CN114655282A - 一种列车运行方案优化方法及系统 - Google Patents

一种列车运行方案优化方法及系统 Download PDF

Info

Publication number
CN114655282A
CN114655282A CN202210241880.6A CN202210241880A CN114655282A CN 114655282 A CN114655282 A CN 114655282A CN 202210241880 A CN202210241880 A CN 202210241880A CN 114655282 A CN114655282 A CN 114655282A
Authority
CN
China
Prior art keywords
train
time
speed
path
generalized cost
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.)
Granted
Application number
CN202210241880.6A
Other languages
English (en)
Other versions
CN114655282B (zh
Inventor
许琰
刘婕
孙立山
熊杰
李同飞
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 University of Technology
Original Assignee
Beijing University of 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 University of Technology filed Critical Beijing University of Technology
Priority to CN202210241880.6A priority Critical patent/CN114655282B/zh
Publication of CN114655282A publication Critical patent/CN114655282A/zh
Application granted granted Critical
Publication of CN114655282B publication Critical patent/CN114655282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种列车运行方案优化方法及系统，本发明在建立列车运行优化模型的基础上，对停站方案、列车时刻表、列车运行轨迹进行分步求解，得到最终满足目标函数的结果，使得各列车的总运行时间和各列车的总运行能耗最小化。本发明无需对车辆本身进行改造，在满足交通运输需求的基础上，对各列车运行方案进行优化，从而实现减少列车的能源消耗，进一步实现交通领域的碳减排。

Description

一种列车运行方案优化方法及系统
技术领域
本发明属于列车运行优化技术领域，具体涉及一种列车运行方案优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着经济的快速发展，区域间经济文化交流日益频繁，居民对快速、准点、舒适出行的需求日益增加。近年来，高速铁路具有方便、快捷、安全等明显优势，正逐渐改变着居民中长距离出行方式。
在高速铁路运输方式给居民出行提供便捷的同时，其运行能耗不容忽视。据有关研究表明，相同里程耗能，高铁是普通列车的三倍之多。在全球环境问题日趋严重的今天，为了应对气候变化，为实现“碳达峰”、“碳中和”目标，交通领域的碳减排十分重要。因此，提高轨道交通运行效率，高质量地满足乘客出行需求，降低能耗成为轨道交通运营时代主要目标。
但据发明人了解，目前轨道交通的碳减排一般集中在对车辆结构改造、供能系统的改造或节能设备的增加等方面，需要投入的成本较高，且对于包含停站方案、列车时刻表、列车运行轨迹等节能的列车运行方案考虑较少。然而，对于轨道交通体系庞大的区域来说，不合理的列车运行方案，势必会造成大量不必要的牵引能耗和碳排放。
发明内容
本发明为了解决上述问题，提出了一种列车运行方案优化方法及系统，本发明无需对车辆本身进行改造，在满足对轨道交通高效、便捷出行需求的基础上，对列车运行方案进行节能优化，从而实现减少列车的能源消耗，进一步实现交通领域的碳减排。
根据一些实施例，本发明采用如下技术方案：
本发明的第一方面提供一种列车运行方案优化方法，包括以下步骤：
建立列车运行优化模型，基于所述优化模型确定列车运行的优化方案；其中，所述优化模型的目标函数包括最小化各列车的总运行时间和最小化各列车的总运行能耗，决策变量包括停站方案、列车时刻表和列车运行轨迹三个方面；
求解列车运行优化模型的过程如下：
获取轨道交通线路中，各个车站位置、各个区间长度、各个OD 旅客出行需求；
对各车站进行编号，对时间和速度离散化，构建空间-时间-速度三维网络(STS三维网络)，以描述各列车的运行过程；
建立列车运行能耗与列车进入、离开区间速度及运行时间的关系表。在给定列车进入、离开区间速度及运行时间条件下确定最优列车区间运行轨迹；
以列车运行能耗和总运行时间的组合为广义费用，在STS三维网络中采用最小广义费用路径算法计算列车不同停站方案下最优空间-时间-速度三维路径(STS三维路径)以及对应的最小广义费用；
基于所述最优列车STS三维路径以及对应的广义费用，建立列车停站方案与时刻表一体优化模型，求解满足旅客出行OD需求的最小广义费用的STS三维路径组合和列车自由时刻表(此时刻表不考虑列车之间的相互影响，可能存在运行冲突)；
判断决策出的列车自由时刻表是否存在冲突，如果存在，根据不同冲突类型进行相应调整，最终形成无冲突列车时刻表，其包含列车停站方案、列车各区间的到发时间及运行轨迹。
