CN115049156B - 一种交通线网运行图衔接优化方法、电子设备及存储介质 - Google Patents
一种交通线网运行图衔接优化方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115049156B CN115049156B CN202210960431.7A CN202210960431A CN115049156B CN 115049156 B CN115049156 B CN 115049156B CN 202210960431 A CN202210960431 A CN 202210960431A CN 115049156 B CN115049156 B CN 115049156B
- Authority
- CN
- China
- Prior art keywords
- transfer
- time
- passenger
- line
- network
- 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 59
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012546 transfer Methods 0.000 claims abstract description 224
- 238000004088 simulation Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 230000008901 benefit Effects 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000002922 simulated annealing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 8
- 230000006855 networking Effects 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010026749 Mania Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002346 layers by function Substances 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
- 230000036651 mood Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种交通线网运行图衔接优化方法、电子设备及存储介质,属于交通线网运行图衔接技术领域。具体包括以下步骤:S1.生成特征日OD客流矩阵;S2.通过微观仿真推演获取换乘枢纽换乘步行到达人数‑时间分布特征;S3.建立城市轨道换乘服务水平划分方法;S4.计算站点换乘路径的重要性得分;S5.划分特征日运营时段;S6.建立换乘时间效益优化模型的目标函数;S7.使用模拟退火算法或遗传算法对换乘时间效益优化模型进行求解。解决了现有技术中存在的运行图衔接优化不精准的技术问题。具有时间成本低、可行性高的技术效果。
Description
技术领域
本申请涉及一种交通线网运行图衔接优化方法,尤其涉及一种交通线网运行图衔接优化方法、电子设备及存储介质,属于交通线网运行图衔接技术领域。
背景技术
乘客搭乘城市轨道出行时,其完整出行链常常涉及多条线路,因此乘客需要经若干次换乘到达终点。换乘衔接指乘客换乘时,在换乘枢纽下车后经步行到达目标线路站台,经过较短时间的候车即可登上下一列车离开。良好的换乘衔接可以加快客流集散速度,不仅影响着乘客的候车时间,还影响站台的空间利用率、车站设施资源负荷等指标,进而影响城轨系统整体的服务质量与换乘枢纽站的安全性。
目前,我国城市轨道交通已经进入了网络化运营阶段,网络化特征日益显著,然而由于在初始阶段城轨系统以单线建设运营为主,因此在由线向网发展的过程中,易出现系统网络融合程度、运输系统效用不高的问题,导致线网形态层面虽然形成了“网络化”,但在功能层面并没有形成“网络化”。由于缺乏网络化的考虑,单线运营组织的最优方案并不能保证换乘枢纽的衔接服务水平。
然而实现网络化的协调是复杂而困难的,对于涉及多条线路的换乘枢纽,既要满足衔接线路间的换乘时间与各自列车到站时间的匹配,以减少乘客等待时间;又需兼顾多条线路的列车不同时在站停留,避免因客流大量集聚而增大车站设施资源的负荷,降低服务水平。且由于每条线路都可能涉及到与多条不同线路的交汇,因此基于某个换乘站所生成的最优衔接方案又可能在网络其它衔接处出现服务水平的下降。
因此,从城市轨道交通线网全系统的换乘服务水平出发,为乘客提供相对系统最优的运行图衔接方案,提升线网运行图换乘衔接流畅性,实现功能层面的网络化运营是十分重要的。
