CN114723111B - 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法 - Google Patents

考虑乘客感知的接驳轨道交通常规公交时刻表优化方法 Download PDF

Info

Publication number
CN114723111B
CN114723111B CN202210305560.2A CN202210305560A CN114723111B CN 114723111 B CN114723111 B CN 114723111B CN 202210305560 A CN202210305560 A CN 202210305560A CN 114723111 B CN114723111 B CN 114723111B
Authority
CN
China
Prior art keywords
conventional bus
transfer
line
station
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
Application number
CN202210305560.2A
Other languages
English (en)
Other versions
CN114723111A (zh
Inventor
邓卫
刘英媛
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210305560.2A priority Critical patent/CN114723111B/zh
Publication of CN114723111A publication Critical patent/CN114723111A/zh
Application granted granted Critical
Publication of CN114723111B publication Critical patent/CN114723111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，包括：采集轨道交通到站时刻表相关数据；采集接驳轨道交通的常规公交的现状发车时刻表数据；采集换乘乘客与非换乘乘客的客流数据；调查并拟合换乘乘客的换乘步行时间；分析乘客的感知站台等待时间成本；构建常规公交时刻表优化模型；获得到优化后的公交时刻表。本发明在乘客感知时间成本的基础上，将常规公交乘客分为换乘乘客和非换乘乘客两大类，通过分析换乘步行时间与站台等待时间的关系构建接驳轨道交通的常规公交时刻表优化模型，更符合实际公共交通运营情况，可以提高接驳轨道交通的常规公交的服务水平，增大公共交通吸引力，更好地践行“以人为本”的公交服务理念。

Description

考虑乘客感知的接驳轨道交通常规公交时刻表优化方法
技术领域
本发明涉及城市公共交通运营管理的技术领域，具体涉及一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法。
背景技术
近年来随着“公交优先”战略的提出，我国城市已经逐渐形成“轨道交通为骨干，常规公交为主体”的公共交通网络功能布局。然而轨道交通和常规公交的服务范围有限，加之公共交通的快速发展扩大了城市布局，城市居民对交通方式的换乘需求日益增长。尤其是对轨道交通与常规公交之间的换乘优化有待深入研究。
轨道交通与常规公交的换乘包括公交接驳轨道和轨道接驳公交两种。一方面，公交接驳轨道时，乘客从发车间隔较小的轨道交通换乘到发间间隔稍大的常规公交，对等待时间成本的要求较高，因此公交的发车时刻表可优化空间较大；另一方面，轨道接驳公交时，乘客从发车间隔较大的公交换乘到发车间隔较小的轨道交通，乘客整体的满意度较高，感知等待时间成本较小，可优化空间小。因此接驳轨道交通的常规公交发车时刻表优化更有现实意义，考虑乘客感知时间成本更能为扩大公共交通服务范围和提高乘客搭乘公共交通满意度做出贡献。