作为可选择的实施方式，列车运行优化模型的约束条件包括：列车运行区段约束、旅客需求约束、列车停站时间约束、列车站间运行时间约束、列车安全间隔约束、列车运行速度约束、列车运行时间约束、列车运行距离约束和牵引力约束。
作为可选择的实施方式，对各车站进行编号，对时间和速度离散化的具体过程包括：按照设定时间长度，将时间离散化；按照设定速度长度，将速度离散化；以车站的物理位置为空间轴上的标号，对各车站进行顺序编号，构建STS三维网络。
作为可选择的实施方式，确定最优列车区间运行轨迹的具体过程包括：以区间运行能耗最优为目标，建立基于区间的列车运行轨迹优化模型，并采用CPLEX求解，计算列车在所有给定进入区间速度、离开区间速度以及区间运行时间状态条件下的最优区间运行轨迹及其能源消耗。
作为进一步的限定，所述列车运行轨迹优化模型以各运行阶段的平均作用力和运行距离的乘积之和最小为目标函数；约束条件包括：各运行阶段牵引力约束、各运行阶段时间约束、各区间内的加减速速度约束、最大加减速约束。
作为可选择的实施方式，计算各列车在不同停站方案下最优列车 STS三维路径以及对应的最小广义费用的具体过程，即最小广义费用路径算法包括：
(1)在STS三维网络中，输入每辆列车的停站方案、最早出发时间节点、最晚到达时间节点；
(2)初始化广义费用，首先设置STS三维网络中每个列车每个节点的广义费用为无穷大；
(3)更新每个列车起点的广义费用为0；
(4)对每个列车，找出其在每个区间广义费用小于无穷大的时间节点，也就是每个列车的时间起点节点，判断每个列车在下一个站点是否停站：
(5)遍历所有列车，所有区间，找出每辆列车在终点站上最小广义费用节点，逐步追溯回起节点，得到每辆列车在STS三维网络中的最小广义费用STS三维路径以及每条路径对应的广义费用。
作为进一步的限定，所述步骤(4)中，若列车在前方站点停站，考虑列车的停车弧在广义费用中加入列车停车广义费用，然后遍历每个可行的运行状态，以第一个可行状态为初始可行状态，若下一个可行的运行状态的广义费用小于之前的广义费用，更新该节点广义费用，并保存此时的节点；
若列车在前方站点不停站，遍历每个可行的运行状态，以第一个可行状态为初始可行状态，若下一个可行的运行状态的广义费用小于之前的广义费用，更新该节点广义费用，并保存此时的节点。
作为可选择的实施方式，列车停站方案与时刻表一体优化模型为：
Figure RE-GDA0003661382270000051
Figure RE-GDA0003661382270000052
其中：Cp为STS三维路径p的最小广义费用，路径p包含使用这条路径的列车在线路上各个车站的停站与否、各个区间的到发时间、速度以及运行轨迹；Xp为决策变量，二元变量，是否选用p路径，若选用为1，反之为0；qij为以i,j为OD的乘客所需要的列车数量；Spi为路径p在i站点是否停车，若停车则为1，反之为0；P为STS三维路径集合；i、j为站点索引；E为站点集合。
作为可选择的实施方式，求满足旅客OD出行需求的总广义费用最小解的具体过程，即基于贪婪思想的列生成算法包括：
(1)采用贪婪算法的思想求解模型的初始可行解，将初始可行解作为初始列池。首先选择可最大程度满足旅客OD出行需求的STS 三维路径，接着更新未满足的旅客OD出行需求，不断重复上述步骤，直至求解出可以满足旅客OD出行需求的初始可行解。
(2)以现有列池构造原问题的限制主问题；
(3)通过求解限制主问题的对偶问题，求解出影子价格构造定价子问题，计算检验数；
(4)验证最小检验数是否大于0，如果大于0，该限制主问题的解则为原问题的解，否则，将最小检验数所对应的STS三维路径加入到列池里，更新列池，返回步骤(2)，直至求出总广义费用最小解，该解满足OD需求但可能存在运行冲突。
作为可选择的实施方式，调整存在运行冲突的列车时刻表的具体原则包括：
(1)考虑调整列车的运行时间，若最大程度的调整列车的运行时间还是无法解决冲突，再考虑调整列车的发车时间来解决冲突；
(2)在间隔冲突中，优先调整后车；在越行冲突中优先调整前车。
本发明的第二方面提供一种列车运行方案优化系统，包括：
基础建模模块，被配置为建立列车运行优化模型，基于所述优化模型确定列车运行的优化方案；所述优化模型的目标函数包括最小化各列车的总运行时间和最小化各列车的总运行能耗，决策停站方案、列车时刻表和列车运行轨迹；
数据准备模块，被配置为获取各轨道交通线路中，各个车站位置、区间长度和各个OD旅客出行需求；
三维时空网络构建模块，被配置为对各车站进行编号，对时间和速度离散化，构建空间-时间-速度三维网络，以描述各列车的运行过程；
能耗关系确定模块，被配置为建立列车运行能耗与列车进入、离开区间速度及运行时间的关系表，确定最优列车区间运行轨迹；
广义费用计算模块，被配置为以列车运行能耗和总运行时间的组合为广义费用，在STS三维网络中采用最小广义费用路径算法计算各列车的不同停站方案下最优STS三维路径以及对应的最小广义费用；
规划求解模块，被配置为基于所述最优列车STS三维路径以及对应的广义费用，建立停站方案与时刻表一体优化模型，求解满足各个OD旅客出行需求的最小广义费用的STS三维路径组合和列车自由时刻表；
冲突消除模块，被配置为判断决策出的列车自由时刻表是否存在冲突，如果存在，根据不同冲突类型进行相应调整，最终形成无冲突列车时刻表，其包含列车停站方案、列车各区间的到发时间及运行轨迹。
本发明的第三方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
本发明的第四方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明在建立列车运行优化模型的基础上，首先对列车区间运行轨迹进行预处理，然后利用基于贪婪思想的列生成算法及最小广义费用路径算法对停站方案和列车时刻表决策变量进行联合求解，得到最终满足目标函数的结果，使得各列车的总运行时间和各列车的总运行能耗最小化，实现减少列车的能源消耗，进一步实现交通领域的碳减排。
