CN114723141A - 一种brt多服务模式优化方法及系统 - Google Patents

一种brt多服务模式优化方法及系统 Download PDF

Info

Publication number
CN114723141A
CN114723141A CN202210371443.6A CN202210371443A CN114723141A CN 114723141 A CN114723141 A CN 114723141A CN 202210371443 A CN202210371443 A CN 202210371443A CN 114723141 A CN114723141 A CN 114723141A
Authority
CN
China
Prior art keywords
vehicle
passenger flow
flow distribution
chromosome
vehicles
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.)
Pending
Application number
CN202210371443.6A
Other languages
English (en)
Inventor
王成
李心怡
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.)
Huaqiao University
Original Assignee
Huaqiao 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 Huaqiao University filed Critical Huaqiao University
Priority to CN202210371443.6A priority Critical patent/CN114723141A/zh
Publication of CN114723141A publication Critical patent/CN114723141A/zh
Pending legal-status Critical Current

Links

Images

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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种BRT多服务模式优化方法及系统，首先以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型，然后利用遗传算法求解所述多目标非线性整数优化模型，从而优化多服务模式下的线路、停靠站、发车频率以及车型，有效提高了BRT的服务质量，解决乘客挤不上车或者乘客等车时间长等问题。

Description

一种BRT多服务模式优化方法及系统
技术领域
本发明涉及交通规划技术领域，特别是涉及一种基于双Y型共线运行的BRT多服务模式优化方法及系统。
背景技术
BRT是一种介于轨道交通与常规公交之间的新型公共客运系统，运行在独有的专用车道上，拥有专用的公交站台，提供接近轨道交通的服务水平。然而，BRT运营为单一的全程车服务模式，实行站站停，具有一定的局限性。以厦门市为例，每个站点乘客上下车导致车辆运行时间长，部分断面满载率高，从而使得乘客挤不上车，产生乘客等车时间长等问题。
因此，本领域亟需一种针对BRT多服务模式的优化方案。
发明内容
本发明的目的是提供一种BRT多服务模式优化方法及系统，优化多服务模式下的线路、停靠站、发车频率以及车型，以此提高BRT的服务质量，解决乘客挤不上车或者乘客等车时间长等问题。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提供了一种一种BRT多服务模式优化方法，所述方法包括：
以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型；
利用遗传算法求解所述多目标非线性整数优化模型：
生成初始种群；所述初始种群包括跳站方案和发车频率；
根据所述跳站方案和所述发车频率进行OD客流分配，得到若干种客流分配方案；每种所述客流分配方案为一个染色体；
计算每种客流分配方案对应的目标函数值；
根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项；
根据所述目标函数值和惩罚项计算染色体的适应度；
根据所述染色体的适应度获取最优染色体；
判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤。
在一些实施例中，所述多目标非线性整数优化模型为：
Figure BDA0003588746000000021
Figure BDA0003588746000000022
Figure BDA0003588746000000023
其中，ZG1和ZG2分别为双Y型共线运行模式下的区域I和区域II的目标函数，pv为人均小时工资，β为乘客的时间成本与人均小时工资之间倍数关系，u表示第u条支线，
Figure BDA0003588746000000024
和
Figure BDA0003588746000000025
分别为在支线lu和干线l5上等车时间，
Figure BDA0003588746000000026
和
Figure BDA0003588746000000027
分别为在支线lu和干线l5上乘车时间，