发明内容
发明目的：本发明要解决的技术问题在于克服现有技术的不足，提供一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，从考虑乘客感知的角度出发，综合考虑换乘乘客与非换乘乘客的感知站台等待时间成本，设计出更好衔接轨道交通的常规公交发车时刻表，提高乘客的出行感知满意度。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，包括以下步骤：
(1)选定待优化的常规公交线路和与之接驳的轨道交通站点内的轨道交通线路，确定研究周期；
(2)采集在研究周期内轨道交通现状运营数据，包括轨道交通线路每车次的到站时刻和总班次数量；
(3)采集待优化的常规公交线路在研究周期内的发车时刻表、运行到指定研究站点的时间、最小发车间隔、最大发车间隔数据；
(4)采集研究周期内轨道交通线路每班次车辆换乘到待优化常规公交线路的换乘客流数据和常规公交站点到达的非换乘乘客客流数据；
(5)获取换乘乘客从轨道交通站点换乘到常规公交站点的换乘步行时间，并进行拟合；
(6)获取换乘乘客在常规公交站点的感知站台等待时间成本；
(7)构建接驳轨道交通的常规公交时刻表优化模型；
(8)求解接驳轨道交通的常规公交时刻表优化模型，获得优化后的公交时刻表。
进一步地，步骤(1)中根据选定的轨道交通换乘常规公交的客流量的时间分布特征，确定换乘客流量最大的时间段大小为研究周期。
进一步地，步骤(5)具体步骤如下：
(51)采集每个从轨道交通换乘到常规公交的换乘乘客的换乘步行时间，得到换乘步行时间样本；
(52)利用Matlab软件对换乘步行时间样本进行正态分布拟合，得到拟合后的样本均值μ和方差σ2，得到换乘乘客的换乘步行时间t的概率密度函数如下：
其中μ和方差σ2分别为换乘步行时间样本的均值和方差。
进一步地，换乘步行时间样本的数量N≥(Z*a/d)2，其中，Z为标准误差置信水平，a为总体标准差，d为允许误差。
进一步地，步骤(6)具体步骤如下：
(61)获取若干换乘乘客的调查样本，其中调查样本包括最期待的站台等待时间wmin和可接受的最大站台等待时间wmax；
(62)计算最期待的站台等待时间平均值和可接受的最大站台等待时间平均值，计算公式如下：
其中，N'为换乘乘客感知调查的样本量，wmin(k)和wmax(k)分别表示第k个换乘乘客的最期待的站台等待时间和可接受的最大站台等待时间。
(63)根据前景理论中“参考点”的概念，用步骤(62)中求得的和/>将换乘乘客的实际站台等待时间w分为三段，其中，/>代表换乘乘客处于“正好赶上”状态，代表换乘乘客处于“站台等待”状态，/>代表换乘乘客处于“即将放弃”状态；
(64)处于任一状态的换乘乘客的感知站台等待时间成本等于该状态的感知站台等待时间成本系数与实际站台等待时间的乘积，其中第n种状态的乘客感知站台等待时间成本系数an的取值如下：
其中，n＝1表示“正好赶上”状态，n＝2表示“站台等待”状态，n＝3表示“即将放弃”状态；
(65)常规公交的两个相邻班次车辆的到达时间内，非换乘乘客的感知站台等待时间成本Cnon-transfer计算公式如下：
其中，λy为常规公交y线路的非换乘乘客的平均到达率；TBy,j+1为常规公交y线路第j+1车次的到站时刻；TBy,j为常规公交y线路第j车次的到站时刻。
进一步地，假设换乘乘客只能赶上其到达轨道交通站点后到达的常规公交y线路第j车次和第j+1车次，则：
处于“正好赶上”状态的换乘乘客的感知站台等待时间成本为：
处于“站台等待”状态的换乘乘客的感知站台等待时间成本为：
处于“即将放弃”状态的换乘乘客的感知站台等待时间成本为：
其中，为从轨道交通x线路第i车次换乘到常规公交y线路的处于第n种状态的换乘乘客的感知站台等待时间成本，TRx,i为轨道交通x线路第i车次的到站时刻，tmin为换乘乘客的最小换乘步行时间。
进一步地，步骤(7)中接驳轨道交通的常规公交时刻表优化模型为：
s.t.