本发明建立在列车区间运行轨迹优化的基础上，考虑满足旅客的 OD需求的情况，以列车的停站方案，列车时刻表为决策变量，建立考虑节能和效率的列车停站方案与运行图一体优化模型，通过利用基于贪婪思想的列生成算法及最小广义费用路径算法对模型进行求解，在保证列车运行效率的基础上得出节能的列车运行方案，为轨道交通线路中列车停站方案和时刻表的设计者和优化者提供理论依据。
本发明所建立的模型能很好地将处于不同战略层面的列车停站方案与列车时刻表进行一体优化，来达到保证效率的同时节约能源。并且，在模型中对运行效率、运行能耗两个目标进行均衡优化，不会过度关注列车的能源，而丧失速度快的优势。
本发明基于贪婪思想的列生成算法将问题逐步分解，很好的处理大规模的线性规划问题。
本发明在求解的基础上，考虑方案可行性，从检测和消除冲突的角度进行调整，可以综合决策列车停站方案、列车时刻表、列车运行轨迹，达到系统最优，对列车实际运行有很好指导。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本实施例的列车运行方案优化方法流程图；
图2为本实施例的列车冲突检测和消除流程示意图；
图3为本实施例的线路示意图；
图4为本实施例的列车停站方案示意图；
图5为本实施例的求解的列车运行图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供一种列车运行方案优化方法，所提的运行方案包括列车停站方案、列车时刻表及列车区间运行轨迹。
本发明所提出的优化方法，可以用于所有列车，为方便本领域技术人员理解，本实施例中，以高速列车为例进行说明，但不代表本发明所提供的方案仅能适用于高速列车。
实施例一：
本实施例从能源和效率角度出发，以列车能源消耗和运行效率的组合最优为目标函数，使得列车保证时间效率的同时最大程度地节能运行。
首先介绍列车运行优化模型，包括目标函数、约束条件、参数意义、决策变量。
为了旅客有满意的服务体验，运营商能够有较高的利润水平，以及编制出来的列车运行方案达到节约能耗的目标，本发明以最小化列车的总旅行时间、最小化列车总运行能耗为优化目标。目标函数如下所示：
Figure RE-GDA0003661382270000111
Figure RE-GDA0003661382270000112
其中，式(1)为目标一：最小化列车的总运行时间，式(2)为目标二：最小化列车总运行能耗。
约束条件：
Figure RE-GDA0003661382270000113
Figure RE-GDA0003661382270000114
式(3)(4)为列车开行区段约束，表示列车h在发车站Oh和终点站Dh停站，列车h在需要停站的所有车站停站。
Figure RE-GDA0003661382270000115
Figure RE-GDA0003661382270000116
Figure RE-GDA0003661382270000117
式(5)，式(6)，式(7)为旅客需求约束，确保在车站i,j同时停车的列车h能够满足以i,j站为起终点的旅客出行需求。
Figure RE-GDA0003661382270000118
式(8)为列车停站时间约束，列车h在车站s的停站时间不得小于在车站s的计划最小停站时间；
Figure RE-GDA0003661382270000119
式(9)为列车站间旅行时间约束，列车h在区间s上的运行时间不得小于在区间s的最小运行时间，不得大于最大运行时间；
Figure RE-GDA0003661382270000121
式(10)为列车安全间隔约束，当列车在某一车站进行停站时，该车站需要为下一列列车的离开或到达预留足够的安全间隔；
Figure RE-GDA0003661382270000122
式(11)为列车运行速度约束，列车h进入、离开区间s速度，在区间s上的巡航速度需要大于0，小于类型为g的列车h在区间s 的最大运行速度；
Figure RE-GDA0003661382270000123
式(12)为列车运行时间约束，在运行区间s中，加速阶段、巡航阶段、减速阶段的时间之和等于区间运行时间；
Figure RE-GDA0003661382270000124
式(13)为列车运行距离约束，在一个运行区间中，加速阶段、巡航阶段、减速阶段的运行的距离之和等于区间长度；
Figure RE-GDA0003661382270000125
式(14)列车在加速阶段，根据进入区间的速度与巡航速度之间的大小关系，得到不同的牵引力约束和运行时间的约束；
Figure RE-GDA0003661382270000131
式(15)列车在巡航阶段列车牵引力约束；
Figure RE-GDA0003661382270000132
式(16)为列车在减速阶段，根据进入区间的速度与巡航速度之间的大小关系，得到不同的牵引力约束和运行时间的约束。
其中所涉及的参数含义如下所示：
S 车站集合
H 列车集合，|H|表示最大列车数目
G 列车类型
Hg 列车类型为g的集合
Sh 列车h需要停站的集合{Oh,2,3……,Dh}
Oh 列车h的起始站点
Dh 列车h的终到站点
h,h' 列车编号索引，h,h'∈H
g 列车类型索引；
s 车站/区间索引；
qij 起点为i，终点为j的客流量所需要的列车辆数
Y 足够大的正数
Figure RE-GDA0003661382270000141
列车h与h’在区间s最小达到间隔
Figure RE-GDA0003661382270000142
列车h与h’在区间s最小发车间隔
Figure RE-GDA0003661382270000143
列车h在s站的最小停靠时间
Figure RE-GDA0003661382270000144
列车h在区间s的最大最小运行时间
