CN115294773B - 一种公交专用道优化配置方法、电子设备及存储介质 - Google Patents

一种公交专用道优化配置方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115294773B
CN115294773B CN202211198902.1A CN202211198902A CN115294773B CN 115294773 B CN115294773 B CN 115294773B CN 202211198902 A CN202211198902 A CN 202211198902A CN 115294773 B CN115294773 B CN 115294773B
Authority
CN
China
Prior art keywords
bus
road
station
data
road 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
Application number
CN202211198902.1A
Other languages
English (en)
Other versions
CN115294773A (zh
Inventor
张晓春
郑之帼
丘建栋
刘星
庄蔚群
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211198902.1A priority Critical patent/CN115294773B/zh
Publication of CN115294773A publication Critical patent/CN115294773A/zh
Application granted granted Critical
Publication of CN115294773B publication Critical patent/CN115294773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G08G1/127—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 to a central station ; Indicators in a central station
    • 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)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)

Abstract

一种公交专用道优化配置方法、电子设备及存储介质，属于智能交通技术领域。为解决现有的公交专用道优化方法的优化准确性不高的问题。本发明采集公交运行基础数据及城市路网路段路况数据，根据采集的公交运行基础数据计算公交到站时间数据，根据计算的公交到站时间数据，推算公交乘客上车站点数据、下车站点数据、线路断面客流数据；根据采集的路段路况数据，使用隐马尔可夫状态转移方法，将公交线网与路网进行匹配，得到完成整理的路网，然后计算路网路段的公交运行速度、公交客流；最后基于复杂网络方法和渗流理论计算公交瓶颈路段，建立公交专用道优化配置模型及约束条件，求解得到公交专用道优化配置方法。本发明适用于大型城市路网。

Description

一种公交专用道优化配置方法、电子设备及存储介质
技术领域
本发明属于智能交通技术领域，具体涉及一种公交专用道优化配置方法、电子设备及存储介质。
背景技术
随着经济的快速发展，城市交通流量不断增长，现有的城市交通设施难以适应日益攀升的出行需求，交通供需矛盾日益凸显，城市交通拥堵形势日益严峻。公交专用道是基于实行公共交通优先原则、有效缓解交通拥堵的重大举措之一，但公交专用道也需要进行优化配置使用。
现有的公交专用道优化方法一般存在以下问题：1、现有的公交专用道优化方法仅基于交通调查获得的乘客出行静态OD数据，使用仿真建模软件对公交运行过程进行模拟，获取运行速度及运行客流等参数，从而对专用道配置进行优化，此类方法受交通调查准确性、仿真参数设置等因素的影响较大，其优化结果准确性、实用性有限；2、现有公交专用道优化方法由于依赖于仿真，计算复杂度较高，仅适用于小型路网，在大型城市路网场景下的实用性较低；3、现有公交专用道优化方法仅研究模拟的网格状路网或局域路网，忽略了大型城市路网的系统性和复杂性，缺乏宏观性、系统性，给出的优化方法及建议实用性有限。
发明内容
本发明要解决的问题是针对现有的公交专用道优化方法的优化准确性不高、不能应用于大型城市路网场景的问题，提出一种公交专用道优化配置方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种公交专用道优化配置方法，包括如下步骤：
S1、采集公交运行基础数据及城市路网路段路况数据；
S2、根据步骤S1采集的公交运行基础数据计算公交到站时间数据；
S3、根据步骤S2计算的公交到站时间数据，推算公交乘客上车站点数据、下车站点数据、线路断面客流数据；
S4、根据步骤S1采集的路段路况数据，使用隐马尔可夫状态转移方法，将公交线网与路网进行匹配，得到完成整理的路网；
S5、根据步骤S2得到的公交到站时间、步骤S3得到的线路断面客流、步骤S4得到的完成整理的路网，计算路网路段的公交运行速度、公交客流；
S6、根据步骤S5得到的路网路段的公交运行速度、公交客流，基于复杂网络方法和渗流理论计算公交瓶颈路段，建立公交专用道优化配置模型及约束条件，求解得到公交专用道优化配置方法。
进一步的，步骤S1中公交运行基础数据包括由公交车定位系统收集带时间戳、车辆运行线路的公交GPS定位数据，由刷卡机系统收集包含用户id、刷卡机所在车辆车牌及刷卡时间的IC卡刷卡数据；城市路网路段路况数据包括由城市公交公司提供城市路网及公交专用道数据、具有地理信息的公交线路数据、公交线路途经的站点数据、站点的地理坐标数据。
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、提取公交站点附近的GPS轨迹数据：基于公交线路名称将线路数据、站点数据与公交GPS定位数据关联，对每一个站点建立30米-50米的缓冲区，将途经该站点的公交线路对应的公交GPS定位数据与站点缓冲区进行空间聚合，筛选出站点附近缓冲区的公交GPS定位数据作为公交站点附近的GPS轨迹数据，待用；
S2.2、根据步骤S2.1的公交站点附近的GPS轨迹数据，首先区分公交车次形成公交的班次序号，然后通过站序的递增关系对不合理的到站数据进行清洗过滤，清洗后对缺失的到站时间进行补全，补全后每一个站序对应一个公交到站时间，得到推算的公交到站时间数据。
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、乘客上车站点数据推算：基于步骤S2得到的公交到站时间数据、步骤S1的乘客的IC卡刷卡数据，按照时间最临近原则匹配乘客至相同的公交车牌ID的车次，得到初步的乘客上车站点关联表，所述时间最临近原则为对于首站点，保留刷卡时间在公交到站前30分钟与到站后1分钟内的数据，对于其他站点，保留刷卡时间在公交到站前1分钟与到站后1分钟内的数据，得到乘客上车站点数据；
S3.2、乘客下车站点推算的具体实现方法包括如下步骤：
S3.2.1、根据步骤S1得到的乘客上车站点数据，首先判断是否有多次刷卡记录，判断为否，则继续判断是否有历史刷卡规律，判断为是，则继续判断乘客是否是最后一次上车；
S3.2.2、对于步骤S3.2.1中的判断乘客是否是最后一次上车为是的，则确定下车站点为初次刷卡站点，判断为否，则继续判断相邻上车站点距离是否小于500米，判断为是，则由下一上车刷卡站点确定为当前刷卡的下车站点，将以上判断的下车站点数据合并，得到初步推算的下车站点数据；