为此,张铭、徐瑞华等人提出轨道交通网络列车衔接组织的递阶协调优化,该文章具体公开了一种基于城市轨道交通网络列车衔接评估模型和衔接优化模型的求解算法。该方法首先根据承担客流对站点进行了权重划分。其次从网络结构、客流动态、开行特性三方面建立了线网列车衔接水平评估体系,对线网列车衔接水平进行评估。最后,若衔接水平有优化空间,则通过城市轨道交通网络列车衔接优化模型,使用遗传算法,以缩短城市轨道交通网络总体乘客换乘等待时间、提升网络换乘效率为目标求得最优解,以实现衔接优化。
但该方法仍存在一些缺陷,虽然该方法做出了“所选时段内,列车停站时间和区间运行时间均有调整空间”的假设。然而在实际运营工作中,列车停站时间与区间运行时间调整空间有限,尤其难以做到单列车的调整。该方法默认列车到站则乘客即可上车,因此计算换乘等待时间时直接使用的是相互衔接的两列车到站时间,忽略了大客流之下乘客可能由于车内满载率已经过高而滞留站台所引发的情形。此类情形下,由于乘客无法登上在站台遇到的第一列车,实际衔接的列车发生了错移。如果忽略这种错移,则优化模型所产生的优化建议及预估的优化效果都将有一定的误差。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在的运行图衔接优化不精准的技术问题,本发明提供一种交通线网运行图衔接优化方法、电子设备及存储介质。
方案一:一种交通线网运行图衔接优化方法,包括,以下步骤:
S1.生成特征日OD客流矩阵;
S2.通过微观仿真推演获取换乘枢纽换乘步行到达人数-时间分布特征;
S3.建立城市轨道换乘服务水平划分方法:根据服务等级、换乘候车时间和换乘感受调查表,获取换乘候车时间与满意度之间的关系,建立城市轨道换乘服务水平划分方法;
S4.建立站点换乘路径的重要性得分计算方法,方法是,构建换乘路径重要性评价体系,包括目标层、准则层和指标层,基于换乘路径重要性评价体系计算站点换乘路径的重要性得分:如下公式:
S5.划分特征日运营时段,包括划分特征日各线路运营时段和划分特征日全网运营时段;
S6.建立换乘时间效益优化模型;
S61.仿真交通线网运行图下乘客线网分布状态;
S62.基于仿真结果确定不同特征日全网运营时段下所有站点的所有换乘路径权重;
S63.建立目标函数;
S7.使用模拟退火算法或遗传算法对换乘时间效益优化模型进行求解。
优选的,S1所述生成特征日OD客流矩阵的方法包括以下步骤:
S11.统计周期内每日各时间段内所有OD对的客流量;
S12.基于交通线网运行图设定特征日类型;
S13.捕捉客流典型时变特征,过滤异常波动数据,生成特征日OD客流矩阵。
优选的,S2所述通过微观仿真推演获取换乘枢纽换乘步行到达人数-时间分布特征的方法包括以下步骤:
S21.创建换乘枢纽环境模型;
S22.创建换乘路线设定与乘客行人模型;
S23.基于换乘枢纽环境模型、换乘路线设定与乘客行人模型进行仿真模拟,获取换乘枢纽换乘步行到达人数-时间分布特征。
优选的,S5所述划分特征日运营时段,包括划分特征日各线路运营时段和划分特征日全网运营时段的方法包括以下步骤:
S51.划分特征日各线路运营时段,根据各线路发车间隔时间,将每条线路上下行的运营时间划分为多个阶段,生成各线路某一方向的特征日运营时段集{pj};
S52.划分特征日全网运营时段,以各线路高峰时段最早的开始时间为全网高峰开始时间,以各线路高峰时段最晚的结束时间为全网高峰结束时间,高峰以外的时段则自动划分为若干个平峰时段,生成全网运营时段集{Pk}。
优选的,S61所述仿真交通线网运行图下乘客线网分布状态方法包括以下步骤:
S611.构建仿真路网模型:基于线路信息、站点信息,构建城市轨道线路拓扑路网,路网结构中包含进出站口、闸机、站台、列车停靠点;
S612.在仿真路网模型中生成城市轨道线路班次和城市轨道线路拓扑路网客流:基于线路信息、站点信息和运营排班信息,生成城市轨道线路班次信息,基于特征日OD客流矩阵,生成城市轨道线路拓扑路网客流;
S613.动态交通分配:通过O、D客流矩阵获取个体出行线路合集N,提取合集N中的单条路径ni,遍历所有的线路班次路径,筛选符合个体出行路径要求的班次m,对个体路径ni和线路班次路径m在O和D点的停留时间窗进行分析,分析两条路径能否满足时间要求,筛选多条与客流OD进行匹配的线路班次合集S,实现动态交通分配;
S614.交通运行仿真:基于考虑车厢的运输能力、车辆发车间隔、车辆停站时间因素,预测某个换乘站的换乘客流量和列车满载率,获得某个时间片的乘客换乘候车时间。
优选的,S62所述基于仿真结果确定不同特征日全网运营时段下所有站点的所有换乘路径权重方法是:根据仿真结果中换乘站的换乘客流量,按照S4中所建立的站点换乘路径的重要性得分计算方法,在不同的时段Pk计算各站点的重要性得分,得到全网运营时段Pk中换乘路径重要性得分集{Si};
优选的,S63所述建立目标函数的方法是:基于仿真结果得到每名乘客到各节点的时间,从而求得换乘候车时间:
换乘感受为“候车时间过长”所造成不满意的等级与服务水平呈反比关系,换乘感受为“担忧赶不上车”所造成的不满意的等级与服务水平呈正比关系,根据S3建立城市轨道换乘服务水平划分方法和各等级的分数范围与候车时间范围,与在各级服务水平建立每个乘客的换乘候车时间Twi与服务水平得分Ri的线性关系q(Twi):
在考虑换乘路径权重的前提下,以换乘乘客满意度最大为目标,建立目标函数:
方案二、 一种电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述方法的步骤。
方案三、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述的方法。
本发明的有益效果如下:
(1)节约人力、时间成本:通过数字仿真获得乘客步行时间、列车满载率状态、识别每位乘客所搭乘车辆,具有低成本、可复用、可控制的优点;
(2)可以精准反映复杂交通系统下的特征指标:通过车站微观仿真代替人工现场调研,能够更高效、便捷、准确地反映乘客在不同客流规模下换乘时到达衔接站台的步行时间规律,并且支持预测客流量下的步行仿真;通过线网列车-乘客中观仿真,更真实地反映换乘客流与所搭乘列车的交互过程,从而做到列车、乘客的个体级精准计算;
(3)可行性高,方案易于实施:对于地铁运营部门来说,本方法没有改变原本设定的单线运输方案(如交路形式、各线路停站时间与发车间隔),只调整了各时段(如高峰、超高峰、平峰)运输方案的开始结束时间,提供的是全天的调整方案,具有较高的可操作性;
(4)从系统整体换乘服务水平考虑,从换乘体验与换乘安全两个角度出发对各车站、各换乘方向进行了权重划分,优先解决重点车站重点换乘路径的衔接问题,以实现系统最优。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明方法流程示意图:
图2为客流量下一换乘路线的乘客换乘步行时间分布示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图2说明本实施方式,一种交通线网运行图衔接优化方法,包括,以下步骤:
S1.生成特征日OD客流矩阵;包括以下步骤:
S11.统计周期内每日各时间段内所有OD对的客流量;
具体的,通过刷卡数据,以车站为维度,统计每日各OD对的客流量。设定运行图优化周期,以进站刷卡时间为锚点,统计周期内每天各时间片内所有OD对的客流量。
S12.基于交通线网运行图设定特征日类型;
具体的,受出行目的、出行人群的不同影响,一周内城市轨道交通客流有所不同。特征日类型的划分应与运行图的分类一致:通常交通线网运行图分为工作日运行图、周末运行图、节假日运行图,则特征日也应选取这三类日期;若运行图有更细致的分类,则同样地,特征日类型也应有相对应的更细致的分类。
S13.捕捉客流典型时变特征,过滤异常波动数据,生成特征日OD客流矩阵。
具体的,由于城市轨道客流会受到突发事件、特定活动等外部事件影响导致一定的波动,运行图优化的目标是满足当前周期的典型出行需求,因此需要捕捉近期客流的典型时变特征,并过滤异常波动数据,最终生成典型特征日OD矩阵。
具体的,典型特征日和典型出行需求是指除去突发事件、特定活动等外部事件的情况;
若期望对未来客流规模下的轨道交通线网运行图衔接进行优化,则需要预测某特征日在未来一定时间范围内的OD客流量,并生成相应的特征日OD矩阵。
S2.通过微观仿真推演获取换乘枢纽换乘步行到达人数-时间分布特征;包括以下步骤:
S21.创建换乘枢纽环境模型;
具体的,根据车站平面布局图建立换乘枢纽3D模型,包括乘客可到达的所有建筑区域、步行扶梯、自动扶梯、直梯等设施;如果涉及站外换乘,则同时涉及到进出站闸机和站外换乘区域。
S22.创建换乘路线设定与乘客行人模型;
具体的,以输送线路的列车停靠位置为乘客换乘路径起点,以衔接线路的站台为乘客路径终点。基于调查获取车站乘客的年龄、性别等特征,使用蚁群算法、社会力模型、磁场力模型、元胞自动机模型等微观行人仿真模型仿真乘客换乘走行运动。
社会力模型能够较好地描述乘客运动微观的动机与群体行为之间的相互关系,且在体现乘客的智能性以及动画的逼真性方面具有很大优势。
参照图2说明本步骤,S23.基于换乘枢纽环境模型、换乘路线设定与乘客行人模型进行仿真模拟,获取换乘枢纽换乘步行到达人数-时间分布特征。
围绕现状车站高峰与平峰换乘客流量,在一定客流量范围内以轮询的方式各进行一次换乘仿真模拟,以获得不同客流规模下乘客的换乘时间分布特征,即从输送线路的列车到达停靠点开始,直到最后一名换乘乘客走到衔接线路的站台为止,每秒到达衔接线路站台的人数的时间分布特征,即:
Qarrival=f (D, t)
其中,Qarrival为到达衔接站台的人数,D为换乘需求,t为换乘步行时间。
S3.建立城市轨道换乘服务水平划分方法:根据服务等级、换乘候车时间和换乘感受调查表,获取换乘候车时间与满意度之间的关系,建立城市轨道换乘服务水平划分方法;
通过乘客问卷抽样调查获取换乘候车时间与其满意度之间的关系,以此建立所在城市描述换乘候车时间与乘客感受质量标准的服务水平(LoS)划分方法(表1换乘候车时间与乘客感受质量标准的服务水平划分方法表)。