Figure RE-GDA0003661382270000145
类型为g的列车在区间s最大运行速度
Figure RE-GDA0003661382270000146
列车h在区间s平均运行速度
Figure RE-GDA0003661382270000147
列车h最大最小减速度
Figure RE-GDA0003661382270000148
列车h在区间s上最大加速度
qg g类型的列车质量
R0R1R2 牵引力公式中的系数
Ls 区间s的区间长度
Figure RE-GDA0003661382270000149
列车h在区间s三个阶段的运行距离
Figure RE-GDA00036613822700001410
列车h在区间s运行三个阶段的平均作用力
决策变量：
Figure RE-GDA00036613822700001411
列车h进入区间s的时刻
Figure RE-GDA00036613822700001412
列车h离开区间s的时刻
xhs 表示列车h在车站s停靠与否的二元变量，停靠为1，反之为0
ohh's 表示列车h与列车h’离开车站s和到达车站s+1的先后顺序，h先于h’为1，否则为0
Figure RE-GDA0003661382270000151
列车h在区间s上三个阶段的持续时间
Figure RE-GDA0003661382270000152
列车h到达区间s时的速度
Figure RE-GDA0003661382270000153
列车h在区间s的巡航速度
Figure RE-GDA0003661382270000154
列车h离开区间s时的速度
由于该模型过于复杂，无法直接求解，所以对模型进行分步求解得到最终答案。
求解的过程包括以下步骤：
步骤1：数据准备阶段，对高速铁路线路中，对各个车站位置、各个区间长度、各个OD旅客出行需求进行统计；
步骤2：进行空间-时间-速度三维网络的构建，用来描述列车的运行过程。首先，将时间离散化，时间增量为dt，dt，可以取30s，1min等；将速度离散化，速度增量为dv，可以取2m/s，4m/s等；同样地，以车站的物理位置为空间轴上的标号，即1,2,…,n等；
步骤3：准备列车运行能耗与列车进入、离开区间速度及运行时间的关系表。对基于区间的列车运行轨迹优化模型进行求解，提前计算列车所有运行状态下最优速度控制方案保存便于查用，即不同进入、离开区间速度以及不同运行时间所对应的能源消耗，在本实施例中，形成能耗关系表。
简化为列车在区间上以均匀的加、减速度进行运动，根据列车在区间上的所有可能运行过程进行如下分类，基于区间的列车运行轨迹优化模型如下，模型的求解采用CPLEX中的CP求解器进行求解。
目标函数：
Figure RE-GDA0003661382270000161
约束条件：
(1)若
Figure RE-GDA0003661382270000162
或者
Figure RE-GDA0003661382270000163
应满足特定的约束条件(14)、(15)、(16-1)。
(2)若
Figure RE-GDA0003661382270000164
或者
Figure RE-GDA0003661382270000165
应满足特定的约束条件(14-1)、(15)、(16-2)。
(3)若
Figure RE-GDA0003661382270000166
列车运行过程中有三种可能：
3.1列车从进入区间的速度
Figure RE-GDA0003661382270000167
加速到巡航速度
Figure RE-GDA0003661382270000168
然后保持巡航速度
Figure RE-GDA0003661382270000169
一段时间；最后从巡航速度加速到离开区段的速度
Figure RE-GDA00036613822700001610
即加速 -巡航-加速过程：满足特定的约束条件(14-2)、(15)、(16-2)。
3.2列车从进入区间的速度
Figure RE-GDA00036613822700001611
加速到巡航速度
Figure RE-GDA00036613822700001612
然后保持巡航速度至到离开区间，即加速-巡航过程：满足特定的约束条件(14-2)、 (15)、(16-1)以及
Figure RE-GDA00036613822700001613
g∈G,s∈Sh。
3.3列车以进入区间的速度
Figure RE-GDA00036613822700001614
巡航一段时间后加速到离开区间速度
Figure RE-GDA00036613822700001615
即巡航-加速过程：应满足特定的约束条件(14-1)、(15)、(16-2) 以及
Figure RE-GDA00036613822700001616
g∈G,s∈Sh。
(4)若
Figure RE-GDA00036613822700001617
列车运行过程中有三种可能：
4.1列车从进入区间的速度
Figure RE-GDA00036613822700001618
减速到巡航速度
Figure RE-GDA00036613822700001619
然后保持巡航速度
Figure RE-GDA0003661382270000171
一段时间；最后从巡航速度减速到离开区段的速度
Figure RE-GDA0003661382270000172
即减速 -巡航-减速过程：应满足特定的约束条件(14-1)、(15)、(16-2)。
4.2列车从进入区间的速度
Figure RE-GDA0003661382270000173
减速到巡航速度
Figure RE-GDA0003661382270000174
然后保持巡航速度至到离开区间，即减速-巡航过程：应满足特定的约束条件(14-1)、 (15)、(16-1)以及
Figure RE-GDA0003661382270000175