S3.2.3、对于步骤S3.2.2得到的初步推算的下车站点数据进行上车站点先于下车站点的判断，判断为否的根据站点吸引权推算下车站点，将步骤S3.2.1中的判断是否有历史刷卡规律为否的根据站点吸引权推算下车站点，然后对全部下车站点数据计算公交到站时间、相邻站点距离，得到乘客上下车行程表数据；
S3.2.4、对于步骤S3.2.3得到的乘客上下车行程表进行多天行程规律推算，得到乘客历史出行规律表数据；
S3.3、线路断面客流的计算为将乘客上下车行程表数据得到的乘客出行起终站点数据与途经的站间断面列表进行关联，得到途经某一站间断面的客流总量，具体实现方法包括如下步骤：
S3.3.1、将研究时段内线路
Figure 965516DEST_PATH_IMAGE001
相同起、终点的乘客出行记录进行聚合，获得对应每 一起终站点对
Figure 144693DEST_PATH_IMAGE002
的乘客出行量
Figure 371275DEST_PATH_IMAGE003
；
S3.3.2、对于每一条线路OD客流量记录，结合站点线路数据，获得此条OD对应经过 的线路断面集合
Figure 19425DEST_PATH_IMAGE004
，其中
Figure 560128DEST_PATH_IMAGE005
分别代表OD始末点在线路
Figure 859391DEST_PATH_IMAGE001
上的站点 站序；
S3.3.3、经过线路
Figure 725716DEST_PATH_IMAGE001
站间断面
Figure 720217DEST_PATH_IMAGE006
的OD集合为
Figure 205556DEST_PATH_IMAGE007
，关联所有OD客流量记录与其经过的 所有的站间断面，每条线路
Figure 234692DEST_PATH_IMAGE001
每个站间断面上的客流总量
Figure 396552DEST_PATH_IMAGE008
为：
Figure 878349DEST_PATH_IMAGE009
。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、路网预处理：
S4.1.1、首先对路网进行递归式的网格化划分，取路网节点的经度最大值、最小值 为
Figure 26433DEST_PATH_IMAGE010
纬度最大值、最小值为
Figure 51021DEST_PATH_IMAGE011
，以经纬度角点
Figure 259149DEST_PATH_IMAGE012
、
Figure 355805DEST_PATH_IMAGE013
、
Figure 307581DEST_PATH_IMAGE014
、
Figure 186675DEST_PATH_IMAGE015
与经纬度中心点
Figure 831283DEST_PATH_IMAGE016
所框定的长方形区域作为一级网格范围进行第一次划分，得到四个二级网格，为子网格；
S4.1.2、以上一步划分得到的子网格作为下一步划分的母网格，进行进一步划分， 根据实际路网的范围大小，进行若干次如上划分，得到
Figure 146727DEST_PATH_IMAGE017
个N级网格；
S4.1.3、对于路网中的任意路段
Figure 902193DEST_PATH_IMAGE018
，具有确定的N级网格，对于横跨两个网格的 路段，分别计算路段在两个网格内的长度，取长度大的网格作为路段的所属网格，完成网格 化路网；
S4.2、基于公交线路站点坐标对路网进行预打断，得到预打断后的路网：
S4.2.1、对于公交线路站点，通过网格化路网的网格边界点确定公交线路站点所在的N级网格及其相邻网格；
S4.2.2、分别计算网格的所属路段距离公交线路站点的直线距离，若距离小于100米，则设定路段为公交线路站点在路网上的潜在匹配路段；
S4.2.3、基于公交线路站点在潜在匹配路段上的投影点对路网路段进行预打断， 设置投影点为公交线路站点
Figure 370215DEST_PATH_IMAGE019
的潜在匹配点
Figure 185724DEST_PATH_IMAGE020
；
S4.2.4、对距离公交线路站点
Figure 254043DEST_PATH_IMAGE019
小于100米的路段，得到多个潜在匹配点为
Figure 813200DEST_PATH_IMAGE021
；
S4.3、公交线路站点匹配至路网：使用Barefoot开源地图匹配工具包，基于具有地 理信息的公交线路数据，将公交线路站点匹配至预打断后的路网，获取每条公交线路途经 的路网路段序列为
Figure 260362DEST_PATH_IMAGE022
，途经的路网节点序列为
Figure 856560DEST_PATH_IMAGE023
；其中，路网 节点序列包含该线路途经的所有站点的潜在匹配点
Figure 287541DEST_PATH_IMAGE024
，选择距离站点最近的 潜在匹配点作为该站点的实际匹配点为
Figure 509444DEST_PATH_IMAGE025
；
S4.4、路网整理：针对路网密集区域、同一站点存在多个潜在匹配点、预打断后路网零散的情况，在公交线路站点与路网匹配完成后，将未成为实际匹配点且并非原始路网节点的潜在匹配点两端的路网路段重新连接，恢复到预打断前的状态，使得路网仅在实际匹配点处被打断，得到完成整理的路网。
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、建立线路站间断面与路网路段的映射关系：根据步骤S4完成整理的路网，建 立线路站间断面与路网路段的映射关系，即站间断面
Figure 342271DEST_PATH_IMAGE026
所途经的路网路段集合
Figure 843790DEST_PATH_IMAGE027
，
Figure 762068DEST_PATH_IMAGE028
为路段；
S5.2、计算路网路段的公交运行速度：
S5.2.1、基于步骤S5.1的线路站间断面与路网路段的映射关系，统计得到站间断 面
Figure 790591DEST_PATH_IMAGE029
的实际行程距离
Figure 212345DEST_PATH_IMAGE030
；
S5.2.2、根据步骤S2得到的公交到站时刻，已知对于线路
Figure 274979DEST_PATH_IMAGE031
某班次公交车到达站序 为
Figure 290340DEST_PATH_IMAGE032
及站序为
Figure 729411DEST_PATH_IMAGE033
的站点的时间为
Figure 395885DEST_PATH_IMAGE034
，计算得到公交车在路段
Figure 894999DEST_PATH_IMAGE028
上的行驶速度
Figure 256710DEST_PATH_IMAGE035
为：
Figure 374839DEST_PATH_IMAGE036
S5.2.3、统计同一时间段内所有途经该路段的公交车的行驶速度，求平均值，得到 路段
Figure 771185DEST_PATH_IMAGE028
上公交运行的平均速度
Figure 300256DEST_PATH_IMAGE037
为：
Figure 414842DEST_PATH_IMAGE038
其中，
Figure 930137DEST_PATH_IMAGE039
为经过路段
Figure 321935DEST_PATH_IMAGE018
的公交线路总数；
S5.3、计算路网路段的公交客流：将步骤S3得到的公交站间断面客流映射到步骤 S4完成整理的路网上，统计一定时段内所有途经路段l的公交线路班次在途经该路段时的 客流量
Figure 162852DEST_PATH_IMAGE040
之和，得到该时段内该路段
Figure 623790DEST_PATH_IMAGE041
的公交客流
Figure 208355DEST_PATH_IMAGE042
。
进一步的，步骤S6的具体实现方法包括如下步骤：