Figure BDA0003588746000000028
和
Figure BDA0003588746000000029
分别为在支线lu和干线l5上的站点k的平均停站服务时间，
Figure BDA00035887460000000210
和
Figure BDA00035887460000000211
分别为在支线lu、区域I和区域II的干线上最小化车辆运行成本，
Figure BDA00035887460000000212
为n类型车辆在支线lu上的发车频率，
Figure BDA00035887460000000213
分别为n类型车辆在支线lu上的最小和最大发车频率，
Figure BDA00035887460000000214
和
Figure BDA00035887460000000215
分别为支线lu和干线l5上的n类型车辆的最大断面客流量，
Figure BDA00035887460000000216
为支线lu上n类型车辆的核载人数，μ为满载率，C1,C2,…,Cr为可供选择的第r辆车的车辆核载人数，
Figure BDA00035887460000000217
表示线路lu上的车在i站是否停靠。
在一些实施例中，在所述生成初始种群之前，还包括：
初始化遗传算法参数；所述遗传算法参数包括：种群个数、迭代次数、变异率以及交叉率。
在一些实施例中，所述根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项，具体包括：
根据车辆荷载人数从小到大的顺序，为每种所述客流分配方案分配车辆，当车辆荷载人数最大的车辆也无法满足所述客流分配方案时，对染色体添加惩罚因子。
在一些实施例中，所述惩罚因子设置为105。
在一些实施例中，所述染色体的适应度计算公式为：
Figure BDA0003588746000000031
其中，fj为第j个染色体的适应度，b为惩罚因子，ZG表示目标函数值。
在一些实施例中，所述最优染色体为适应度最大的染色体。
在一些实施例中，所述判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤，具体包括：
判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；
若否，则对所述客流分配方案进行选择、交叉和变异处理，返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”；
直至达到预设迭代次数，得到若干个最优染色体；
采用精英保留策略获取所述若干个最优染色体中的精英染色体；
输出所述精英染色体对应的客流分配方案。
在一些实施例中，所述预设迭代次数为400。
另一方面，本发明还提供了一种BRT多服务模式优化系统，所述系统包括：
模型建立单元，用于以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型；
模型计算单元，用于利用遗传算法求解所述多目标非线性整数优化模型；
所述模型计算单元包括：
初始种群生成模块，用于生成初始种群；所述初始种群包括跳站方案和发车频率；
客流方案分配模块，用于根据所述跳站方案和所述发车频率进行OD客流分配，得到若干种客流分配方案；每种所述客流分配方案为一个染色体；
目标函数值计算模块，用于计算每种所述客流分配方案对应的目标函数值；
迭代求解模块，用于：
根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项；
根据所述目标函数值和所述惩罚项计算染色体的适应度；
根据所述染色体的适应度获取最优染色体；
判断是否达到预设迭代次数，若是，则输出所述最优染色体对应的客流分配方案，若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种BRT多服务模式优化方法及系统，首先以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型，然后利用遗传算法求解所述多目标非线性整数优化模型，从而优化多服务模式下的线路、停靠站、发车频率以及车型，有效提高了BRT的服务质量，解决乘客挤不上车或者乘客等车时间长等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例一提供的BRT多服务模式优化方法流程图。
图2为本发明实施例一提供的双Y型共线结构线网示意图。
图3为本发明实施例一提供的不同模式下车辆停靠站示意图。
图4为本发明实施例一提供的第一种出行方式示意图。
图5为本发明实施例一提供的第二种出行方式示意图
图6为本发明实施例二提供的BRT多服务模式优化系统的框图。
图7为本发明实施例三提供的优化后各线路停靠站示意图。
图8为本发明实施例三提供的优化后大客流区域各断面平均满载率示意图。
图9为本发明实施例三提供的优化后小客流区域各断面平均满载率示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种BRT多服务模式优化方法及系统，优化多服务模式下的线路、停靠站、发车频率以及车型，以此提高BRT的服务质量，解决乘客挤不上车或者乘客等车时间长等问题。
BRT是一种介于轨道交通与常规公交之间的新型公共客运系统，运行在独有的专用车道上，拥有专用的公交站台，提供接近轨道交通的服务水平。然而，BRT运营为单一的全程车服务模式，实行站站停，具有一定的局限性。以厦门市为例，每个站点乘客上下车导致车辆运行时间长，部分断面满载率高，从而使得乘客挤不上车产生乘客等车时间长等问题。因此，实行多服务模式，优化不同模式下线路、停靠站、发车频率以及车型，以此提高BRT的服务质量显得尤为重要。