g∈G,s∈Sh。
4.3列车以进入区间的速度
Figure RE-GDA0003661382270000176
巡航一段时间后减速到离开区间速度
Figure RE-GDA0003661382270000177
即巡航-减速过程：应满足特定的约束条件(14-1)、(15)、(16-1) 以及
Figure RE-GDA0003661382270000178
g∈G,s∈Sh。
(5)若
Figure RE-GDA0003661382270000179
应满足特定的约束条件(15)以及
Figure RE-GDA00036613822700001710
g∈G,s∈Sh，
Figure RE-GDA00036613822700001711
g∈G,s∈Sh。
决策变量为
Figure RE-GDA00036613822700001712
表1部分列车运行能耗与列车进入、离开区间速度及运行时间的关系表
Figure RE-GDA00036613822700001713
Figure RE-GDA0003661382270000181
注：“-”表示在60km的区间上，对应的运行状态条件下无解。
步骤4：求解不同停站方案列车最优STS三维路径以及所对应的广义费用。将列车的能源消耗和总旅行时间综合成列车的广义费用，采取合理的比例进行加权，采用最小广义费用路径算法求解不同停站方案的列车最优STS三维路径所对应的最小广义费用；
具体，最小广义费用路径算法如下：
Step 1:在STS三维网络中，输入每个列车停站方案、最早出发时间节点、最晚到达时间节点；
Step 2:初始化广义费用，首先设置三维网络中每个列车每个节点的广义费用为无穷大；
Step 3:更新每个列车起点的广义费用为0；
Step 4:对每个列车，找出其在每个区间广义费用小于无穷大的时间节点，也就是每个列车的时间起点节点，判断每个列车在下一个站点是否停站：4.1若列车在前方站点停站，考虑列车的停车弧在广义费用中加入列车停车广义费用，然后遍历每个可行的运行状态，以第一个可行状态为初始可行状态，若下一个可行的运行状态的广义费用小于之前的广义费用，更新该节点广义费用，并保存此时的节点； 4.2若列车在前方站点不停站，遍历每个可行的运行状态，以第一个可行状态为初始可行状态，若下一个可行的运行状态的广义费用小于之前的广义费用，更新该节点广义费用，并保存此时的节点；
Step 5:遍历所有列车，所有区间，找出每辆列车在终点站上最小广义费用节点，逐步追溯回起节点，得到每辆列车在三维网络中的最小广义费用STS三维路径以及每条路径对应的广义费用。
步骤5：基于步骤4计算出的每辆列车的STS三维路径和广义费用，建立列车停站方案与时刻表一体优化模型：
Figure RE-GDA0003661382270000191
Figure RE-GDA0003661382270000192
其中的参数含义如下：
Cp：STS三维路径p的最小广义费用，路径p包含使用这条路径的列车在线路上各个车站的停站与否、在各个区间的到发时间、速度以及运行轨迹；
Xp：决策变量，二元变量，是否选用p路径，若选用为1，反之为0；
qij：以i,j为OD的乘客所需要的列车数量；
Spi：路径p在i站点是否停车，若停车则为1，反之为0；
P：STS三维路径集合；
i，j：为站点索引；
E：为站点集合。
步骤6：采用基于贪婪思想的列生成算法求解步骤5建立的列车停站方案与时刻表一体优化模型得到满足旅客OD出行需求的最小广义费用的STS三维路径组合与列车自由时刻表；
由于需要决策的轨迹选择过多，在求解时轨迹组合的数量会指数级增长，给求解带来麻烦，所以采用基于贪婪思想的列生成算法求解列车停站方案与时刻表一体优化模型，具体步骤如下：
Step 1:采用贪婪算法的思想求解模型的初始可行解，将初始可行解作为初始列池。
贪婪算法思想指的是在考虑问题时,总是做出在当前状况来说最好的选择,而不从整体来考虑，本步骤应用贪婪算法思想具体求解过程就是首先选择可以最大满足旅客OD出行需求的STS三维路径，接着更新未满足的旅客OD出行需求，不断重复这两个步骤，直至求解出可以满足旅客OD出行需求的初始可行解。
Step 2:以现有列池构造原问题的限制主问题。
Step 3:通过求解限制主问题的对偶问题，求解出影子价格构造定价子问题，计算检验数。
Step 4:验证最小检验数是否大于0。如果大于0，该限制主问题的解则为原问题的解，否则，将最小检验数所对应的路径加入到列池里，更新列池，返回步骤2。直至求出原问题的解。
步骤7：结合步骤6求解出的列车自由时刻表，采用冲突检测与消除算法，检测列车自由时刻表是否存在安全冲突，如果存在，消除列车的安全冲突使列车自由时刻表变成可行的列车时刻表。
如图2所示，列车的冲突调整所遵循的基本原则如下：
(1)考虑调整列车的运行时间，若最大程度的调整列车的运行时间还是无法解决冲突，再考虑调整列车的发车时间来解决冲突。
(2)在间隔冲突中，优先调整后车；在越行冲突中优先调整前车。
以下结合简单实例，说明本发明的实用性。
本实例构建的高速线路有10个车站，车站1和车站10分别为所有列车的起点站和终点站，区间长度均为60km。建立的高铁线路示意图如图3所示，为计算简便，假设线路上只有一种类型的列车，其最大速度为84m/s也就是、302.4km/h。为保证列车运行效率，列车在区间运行的最小速度不低于50m/s也就是180km/h。因此，列车在区间上最短运行时间为12min，最长运行时间为20min。列车在中间站的停站时间设为2min。
依据各个车站位置、区间长度和各个OD旅客出行需求(如下表 2)对上述模型进行求解，得出高铁线路上满足旅客的出行OD需求的列车停站方案(如图4所示)，采用冲突的检测与消除算法求解出可行的列车运行图(如图5所示)，本实施例能够为高铁列车运营提供理论依据。
表2旅客出行需求OD表
Figure RE-GDA0003661382270000211