S6.1计算路网路段的公交客流密度，建立公交客流密度网络：定义路段
Figure 454659DEST_PATH_IMAGE043
的公 交客流密度
Figure 732057DEST_PATH_IMAGE044
为：
Figure 683220DEST_PATH_IMAGE045
基于路段公交客流密度和步骤S4得到的完成整理的路网，建立公交客流密度网络，公交客流密度网络的节点为完成整理的路网的节点，公交客流密度网络的连边为完成整理的路网路段，连边权重为该路段的公交客流密度；
S6.2、使用复杂网络渗流方法，提取路网中的公交瓶颈路段：
S6.2.1、对于步骤S6.1建立的公交客流密度网络，选取连边权重最高的连边，将其 从公交客流密度网络中移除，移除后计算网络的最大连通子团
Figure 805897DEST_PATH_IMAGE046
，被移除的权重最小的 连边对应的公交客流密度称为权重阈值；
S6.2.2、重复步骤S6.2.1，在此过程中， 依据复杂网络渗流理论，公交客流密度网 络出现临界现象，其表现在于最大连通子团大小会出现突变， 出现临界现象时的连边权重 阈值为临界阈值
Figure 906708DEST_PATH_IMAGE047
；
S6.2.3、通过步骤S6.2.2的临界阈值，得到路网中公交客流密度在临界阈值附近 一定范围内的公交瓶颈路段集合
Figure 823848DEST_PATH_IMAGE048
；
S6.3、将步骤S6.2得到的公交瓶颈路段集合
Figure 790536DEST_PATH_IMAGE049
作为备选的新增专用道路段，结合 步骤S1的现有专用道配置，对比给出专用道优化措施。
进一步的，步骤S6.3的具体实现方法包括如下步骤：
S6.3.1、建立公交专用道优化配置模型及约束条件：
优化模型的目标函数为：
Figure 451325DEST_PATH_IMAGE050
其中，
Figure 531276DEST_PATH_IMAGE051
为增设专用道后在前述临界阈值
Figure 291422DEST_PATH_IMAGE052
下，移除对应连边后道路网络 的最大连通子团大小，max为求最大值函数；
优化模型的约束条件为：
Figure 824034DEST_PATH_IMAGE053
Figure 678727DEST_PATH_IMAGE054
其中，
Figure 613185DEST_PATH_IMAGE055
为能够增设的公交专用道总长度，
Figure 13073DEST_PATH_IMAGE056
为能够增设的公交专用道总路段 数，
Figure 298561DEST_PATH_IMAGE057
为路段a的长度，
Figure 691365DEST_PATH_IMAGE058
为新增专用道路段集
Figure 480329DEST_PATH_IMAGE049
内的总路段数；
S6.3.2、使用遗传算法对步骤S6.3.1的优化模型进行求解，具体方式如下：
S6.3.2.1、对于新增专用道路段集
Figure 441332DEST_PATH_IMAGE059
，使用1表示在该路段增设公交专用道、0表 示不在该路段增设公交专用道，形成以1和0结合的对应某特定优化方案的染色体编码；
S6.3.2.2、根据步骤S6.3.1的约束条件，随机生成
Figure 823903DEST_PATH_IMAGE060
个初始优化方案及其对应的 染色体编码，并计算每个初始优化方案对应的
Figure 630185DEST_PATH_IMAGE061
值作为该染色体对应的适应值
Figure 944097DEST_PATH_IMAGE062
，获取 最大的
Figure 810422DEST_PATH_IMAGE063
值作为此次迭代染色体的最优适应值
Figure 804922DEST_PATH_IMAGE064
；
S6.3.2.3、以
Figure 290262DEST_PATH_IMAGE065
为概率，决定某优化方案
Figure 319397DEST_PATH_IMAGE066
是否保留，其中
Figure 481257DEST_PATH_IMAGE067
为前述初始优 化方案的集合，由此形成精选的优化方案集合
Figure 369579DEST_PATH_IMAGE068
；
S6.3.2.4、在精选的优化方案集合
Figure 783243DEST_PATH_IMAGE068
中，随机对优化方案进行两两配对，生成
Figure 791519DEST_PATH_IMAGE069
个 配对；对于每一对专用道优化方案对应的染色体编码，基于两条染色体编码中保留两条染 色体编码中均为1的部分不变，剩余的仅其中一条染色体编码为1的部分则以概率
Figure 999646DEST_PATH_IMAGE070
决定 是否设为1，其中x为两条染色体编码中均为1的位置数量，
Figure 968739DEST_PATH_IMAGE071
为仅其中一条染色体编码为1 的位置数量，生成新的染色体编码；
S6.3.2.5、对于新生成的染色体编码，计算每个优化方案对应的
Figure 795881DEST_PATH_IMAGE072
值作为该染 色体对应的适应值
Figure 799609DEST_PATH_IMAGE073
，获取最大的
Figure 303272DEST_PATH_IMAGE074
值作为此次迭代染色体的最优适应值
Figure 759661DEST_PATH_IMAGE075
，其中u为 此次迭代的序号；
S6.3.2.6、对比前一次迭代最优适应值
Figure 390493DEST_PATH_IMAGE076
，计算
Figure 248728DEST_PATH_IMAGE077
，判断
Figure 191801DEST_PATH_IMAGE078
是否 小于预先设定的差值
Figure 135486DEST_PATH_IMAGE079
，判断为是，则停止迭代，将最优适应值
Figure 304430DEST_PATH_IMAGE080
对应的优化方案作 为最终的优化方案解，判断为否，则返回步骤S6.3.2.3，继续下一次的迭代。
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所述的一种公交专用道优化配置方法的步骤。
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所述的一种公交专用道优化配置方法。
本发明的有益效果：
本发明所述的一种公交专用道优化配置方法，基于公交实际运行数据，通过采集、整理、分析计算得到各路网路段对应时段的公交客流及公交运行速度，结合复杂网络方法，识别城市路网内的公交瓶颈路段，并依此对公交专用道的配置进行优化调整，运行高效且适用于大型城市路网，具有广泛的适用性。
本发明所述的一种公交专用道优化配置方法，对于获得的优化方案解，对应方案中提示增设公交专用道的路段，当该路段并非现有专用道时，对应措施为新增专用道；当该路段为现有专用道时，建议通过增加专用道车道数等手段提高专用道的通行效率；当多条新增专用道起终点之间或新增专用道与现有专用道起终点之间距离小于预设阈值时，考虑到公交专用道的连续性，建议将该起终点之间的路网路段也增设为公交专用道。整理得到最终的公交专用道配置优化方案。
附图说明
图1为本发明所述的一种公交专用道优化配置方法的流程图；
图2为本发明所述的一种公交专用道优化配置方法的公交到站时间数据结构示意图；
图3为本发明所述的一种公交专用道优化配置方法的乘客下车站点推算的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-3详细说明如下 ：
具体实施方式一：
一种公交专用道优化配置方法，包括如下步骤：
S1、采集公交运行基础数据及城市路网路段路况数据；