考虑到BRT与常规公交和轨道交通方式的相似性，可以参考这两者对线路和发车班次的优化方法。针对常规公交线路特点，在优化对象上可以分为单条线路、树形线路以及整体线网形式。而针对轨道交通线路特点，在优化对象上可以分为单条线路、单Y型共线交路、双Y型共线交路以及X型交路。但是很多情况下，基于单条线路或X型线路调整方法，忽略了共线段线路间相互影响，基于树形线路或单Y型线路调整方法，忽略了不同服务模式下增设不同车型对线路和发车频率的影响，基于整体线网优化调整方法，涉及重新布设线路，将改变站点先后停靠顺序，应用于BRT线路优化会改变原有专用道布设，将增加额外的费用支出。在双Y型共线交路形式上由于线网结构和客流分布更为复杂的难点，进行线路和发车频率优化还尚未有人研究。因此，针对上述问题，本发明提出基于双Y型共线运行下BRT多服务模式优化方法。
本发明的目的在于克服现有技术的不足，解决了基于双Y型共线线网结构基础上，在多服务模式下同时对线路、停靠站、车型以及发车班次优化调整的问题，提出一种基于双Y型共线运行的BRT多服务模式优化方法。以厦门市BRT线网为例的实验结果表明：相比现在的实际运行情况，该方法在高峰时段可以总体节省30.49％乘客等车时间，46.4％运营成本，6.06％乘客出行时间以及17.97％配车数，且将断面满载率降到110％以内。
为使本发明的上述目的、特征和优点能够更加明显易懂，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。
实施例一：
如图1所示，本实施例提供了一种BRT多服务模式优化方法，该方法包括：
S1、以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型。
本实施例中的跳站方案即为不同的服务模式，以往的BRT运营为单一的全程车服务模式，实行站站停，具有一定的局限性，本申请中利用不同的跳站方案提供了多种服务模式。
其中，双Y型共线结构线网示意图如图2所示，不同模式下车辆停靠站示意图如图3所示。
本方法实行优化后“全程车+大站快车”组合服务模式方法，即以图2的线路l1为例，优化前l1上只存在站站均停靠的全程车服务，优化后l1上运行两种服务类型车辆，即跳站停靠的大站快车和站站停靠的全程车。因此，优化后线路上存在某些站点为全程车和大站快车都停靠，而某些站点仅有大站快车停靠的情况。
在此背景下，首先，考虑到双Y型线网的结构(由两条支线l1和l2汇入干线l5，且干线l5在某个站点后又分出两条支线l3和l4)得知，乘客在干线和支线上乘车可选择性不同。
例如，当乘客在线路l1上乘车只能乘坐服务于l1线路的全程车和大站快车，而当乘客在线路l5上乘车，由于支线l1和l2会汇入线路l5，因此可以选择乘坐服务于l1线路的全程车和大站快车，也可以选择乘坐服务于l2线路的全程车和大站快车。基于上述分析，将线路进行分段分区，划分后结果如图2所示。
其次，由于实行多服务模式运行方案，因此，定义不同服务模式下车辆在不同线路中每个站点服务类型
Figure BDA0003588746000000071
如式(1)所示。例如，当
Figure BDA0003588746000000072
时，表示线路l1上1站点仅有全程车停靠，当
Figure BDA0003588746000000073
时，表示线路l1上1站点既有全程车也有大站快车停靠。
Figure BDA0003588746000000074
再次，在多服务模式下乘客的出行选择增多，倘若在i站既有全程车也有大站快车停靠时，此时i站客流量不再全部由全程车承担，而会分担一部分给大站快车。因此，需要进行客流分担比例分析。
定义
Figure BDA0003588746000000075
为i站至j站的n类型车辆(n＝1为全程车，n＝2为大站快车)在线路lu上所承担的客流分担比例，且客流分担比例由n类型车辆在线路lu上发车频率
Figure BDA0003588746000000076
确定。
针对第一种出行方式(支线->支线、支线->干线以及干线和支线衔接第一个站点->支线)，如图4所示，在此类型出行方向下均只能乘坐所在支线上所运行的车辆，分担客流比如表1所示。
针对第二种出行方式(干线->干线)，如图5所示，可乘坐汇入干线的支线上所运行的车辆或从干线上运行的开往不同支线的车辆，以支线l1和l2汇入干线l5为例，干线l5上乘客可乘坐l1和l2上运营的车辆，分担客流比如表2所示。
表1第一种出行方式全程车和大站快车分担的客流比
Figure BDA0003588746000000081
表2第二种出行方式全程车和大站快车分担的客流比
Figure BDA0003588746000000082
其中，表1和表2称为分担比分析。通过上述内容可知，不同的线路上具有不同的服务模式，乘客具有多样的出行选择。因此以不同服务模式下车辆在不同线路中每个站点服务类型
Figure BDA0003588746000000083
发车频率
Figure BDA0003588746000000084
以及车辆核载人数
Figure BDA0003588746000000085
为优化的决策变量，以发车间隔(如式(2)所示)、满载率(如式(3)～(4)所示)和车容量(如式(5)所示)为约束，以乘客在站等车时间最小(如式(6)～(7)所示)、乘车时间最小(如式(8)～(11)所示)和企业运营成本最小(如式(12)～(13)所示)为优化目标函数，构建多目标非线性整数优化模型(如式(14)～(16)所示)。