Figure RE-GDA0003661382270000221
实施例二：
一种列车运行方案优化系统，包括：
基础建模模块，被配置为建立列车运行优化模型，所述优化模型的目标函数包括最小化各列车的总运行时间和最小化各列车的总运行能耗，决策停站方案、列车时刻表和列车运行轨迹；
数据准备模块，被配置为获取各轨道交通线路中，各个车站位置、区间长度和各个OD旅客出行需求；
三维时空网络构建模块，被配置为对各车站进行编号，对时间和速度离散化，构建空间-时间-速度三维网络，以描述各列车的运行过程；
能耗关系确定模块，被配置为建立列车运行能耗与列车进入、离开区间速度及运行时间的关系表，确定最优列车区间运行轨迹；
广义费用计算模块，被配置为以列车运行能耗和总运行时间的组合为广义费用，在STS三维网络中采用最小广义费用路径算法计算各列车不同停站方案下最优STS三维路径以及对应的最小广义费用；
规划求解模块，被配置为基于所述最优列车STS三维路径以及对应的广义费用，建立停站方案与时刻表一体优化模型，求解满足各个OD旅客出行需求的最小广义费用的STS三维路径组合和列车自由时刻表；
冲突消除模块，被配置为判断决策出的列车自由时刻表是否存在冲突，如果存在，根据不同冲突类型进行相应调整，最终形成无冲突列车时刻表，其包含列车停站方案、列车各个区间到发时间及运行轨迹。
实施例三：
提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一提供的方法中的步骤。
实施例四：
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一提供的方法中的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种列车运行方案优化方法，其特征是：包括以下步骤：
建立列车运行优化模型，基于所述优化模型确定列车运行的优化方案；其中，所述优化模型的目标函数包括最小化各列车的总运行时间和最小化各列车的总运行能耗，决策变量包括停站方案、列车时刻表和列车运行轨迹三个方面；
求解列车运行优化模型的过程如下：
获取轨道交通线路中，各个车站位置、各个区间长度和各个OD旅客出行需求；
对各车站进行编号，对时间和速度离散化，构建空间-时间-速度三维网络，以描述各列车的运行过程；
建立列车运行能耗与列车进入、离开区间速度及运行时间的关系表；在给定列车进入、离开区间速度及运行时间条件下确定最优列车区间运行轨迹；
以列车运行能耗和总运行时间的组合为广义费用，在空间-时间-速度三维网络中采用最小广义费用路径算法计算列车不同停站方案下最优空间-时间-速度三维路径以及对应的最小广义费用；
基于所述最优空间-时间-速度三维路径以及对应的广义费用，建立列车停站方案与时刻表一体优化模型，求解满足旅客出行OD需求的最小广义费用的空间-时间-速度三维路径组合和列车自由时刻表；
判断决策出的列车自由时刻表是否存在冲突，如果是，调整存在冲突的列车时刻表，形成最终的停站方案和列车时刻表。
2.如权利要求1所述的一种列车运行方案优化方法，其特征是：列车运行优化模型的约束条件包括：列车运行区段约束、旅客需求约束、列车停站时间约束、列车站间运行时间约束、列车安全间隔约束、列车运行速度约束、列车运行时间约束、列车运行距离约束和牵引力约束。
3.如权利要求1所述的一种列车运行方案优化方法，其特征是：确定最优列车运行轨迹的具体过程包括：根据所述关系表，建立基于区间的列车运行轨迹优化模型，并采用CPLEX求解，所述列车区间运行轨迹优化模型以各运行阶段的平均作用力和运行距离的乘积之和最小为目标函数；约束条件包括：各运行阶段牵引力约束、各运行阶段时间约束、各区间内的加减速速度约束、最大加减速约束；计算列车所有运行状态下最优速度控制方案，即不同进入、离开区间速度以及不同运行时间所对应的能源消耗。
4.如权利要求1所述的一种列车运行方案优化方法，其特征是：计算列车不同停站方案下最优空间-时间-速度三维路径以及对应的最小广义费用的具体过程，即最小广义费用路径算法包括：
(1)在时间-空间-速度三维网络中，输入每辆列车的停站方案、最早出发时间节点、最晚到达时间节点；
(2)初始化广义费用，首先设置三维网络中每个列车每个节点的广义费用为无穷大；
(3)更新每个列车起点的广义费用为0；
(4)对每个列车，找出其在每个区间广义费用小于无穷大的时间节点，也就是每个列车的时间起点节点，判断每个列车在下一个站点是否停站：
(5)遍历所有列车，所有区间，找出每辆列车在终点站上最小广义费用节点，逐步追溯回起节点，得到每辆列车在时间-空间-速度三维网络中的最小广义费用路径以及每条路径对应的广义费用。
所述步骤(4)中，若列车在前方站点停站，考虑列车的停车弧在广义费用中加入列车停车广义费用，然后遍历每个可行的运行状态，以第一个可行状态为初始可行状态，若下一个可行的运行状态的广义费用小于之前的广义费用，更新该节点广义费用，并保存此时的节点；
若列车在前方站点不停站，遍历每个可行的运行状态，以第一个可行状态为初始可行状态，若下一个可行的运行状态的广义费用小于之前的广义费用，更新该节点广义费用，并保存此时的节点。
5.如权利要求1所述的一种列车运行方案优化方法，其特征是：列车停站方案与时刻表一体优化模型为：
Figure RE-FDA0003661382260000031
Figure RE-FDA0003661382260000032
其中：Cp为STS三维路径p的最小广义费用，路径p包含使用这条路径的列车在线路上各个车站的停站与否、各个区间的到发时间、速度以及运行轨迹；Xp为决策变量，二元变量，是否选用p路径，若选用为1，反之为0；qij为以i,j为OD的乘客所需要的列车数量；Spi为路径p在i站点是否停车，若停车则为1，反之为0；P为STS三维路径集合；i、j为站点索引；E为站点集合。