进一步的，步骤S1中公交运行基础数据包括由公交车定位系统收集带时间戳、车辆运行线路的公交GPS定位数据，由刷卡机系统收集包含用户id、刷卡机所在车辆车牌及刷卡时间的IC卡刷卡数据；城市路网路段路况数据包括由城市公交公司提供城市路网及公交专用道数据、具有地理信息的公交线路数据、公交线路途经的站点数据、站点的地理坐标数据；
S2、根据步骤S1采集的公交运行基础数据计算公交到站时间数据；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、提取公交站点附近的GPS轨迹数据：基于公交线路名称将线路数据、站点数据与公交GPS定位数据关联，对每一个站点建立30米-50米的缓冲区，将途经该站点的公交线路对应的公交GPS定位数据与站点缓冲区进行空间聚合，筛选出站点附近缓冲区的公交GPS定位数据作为公交站点附近的GPS轨迹数据，待用；
S2.2、根据步骤S2.1的公交站点附近的GPS轨迹数据，首先区分公交车次形成公交的班次序号，然后通过站序的递增关系对不合理的到站数据进行清洗过滤，清洗后对缺失的到站时间进行补全，补全后每一个站序对应一个公交到站时间，得到推算的公交到站时间数据；
S3、根据步骤S2计算的公交到站时间数据，推算公交乘客上车站点数据、下车站点数据、线路断面客流数据；
步骤S3的具体实现方法包括如下步骤：
S3.1、乘客上车站点数据推算：基于步骤S2得到的公交到站时间数据、步骤S1的乘客的IC卡刷卡数据，按照时间最临近原则匹配乘客至相同的公交车牌ID的车次，得到初步的乘客上车站点关联表，所述时间最临近原则为对于首站点，保留刷卡时间在公交到站前30分钟与到站后1分钟内的数据，对于其他站点，保留刷卡时间在公交到站前1分钟与到站后1分钟内的数据，得到乘客上车站点数据；
S3.2、乘客下车站点推算的具体实现方法包括如下步骤：
S3.2.1、根据步骤S1得到的乘客上车站点数据，首先判断是否有多次刷卡记录，判断为否，则继续判断是否有历史刷卡规律，判断为是，则继续判断乘客是否是最后一次上车；
S3.2.2、对于步骤S3.2.1中的判断乘客是否是最后一次上车为是的，则确定下车站点为初次刷卡站点，判断为否，则继续判断相邻上车站点距离是否小于500米，判断为是，则由下一上车刷卡站点确定为当前刷卡的下车站点，将以上判断的下车站点数据合并，得到初步推算的下车站点数据；
S3.2.3、对于步骤S3.2.2得到的初步推算的下车站点数据进行上车站点先于下车站点的判断，判断为否的根据站点吸引权推算下车站点，将步骤S3.2.1中的判断是否有历史刷卡规律为否的根据站点吸引权推算下车站点，然后对全部下车站点数据计算公交到站时间、相邻站点距离，得到乘客上下车行程表数据；
S3.2.4、对于步骤S3.2.3得到的乘客上下车行程表进行多天行程规律推算，得到乘客历史出行规律表数据；
进一步的，乘客出行往往具有接续关系，因此，可以基于后一趟行程的公交刷卡上车站点按就近原则选取前一趟行程的下车站点。对于仅有一次刷卡，或后一趟行程的上车站点距离前一趟行程线路站点距离较远的情况，使用乘客的出行行为统计数据或站点吸引权方法，对下车站点进行推算；结合前述两种计算下车站点方法得到的推算结果，得到乘客的出行起终站点对表；
S3.3、线路断面客流的计算为将乘客上下车行程表数据得到的乘客出行起终站点数据与途经的站间断面列表进行关联，得到途经某一站间断面的客流总量，具体实现方法包括如下步骤：
S3.3.1、将研究时段内线路
Figure 17171DEST_PATH_IMAGE001
相同起、终点的乘客出行记录进行聚合，获得对应每 一起终站点对
Figure 128216DEST_PATH_IMAGE081
的乘客出行量
Figure 559197DEST_PATH_IMAGE082
；
S3.3.2、对于每一条线路OD客流量记录，结合站点线路数据，获得此条OD对应经过 的线路断面集合
Figure 531832DEST_PATH_IMAGE083
，其中
Figure 99080DEST_PATH_IMAGE005
分别代表OD始末点在线路
Figure 381025DEST_PATH_IMAGE001
上的站点站 序；
S3.3.3、经过线路
Figure 33724DEST_PATH_IMAGE001
站间断面
Figure 544471DEST_PATH_IMAGE006
的OD集合为
Figure 231804DEST_PATH_IMAGE084
，关联所有OD客流量记录与其经过 的所有的站间断面，每条线路
Figure 684651DEST_PATH_IMAGE001
每个站间断面上的客流总量
Figure 559066DEST_PATH_IMAGE085
为：
Figure 263717DEST_PATH_IMAGE009
；
S4、根据步骤S1采集的路段路况数据，使用隐马尔可夫状态转移方法，将公交线网与路网进行匹配，得到完成整理的路网；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、路网预处理：
S4.1.1、首先对路网进行递归式的网格化划分，取路网节点的经度最大值、最小值 为
Figure 680923DEST_PATH_IMAGE086
纬度最大值、最小值为
Figure 180037DEST_PATH_IMAGE087
，以经纬度角点
Figure 934891DEST_PATH_IMAGE088
、
Figure 912074DEST_PATH_IMAGE089
、
Figure 183787DEST_PATH_IMAGE090
、
Figure 119382DEST_PATH_IMAGE091
与经纬度中心点
Figure 93023DEST_PATH_IMAGE092
所框定的长方形区域作为一级网格范围进行第一次划分，得到四个二级网格，为子网格；
S4.1.2、以上一步划分得到的子网格作为下一步划分的母网格，进行进一步划分， 根据实际路网的范围大小，进行若干次如上划分，得到
Figure 873897DEST_PATH_IMAGE017
个N级网格；
S4.1.3、对于路网中的任意路段
Figure 265695DEST_PATH_IMAGE018
，具有确定的N级网格，对于横跨两个网格的 路段，分别计算路段在两个网格内的长度，取长度大的网格作为路段的所属网格，完成网格 化路网；
S4.2、基于公交线路站点坐标对路网进行预打断，得到预打断后的路网：
S4.2.1、对于公交线路站点，通过网格化路网的网格边界点确定公交线路站点所在的N级网格及其相邻网格；
S4.2.2、分别计算网格的所属路段距离公交线路站点的直线距离，若距离小于100米，则设定路段为公交线路站点在路网上的潜在匹配路段；
S4.2.3、基于公交线路站点在潜在匹配路段上的投影点对路网路段进行预打断， 设置投影点为公交线路站点
Figure 106612DEST_PATH_IMAGE019
的潜在匹配点
Figure 442916DEST_PATH_IMAGE020
；
S4.2.4、对距离公交线路站点
Figure 152115DEST_PATH_IMAGE019
小于100米的路段，得到多个潜在匹配点为
Figure 257474DEST_PATH_IMAGE093
；
S4.3、公交线路站点匹配至路网：使用Barefoot开源地图匹配工具包，基于具有地 理信息的公交线路数据，将公交线路站点匹配至预打断后的路网，获取每条公交线路途经 的路网路段序列为
Figure 144658DEST_PATH_IMAGE094
，途经的路网节点序列为
Figure 968258DEST_PATH_IMAGE023
；其中，路网 节点序列包含该线路途经的所有站点的潜在匹配点
Figure 90935DEST_PATH_IMAGE095
，选择距离站点最近的 潜在匹配点作为该站点的实际匹配点为
Figure 441014DEST_PATH_IMAGE025
；