Figure BDA0003588746000000086
式(2)中：
Figure BDA0003588746000000091
分别为n类型车辆在线路lu的最小和最大发车频率，此处一共四个支线，u＝1，2，3或4。
Figure BDA0003588746000000092
Figure BDA0003588746000000093
式中：
Figure BDA0003588746000000094
为支线lu上n类型车辆的最大断面客流量；μ为满载率。
Figure BDA0003588746000000095
式(5)中：
Figure BDA0003588746000000096
为线路lu上n类型车辆的核载人数；C1,C2,…,Cr为可供选择的不同的车辆核载人数。
目标函数如下所示：
Figure BDA0003588746000000097
Figure BDA0003588746000000098
式中：
Figure BDA0003588746000000099
分别为在支线lu和干线l5上等车时间；
Figure BDA00035887460000000910
为支线lu和干线l5上的站点个数；
Figure BDA00035887460000000911
分别为在支线lu和干线l5上i至j站点OD客流量。u0为在I区域还是II区域的干线上，在I区域干线上时u0＝1，U＝2，在II区域干线上时u0＝3，U＝4；
Figure BDA00035887460000000912
为客流量分担比例，这个变量的取值参考表1和表2的分担结果。每一个子目标函数分两个表达式，就像式子(6)和(7)都是表示最小化等车时间这个目标函数，需要两个式子就是因为一个表示在支线上的等车时间，一个表示在干线上的等车时间，它们的式子里都带有这个变量，那在支线上的等车时间就可以参考表1的结果，式(7)就可以参考表2的结果。本实施例中是双Y型的线路结构，从图1可以看出干线l5是被分到2个区域的，一个区域I一个区域II，其中，U就是用来表示：此时优化的是I区域里面的l5，还是II区域里面的l5。
Figure BDA00035887460000000913
Figure BDA00035887460000000914
Figure BDA0003588746000000101
Figure BDA0003588746000000102
式中：
Figure BDA0003588746000000103
分别为在支线lu和干线l5上乘车时间；
Figure BDA0003588746000000104
分别为在支线lu和干线l5上站点k的平均停站服务时间；t0为平均每人上、下车的时间；door为车辆具有的车门数。
Figure BDA0003588746000000105
Figure BDA0003588746000000106
式中：
Figure BDA0003588746000000107
分别为在支线lu和qy区域的干线上最小化车辆运行成本；αB为单位车辆里程费用；
Figure BDA0003588746000000108
别为qy区域中干线线路长度；
Figure BDA0003588746000000109
为支线lu的线路长度；qy为区域I或者区域II。
Figure BDA00035887460000001010
Figure BDA00035887460000001011
Figure BDA00035887460000001012
式中：ZG1、ZG2分别为区域I和区域II的目标函数；pv为人均小时工资；β为乘客的时间成本与人均小时工资之间倍数关系，
Figure BDA00035887460000001013
表示线路lu上的车在i站是否停靠，即每个站点服务类型。
S2、利用遗传算法求解所述多目标非线性整数优化模型，其具体步骤如下：
S21、生成初始种群；所述初始种群包括跳站方案和发车频率。
首先，初始化遗传算法参数；所述遗传算法参数包括：种群个数、迭代次数、变异率以及交叉率。然后生成一个初始种群，种群中染色体含有跳站方案和发车频率。本实施例中所述预设迭代次数为400。
以0、1变量控制某个站点是被跳过的还是被停靠的，如式(1)所示的这个变量控制，假设对于线路l1，一共有5个站点，运行大站快车和全程车两种类型车辆，那么具体表示为1 0 1 1 0 5 6，其中，1 0 1 1 0依次表示第一个到第五个站点大站快车是否停靠，这个0、1变量是随机生成的，5表示全程车的发车频率，6表示大站快车的发车频率，这个频率的是根据式(2)设定好最大和最小发车频率后，在最大最小的范围内随机取一个数值。
S22、根据所述跳站方案和所述发车频率进行客流分配，得到若干种客流分配方案；每种所述客流分配方案为一个染色体。
步骤S21初始化的种群中含有跳站方案，指明了某个站点大站快车是否停靠，以及不同的车发车频率，因此可以根据这个方案，根据表1和表2将OD客流进行分配到每一辆车上。
S23、计算每种客流分配方案对应的目标函数值：将数据代入公式(14)-(16)进行计算。
S24、根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项。
具体来讲，根据车辆荷载人数从小到大的顺序，为每个所述客流分配方案分配车辆，当车辆荷载人数最大的车辆也无法满足所述客流分配方案时，对染色体添加惩罚因子。