0≤tby,j≤Period
0≤tby,1≤Hy
hy≤tby,j+1-tby,j≤Hy
其中，C为所有乘客的总感知站台等待时间成本，X为经过轨道交通站点s的轨道交通线路集合，Fx为经过轨道交通站点s的轨道交通x线路的车次集合，F为经过轨道交通站点s的轨道交通线路的车次集合，Y为经过常规公交站点d的常规公交线路集合，Ky为经过常规公交站点d的y线路的车次集合，K为经过常规公交站点d的常规公交线路的车次集合，为从轨道交通x线路第i车次换乘到常规公交y线路的换乘乘客数，/>为从轨道交通x线路第i车次换乘到常规公交y线路第j车次的换乘乘客感知站台等待时间成本参数，/>为从轨道交通x线路第i车次换乘到常规公交y线路的处于第n种状态的换乘乘客的感知站台等待时间成本，Wy为常规公交y线路的非换乘乘客数，Period为研究周期，Cnon-transfer为非换乘乘客在两个相邻班次车辆的到达时间内的感知站台等待时间成本，tby,j为常规公交y线路第j车次在首站的发车时刻，Hy为常规公交y线路的最大发车间隔，ky为经过常规公交站点d的常规公交y线路的第ky车次，hy为常规公交y线路的最小发车间隔，tby,j+1为常规公交y线路第j+1车次在首站的发车时刻，TBy,j-1为常规公交y线路第j-1车次的到站时刻，TRx,i为轨道交通x线路第i车次的到站时刻，TBy,j为常规公交y线路第j车次的到站时刻，tmin为换乘乘客的最小换乘步行时间，tmax为换乘乘客的最大换乘步行时间。
进一步地，步骤(8)中利用遗传算法求解接驳轨道交通的常规公交时刻表优化模型。
进一步地，利用遗传算法求解接驳轨道交通的常规公交时刻表优化模型，具体步骤为：
(81)以步骤(2)至(6)中获取的数据作为输入，并设置遗传算法参数，参数包括：种群规模M、交叉概率Pc、变异概率Pm、最大迭代次数GEN；
(82)采用实数编码方式，即每个个体表示一组可行解，个体的每个基因表示待优化常规公交线路各个车次的发车时刻，此时种群中有M个可行解；
(83)设置迭代次数G＝0，在接驳轨道交通的常规公交时刻表优化模型的约束条件的限制下随机生成初始种群；
(84)判断当前迭代次数是否大于最大迭代次数GEN，若当前迭代次数小于或等于GEN，则执行步骤(85)到步骤(89)，否则执行步骤(810)；
(85)计算种群中每个个体的适应度函数值，其中适应度函数设置为接驳轨道交通的常规公交时刻表优化模型的目标函数的倒数；
(86)采用轮盘赌的方式进行选择操作，更新当前种群；
(87)将种群内的个体进行两两配对，采用单点交叉的方式进行配对组之间的交叉操作，更新当前种群；
(88)采用均匀变异的方式对个体的单个基因进行变异操作，更新当前种群；
(89)迭代次数加1，返回步骤(84)；
(810)迭代结束，输出结果：最优个体的适应度、最优个体代表的常规公交发车时刻表、迭代次数与适应度函数的进化图。
进一步地，所述接驳轨道交通的常规公交时刻表优化模型的构建基础为：①各条常规公交线路的车辆相互独立且均匀速行驶，不存在交通延误情况；②换乘乘客的换乘步行时间服从正态分布，非换乘乘客的到达时间服从均匀分布，平均到达率恒定；③换乘乘客和非换乘乘客均可成功搭乘其到达站点后遇到的第一辆常规公交；④换乘乘客和非换乘乘客在轨道交通线路和常规公交线路的上下车时间均忽略不计。
本发明采用上述技术方案，与现有技术相比的有益效果为：
1、不同于现有技术的从乘客的客观等待状态出发，本发明考虑乘客感知，根据调查得到的乘客感知时间参考点划分乘客的站台等待状态，进而计算感知站台等待时间时间成本，能更好地从公交服务者的角度优化公交发车时刻表，提高服务水平，提升乘客的感知满意度；
2、不同于现有技术的仅从换乘乘客或者非换乘乘客的单一群体角度解决问题，本发明在提供常规公交的发车时刻表优化方法时同时兼顾换乘乘客与非换乘乘客；
3、本发明不是简单地将换乘乘客的换乘步行时间简化成一个固定平均值，而是将其拟合成正态分布，利用对换乘步行时间求定积分的方法表示乘客的站台等待时间大小。
附图说明
图1为考虑乘客感知的接驳轨道交通常规公交时刻表优化方法流程图；
图2为本发明的遗传算法流程图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细说明。
如图1所示，本发明设计一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，包括以下步骤：
(1)选定待优化的常规公交线路和与之接驳的轨道交通站点内的轨道交通线路，确定研究周期。
在一个实施例中，步骤(1)中包括以下几个环节：