S4.4、路网整理：针对路网密集区域、同一站点存在多个潜在匹配点、预打断后路网零散的情况，在公交线路站点与路网匹配完成后，将未成为实际匹配点且并非原始路网节点的潜在匹配点两端的路网路段重新连接，恢复到预打断前的状态，使得路网仅在实际匹配点处被打断，得到完成整理的路网；
S5、根据步骤S2得到的公交到站时间、步骤S3得到的线路断面客流、步骤S4得到的完成整理的路网，计算路网路段的公交运行速度、公交客流；
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、建立线路站间断面与路网路段的映射关系：根据步骤S4完成整理的路网，建 立线路站间断面与路网路段的映射关系，即站间断面
Figure 358154DEST_PATH_IMAGE096
所途经的路网路段集合
Figure 809995DEST_PATH_IMAGE097
，
Figure 736363DEST_PATH_IMAGE018
为路段；
S5.2、计算路网路段的公交运行速度：
S5.2.1、基于步骤S5.1的线路站间断面与路网路段的映射关系，统计得到站间断 面
Figure 550735DEST_PATH_IMAGE098
的实际行程距离
Figure 297499DEST_PATH_IMAGE099
；
S5.2.2、根据步骤S2得到的公交到站时刻，已知对于线路
Figure 95690DEST_PATH_IMAGE031
某班次公交车到达站序 为
Figure 435536DEST_PATH_IMAGE032
及站序为
Figure 369994DEST_PATH_IMAGE100
的站点的时间为
Figure 284729DEST_PATH_IMAGE101
，计算得到公交车在路段
Figure 39059DEST_PATH_IMAGE028
上的行驶速度
Figure 572808DEST_PATH_IMAGE102
为：
Figure 502718DEST_PATH_IMAGE103
S5.2.3、统计同一时间段内所有途经该路段的公交车的行驶速度，求平均值，得到 路段
Figure 932562DEST_PATH_IMAGE028
上公交运行的平均速度
Figure 829980DEST_PATH_IMAGE037
为：
Figure 636262DEST_PATH_IMAGE038
其中，
Figure 545312DEST_PATH_IMAGE039
为经过该路段
Figure 552582DEST_PATH_IMAGE018
的公交线路总数；
S5.3、计算路网路段的公交客流：将步骤S3得到的公交站间断面客流映射到步骤 S4完成整理的路网上，统计一定时段内所有途经路段l的公交线路班次在途经该路段时的 客流量
Figure 281504DEST_PATH_IMAGE104
之和，得到该时段内该路段
Figure 281690DEST_PATH_IMAGE105
的公交客流
Figure 310826DEST_PATH_IMAGE106
；
S6、根据步骤S5得到的路网路段的公交运行速度、公交客流，基于复杂网络方法和渗流理论计算公交瓶颈路段，建立公交专用道优化配置模型及约束条件，求解得到公交专用道优化配置方法；
进一步的，步骤S6的具体实现方法包括如下步骤：
S6.1计算路网路段的公交客流密度，建立公交客流密度网络：定义路段
Figure 223418DEST_PATH_IMAGE107
的公 交客流密度
Figure 705215DEST_PATH_IMAGE108
为：
Figure 118879DEST_PATH_IMAGE045
基于路段公交客流密度和步骤S4得到的完成整理的路网，建立公交客流密度网络，公交客流密度网络的节点为完成整理的路网的节点，公交客流密度网络的连边为完成整理的路网路段，连边权重为该路段的公交客流密度；
S6.2、使用复杂网络渗流方法，提取路网中的公交瓶颈路段：
S6.2.1、对于步骤S6.1建立的公交客流密度网络，选取连边权重最高的连边，将其 从公交客流密度网络中移除，移除后计算网络的最大连通子团
Figure 118366DEST_PATH_IMAGE046
，被移除的权重最小的 连边对应的公交客流密度称为权重阈值；
S6.2.2、重复步骤S6.2.1，在此过程中， 依据复杂网络渗流理论，公交客流密度网 络出现临界现象，其表现在于最大连通子团大小会出现突变， 出现临界现象时的连边权重 阈值为临界阈值
Figure 60914DEST_PATH_IMAGE109
；
S6.2.3、通过步骤S6.2.2的临界阈值，得到路网中公交客流密度在临界阈值附近 一定范围内的公交瓶颈路段集合
Figure 905373DEST_PATH_IMAGE110
；
进一步的，改善公交客流密度大于临界阈值且在临界阈值附近一定范围内的路段的公交通行能力，能够降低系统的临界阈值，扩大公交车能够连续高效运行的地域范围，改善集合瓶颈路段的公交通行能力，能够提高公交系统整体的运行效率和通行能力；
S6.3、将步骤S6.2得到的公交瓶颈路段集合
Figure 122728DEST_PATH_IMAGE049
作为备选的新增专用道路段，结合 步骤S1的现有专用道配置，对比给出专用道优化措施；
进一步的，步骤S6.3的具体实现方法包括如下步骤：
S6.3.1、建立公交专用道优化配置模型及约束条件：
优化模型的目标函数为：
Figure 985511DEST_PATH_IMAGE111
其中，
Figure 630119DEST_PATH_IMAGE112
为增设专用道后在前述临界阈值
Figure 961874DEST_PATH_IMAGE113
下，移除对应连边后道路网络 的最大连通子团大小，max为求最大值函数；
优化模型的约束条件为：
Figure 717340DEST_PATH_IMAGE114
Figure 700209DEST_PATH_IMAGE115
其中，
Figure 515718DEST_PATH_IMAGE055
为能够增设的公交专用道总长度，
Figure 69190DEST_PATH_IMAGE056
为能够增设的公交专用道总路段 数，
Figure 362768DEST_PATH_IMAGE057
为路段a的长度，
Figure 75509DEST_PATH_IMAGE058
为新增专用道路段集
Figure 920975DEST_PATH_IMAGE049
内的总路段数；
S6.3.2、使用遗传算法对步骤S6.3.1的优化模型进行求解，具体方式如下：
S6.3.2.1、对于新增专用道路段集
Figure 351956DEST_PATH_IMAGE116
，使用1表示在该路段增设公交专用道、0表 示不在该路段增设公交专用道，形成以1和0结合的对应某特定优化方案的染色体编码；
S6.3.2.2、根据步骤S6.3.1的约束条件，随机生成
Figure 324591DEST_PATH_IMAGE117
个初始优化方案及其对应的 染色体编码，并计算每个初始优化方案对应的
Figure 891839DEST_PATH_IMAGE118
值作为该染色体对应的适应值
Figure 176714DEST_PATH_IMAGE119
，获取 最大的
Figure 563833DEST_PATH_IMAGE072
值作为此次迭代染色体的最优适应值
Figure 464793DEST_PATH_IMAGE120
；
S6.3.2.3、以
Figure 761913DEST_PATH_IMAGE121
为概率，决定某优化方案
Figure 90126DEST_PATH_IMAGE122
是否保留，其中
Figure 354755DEST_PATH_IMAGE123
为前述初始 优化方案的集合，由此形成精选的优化方案集合
Figure 528247DEST_PATH_IMAGE124
；
S6.3.2.4、在精选的优化方案集合
Figure 70087DEST_PATH_IMAGE125
中，随机对优化方案进行两两配对，生成