举例说明，比如说核载人数约束根据式(5)取的是[50,60,70]这三个，对于l1上的大站快车会先给他分配容量为50的车辆，如果不够再分配60的以此类推。通俗来讲，假设本站客流为100，能够提供的车辆是容量为60，90，180的，那么从小到大分配的意思是先把容量为60的车分配给这个车站，发现不够，再分配容量为90的，依次类推。假设本站客流为200，那么能够提供的车辆都不能满足，则对这个染色体添加惩罚因子，惩罚因子是一个很大的数，它的作用在于使下次迭代过程中不再选择这一客流分配方案，本实施例中，惩罚因子设置为105。
S25、根据所述目标函数值和惩罚项计算染色体的适应度。
计算公式为：
Figure BDA0003588746000000111
其中，fj为第j个染色体的适应度，b为惩罚因子，ZG表示目标函数值。
S26、根据所述染色体的适应度获取最优染色体，所述最优染色体为适应度最大的染色体。
S27、判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤。
其具体步骤包括：
判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；
若没有达到迭代次数，则对所述客流分配方案进行选择、交叉和变异处理，返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”；
直至达到预设迭代次数，得到若干个最优染色体；
采用精英保留策略获取所述若干个最优染色体中的精英染色体；
输出所述精英染色体对应的客流分配方案。
作为一种可选的实施方式，本实施例中采用轮盘赌的选择策略(轮盘赌是一种回放式随机采样方法，每个个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比例)，因此对于本发明来说，在式(17)会计算得到每个个体的适应度值，所有个体适应度值累加就会得到本次迭代情况下的种群适应度值，他们相除就可以得到每个个体进入下一代的概率。
采用两点交叉策略，其具体步骤包括：首先，在相互配对的两个个体编码串中随机设置两个交叉点；然后，交换两个个体在所设定的两个交叉点之间的部分染色体。对于本实施例来说，假设有两个染色体，1号染色体为1 0 0 1 5 6，2号染色为0 1 1 0 4 7，随机设置的交叉点在第二个和第四个位置上，因此交叉后，1号染色变为1 1 1 0 5 6，2号染色体变为0 0 0 1 4 7。
变异就是基因突变，指将个体染色体编码串中的某些基因座上的基因值用该基因座上的其它等位基因来替换，从而形成新的个体。对于本实施例来说，对于染色体中0、1编码的位置如果发生基因突变了，那么0变为1，1变为0，而对于发车频率的位置发生突变了，那么在最大最小发车频率的范围内重新选定一个新的数值。
本实施例提供的基于双Y型共线运行下BRT多服务模式优化方法在不改变BRT原有专用车道布设的情况下，考虑双Y型共线的新线路形式；可以在存在运营区间重叠情况下，综合考虑不同车型、多服务模式对多条线路停靠站、车型以及发车频率进行优化。
实施例二：
如图6所示，一种BRT多服务模式优化系统，所述系统包括：
模型建立单元，用于以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型；
模型计算单元，用于利用遗传算法求解所述多目标非线性整数优化模型；
所述模型计算单元包括：
初始种群生成模块，用于生成初始种群；所述初始种群包括跳站方案和发车频率；
客流方案分配模块，用于根据所述跳站方案和所述发车频率进行OD客流分配，得到若干种客流分配方案；每种所述客流分配方案为一个染色体；
目标函数值计算模块，用于计算每种所述客流分配方案对应的目标函数值；
迭代求解模块，用于：
根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项；
根据所述目标函数值和所述惩罚项计算染色体的适应度；
根据所述染色体的适应度获取最优染色体；
判断是否达到预设迭代次数，若是，则输出所述最优染色体对应的客流分配方案，若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤.
实施例三：
本实施例选取优化前后不同服务模式下总等车时间、总停站等车时间、平均断面满载率、车辆行驶里程、车辆数进行比对，若优化后若这些指标有所减少或控制在合理范围内，则待检验方法推算正确。
采用总等车时间(如式(6)～(7)所示)，总停站等车时间(如式(10)～(11)所示)，其余各检验指标(平均断面满载率、车辆行驶里程、车辆数)计算公式如式(18)～(20)所示。
Figure BDA0003588746000000141
Figure BDA0003588746000000142
Figure BDA0003588746000000143
式中：
Figure BDA0003588746000000144
为n类型车辆在lu上行驶里程；
Figure BDA0003588746000000145
为n类型车辆在lu上配车数；Mi,i+1为i至i+1站间平均满载率；linei,i+1为i至i+1站间运营线路条数；
Figure BDA0003588746000000146
为线路lu到达i-1站后车内人数；
Figure BDA0003588746000000147
分别为线路lu在i站上车和下车人数。
本实例选取福建省厦门市快1-快9线路上行方向上停靠的44个站点为研究对象。所使用数据集为厦门市2019年7月15日(工作日)早高峰(7:35-8:35)BRT的OD数据(如表3所示)、当日线路上车辆行驶里程数据(如表4所示)、当日断面满载率数据(如表5所示)以及当日乘客等车时间数据(如表6所示)。
表3部分站点客流OD示例