6.如权利要求1所述的一种列车运行方案优化方法，其特征是：求满足OD需求的总广义费用最小的解的具体过程，即基于贪婪思想的列生成算法包括：
(1)采用贪婪算法的思想求解模型的初始可行解，将初始可行解作为初始列池；首先选择可最大程度满足旅客OD出行需求的STS三维路径，接着更新未满足的旅客OD出行需求，不断重复上述步骤，直至求解出可以满足旅客OD出行需求的初始可行解；
(2)以现有列池构造原问题的限制主问题；
(3)通过求解限制主问题的对偶问题，求解出影子价格构造定价子问题，计算检验数；
(4)验证最小检验数是否大于0，如果大于0，该限制主问题的解则为原问题的解，否则，将最小检验数所对应的STS三维路径加入到列池里，更新列池，返回步骤(3)，直至求出总广义费用最小解，该解满足OD需求但可能存在运行冲突。
7.如权利要求1所述的一种轨道交通车辆运行列车运行方案优化方法，其特征是：调整存在冲突的车辆时刻表的具体原则包括：
首先考虑调整车辆的运行时间，若最大程度的调整车辆的运行时间还是无法解决冲突，再考虑调整车辆的发车时间来解决冲突；
在间隔冲突中，优先调整后车；在越行冲突中优先调整前车。
8.一种列车运行方案优化系统，其特征是：包括：
基础建模模块，被配置为建立列车运行优化模型，基于所述优化模型确定列车运行的优化方案；所述优化模型的目标函数包括最小化各轨道交通列车的总运行时间和最小化各列车的总运行能耗，决策变量包括停站方案、列车时刻表和列车运行轨迹三个方面；
数据准备模块，被配置为获取各轨道交通线路中，各个车站位置、区间长度和各个OD旅客出行需求；
三维时空网络构建模块，被配置为对各车站进行编号，对时间和速度离散化，构建空间-时间-速度三维网络，以描述各列车的运行过程；
能耗关系确定模块，被配置为建立列车运行能耗与列车进入、离开区间速度及运行时间的关系表，确定最优列车区间运行轨迹；
广义费用计算模块，被配置为以列车运行能耗和总运行时间的组合为广义费用，在空间-时间-速度三维网络中采用最小广义费用路径算法计算列车不同停站方案下最优空间-时间-速度三维路径以及对应的最小广义费用；
规划求解模块，被配置为基于所述最优空间-时间-速度三维路径以及对应的广义费用，建立列车停站方案与时刻表一体优化模型，求解满足旅客出行OD需求的最小广义费用的空间-时间-速度三维路径组合和列车自由时刻表；
冲突消除模块，被配置为判断决策出的列车自由时刻表是否存在冲突，如果存在，根据不同冲突类型进行相应调整，最终形成无冲突列车时刻表，其包含列车停站方案、列车区间到发时间及运行轨迹。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7中任一项所述的方法中的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7中任一项所述的方法中的步骤。
CN202210241880.6A 2022-03-11 2022-03-11 一种列车运行方案优化方法及系统 Active CN114655282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210241880.6A CN114655282B (zh) 2022-03-11 2022-03-11 一种列车运行方案优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210241880.6A CN114655282B (zh) 2022-03-11 2022-03-11 一种列车运行方案优化方法及系统

Publications (2)

Publication Number Publication Date
CN114655282A true CN114655282A (zh) 2022-06-24
CN114655282B CN114655282B (zh) 2024-05-14

Family

ID=82029840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210241880.6A Active CN114655282B (zh) 2022-03-11 2022-03-11 一种列车运行方案优化方法及系统

Country Status (1)

Country Link
CN (1) CN114655282B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933870A (zh) * 2024-03-22 2024-04-26 南开大学 基于时变拥堵和停车等待的城市配送车辆路径优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011116300A (ja) * 2009-12-07 2011-06-16 Railway Technical Research Institute 列車ダイヤ作成方法、プログラム及び列車ダイヤ作成装置
CN105857350A (zh) * 2016-03-17 2016-08-17 中南大学 一种基于区间断面客流的高铁列车开行方法
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
CN111098896A (zh) * 2019-12-19 2020-05-05 北京交通大学 考虑客流波动及方案衔接性的周末列车开行方案建模方法
CN112633598A (zh) * 2020-12-30 2021-04-09 南京理工大学 城市轨道交通列车速度曲线与时刻表综合节能优化方法
CN112668101A (zh) * 2020-12-31 2021-04-16 西南交通大学 一种高速铁路列车运行图编制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011116300A (ja) * 2009-12-07 2011-06-16 Railway Technical Research Institute 列車ダイヤ作成方法、プログラム及び列車ダイヤ作成装置