Figure 444567DEST_PATH_IMAGE126
个 配对；对于每一对专用道优化方案对应的染色体编码，基于两条染色体编码中保留两条染 色体编码中均为1的部分不变，剩余的仅其中一条染色体编码为1的部分则以概率
Figure 806279DEST_PATH_IMAGE127
决定 是否设为1，其中x为两条染色体编码中均为1的位置数量，
Figure 439254DEST_PATH_IMAGE128
为仅其中一条染色体编码为1 的位置数量，生成新的染色体编码；
S6.3.2.5、对于新生成的染色体编码，计算每个优化方案对应的
Figure 835600DEST_PATH_IMAGE129
值作为该染 色体对应的适应值
Figure 646562DEST_PATH_IMAGE130
，获取最大的
Figure 495569DEST_PATH_IMAGE131
值作为此次迭代染色体的最优适应值
Figure 401077DEST_PATH_IMAGE132
，其中u 为此次迭代的序号；
S6.3.2.6、对比前一次迭代最优适应值
Figure 917509DEST_PATH_IMAGE133
，计算
Figure 633792DEST_PATH_IMAGE134
，判断
Figure 704516DEST_PATH_IMAGE135
是 否小于预先设定的差值
Figure 289081DEST_PATH_IMAGE136
，判断为是，则停止迭代，将最优适应值
Figure 787583DEST_PATH_IMAGE137
对应的优化方 案作为最终的优化方案解，判断为否，则返回步骤S6.3.2.3，继续下一次的迭代。
进一步的，对于获得的优化方案解，对应方案中提示增设公交专用道的路段，当该路段并非现有专用道时，对应措施为新增专用道；当该路段为现有专用道时，建议通过增加专用道车道数等手段提高专用道的通行效率；当多条新增专用道起终点之间或新增专用道与现有专用道起终点之间距离小于一预设阈值时，考虑到公交专用道的连续性，建议将该起终点之间的路网路段也增设为公交专用道，整理得到最终的公交专用道配置优化方案。
具体实施方式二：
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具体实施方式一所述的一种公交专用道优化配置方法的步骤。
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 (DigitalSignal 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。
具体实施方式三：
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具体实施方式一所述的一种公交专用道优化配置方法。
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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (8)

1.一种公交专用道优化配置方法，其特征在于：包括如下步骤：
S1、采集公交运行基础数据及城市路网路段路况数据；
S2、根据步骤S1采集的公交运行基础数据计算公交到站时间数据；
S3、根据步骤S2计算的公交到站时间数据，推算公交乘客上车站点数据、下车站点数据、线路断面客流数据；
S4、根据步骤S1采集的路段路况数据，使用隐马尔可夫状态转移方法，将公交线网与路网进行匹配，得到完成整理的路网；
S5、根据步骤S2得到的公交到站时间、步骤S3得到的线路断面客流、步骤S4得到的完成整理的路网，计算路网路段的公交运行速度、公交客流；
S6、根据步骤S5得到的路网路段的公交运行速度、公交客流，基于复杂网络方法和渗流理论计算公交瓶颈路段，建立公交专用道优化配置模型及约束条件，求解得到公交专用道优化配置方法；
步骤S6的具体实现方法包括如下步骤：
S6.1计算路网路段的公交客流密度，建立公交客流密度网络：定义路段linka的公交客流密度Φa为：
Figure FDA0003941056870000011
基于路段公交客流密度和步骤S4得到的完成整理的路网，建立公交客流密度网络，公交客流密度网络的节点为完成整理的路网的节点，公交客流密度网络的连边为完成整理的路网路段，连边权重为该路段的公交客流密度；
S6.2、使用复杂网络渗流方法，提取路网中的公交瓶颈路段：
S6.2.1、对于步骤S6.1建立的公交客流密度网络，选取连边权重最高的连边，将其从公交客流密度网络中移除，移除后计算网络的最大连通子团Qmax，被移除的权重最小的连边对应的公交客流密度称为权重阈值；
S6.2.2、重复步骤S6.2.1，在此过程中，依据复杂网络渗流理论，公交客流密度网络出现临界现象，其表现在于最大连通子团大小会出现突变，出现临界现象时的连边权重阈值为临界阈值Φthres；
S6.2.3、通过步骤S6.2.2的临界阈值，得到路网中公交客流密度在临界阈值附近一定范围内的公交瓶颈路段集合BN＝{linkbn1,linkbn2,..}；
S6.3、将步骤S6.2得到的公交瓶颈路段集合BN作为备选的新增专用道路段，结合步骤S1的现有专用道配置，对比给出专用道优化措施；
步骤S6.3的具体实现方法包括如下步骤：
S6.3.1、建立公交专用道优化配置模型及约束条件：
优化模型的目标函数为：
maxQthres
其中，Qthres为增设专用道后在前述临界阈值Φthres下，移除对应连边后道路网络的最大连通子团大小，max为求最大值函数；
优化模型的约束条件为：
Figure FDA0003941056870000021
|BN′|≤Nmax
其中，lmax为能够增设的公交专用道总长度，Nmax为能够增设的公交专用道总路段数，la为路段a的长度，|BN'|为新增专用道路段集BN内的总路段数；
S6.3.2、使用遗传算法对步骤S6.3.1的优化模型进行求解，具体方式如下：
S6.3.2.1、对于新增专用道路段集BN，使用1表示在该路段增设公交专用道、0表示不在该路段增设公交专用道，形成以1和0结合的对应某特定优化方案的染色体编码；
S6.3.2.2、根据步骤S6.3.1的约束条件，随机生成Z个初始优化方案及其对应的染色体编码，并计算每个初始优化方案对应的Qmax值作为该染色体对应的适应值f，获取最大的Qmax值作为此次迭代染色体的最优适应值
Figure FDA0003941056870000022
S6.3.2.3、以
Figure FDA0003941056870000023
为概率，决定某优化方案i是否保留，其中M为前述初始优化方案的集合，由此形成精选的优化方案集合M'；
S6.3.2.4、在精选的优化方案集合M'中，随机对优化方案进行两两配对，生成Z个配对；对于每一对专用道优化方案对应的染色体编码，基于两条染色体编码中保留两条染色体编码中均为1的部分不变，剩余的仅其中一条染色体编码为1的部分则以概率
Figure FDA0003941056870000024
决定是否设为1，其中x为两条染色体编码中均为1的位置数量，y为仅其中一条染色体编码为1的位置数量，生成新的染色体编码；
S6.3.2.5、对于新生成的染色体编码，计算每个优化方案对应的Qmax值作为该染色体对应的适应值f，获取最大的Qmax值作为此次迭代染色体的最优适应值
Figure FDA0003941056870000025
其中u为此次迭代的序号；
S6.3.2.6、对比前一次迭代最优适应值
Figure FDA0003941056870000031
计算
Figure FDA0003941056870000032
判断Δf是否小于预先设定的差值Δfthres，判断为是，则停止迭代，将最优适应值
Figure FDA0003941056870000033
对应的优化方案作为最终的优化方案解，判断为否，则返回步骤S6.3.2.3，继续下一次的迭代。
