 | 2021-12-15 | 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331060A CN114331060A (zh) | 2022-04-12 |
CN114331060B true CN114331060B (zh) | 2023-04-28 |
Family
ID=81052805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111533267.3A Active CN114331060B (zh) | 2021-12-15 | 2021-12-15 | 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331060B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114999145A (zh) * | 2022-04-15 | 2022-09-02 | 浙江数智谷信息科技有限公司 | 一种基于MaaS平台的交通出行识别系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915464A (zh) * | 2020-07-04 | 2020-11-10 | 西南交通大学 | 考虑常规公交线网的地铁中断区间乘客接驳模型及方法 |
CN112085349A (zh) * | 2020-08-19 | 2020-12-15 | 大连海事大学 | 一种基于乘客出行时间窗约束的需求响应公交调度方法 |
CN112561249A (zh) * | 2020-09-04 | 2021-03-26 | 同济大学 | 面向实时需求的城市定制公交调度方法 |
CN113538886A (zh) * | 2021-06-10 | 2021-10-22 | 广东工业大学 | 一种实时响应式定制公交递阶调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960539B (zh) * | 2018-08-31 | 2020-10-16 | 东南大学 | 一种需求响应式接驳公交路径优化方法 |
US11631151B2 (en) * | 2018-09-30 | 2023-04-18 | Strong Force Tp Portfolio 2022, Llc | Intelligent transportation systems |
US11193775B2 (en) * | 2018-11-14 | 2021-12-07 | Here Global B.V. | Method and apparatus for providing a dynamic virtual connection through a shared vehicle |
US20210090106A1 (en) * | 2019-09-23 | 2021-03-25 | Coupang, Corp. | Systems and methods for outbound forecasting |
CN112418503B (zh) * | 2020-11-17 | 2024-03-22 | 北京交通大学 | 面向出行链的需求响应公交服务模式及优化方法 |
CN113657673A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种考虑异质车辆的需求响应式公交路径优化方法 |
-
2021
- 2021-12-15 CN CN202111533267.3A patent/CN114331060B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915464A (zh) * | 2020-07-04 | 2020-11-10 | 西南交通大学 | 考虑常规公交线网的地铁中断区间乘客接驳模型及方法 |
CN112085349A (zh) * | 2020-08-19 | 2020-12-15 | 大连海事大学 | 一种基于乘客出行时间窗约束的需求响应公交调度方法 |
CN112561249A (zh) * | 2020-09-04 | 2021-03-26 | 同济大学 | 面向实时需求的城市定制公交调度方法 |
CN113538886A (zh) * | 2021-06-10 | 2021-10-22 | 广东工业大学 | 一种实时响应式定制公交递阶调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114331060A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564269B (zh) | 一种基于支付意愿的半灵活公交调度方法 | |
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 | |
Ulusoy et al. | Optimal all-stop, short-turn, and express transit services under heterogeneous demand | |
CN111815189A (zh) | 模块化公交调度系统 | |
CN115547052A (zh) | 改进自适应大领域算法的动态需求响应电动公交调度方法 | |
CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
CN109308574A (zh) | 一种实时响应的互联网半灵活公交调度方法 | |
CN112561379A (zh) | 一种面向区域性网约车的调度方法 | |
CN114331060B (zh) | 一种MaaS背景下面向高铁站接驳的DRT车辆路径生成方法 | |
CN111445048A (zh) | 一种响应型接驳公交分时段协调优化方法 | |
CN113538886A (zh) | 一种实时响应式定制公交递阶调度方法 | |
CN108806235B (zh) | 按需服务的智能公交调度方法 | |
CN110782651A (zh) | 基于快速响应乘车请求的非定线公共交通控制系统 | |
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 | |
Lin et al. | An autonomous modular mobility paradigm | |
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 | |
CN110598971A (zh) | 一种基于蚁群算法的响应式公交服务规划方法 | |
Wang et al. | Design of two-regional flexible-route bus systems considering interregional demands | |
JP2019211279A (ja) | ライドシェア情報処理プログラム及びライドシェア情報処理装置 | |
CN111738490A (zh) | 柔性公交线路资源复用分配调度方法 | |
CN115879658A (zh) | 定制公交路径优化方法、系统、存储介质及设备 | |
CN115936330A (zh) | 一种基于拉格朗日原理的需求响应式brt车辆调度算法 | |
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 | |
CN115271276B (zh) | 联合宏微观需求响应式车辆调度方法 | |
Jin et al. | Demand responsive feeder transit scheduling with flexible service quality |
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 |