第一，选择一个与轨道交通换乘客流量较大的常规公交站点，将经过该站点的线路作为待优化对象。
第二，确定与待优化常规公交线路接驳的轨道交通站点和轨道交通站点内的轨道交通线路。
第三，根据选定的轨道交通换乘常规公交的客流量的时间分布特征，确定换乘客流量最大的时间段为研究周期。
(2)采集在研究周期内轨道交通现状运营数据，包括轨道交通线路每车次的到站时刻和总班次数量。
(3)采集待优化的常规公交线路在研究周期内的发车时刻表、运行到指定研究站点的时间、最小发车间隔、最大发车间隔数据。
(4)采集研究周期内轨道交通线路每班次车辆换乘到待优化常规公交线路的换乘客流数据和常规公交站点到达的非换乘乘客客流数据。
(5)获取换乘乘客从轨道交通站点换乘到常规公交站点的换乘步行时间，并进行拟合。
在一个实施例中，步骤(5)中包括以下几个环节：
第一，当轨道交通车辆到达轨道交通站点时，调查员在车辆开门时刻开始计时，然后以最快的速度步行到待优化公交线路所经过的常规公交站台，依次记录每个从轨道交通换乘到常规公交的换乘乘客的换乘步行时间，得到换乘步行时间调查样本。
第二，调查得到的换乘步行时间样本量为N，应满足最小样本量要求，即：
N≥(Z*a/d)2
其中，N表示调查样本量；Z为标准误差置信水平，当取95％置信水平时，取1.96；a为总体标准差，取0.5；d为允许误差，取0.1。
第三，利用Matlab软件对换乘步行时间样本进行正态分布拟合，得到拟合后的样本均值μ和方差σ2，得到换乘乘客的换乘步行时间t的概率密度函数如下：
(6)获取换乘乘客在常规公交站点的感知站台等待时间成本。
在一个实施例中，步骤(6)中包括以下几个环节：
第一，面向常规公交站点换乘乘客设计乘客感知调查问卷，问卷内容包括：性别、年龄、出行目的、最期待的站台等待时间wmin、可接受的最大站台等待时间wmax。
第二，发放调查问卷，收集调查问卷，整理问卷数据；
第三，计算调查样本中的最期待的站台等待时间平均值和可接受的最大站台等待时间平均值/>计算公式如下：
其中，N'为调查样本量，wmin(k)和wmax(k)分别表示调查的第k个换乘乘客的最期待的站台等待时间和可接受的最大站台等待时间。
第四，根据前景理论中“参考点”的概念，用和/>将换乘乘客的实际站台等待时间w分为三段，其中，/>代表换乘乘客处于“正好赶上”状态，/>代表换乘乘客处于“站台等待”状态，/>代表换乘乘客处于“即将放弃”状态。
第五，处于任一状态的换乘乘客的感知站台等待时间成本等于该状态的感知站台等待时间成本系数与实际站台等待时间的乘积，其中第n种状态的乘客感知站台等待时间成本系数an的取值如下：
其中，n＝1表示“正好赶上”状态，n＝2表示“站台等待”状态，n＝3表示“即将放弃”状态。换乘乘客的感知站台等待时间成本系数an的取值大小是在非换乘乘客的感知站台等待时间成本系数为“1”的情况下进行标定。
在一个实施例中，假设换乘乘客只能赶上其到达轨道交通站点后到达的常规公交y线路第j车次和第j+1车次，则：
处于“正好赶上”状态的换乘乘客的感知站台等待时间成本为：
处于“站台等待”状态的换乘乘客的感知站台等待时间成本为：
处于“即将放弃”状态的换乘乘客的感知站台等待时间成本为：
其中，为从轨道交通x线路第i车次换乘到常规公交y线路的处于第n种状态的换乘乘客的感知站台等待时间成本，TRx,i为轨道交通x线路第i车次的到站时刻，tmin为换乘乘客的最小换乘步行时间。
第六，在常规公交的两个相邻班次车辆的到达时间内非换乘乘客的感知站台等待时间成本Cnon-transfer计算公式如下：
其中，“1”为非换乘乘客的感知站台等待时间成本系数；λy为常规公交y线路的非换乘乘客的平均到达率；TBy,j+1为常规公交y线路第j+1车次的到站时刻；TBy,j为常规公交y线路第j车次的到站时刻；λy·(TBy,j+1-TBy,j)为两个相邻班次常规公交到达时间内到达的非换乘乘客数；(TBy,j+1-TBy,j)/2为非换乘乘客实际站台等待时间的平均值。
(7)构建接驳轨道交通的常规公交时刻表优化模型。
在一个实施例中，步骤(7)中包括以下几个环节：
第一，提出模型假设
假设1：各条常规公交线路的车辆相互独立且均匀速行驶，不存在交通延误情况；
假设2：换乘乘客的换乘步行时间服从正态分布，非换乘乘客的到达时间服从均匀分布，平均到达率恒定；
假设3：所有到站乘客均可成功搭乘其到达站点后遇到的第一辆车；
假设4：乘客在轨道交通线路和常规公交线路的上下车时间忽略不计。
第二，建立考虑乘客感知的接驳轨道交通常规公交时刻表优化模型，模型的数学表达公式如下：
s.t.