2.根据权利要求1所述的一种公交专用道优化配置方法，其特征在于：步骤S1中公交运行基础数据包括由公交车定位系统收集带时间戳、车辆运行线路的公交GPS定位数据，由刷卡机系统收集包含用户id、刷卡机所在车辆车牌及刷卡时间的IC卡刷卡数据；城市路网路段路况数据包括由城市公交公司提供城市路网及公交专用道数据、具有地理信息的公交线路数据、公交线路途经的站点数据、站点的地理坐标数据。
3.根据权利要求1或2所述的一种公交专用道优化配置方法，其特征在于：步骤S2的具体实现方法包括如下步骤：
S2.1、提取公交站点附近的GPS轨迹数据：基于公交线路名称将线路数据、站点数据与公交GPS定位数据关联，对每一个站点建立30米-50米的缓冲区，将途经该站点的公交线路对应的公交GPS定位数据与站点缓冲区进行空间聚合，筛选出站点附近缓冲区的公交GPS定位数据作为公交站点附近的GPS轨迹数据，待用；
S2.2、根据步骤S2.1的公交站点附近的GPS轨迹数据，首先区分公交车次形成公交的班次序号，然后通过站序的递增关系对不合理的到站数据进行清洗过滤，清洗后对缺失的到站时间进行补全，补全后每一个站序对应一个公交到站时间，得到推算的公交到站时间数据。
4.根据权利要求3所述的一种公交专用道优化配置方法，其特征在于：步骤S3的具体实现方法包括如下步骤：
S3.1、乘客上车站点数据推算：基于步骤S2得到的公交到站时间数据、步骤S1的乘客的IC卡刷卡数据，按照时间最临近原则匹配乘客至相同的公交车牌ID的车次，得到初步的乘客上车站点关联表，所述时间最临近原则为对于首站点，保留刷卡时间在公交到站前30分钟与到站后1分钟内的数据，对于其他站点，保留刷卡时间在公交到站前1分钟与到站后1分钟内的数据，得到乘客上车站点数据；
S3.2、乘客下车站点推算的具体实现方法包括如下步骤：
S3.2.1、根据步骤S1得到的乘客上车站点数据，首先判断是否有多次刷卡记录，判断为否，则继续判断是否有历史刷卡规律，判断为是，则继续判断乘客是否是最后一次上车；
S3.2.2、对于步骤S3.2.1中的判断乘客是否是最后一次上车为是的，则确定下车站点为初次刷卡站点，判断为否，则继续判断相邻上车站点距离是否小于500米，判断为是，则由下一上车刷卡站点确定为当前刷卡的下车站点，将以上判断的下车站点数据合并，得到初步推算的下车站点数据；
S3.2.3、对于步骤S3.2.2得到的初步推算的下车站点数据进行上车站点先于下车站点的判断，判断为否的根据站点吸引权推算下车站点，将步骤S3.2.1中的判断是否有历史刷卡规律为否的根据站点吸引权推算下车站点，然后对全部下车站点数据计算公交到站时间、相邻站点距离，得到乘客上下车行程表数据；
S3.2.4、对于步骤S3.2.3得到的乘客上下车行程表进行多天行程规律推算，得到乘客历史出行规律表数据；
S3.3、线路断面客流的计算为将乘客上下车行程表数据得到的乘客出行起终站点数据与途经的站间断面列表进行关联，得到途经某一站间断面的客流总量，具体实现方法包括如下步骤：
S3.3.1、将研究时段内线路l相同起、终点的乘客出行记录进行聚合，获得对应每一起终站点对(stopo,stopd)的乘客出行量
Figure FDA0003941056870000041
S3.3.2、对于每一条线路OD客流量记录，结合站点线路数据，获得此条OD对应经过的线路断面集合
Figure FDA0003941056870000042
其中o，d分别代表OD始末点在线路l上的站点站序；
S3.3.3、经过线路l站间断面s的OD集合为ODs，关联所有OD客流量记录与其经过的所有的站间断面，每条线路l每个站间断面上的客流总量
Figure FDA0003941056870000043
为：
Figure FDA0003941056870000044
5.根据权利要求4所述的一种公交专用道优化配置方法，其特征在于：步骤S4的具体实现方法包括如下步骤：
S4.1、路网预处理：
S4.1.1、首先对路网进行递归式的网格化划分，取路网节点的经度最大值、最小值为latmin、latmax纬度最大值、最小值为lonmin、lonmax，以经纬度角点(latmin,lonmin)、(latmin,lonmax)、(latmax,lonmin)、(latmax,lonmax)与经纬度中心点
Figure FDA0003941056870000045
所框定的长方形区域作为一级网格范围进行第一次划分，得到四个二级网格，为子网格；
S4.1.2、以上一步划分得到的子网格作为下一步划分的母网格，进行进一步划分，根据实际路网的范围大小，进行若干次如上划分，得到2N+1个N级网格；
S4.1.3、对于路网中的任意路段linka，具有确定的N级网格，对于横跨两个网格的路段，分别计算路段在两个网格内的长度，取长度大的网格作为路段的所属网格，完成网格化路网；
S4.2、基于公交线路站点坐标对路网进行预打断，得到预打断后的路网：
S4.2.1、对于公交线路站点，通过网格化路网的网格边界点确定公交线路站点所在的N级网格及其相邻网格；
S4.2.2、分别计算网格的所属路段距离公交线路站点的直线距离，若距离小于100米，则设定路段为公交线路站点在路网上的潜在匹配路段；
S4.2.3、基于公交线路站点在潜在匹配路段上的投影点对路网路段进行预打断，设置投影点为公交线路站点stopk的潜在匹配点pk；
S4.2.4、对距离公交线路站点stopk小于100米的路段，得到多个潜在匹配点为{pk1,pk2,...,pkn}；
S4.3、公交线路站点匹配至路网：使用Barefoot开源地图匹配工具包，基于具有地理信息的公交线路数据，将公交线路站点匹配至预打断后的路网，获取每条公交线路途经的路网路段序列为[linkm,..,linkn]，途经的路网节点序列为[nodem,..,noden]；其中，路网节点序列包含该线路途经的所有站点的潜在匹配点{pk1,pk2,...,pkn}，选择距离站点最近的潜在匹配点作为该站点的实际匹配点为Pk；
S4.4、路网整理：针对路网密集区域、同一站点存在多个潜在匹配点、预打断后路网零散的情况，在公交线路站点与路网匹配完成后，将未成为实际匹配点且并非原始路网节点的潜在匹配点两端的路网路段重新连接，恢复到预打断前的状态，使得路网仅在实际匹配点处被打断，得到完成整理的路网。
6.根据权利要求5所述的一种公交专用道优化配置方法，其特征在于：步骤S5的具体实现方法包括如下步骤：
S5.1、建立线路站间断面与路网路段的映射关系：根据步骤S4完成整理的路网，建立线路站间断面与路网路段的映射关系，即站间断面
Figure FDA0003941056870000051
所途经的路网路段集合Li,i+1＝[linka,linkb,...]，linka为路段；
S5.2、计算路网路段的公交运行速度：
S5.2.1、基于步骤S5.1的线路站间断面与路网路段的映射关系，统计得到站间断面
Figure FDA0003941056870000052
的实际行程距离
Figure FDA0003941056870000061
S5.2.2、根据步骤S2得到的公交到站时刻，已知对于线路l某班次公交车到达站序为i及站序为i+1的站点的时间为
Figure FDA0003941056870000062
计算得到公交车在路段linka上的行驶速度
Figure FDA0003941056870000063
为：
Figure FDA0003941056870000064
S5.2.3、统计同一时间段内所有途经该路段的公交车的行驶速度，求平均值，得到路段linka上公交运行的平均速度Va为：
Figure FDA0003941056870000065
其中，
Figure FDA0003941056870000066
为经过路段linka的公交线路总数；
S5.3、计算路网路段的公交客流：将步骤S3得到的公交站间断面客流映射到步骤S4完成整理的路网上，统计一定时段内所有途经路段l的公交线路班次在途经该路段时的客流量
Figure FDA0003941056870000067