由于乘客的换乘感受与“是否刚好错过一班列车”相关联,而高峰与非高峰时期的列车发车间隔不同,对应的候车时间也不同,因此在设计问卷时,需要区分时段或将候车时间与发车间隔挂钩。
表1换乘候车时间与乘客感受质量标准的服务水平划分方法表
服务等级 | 换乘候车时间 | 换乘感受 |
A 非常满意(90-100分) | 5秒至1/4发车间隔 | 到达衔接站台后,稍事等候即可上车 |
B 满意(80-90分) | 介于1/4发车间隔与1/2发车间隔 | 到达衔接站台后,要等待一段时间才能上车,但等候时间可以接受 |
C 一般(60-80分) | 大于1/2发车间隔,小于(发车间隔-10s) | 到达衔接站台后,要等待较长时间才能上车,乘客开始出现焦躁情绪 |
D 不满意(40-60分) | 小于5秒 | 即将到达衔接站台时,列车已进站,乘客有错过这班列车的心理危机感 |
E 严重不满意(小于40分) | 大于等于(发车间隔-10s ) | 即将到达衔接站台时,乘客恰好目睹自己错过了一班车,要等待下一班车才能上车,内心十分不满 |
S4.计算站点换乘路径的重要性得分,某一换乘站,从线路x上行,换乘线路y下行的列车,则线路x上行站台至线路y下行站台为一条换乘路径。由于不同的换乘路径换乘方式、站台面积、换乘客流量都不尽相同,因此在评估权重时应该以换乘路径ri为维度,而不是站点为维度或线路为维度。从换乘安全与换乘需求两方面建立换乘路径重要性评价体系。换乘安全选取站台换乘类型、站台面积、换乘步行空间面积为评价指标,换乘需求选取换乘客流量为评价指标。依据每一项指标的重要性划定其权重,并根据其具体表现进行打分,分数,将每一指标的权重与得分相乘后求和,即该站点的某一换乘路径重要性得分。
具体方法是,构建换乘路径重要性评价体系(表2换乘路径重要性评价体系表),包括目标层、准则层和指标层,基于换乘路径重要性评价体系计算站点换乘路径的重要性得分:如下公式:
表 2换乘路径重要性评价体系表
以下为对各指标的具体解释:
C1换乘类型:换乘类型通常可分为十字换乘、T型或L型换乘、同台换乘、站外换乘及长通道换乘。其中同台换乘虽然对乘客来说步行距离最短、最为便捷,但对运营者来说,客流最不易于疏导。因此,同台换乘对于列车衔接的要求也最高。
而其它的换乘类型,由于存在一定的换乘步行距离,乘客将更松散地分布于换乘通道或站厅、站外空间,不易集中堆积于站台,大客流下也更易于开展管控措施,因此客流较易于疏导。其中站外换乘由于乘客需要出站再进站,换乘乘客对站台所造成的冲击最易控制。
综上,需要给同台换乘类型的换乘路线最高的分数,站外换乘最低分数,其它换乘方式中间值。
C2站台有效面积:站台有效面积指站台上可容纳乘客的面积。站台有效面积越小,越容易由于运行图衔接不佳而出现站台拥挤的问题,也就越重要。
C3 换乘步行空间面积:换乘步行空间的面积越大,乘客在空间中越分散,其到达
C4换乘客运量:即在某个时间片内,某一换乘路径上换乘的乘客总量与转乘线路到达站台上进站候车人数之和。人数越多,越需要良好的衔接以尽快降低站台上积压的乘客数量。
S5.划分特征日运营时段,包括划分特征日各线路运营时段和划分特征日全网运营时段;包括以下步骤:
S51.划分特征日各线路运营时段,根据各线路发车间隔时间,将每条线路上下行的运营时间划分为多个阶段,生成各线路某一方向的特征日运营时段集{pj};
具体的,按照各线路发车间隔,将每条线路上下行的运营时间划分为多个阶段。通常,运行图在高峰与平峰时段交接时切换发车间隔,即一天可被早晚高峰划分为5个阶段:晨间平峰、早高峰、午间平峰、晚高峰、夜间平峰。若该线路在高峰期、平峰期内有更细致的发车间隔设计,如某些线路将早高峰划分为“超高峰”与“高峰”,则可能有更多个运营时段。由此可生成各线路某一方向的运营时段集{pj}。
不同发车间隔之间切换时,往往会存在一个发车间隔不断变化的过渡时段,该时段主要用于调整上线车辆数量。这一过渡时段的长短往往受停车场位置、线路折返能力、需上线列车数量等决定。在设施条件、发车间隔不做调整的前提下,过渡时段的长短可认为是一个固定值被计算在与高峰时段(即发车间隔更小的时段)相邻的平峰时段(即发车间隔更大的时段)之中。
S52.划分特征日全网运营时段,以各线路高峰时段最早的开始时间为全网高峰开始时间,以各线路高峰时段最晚的结束时间为全网高峰结束时间,高峰以外的时段则自动划分为若干个平峰时段,生成全网运营时段集{Pk}。
具体的,由于各线路的客流高峰出现时间并不一致,因此,当各线路间需要进行指标横向对比时(如换乘路径权重),需要确定一个全网运营时段作为指标统计的时间维度。
以各线路高峰时段最早的开始时间为全网高峰开始时间,以各线路高峰时段最晚的结束时间为全网高峰结束时间,以保证各线路高峰时段均被覆盖。高峰以外的时段则可以被自动划分为若干个平峰时段,由此可生成全网运营时段集{Pk}。
S6.建立换乘时间效益优化模型;
S61.仿真交通线网运行图下乘客线网分布状态,包括以下步骤:
S611.构建仿真路网模型:基于线路信息、站点信息,构建城市轨道线路拓扑路网,路网结构中包含进出站口、闸机、站台、列车停靠点;
S612.在仿真路网模型中生成城市轨道线路班次和城市轨道线路拓扑路网客流:基于线路信息、站点信息和运营排班信息,生成城市轨道线路班次信息,基于特征日OD客流矩阵,生成城市轨道线路拓扑路网客流;
S613.动态交通分配:通过O、D客流矩阵获取个体出行线路合集N,提取合集N中的单条路径ni,遍历所有的线路班次路径,筛选符合个体出行路径要求的班次m,对个体路径ni和线路班次路径m在O和D点的停留时间窗进行分析,分析两条路径能否满足时间要求,筛选多条与客流OD进行匹配的线路班次合集S,实现动态交通分配;
S614.交通运行仿真:基于考虑车厢的运输能力、车辆发车间隔、车辆停站时间因素,预测某个换乘站的换乘客流量和列车满载率,获得某个时间片的乘客换乘候车时间。
S62.基于仿真结果确定不同特征日全网运营时段Pk下,各站点的各换乘路径权重W;方法是:根据仿真结果中换乘站的换乘客流量,按照S4中所建立的站点换乘路径的重要性得分计算方法,在不同的时段Pk计算各站点的重要性得分,由此得到各全网运营时段Pk中换乘路径重要性得分集{S}。
S63.建立目标函数方法是:基于仿真结果得到每名乘客到各节点的时间,从而求得换乘候车时间:
换乘感受为“候车时间过长”所造成不满意的等级与服务水平呈反比关系,换乘感受为“担忧赶不上车”所造成的不满意的等级与服务水平呈正比关系,根据S3建立城市轨道换乘服务水平划分方法和各等级的分数范围与候车时间范围,与在各级服务水平建立每个乘客的换乘候车时间Twi与服务水平得分Ri的线性关系q(Twi):
换乘感受为“候车时间过长”所造成不满意的等级与服务水平呈反比关系,换乘感受为“担忧赶不上车”所造成的不满意的等级与服务水平呈正比关系,根据换乘路径重要性评价体系,服务等级A、B、C、E与换乘感受呈反比关系,服务等级D与换乘感受呈正比关系,假设发车间隔为200秒,则:
在考虑换乘路径权重的前提下,以换乘乘客满意度最大为目标,建立目标函数:
S7.使用模拟退火算法或遗传算法对换乘时间效益优化模型进行求解。
根据S1所述特征日运营时段集{pj},优先调整平均发车间隔更小的时间段,通常对应早晚高峰时段。
以每个pi为单位,调整各个线路方向时段pi的开始时间Tsi(时段内首班车的发车时间)与结束时间Tei(时段内最后一班车的发车时间),时段内各列车的发车间隔、停站时间与调整前维持一致。
由于滞留乘客的换乘服务等级无法被优化,因此不被优化所考虑;而对于非滞留乘客,其候车时间介于上一辆列车关门离站至下一班列车关门离站之间,即其换乘时间Tw一定介于0秒与“发车间隔+停站时间”之间。
基于时段调整,确定新的列车线路班次,并使用原有的乘客OD矩阵重新完成人-车的动态交通分配与仿真。通过仿真结果计算新的换乘乘客满意度R,并且求解目标为获取R的最大值。
在网络化运营下,换乘乘客经多条线路到达目的地,对任一线路的任一时段进行调整,都将可能影响大量乘客的出行时间,并进而影响各枢纽站的衔接水平。
因此,这是一个典型的非确定性多项式难问题(NP-hard),可以通过模拟退火算法、遗传算法等优化算法进行求解。
模拟退火算法、遗传算法等优化算法求解为现有技术,本实施例对求解过程不进行说明。
通过求解可以获得每个线路运营时段pi的最优开始时间Tsi(时段内首班车的发车时间)与最优结束时间Tei(时段内最后一班车的发车时间),使目标函数取得最大值,即全网乘客换乘服务等级分数最大值,从而在不改变各运营时段内各线路运行图的交路类型、发车间隔、停站时间等核心指标的前提下,仅按照最优开始时间Tsi与最优结束时间Tei微调各线路运行图,以实现全网各线路衔接水平的优化。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (8)
1.一种交通线网运行图衔接优化方法,其特征在于,包括,以下步骤:
S1.生成特征日OD客流矩阵;
S2.通过微观仿真推演获取换乘枢纽换乘步行到达人数-时间分布特征;
S3.建立城市轨道换乘服务水平划分方法:根据服务等级、换乘候车时间和换乘感受调查表,获取换乘候车时间与满意度之间的关系,建立城市轨道换乘服务水平划分方法;
S4.建立站点换乘路径的重要性得分计算方法,构建换乘路径重要性评价体系,包括目标层、准则层和指标层,基于换乘路径重要性评价体系计算站点换乘路径的重要性得分:如下公式:
S5.划分特征日运营时段,包括划分特征日各线路运营时段和划分特征日全网运营时段;
S6.建立换乘时间效益优化模型的目标函数;
S61.仿真交通线网运行图下乘客线网分布状态;
S62.基于仿真结果确定不同特征日全网运营时段下所有站点的所有换乘路径权重;
S63.建立目标函数,方法是:基于仿真结果得到每名乘客到各节点的时间,从而求得换乘候车时间:
换乘感受为“候车时间过长”所造成不满意的等级与服务水平呈反比关系,换乘感受为“担忧赶不上车”所造成的不满意的等级与服务水平呈正比关系,根据S3建立城市轨道换乘服务水平划分方法和各等级的分数范围与候车时间范围,在各级服务水平建立每个乘客的换乘候车时间Twl与服务水平得分Ra的线性关系q(Twl):
在考虑换乘路径权重的前提下,以换乘乘客满意度最大为目标,建立目标函数:
S7.使用模拟退火算法或遗传算法对换乘时间效益优化模型进行求解。
2.根据权利要求1所述的一种交通线网运行图衔接优化方法,其特征在于,S1所述生成特征日OD客流矩阵的方法包括以下步骤:
S11.统计周期内每日各时间段内所有OD对的客流量;
S12.基于交通线网运行图设定特征日类型;
S13.捕捉客流典型时变特征,过滤异常波动数据,生成特征日OD客流矩阵。
3.根据权利要求2所述的一种交通线网运行图衔接优化方法,其特征在于,S2所述通过微观仿真推演获取换乘枢纽换乘步行到达人数-时间分布特征的方法包括以下步骤:
S21.创建换乘枢纽环境模型;
S22.创建换乘路线设定与乘客行人模型;
S23.基于换乘枢纽环境模型、换乘路线设定与乘客行人模型进行仿真模拟,获取换乘枢纽换乘步行到达人数-时间分布特征。
4.根据权利要求3所述的一种交通线网运行图衔接优化方法,其特征在于,S5所述划分特征日运营时段,包括划分特征日各线路运营时段和划分特征日全网运营时段的方法包括以下步骤:
S51.划分特征日各线路运营时段,根据各线路发车间隔时间,将每条线路上下行的运营时间划分为多个阶段,生成各线路某一方向的特征日运营时段集{pj};
S52.划分特征日全网运营时段,以各线路高峰时段最早的开始时间为全网高峰开始时间,以各线路高峰时段最晚的结束时间为全网高峰结束时间,高峰以外的时段则自动划分为若干个平峰时段,生成全网运营时段集{Pk}。
5.根据权利要求4所述的一种交通线网运行图衔接优化方法,其特征在于,S61所述仿真交通线网运行图下乘客线网分布状态方法包括以下步骤:
S611.构建仿真路网模型:基于线路信息、站点信息,构建城市轨道线路拓扑路网,路网结构中包含进出站口、闸机、站台、列车停靠点;
S612.在仿真路网模型中生成城市轨道线路班次和城市轨道线路拓扑路网客流:基于线路信息、站点信息和运营排班信息,生成城市轨道线路班次信息,基于特征日OD客流矩阵,生成城市轨道线路拓扑路网客流;
S613.动态交通分配:通过OD客流矩阵获取个体出行线路合集N,提取合集N中的单条路径nx,遍历所有的线路班次路径,筛选符合个体出行路径要求的班次m,对个体路径nx和线路班次路径m在O和D点的停留时间窗进行分析,分析两条路径能否满足时间要求,筛选多条与客流OD进行匹配的线路班次合集S,实现动态交通分配;
S614.交通运行仿真:基于考虑车厢的运输能力、车辆发车间隔、车辆停站时间因素,预测某个换乘站的换乘客流量和列车满载率,获得某个时间片的乘客换乘候车时间。
7.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-6任一项所述的一种交通线网运行图衔接优化方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的一种交通线网运行图衔接优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960431.7A CN115049156B (zh) | 2022-08-11 | 2022-08-11 | 一种交通线网运行图衔接优化方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210960431.7A CN115049156B (zh) | 2022-08-11 | 2022-08-11 | 一种交通线网运行图衔接优化方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049156A CN115049156A (zh) | 2022-09-13 |
CN115049156B true CN115049156B (zh) | 2023-02-03 |
Family
ID=83167133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210960431.7A Active CN115049156B (zh) | 2022-08-11 | 2022-08-11 | 一种交通线网运行图衔接优化方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049156B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341921B (zh) * | 2022-12-06 | 2023-09-26 | 北京交通大学 | 一种数据驱动的城市轨道交通换乘衔接能力评估方法 |
CN117556570A (zh) * | 2023-09-28 | 2024-02-13 | 北京建筑大学 | 公交专用道优化设计方法、装置、设备及其存储介质 |