0≤tby,j≤Period
0≤tby,1≤Hy
hy≤tby,j+1-tby,j≤Hy
其中，C为所有乘客的总感知站台等待时间成本，X为经过轨道交通站点s的轨道交通线路集合，Fx为经过轨道交通站点s的轨道交通x线路的车次集合，F为经过轨道交通站点s的轨道交通线路的车次集合，Y为经过常规公交站点d的常规公交线路集合，Ky为经过常规公交站点d的y线路的车次集合，K为经过常规公交站点d的常规公交线路的车次集合，为从轨道交通x线路第i车次换乘到常规公交y线路的换乘乘客数，/>为从轨道交通x线路第i车次换乘到常规公交y线路第j车次的换乘乘客感知站台等待时间成本参数，/>为从轨道交通x线路第i车次换乘到常规公交y线路的处于第n种状态的换乘乘客的感知站台等待时间成本，Wy为常规公交y线路的非换乘乘客数，Period为研究周期，Cnon-transfer为非换乘乘客在两个相邻班次车辆的到达时间内的感知站台等待时间成本，tby,j为常规公交y线路第j车次在首站的发车时刻，Hy为常规公交y线路的最大发车间隔，ky为经过常规公交站点d的常规公交y线路的第ky车次，hy为常规公交y线路的最小发车间隔，tby,j+1为常规公交y线路第j+1车次在首站的发车时刻，TBy,j-1为常规公交y线路第j-1车次的到站时刻，TRx,i为轨道交通x线路第i车次的到站时刻，TBy,j为常规公交y线路第j车次的到站时刻，tmin为换乘乘客的最小换乘步行时间，tmax为换乘乘客的最大换乘步行时间。
(8)求解接驳轨道交通的常规公交时刻表优化模型，获得优化后的公交时刻表。
在一个实施例中，利用现有遗传算法进行模型求解，流程图如图2所示，具体包括以下几个环节：
第一，算法开始
输入步骤(2)至(6)中采集到的基础数据，设置遗传算法参数，参数包括：种群规模M、交叉概率Pc、变异概率Pm、最大迭代次数GEN。
第二，参数编码
采用实数编码方式，即每个个体表示一组可行解，个体的每个基因表示待优化线路各个车次的发车时刻，此时种群中有M个可行解。
第三，生成初始化种群，迭代次数G＝0。
在模型约束条件的限制下随机生成初始种群，方法如下：
其中，randi([0,Hy])表示0到Hy之间的一个随机整数；randi([hy,Hy])表示hy到Hy之间的一个随机整数。
第四，判断当前迭代次数是否大于最大迭代次数GEN。若当前迭代次数小于或等于GEN，则执行步骤第五到第九环节，否则执行第十环节。一般来说，最大迭代次数GEN的取值在100到1000之间，需要根据实际迭代过程中的收敛特性等情况进行调整。
第五，计算种群中每个个体的适应度，适应度函数设置为目标函数的倒数。
第六，进行选择操作。采用轮盘赌的方式进行选择操作，更新当前种群。首先计算种群中个体适应度累计值，每个个体被选择进入下一代的概率表示为该个体适应度值与适应度累计值的比值，再生成随机数rand∈[0,1]，若个体被选择进入下一代的概率大于或者等于随机数，则该个体被选择进入下一代。进行选择操作后种群中个体数保持不变。
第七，进行交叉操作。将种群内的个体进行两两配对，采用单点交叉的方式，随机生成交叉基因位置，将配对组之间交叉基因位置及后面的全部基因进行交叉互换，更新当前种群。
第八，进行变异操作。采用均匀变异的方式，随机生成变异基因的位置，对变异基因进行变异操作，更新当前种群，变异公式如下：
newtby,j＝randi([a,b])
其中，newtby,j为更新种群的常规公交y线路第j车次在首站的发车时刻；tby,j-1和tby,j分别为更新种群前常规公交y线路第j-1车次和第j车次在首站的发车时刻；a为tby,j-1+hy和tbj+1+Hy二者中的最大值；b为tbj-1+Hy和tbj+1-hy二者中的最小值；randi([a,b])表示a到b之间的一个随机数。此种变异规则可以保证新生成的子代的基因满足最大最小发车时刻约束。