Figure BDA0003588746000000148
表4部分车辆行驶里程数据示例
Figure BDA0003588746000000149
表5部分断面满载率数据示例
Figure BDA0003588746000000151
表6站点平均等车时间示例
Figure BDA0003588746000000152
根据厦门市的实际情况，本实例设置模型参数取值如表7所示。
表7实验参数
Figure BDA0003588746000000161
2.实验结果分析
根据实验参数的设置，基于本文所提方法对研究时段内线路、停靠站以及发车频率进行优化，优化后上行方向各线路停靠站示意图，如图7所示。其中，实验参数为表7里面第一列所列出的参数，具体包括了在计算目标函数过程中用到的一些参数，以及求解遗传算法的时候，遗传算法自身需要设置的一些参数，其中，对于表7中，第1-4个参数是遗传算法求解需要设置的参数，根据实际求解问题不断进行参数调整的；其他是根据求解的这个厦门市BRT线路的实际情况进行设定的，以及其他文献里提及的参数设置情况进行设置的。
进一步对优化前单一服务模式和优化后组合服务模式上行各线路车辆发车频率、核载人数、车辆总行驶里程、总等车时间和停站服务时间、配车数进行对比分析，如表8至表12所示。
表8各线路车辆发车频率和核载人数比对表
Figure BDA0003588746000000162
Figure BDA0003588746000000171
表9车辆总行驶里程比对
Figure BDA0003588746000000172
Figure BDA0003588746000000181
表10总等车时间和停站服务时间对比
Figure BDA0003588746000000182
表11优化后每区域配车数
Figure BDA0003588746000000183
表12总配车数比对
Figure BDA0003588746000000184
Figure BDA0003588746000000191
进一步给出了研究时段内各线路发车时刻表，如表13所示。同时，分析了优化后组合服务模式下I区域和II区域车辆平均满载率情况，如图8至图9所示。
表13优化后各线路发车时刻表
Figure BDA0003588746000000192
Figure BDA0003588746000000201
(1)从表8看出优化后线路的车辆核载人数减少，车型的变小可缩减车辆燃油等费用，同时，可以有效提升车辆利用率，由于优化后小客流区域平均满载率有所提升，如图9所示。
(2)车辆运营里程以及配车数和发车频率相关，从表8和表9得优化后高崎机场->同安枢纽站方向，由于发车频率提高导致总里程数增加。但是，除此之外，其余线路发车频率降低或运营线路有所减少。最后，使四个区域行驶里程总共减少46.5％。同时，从表11得优化后每个区域配车数，相比优化前(如表12所示)总配车数减少17.97％。
(3)通过多模式运行有效的缓解了因满载率过高导致的等车时间长的问题，从图7得优化前，例如，卧龙晓城站-东芳山庄站、蔡塘站-金山站等大客流路段，存在断面满载率高于110％的情况，由此造成在卧龙晓城、东芳山庄、蔡塘等站点乘客挤不上车，人均候车时间达3min左右，如表6所示。优化后如图7，这些断面满载率均控制在110％以下。从表10得优化后高崎机场->厦门北站方向因发车频率减低，导致总等车时间增加，其余区域总等车时间减少，四个区域总体减少30.49％。
(4)表10得优化后高崎机场->厦门北站方向总等车时间和总停站服务时间均有所增加，由于对比表8的发车频率减低，导致总等车时间增加。同时，车型变化明显，优化前拥有车型的车门数为3个和2个，优化后车辆车门数为2个，供乘客同时上下车车门数减少，导致停站服务时间增加。其余3个区域这两个指标均减少，跳站方案取得效果明显。最终，使得总体总等车时间减少，总体减少30.49％，停站服务时间减少6.06％。
综上所述，基于双Y型共线运行下BRT多服务模式优化方法，同时考虑不同车型、多服务模式对多条线路停靠站、车型以及发车频率优化。在厦门市BRT线网进行了方法的实例分析，取得明显的优化实施效果。并且在不改变原有BRT高架桥+专用道的布设下进行优化，使优化模型更适用于实际，更能够满足工程上的需求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种BRT多服务模式优化方法，其特征在于，所述方法包括：
以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型；
利用遗传算法求解所述多目标非线性整数优化模型：
生成初始种群；所述初始种群包括跳站方案和发车频率；
根据所述跳站方案和所述发车频率进行OD客流分配，得到若干种客流分配方案；每种所述客流分配方案为一个染色体；
计算每种客流分配方案对应的目标函数值；
根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项；
根据所述目标函数值和惩罚项计算染色体的适应度；
根据所述染色体的适应度获取最优染色体；
判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤。
2.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，所述多目标非线性整数优化模型为：
Figure FDA0003588745990000011
Figure FDA0003588745990000012
Figure FDA0003588745990000013