CN105857350A (zh) * 2016-03-17 2016-08-17 中南大学 一种基于区间断面客流的高铁列车开行方法
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
CN111098896A (zh) * 2019-12-19 2020-05-05 北京交通大学 考虑客流波动及方案衔接性的周末列车开行方案建模方法
CN112633598A (zh) * 2020-12-30 2021-04-09 南京理工大学 城市轨道交通列车速度曲线与时刻表综合节能优化方法
CN112668101A (zh) * 2020-12-31 2021-04-16 西南交通大学 一种高速铁路列车运行图编制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丰海广;蔺杨;王晗笑;: "高速铁路列车开行方案优化", 物流技术, no. 02, 25 February 2020 (2020-02-25) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933870A (zh) * 2024-03-22 2024-04-26 南开大学 基于时变拥堵和停车等待的城市配送车辆路径优化方法
CN117933870B (zh) * 2024-03-22 2024-05-24 南开大学 基于时变拥堵和停车等待的城市配送车辆路径优化方法

Also Published As

Publication number Publication date
CN114655282B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN112084636A (zh) 一种多列车协同控制方法和装置
CN110362910A (zh) 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法
CN108877268A (zh) 一种面向无人驾驶的无红绿灯十字路口智能调度方法
Ye et al. Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings
CN104064029B (zh) 一种VANETs中V2V链路延迟的动态预测方法
CN112820126B (zh) 一种非侵入式导向运输车辆路权优先运行控制及仿真方法
Valera et al. Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs
Sethuraman et al. Effects of bus platooning in an urban environment
CN114655282A (zh) 一种列车运行方案优化方法及系统
CN115273450B (zh) 一种网联自动驾驶环境下车辆进入编队的换道方法
CN112373521A (zh) 多线路多交路列车时刻表自动编制检测调整系统及方法
CN113581261B (zh) 一种高速铁路阶段调整计划的综合性能评估系统
Yang et al. A coordinated signal priority strategy for modern trams on arterial streets by predicting the tram dwell time
Li-Xing et al. Discrete-time movement model of a group of trains on a rail line with stochastic disturbance
Zhang et al. CAVSim: A microscopic traffic simulator for evaluation of connected and automated vehicles
Ke-Ping et al. Energy-optimal control model for train movements
CN102426779A (zh) 一种出租车空车控制的方法
CN115817588A (zh) 面向大小交路模式的城轨列车运行图自动编制方法和系统
Li et al. Traffic signal timing optimization incorporating individual vehicle fuel consumption characteristics under connected vehicles environment
CN115273457A (zh) 考虑城市路网行程时间动态变化的全局最优路径规划方法
Ren et al. An intersection platoon speed control model considering traffic efficiency and energy consumption in cvis
CN113962599A (zh) 一种城市轨道交通网络化运营管理方法及系统
Tao et al. Traffic modelling for moving-block train control system
CN118015819B (zh) 一种基于驾驶任务的车队协同驾驶方法及系统
CN114792070B (zh) 一种基于混合智能算法的地铁安全防撞时刻表优化方法

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
GR01 Patent grant
GR01 Patent grant