第九，更新当前种群代数，迭代次数加1，执行第四环节。
第十，迭代结束，输出结果，具体包括：最优个体的适应度、最优个体代表的常规公交发车时刻表、迭代次数与适应度函数的进化图。
本发明在考虑乘客感知时间成本的基础上，将常规公交乘客分为换乘乘客和非换乘乘客两大类，通过分析换乘步行时间与站台等待时间的关系构建接驳轨道交通的常规公交时刻表的优化模型，更符合实际公共交通运营情况，可以提高接驳轨道交通的常规公交的服务水平，增大公共交通吸引力，更好地践行“以人为本”的公交服务理念。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，包括以下步骤：
(1)选定待优化的常规公交线路和与之接驳的轨道交通站点内的轨道交通线路，确定研究周期；
(2)采集在研究周期内轨道交通现状运营数据，包括轨道交通线路每车次的到站时刻和总班次数量；
(3)采集待优化的常规公交线路在研究周期内的发车时刻表、运行到指定研究站点的时间、最小发车间隔、最大发车间隔数据；
(4)采集研究周期内轨道交通线路每班次车辆换乘到待优化常规公交线路的换乘客流数据和常规公交站点到达的非换乘乘客客流数据；
(5)获取换乘乘客从轨道交通站点换乘到常规公交站点的换乘步行时间，并进行拟合；
(6)获取换乘乘客在常规公交站点的感知站台等待时间成本；
(7)构建接驳轨道交通的常规公交时刻表优化模型；
(8)求解接驳轨道交通的常规公交时刻表优化模型，获得优化后的公交时刻表；
步骤(6)具体步骤如下：
(61)获取若干换乘乘客的调查样本，其中调查样本包括最期待的站台等待时间wmin和可接受的最大站台等待时间wmax；
(62)计算最期待的站台等待时间平均值和可接受的最大站台等待时间平均值，计算公式如下：
其中，N'为换乘乘客感知调查的样本量，wmin(k)和wmax(k)分别表示第k个换乘乘客的最期待的站台等待时间和可接受的最大站台等待时间；
(63)根据前景理论中“参考点”的概念，用步骤(62)中求得的和/>将换乘乘客的实际站台等待时间w分为三段，其中，/>代表换乘乘客处于“正好赶上”状态，代表换乘乘客处于“站台等待”状态，/>代表换乘乘客处于“即将放弃”状态；
(64)处于任一状态的换乘乘客的感知站台等待时间成本等于该状态的感知站台等待时间成本系数与实际站台等待时间的乘积，其中第n种状态的乘客感知站台等待时间成本系数an的取值如下：
其中，n＝1表示“正好赶上”状态，n＝2表示“站台等待”状态，n＝3表示“即将放弃”状态；
(65)常规公交的两个相邻班次车辆的到达时间内，非换乘乘客的感知站台等待时间成本Cnon-transfer计算公式如下：
其中，λy为常规公交y线路的非换乘乘客的平均到达率；TBy,j+1为常规公交y线路第j+1车次的到站时刻；TBy,j为常规公交y线路第j车次的到站时刻；
假设换乘乘客只能赶上其到达轨道交通站点后到达的常规公交y线路第j车次和第j+1车次，则：
处于“正好赶上”状态的换乘乘客的感知站台等待时间成本为：
处于“站台等待”状态的换乘乘客的感知站台等待时间成本为：
处于“即将放弃”状态的换乘乘客的感知站台等待时间成本为：
其中，为从轨道交通x线路第i车次换乘到常规公交y线路的处于第n种状态的换乘乘客的感知站台等待时间成本，TRx,i为轨道交通x线路第i车次的到站时刻，tmin为换乘乘客的最小换乘步行时间；
步骤(7)中接驳轨道交通的常规公交时刻表优化模型为：
s.t.