其中，ZG1和ZG2分别为双Y型共线运行模式下的区域I和区域II的目标函数，pv为人均小时工资，β为乘客的时间成本与人均小时工资之间倍数关系，u表示第u条支线，
Figure FDA0003588745990000021
和
Figure FDA0003588745990000022
分别为在支线lu和干线l5上等车时间，
Figure FDA0003588745990000023
和
Figure FDA0003588745990000024
分别为在支线lu和干线l5上乘车时间，
Figure FDA0003588745990000025
和
Figure FDA0003588745990000026
分别为在支线lu、区域I和区域II的干线上最小化车辆运行成本，
Figure FDA0003588745990000027
为n类型车辆在支线lu上的发车频率，
Figure FDA0003588745990000028
Figure FDA0003588745990000029
分别为n类型车辆在支线lu上的最小和最大发车频率，
Figure FDA00035887459900000210
和
Figure FDA00035887459900000211
分别为支线lu和干线l5上的n类型车辆的最大断面客流量，
Figure FDA00035887459900000212
为支线lu上n类型车辆的核载人数，μ为满载率，C1,C2,…,Cr为可供选择的第r辆车的车辆核载人数，
Figure FDA00035887459900000213
表示线路lu上的车在i站是否停靠。
3.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，在所述生成初始种群之前，还包括：
初始化遗传算法参数；所述遗传算法参数包括：种群个数、迭代次数、变异率以及交叉率。
4.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，所述根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项，具体包括：
根据车辆荷载人数从小到大的顺序，为每种所述客流分配方案分配车辆，当车辆荷载人数最大的车辆也无法满足所述客流分配方案时，对染色体添加惩罚因子。
5.根据权利要求4所述的BRT多服务模式优化方法，其特征在于，所述惩罚因子设置为105。
6.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，所述染色体的适应度计算公式为：
Figure FDA00035887459900000214
其中，fj为第j个染色体的适应度，b为惩罚因子，ZG表示目标函数值。
7.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，所述最优染色体为适应度最大的染色体。
8.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，所述判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤，具体包括：
判断是否达到预设迭代次数；若是，则输出所述最优染色体对应的客流分配方案；
若否，则对所述客流分配方案进行选择、交叉和变异处理，返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”；
直至达到预设迭代次数，得到若干个最优染色体；
采用精英保留策略获取所述若干个最优染色体中的精英染色体；
输出所述精英染色体对应的客流分配方案。
9.根据权利要求1所述的BRT多服务模式优化方法，其特征在于，所述预设迭代次数为400。
10.一种BRT多服务模式优化系统，其特征在于，所述系统包括：
模型建立单元，用于以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型；
模型计算单元，用于利用遗传算法求解所述多目标非线性整数优化模型；
所述模型计算单元包括：
初始种群生成模块，用于生成初始种群；所述初始种群包括跳站方案和发车频率；
客流方案分配模块，用于根据所述跳站方案和所述发车频率进行OD客流分配，得到若干种客流分配方案；每种所述客流分配方案为一个染色体；
目标函数值计算模块，用于计算每种所述客流分配方案对应的目标函数值；迭代求解模块，用于：
根据车辆荷载人数为每种所述客流分配方案分配车辆，当所述车辆荷载人数无法满足所述客流分配方案时，对染色体添加惩罚项；
根据所述目标函数值和所述惩罚项计算染色体的适应度；
根据所述染色体的适应度获取最优染色体；
判断是否达到预设迭代次数，若是，则输出所述最优染色体对应的客流分配方案，若否，则返回“根据车辆荷载人数为每种所述客流分配方案分配车辆”步骤。
CN202210371443.6A 2022-04-11 2022-04-11 一种brt多服务模式优化方法及系统 Pending CN114723141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210371443.6A CN114723141A (zh) 2022-04-11 2022-04-11 一种brt多服务模式优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210371443.6A CN114723141A (zh) 2022-04-11 2022-04-11 一种brt多服务模式优化方法及系统

