CN115630978A - 一种基于人口就业分布的多交通设施选址方法 - Google Patents

一种基于人口就业分布的多交通设施选址方法 Download PDF

Info

Publication number
CN115630978A
CN115630978A CN202211661880.8A CN202211661880A CN115630978A CN 115630978 A CN115630978 A CN 115630978A CN 202211661880 A CN202211661880 A CN 202211661880A CN 115630978 A CN115630978 A CN 115630978A
Authority
CN
China
Prior art keywords
facility
facilities
points
bee
demand
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211661880.8A
Other languages
English (en)
Other versions
CN115630978B (zh
Inventor
马小毅
江雪峰
汪振东
刘新杰
何鸿杰
金安
陈先龙
李彩霞
刘明敏
宋程
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.)
Guangzhou Transportation Planning And Research Institute Co ltd
Original Assignee
Guangzhou Transportation Planning And Research Institute 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 Guangzhou Transportation Planning And Research Institute Co ltd filed Critical Guangzhou Transportation Planning And Research Institute Co ltd
Priority to CN202211661880.8A priority Critical patent/CN115630978B/zh
Publication of CN115630978A publication Critical patent/CN115630978A/zh
Application granted granted Critical
Publication of CN115630978B publication Critical patent/CN115630978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于人口就业分布的多交通设施选址方法，具体步骤如下：S1栅格离散化；S2选址模型构建；S3距离衰减系数和选择偏好概率计算；S4选址模型求解；S5设施附着至路网；本发明基于已有的人口就业栅格数据，将人口就业栅格离散化为人口就业需求点，所有需求点位置均作为候选设施建设位置，并根据候选设施位置与城市中心的距离，估计设施建设相对成本。确定需求点和候选设施位置后，使用元启发式算法，量化地在候选设施位置上进行设施选择，以克服公共交通设施规划时，主观因素影响、设施候选位置多、设施覆盖影响因素复杂等问题，提供公共交通设施选址的科学性和合理性。