0≤tby,j≤Period
0≤tby,1≤Hy
hy≤tby,j+1-tby,j≤Hy
其中，C为所有乘客的总感知站台等待时间成本，X为经过轨道交通站点s的轨道交通线路集合，Fx为经过轨道交通站点s的轨道交通x线路的车次集合，F为经过轨道交通站点s的轨道交通线路的车次集合，Y为经过常规公交站点d的常规公交线路集合，Ky为经过常规公交站点d的y线路的车次集合，K为经过常规公交站点d的常规公交线路的车次集合，为从轨道交通x线路第i车次换乘到常规公交y线路的换乘乘客数，/>为从轨道交通x线路第i车次换乘到常规公交y线路第j车次的换乘乘客感知站台等待时间成本参数，/>为从轨道交通x线路第i车次换乘到常规公交y线路的处于第n种状态的换乘乘客的感知站台等待时间成本，Wy为常规公交y线路的非换乘乘客数，Period为研究周期，Cnon-transfer为非换乘乘客在两个相邻班次车辆的到达时间内的感知站台等待时间成本，tby,j为常规公交y线路第j车次在首站的发车时刻，Hy为常规公交y线路的最大发车间隔，ky为经过常规公交站点d的常规公交y线路的第ky车次，hy为常规公交y线路的最小发车间隔，tby,j+1为常规公交y线路第j+1车次在首站的发车时刻，TBy,j-1为常规公交y线路第j-1车次的到站时刻，TRx,i为轨道交通x线路第i车次的到站时刻，TBy,j为常规公交y线路第j车次的到站时刻，tmin为换乘乘客的最小换乘步行时间，tmax为换乘乘客的最大换乘步行时间。
2.根据权利要求1所述的一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，步骤(1)中根据选定的轨道交通换乘常规公交的客流量的时间分布特征，确定换乘客流量最大的时间段大小为研究周期。
3.根据权利要求1所述的一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，步骤(5)具体步骤如下：
(51)采集每个从轨道交通换乘到常规公交的换乘乘客的换乘步行时间，得到换乘步行时间样本；
(52)利用Matlab软件对换乘步行时间样本进行正态分布拟合，得到拟合后的样本均值μ和方差σ2，得到换乘乘客的换乘步行时间t的概率密度函数如下：
其中μ和方差σ2分别为换乘步行时间样本的均值和方差。
4.根据权利要求3所述的一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，换乘步行时间样本的数量N≥(Z*a/d)2，其中，Z为标准误差置信水平，a为总体标准差，d为允许误差。
5.根据权利要求1所述的一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，步骤(8)中利用遗传算法求解接驳轨道交通的常规公交时刻表优化模型。
6.根据权利要求5所述的一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，利用遗传算法求解接驳轨道交通的常规公交时刻表优化模型，具体步骤为：
(81)以步骤(2)至(6)中获取的数据作为输入，并设置遗传算法参数，参数包括：种群规模M、交叉概率Pc、变异概率Pm、最大迭代次数GEN；
(82)采用实数编码方式，即每个个体表示一组可行解，个体的每个基因表示待优化常规公交线路各个车次的发车时刻，此时种群中有M个可行解；
(83)设置迭代次数G＝0，在接驳轨道交通的常规公交时刻表优化模型的约束条件的限制下随机生成初始种群；
(84)判断当前迭代次数是否大于最大迭代次数GEN，若当前迭代次数小于或等于GEN，则执行步骤(85)到步骤(89)，否则执行步骤(810)；
(85)计算种群中每个个体的适应度函数值，其中适应度函数设置为接驳轨道交通的常规公交时刻表优化模型的目标函数的倒数；
(86)采用轮盘赌的方式进行选择操作，更新当前种群；
(87)将种群内的个体进行两两配对，采用单点交叉的方式进行配对组之间的交叉操作，更新当前种群；
(88)采用均匀变异的方式对个体的单个基因进行变异操作，更新当前种群；
(89)迭代次数加1，返回步骤(84)；
(810)迭代结束，输出结果：最优个体的适应度、最优个体代表的常规公交发车时刻表、迭代次数与适应度函数的进化图。
7.根据权利要求5所述的一种考虑乘客感知的接驳轨道交通常规公交时刻表优化方法，其特征在于，所述接驳轨道交通的常规公交时刻表优化模型的构建基础为：①各条常规公交线路的车辆相互独立且均匀速行驶，不存在交通延误情况；②换乘乘客的换乘步行时间服从正态分布，非换乘乘客的到达时间服从均匀分布，平均到达率恒定；③换乘乘客和非换乘乘客均可成功搭乘其到达站点后遇到的第一辆常规公交；④换乘乘客和非换乘乘客在轨道交通线路和常规公交线路的上下车时间均忽略不计。
CN202210305560.2A 2022-03-25 2022-03-25 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法 Active CN114723111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210305560.2A CN114723111B (zh) 2022-03-25 2022-03-25 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210305560.2A CN114723111B (zh) 2022-03-25 2022-03-25 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法

Publications (2)

Publication Number Publication Date