Publications (1)

Publication Number Publication Date
CN114723141A true CN114723141A (zh) 2022-07-08

Family

ID=82242271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210371443.6A Pending CN114723141A (zh) 2022-04-11 2022-04-11 一种brt多服务模式优化方法及系统

Country Status (1)

Country Link
CN (1) CN114723141A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391270A (zh) * 2023-10-12 2024-01-12 华中科技大学 一种基于brt专用道的公交线网规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106257504A (zh) * 2016-07-29 2016-12-28 华南理工大学 一种基于均衡配流模型的brt乘客出行效益优化方法
CN107092976A (zh) * 2017-03-28 2017-08-25 东南大学 一种多目标模型协同优化多条公交线路发车间隔的方法
CN112509357A (zh) * 2020-11-19 2021-03-16 北京清研宏达信息科技有限公司 一种基于遗传算法的公交发车时间间隔优化方法
CN112700029A (zh) * 2020-12-03 2021-04-23 北京交通大学 一种基于仿真优化框架的定制公交规划方法
CN114154801A (zh) * 2021-11-08 2022-03-08 清华大学 智慧公交组合调度方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106257504A (zh) * 2016-07-29 2016-12-28 华南理工大学 一种基于均衡配流模型的brt乘客出行效益优化方法
CN107092976A (zh) * 2017-03-28 2017-08-25 东南大学 一种多目标模型协同优化多条公交线路发车间隔的方法
CN112509357A (zh) * 2020-11-19 2021-03-16 北京清研宏达信息科技有限公司 一种基于遗传算法的公交发车时间间隔优化方法
CN112700029A (zh) * 2020-12-03 2021-04-23 北京交通大学 一种基于仿真优化框架的定制公交规划方法
CN114154801A (zh) * 2021-11-08 2022-03-08 清华大学 智慧公交组合调度方法、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391270A (zh) * 2023-10-12 2024-01-12 华中科技大学 一种基于brt专用道的公交线网规划方法
CN117391270B (zh) * 2023-10-12 2024-05-28 华中科技大学 一种基于brt专用道的公交线网规划方法

Similar Documents

Publication Publication Date Title
Fu et al. A hierarchical line planning approach for a large-scale high speed rail network: The China case
CN105740556B (zh) 基于客流需求的列车运行图自动编制方法
CN107564269B (zh) 一种基于支付意愿的半灵活公交调度方法
CN111915464B (zh) 一种基于考虑常规公交线网的地铁中断区间乘客接驳模型系统及方法
Gu et al. Exploring alternative service schemes for busy transit corridors
CN112580866B (zh) 基于全程车与区间车组合调度的公交线路串车优化方法
CN112309119A (zh) 一种城市交通系统容量分析优化方法
Li et al. Metro Timetabling for Time‐Varying Passenger Demand and Congestion at Stations
CN114723141A (zh) 一种brt多服务模式优化方法及系统
CN112465211A (zh) 一种轨道交通列车满载率控制方法及应用
CN116070422A (zh) 一种基于时空网络的灵活编组列车周转计划分解优化方法
CN114742340A (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
Janoš et al. Smart urban transport
Deng et al. Optimal design of the feeder-bus network based on the transfer system
Deng et al. Optimization of train plan for urban rail transit in the multi-routing mode
Lee et al. A smart city transportation system of systems governance framework: a case study of Singapore
CN111950814A (zh) 一种基于广义费用函数的客运枢纽换乘流线优化方法
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
Dragan et al. USING GIS FOR THE OPTIMIZATION OF PUPILS TRANSPORTATION: THE CASE OF LASKO MUNICIPALITY
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
Wu et al. Optimized two-directional phased development of a rail transit line
Almasi et al. Validating an improved model for Feeder Bus network design using Genetic Algorithm (GA) and Particle swarm optimization (PSO)
Gogiashvili et al. Optimizing the time costs of passenger transport of people with disabilities
Zhan et al. Multi-objective optimization for through train service integrating train operation plan and type selection
CN111667087A (zh) 一种考虑污染排放的公交跳站运行方法

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