CN117196264B (zh) * | 2023-11-07 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市轨道客流协同控制方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993353A (zh) * | 2019-03-21 | 2019-07-09 | 华侨大学 | 一种轨道交通沿线常规公交线路选择及调整方法 |
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 |
CN112381472A (zh) * | 2021-01-15 | 2021-02-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种地铁接驳公交线路优化方法、装置及存储介质 |
CN113919650A (zh) * | 2021-09-14 | 2022-01-11 | 北京交通大学 | 一种列车运行方案优化编制方法及系统 |
CN113935181A (zh) * | 2021-10-22 | 2022-01-14 | 暨南大学 | 一种基于匹配客流的列车模拟运行优化系统构建方法 |
CN114139765A (zh) * | 2021-10-21 | 2022-03-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公交换乘网络优化方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
CN107358357A (zh) * | 2017-07-12 | 2017-11-17 | 北京市轨道交通设计研究院有限公司 | 城市轨道交通换乘车站评价方法 |
US11953334B2 (en) * | 2019-09-10 | 2024-04-09 | Morgan State University | System and method for vehicle routing |
CN112633831B (zh) * | 2020-12-22 | 2022-12-16 | 西南交通大学 | 一种交通时刻表优化方法、装置、设备及可读存储介质 |
-
2022
- 2022-08-11 CN CN202210960431.7A patent/CN115049156B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993353A (zh) * | 2019-03-21 | 2019-07-09 | 华侨大学 | 一种轨道交通沿线常规公交线路选择及调整方法 |
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 |
CN112381472A (zh) * | 2021-01-15 | 2021-02-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种地铁接驳公交线路优化方法、装置及存储介质 |
CN113919650A (zh) * | 2021-09-14 | 2022-01-11 | 北京交通大学 | 一种列车运行方案优化编制方法及系统 |
CN114139765A (zh) * | 2021-10-21 | 2022-03-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公交换乘网络优化方法、装置及电子设备 |
CN113935181A (zh) * | 2021-10-22 | 2022-01-14 | 暨南大学 | 一种基于匹配客流的列车模拟运行优化系统构建方法 |
Non-Patent Citations (5)
Title |
---|
A simulation and machine learning based optimization method for integrated pedestrian facilities planning and staff assignment problem in the multi-mode rail transit transfer station;Hongxiang Zhang 等;《Simulation Modelling Practice and Theory》;20211201;第115卷;第1-22页 * |
地铁换乘站列车接续方案协同优化设计方法;张琦;《交通信息与安全》;20130820(第04期);第10-13页 * |
城市轨道网络换乘站列车衔接同步协调优化研究;周艳芳等;《铁道学报》;20110315(第03期);第9-16页 * |
基于线网运营协调的城市轨道交通首末班列车发车时间域研究;徐瑞华等;《铁道学报》;20080415(第02期);第7-11页 * |