CN114723111A CN114723111A (zh) 2022-07-08
CN114723111B true CN114723111B (zh) 2024-04-30

Family

ID=82239309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210305560.2A Active CN114723111B (zh) 2022-03-25 2022-03-25 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法

Country Status (1)

Country Link
CN (1) CN114723111B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017045294A1 (zh) * 2015-09-17 2017-03-23 华南理工大学 一种城市常规公交线网设计方法
CN107016633A (zh) * 2017-03-29 2017-08-04 东南大学 城市轨道交通接运公交计划发车时刻生成方法
WO2018032808A1 (zh) * 2016-08-19 2018-02-22 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
CN113077086A (zh) * 2021-03-30 2021-07-06 东南大学 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017045294A1 (zh) * 2015-09-17 2017-03-23 华南理工大学 一种城市常规公交线网设计方法
WO2018032808A1 (zh) * 2016-08-19 2018-02-22 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
CN107016633A (zh) * 2017-03-29 2017-08-04 东南大学 城市轨道交通接运公交计划发车时刻生成方法
CN113077086A (zh) * 2021-03-30 2021-07-06 东南大学 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法

Also Published As

Publication number Publication date
CN114723111A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN109886491B (zh) 一种海量运行数据驱动的地面公交两阶段优化调度方法
CN110119835B (zh) 一种基于区间计算的公交动态发车调度优化方法
CN111311017B (zh) 城市轨道交通列车运营时刻表和速度运行曲线优化方法
Huang et al. Saving energy and improving service quality: Bicriteria train scheduling in urban rail transit systems
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
CN104200286B (zh) 一种城市轨道交通时刻表优化技术应用框架
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
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN113077086B (zh) 一种接驳地铁枢纽的公交车同步换乘时刻表设计方法
CN115527369B (zh) 一种空港枢纽大面积延误条件下的大客流预警与疏散方法
CN112309119B (zh) 一种城市交通系统容量分析优化方法
CN114841556A (zh) 一种轨道交通跨线运营运输计划评估系统及方法
CN115170006B (zh) 发车调度方法、装置、设备和存储介质
CN115809729B (zh) 考虑新增线路的城市轨道交通枢纽换乘设施优化配置方法
CN116307441B (zh) 考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法
CN101901293A (zh) 一种基于多种因素的轨道交通旅行时间计算模型
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
CN114723111B (zh) 考虑乘客感知的接驳轨道交通常规公交时刻表优化方法
CN109522584B (zh) 一种有轨电车发车时刻表设计方法
CN114298385A (zh) 考虑客流影响和再生制动能利用的地铁列车延误调整方法
Lu et al. Compatibility-based approach for routing and scheduling the demand responsive connector
CN116739213A (zh) 基于代理模型辅助算法的地铁接驳公交优化方法
CN109190935B (zh) 一种考虑服务区和车辆事故的高速公路充电站规划方法
CN116562538A (zh) 一种考虑轨道交通接驳的微循环公交调度优化方法及装置
CN114937506A (zh) 一种面向疫情防控的公交车在途强化学习速度控制方法

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