之和，得到该时段内该路段linka的公交客流Ka。
7.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任一项所述的一种公交专用道优化配置方法的步骤。
8.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任一项所述的一种公交专用道优化配置方法。
CN202211198902.1A 2022-09-29 2022-09-29 一种公交专用道优化配置方法、电子设备及存储介质 Active CN115294773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211198902.1A CN115294773B (zh) 2022-09-29 2022-09-29 一种公交专用道优化配置方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211198902.1A CN115294773B (zh) 2022-09-29 2022-09-29 一种公交专用道优化配置方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115294773A CN115294773A (zh) 2022-11-04
CN115294773B true CN115294773B (zh) 2023-02-14

Family

ID=83833201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211198902.1A Active CN115294773B (zh) 2022-09-29 2022-09-29 一种公交专用道优化配置方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115294773B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327865A (zh) * 2016-08-12 2017-01-11 北京航空航天大学 一种基于渗流分析的城市交通可靠性指标及其实现方法
CN106991542A (zh) * 2017-06-06 2017-07-28 北京航空航天大学 一种基于渗流理论的轨道网络拥挤瓶颈识别方法
CN108109375A (zh) * 2017-12-21 2018-06-01 北京航空航天大学 一种基于渗流分析的城市交通网络可靠性预测方法
CN110222950A (zh) * 2019-05-16 2019-09-10 北京航空航天大学 一种城市交通的健康指标体系及评估方法
CN112131437A (zh) * 2020-11-25 2020-12-25 深圳市城市交通规划设计研究中心股份有限公司 一种基于图数据库的多模式交通网络构建方法及装置
CN114117700A (zh) * 2021-11-29 2022-03-01 吉林大学 基于复杂网络理论的城市公共交通网络优化研究方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160162457A1 (en) * 2014-12-09 2016-06-09 Idibon, Inc. Optimization techniques for artificial intelligence

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327865A (zh) * 2016-08-12 2017-01-11 北京航空航天大学 一种基于渗流分析的城市交通可靠性指标及其实现方法
CN106991542A (zh) * 2017-06-06 2017-07-28 北京航空航天大学 一种基于渗流理论的轨道网络拥挤瓶颈识别方法
CN108109375A (zh) * 2017-12-21 2018-06-01 北京航空航天大学 一种基于渗流分析的城市交通网络可靠性预测方法
CN110222950A (zh) * 2019-05-16 2019-09-10 北京航空航天大学 一种城市交通的健康指标体系及评估方法
CN112131437A (zh) * 2020-11-25 2020-12-25 深圳市城市交通规划设计研究中心股份有限公司 一种基于图数据库的多模式交通网络构建方法及装置
CN114117700A (zh) * 2021-11-29 2022-03-01 吉林大学 基于复杂网络理论的城市公共交通网络优化研究方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Network reliability analysis based on percolation theory;Daqing Li;《Reliability Engineering and System Safety》;20150531(第142期);556-562 *
基于多层复杂网络的城市公共交通效率的研究;徐璐;《中国优秀硕士学位论文全文数据库基础科学辑》;20200815(第08期);A002-61 *

Also Published As

Publication number Publication date
CN115294773A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN107766969B (zh) 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
CN104331422A (zh) 一种路段类型推测方法
CN108388970B (zh) 一种基于gis的公交站点选址方法
CN110929910A (zh) 公交线路调整方法和装置
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN114363842B (zh) 基于手机信令数据的公交乘客下车站点预测方法及装置
CN113627669B (zh) 交通路线优化处理方法、装置及设备
CN115294773B (zh) 一种公交专用道优化配置方法、电子设备及存储介质
CN109887279B (zh) 一种交通拥堵预测方法及系统
CN107545318B (zh) 公交线路优先级确定、公交换乘线路排序方法及装置
CN112651546B (zh) 一种公交线路优化方法以及系统
CN114812584B (zh) 一种路径规划方法、系统、存储介质及设备
CN112036757A (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN116071929B (zh) 基于卡口车牌识别数据的实时路况监测系统及其方法
CN112507624A (zh) 一种城际公路出行方式识别模型构建、识别方法及装置
CN105608895A (zh) 一种基于局部异常因子的城市交通拥堵路段检测方法
CN111626582B (zh) 一种城市交通出行问题热点分级方法及装置
CN110913345B (zh) 一种基于手机信令数据的断面客流计算方法
CN113177046B (zh) 路网拓扑图的生成方法、装置、设备及存储介质
CN111191817A (zh) 一种基于换乘客流量的公交线网拓扑划分方法
CN111310340B (zh) 基于人类移动的城市区域交互异常关系识别方法及设备
CN115497301B (zh) 一种交通组织优化方案的评估方法、电子设备及存储介质
CN109523146B (zh) 一种基于复杂网络的调度区域划分方法

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