轨道交通网络列车衔接组织的递阶协调优化;张铭等;《系统工程》;20070928(第09期);第33-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049156A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049156B (zh) | 一种交通线网运行图衔接优化方法、电子设备及存储介质 | |
Dong et al. | Integrated optimization of train stop planning and timetabling for commuter railways with an extended adaptive large neighborhood search metaheuristic approach | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
Niu et al. | Demand-driven train schedule synchronization for high-speed rail lines | |
Bertini et al. | Modeling transit trip time using archived bus dispatch system data | |
CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及系统 | |
CN113919650A (zh) | 一种列车运行方案优化编制方法及系统 | |
Jansen et al. | Minimizing passenger transfer times in public transport timetables | |
CN114943484B (zh) | 一种轨道客流运能匹配方法及其电子设备及其存储介质 | |
CN115048754B (zh) | 基于交通仿真的公交线网优化方法、电子设备及存储介质 | |
CN116109081A (zh) | 一种基于物联网的动态公交调度优化方法和装置 | |
Schmidt et al. | Advanced systems in public transport | |
WO2024174566A1 (zh) | 一种用于智能公交系统的多车型时刻表设计方法及系统 | |
CN114548604A (zh) | 一种客流动态引导方法、系统、电子设备及存储介质 | |
Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country | |
Zhang et al. | A hybrid framework for synchronized passenger and train traffic simulation in an urban rail transit network | |
Wei et al. | Optimal routing design of feeder transit with stop selection using aggregated cell phone data and open source GIS tool | |
Shalihin Bin Othman et al. | Predictive simulation of public transportation using deep learning | |
CN116654058A (zh) | 一种轨道交通线网运行调整方法、装置、设备和存储介质 | |
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 | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
Alexis et al. | Minimising the travel time on congested urban rail lines with a dynamic bi-modelling of trains and users | |
CN114723240A (zh) | 铁路客运综合交通枢纽接驳方式协同调度方法及系统 | |
CN113657725A (zh) | 一种公交线路和调度优化方法、系统、装置及介质 | |
Halim et al. | Metro timetable optimization from passenger perspective based on simulation models and incomplete data of passenger flow |
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 |