Description

一种基于人口就业分布的多交通设施选址方法
技术领域
本发明属于公共交通设施规划技术领域，尤其涉及一种基于人口就业分布的多交通设施选址方法。
背景技术
公共交通设施选址概述
公共交通设施规划是高效、可靠地建设城市公共交通系统的前提，主要目的是为了以审慎的原则指导城市公共交通设施的合理设置，保证公交系统中站点的服务规模和经济效益。设施规划中较为重要的一个步骤即确定公共交通设施建设位置，由于公共交通设施建设成本较高、建设后修正困难、涉及大量经济外部效益，因此需要科学和合理地确定和评估公共交通设施选址。
公共交通设施选址是指基于选定的某种效益目标，确定一定范围内单个或复数设施的具体位置，并对其所在位置产生的效益进行评估。现阶段国内许多城市正进行不同规模的公共交通设施规划和建设，但在规划过程中，规划工作人员往往根据经验和主观因素进行选址决策，导致设施选址方案缺乏科学性，站点的覆盖服务和经济效益也不能达到最优。因此，构建该方法的目的是基于设施的服务规模和效率，为规划工作者提供在较大范围内同时确定复数交通设施合理位置的计算方法，减少规划工作者的工作量，提供规划工作的可靠性和科学性。
传统公共交通设施选址理论研究和实践方法简介
目前国内外均无系统性的基于人口就业分布的多交通设施选址计算理论和实践方法，如图1所示，传统公共交通设施选址理论和方法为：
（1）经典选址理论
经典选址理论包括P-中值问题与P-中心问题和覆盖问题，其中覆盖问题包括集覆盖和最大覆盖问题。P-中值、P-中心问题均是在指定设施数量的情况下，分别通过最小化需求距离乘积之和、最小化距离最大值，确定设施位置。集覆盖、最大覆盖问题，分别通过需求点不变时最小化设施数量、设施数量不变时最大化满足需求点数量，确定设施位置。这两类选址问题均有大量灵活变种和对应的成熟计算方法，但由于设施数量或需求数量不可变、需求点之间竞争归属关心只进行简单二元处理、未考虑距离衰减导致服务质量下降等缺陷，因此这类经典选址理论通常只能用于简单的宏观选址方案制定。
（2）连续设施选址
在连续设施选址理论中，由于连续设施选址相关问题中，候选设施所在位置在空间上是连续的，因此设施位置具有无穷多个，建立模型并求解存在较大困难，因此求解连续设施选址问题的通常做法是基于简单几何特征在有限情况下求解较少数量设施位置或将连续设施选址问题转化为离散设施选址问题。
（3）离散设施选址问题
鉴于连续设施问题中无限多个设施候选位置导致的问题求解困难，常用做法是将连续空间进行离散化，转化为有限多个设施候选位置，再进行求解，转化方法主要分为两种：基于点的离散方法和基于面的离散方法。基于点的离散方法常将候选设施位置和区域需求抽象为均匀分布的无量纲点集。基于点的离散方法中的设施位置离散化会带来误差，潜在表现良好的设施位置可能会被错失，基于面的离散方法常只将设施候选位置或需求中的一者进行离散化，另一者保持连续状态。同时，为减少离散化带来的测量误差和覆盖误差，通常采用的离散化形式为高密度网格或复杂多边形。
（4）公共交通设施相关选址理论
传统常用的公共交通设施选址理论为四阶段方法，即用一定密度的网格表示拟建的公共交通系统，并对网格评分，再将网格按照一定规则进行叠加和计算权重值，以确定设施的最优位置。其他相关模型基本做法在考虑区域人口数量的基础上，以建设和运营成本最小化为目标，建立并求解车站选址模型，确定车站最优位置。
（5）选址问题常用求解算法
在进行选址问题数学建模后需要使用算法进行求解，常用的求解算法分为精确算法、无记忆局部搜索算法、元启发式算法和多目标算法。精确算法（如对偶松弛、拉格朗日松弛算法等）直接对选址模型进行求解获得解空间中的精确最优解，但由于选址问题通常为NP-Hard问题，在问题规模较大、约束条件复杂、解空间维数或长度较高的情况下计算时间大幅增加，甚至无法求解。无记忆局部搜索算法（如贪婪算法）通过每次迭代获取局部最优解以尝试渐进获得全局较优解，但由于其无求解路径记忆、只考虑当前迭代选择等特性，贪婪算法容易陷入局部最优或收敛困难。元启发式算法（如遗传算法、模拟退火算法等）每次迭代可采取不同的搜索寻优策略，并对搜索路径具有一定记忆，算法收敛表现较好，全局较优解质量高。多目标算法适用于多目标选址模型，通过求解Pareto最优解获得最优设施位置集合。
传统公共交通设施选址方法存在的问题
大部分已有选址方法的常用步骤为连续空间离散化、以覆盖最大化或成本最小化为目标建立选址模型、指定设施数量、选择算法求解选址模型，上述常用方法的具体问题如下：
（1）离散化精度低或层次离散化
为减少计算时间和复杂度，在对连续选址或需求空间进行离散化时，已有选址方法选用的离散网格精度较低、网格较大。部分方法采用二次求解的策略，先使用大网格获取较优解，再将较优设施位置所在网格进行二次分割，获取更有解，这两种方法均会导致最优解错失以及较大的误差。
（2）公共交通设施数量固定
大部分选址问题中设施数量是给定的，设施数量作为约束成为选址模型的一部分。然而，设施数量与公共交通设施建设成本高度相关，不应作为不变量进行讨论。
（3）重叠服务范围内竞争情况未做讨论
在进行选址问题求解时，部分设施的覆盖范围可能发生重叠，而已有选址方法对该情况的常用处理方法为重叠惩罚和二元分割。重叠惩罚通过减少在多个设施服务覆盖范围内需求点对设施的实际需求或所需效用来考虑重叠服务区域带来的影响。二元分割根据需求点与服务设施的距离按照最小距离原则确定需求点归属的服务设施。这两类方法均没有考虑需求点人群对服务设施的选择偏好行为。
（4）设施服务范围衰减未做讨论
部分已有选址方法在计算设施覆盖需求时，未对设施覆盖范围内距离设施不同距离的需求点区分处理。然而，人群实际使用公共交通设施的决策过程中关键影响因素之一是需求发生地点距离提供服务公共交通设施的距离，选择的可能会随距离的增加而衰减。
（5）求解算法计算效率较低
大部分已有选址方法针对的场景中，需求点数量级最大为千级，设施数量级最大为百级，求解算法应用的场景规模较小。同时部分选址方法中使用的求解算法为遗传算法等可行解长度固定的算法，无法应用于设施数量可变的场景。
要解决传统公共交通设施选址方法存在的上述问题，技术难点如下：
1）增加连续选址空间离散化精度的同时减少选址计算消耗的时间和资源；
2）公共交通设施数量可变，并将其作为决策变量加入至目标函数而非约束；
3）对重叠服务范围内的需求点进行讨论，根据需求点至不同公共交通设施的距离将需求点的需求按照计算获得的概率划分至不同设施的覆盖；
4）根据需求点与公共交通设施的距离确定归属至设施的需求损失；
5）选择并改进求解算法，使其适用于可变设施数量场景和大规模需求点和设施场景。
发明内容
针对上述问题，本发明提出了一种基于人口就业分布的多交通设施选址方法，基于已有的人口就业栅格数据，将人口就业栅格离散化为人口就业需求点，所有需求点位置均作为候选设施建设位置，并根据候选设施位置与城市中心的距离，估计设施建设相对成本。确定需求点和候选设施位置后，使用元启发式算法，量化地在候选设施位置上进行设施选择，以克服公共交通设施规划时，主观因素影响、设施候选位置多、设施覆盖影响因素复杂等问题，提供公共交通设施选址的科学性和合理性。
本发明的技术方案如下：
一种基于人口就业分布的多交通设施选址方法，具体步骤如下：
S1栅格离散化：对已有的人口就业栅格进行离散化，所有栅格的质心作为离散点，离散点同时作为需求点和候选设施点，各个栅格内的常住人口和就业岗位数量之和作为需求点的实际总需求；
S2选址模型构建：候选设施点上是否建设设施作为决策变量，设施总效费比作为目标函数，设置设施总数量约束、设施间最小间距约束、需求分配约束和设施最大覆盖范围约束；
S3距离衰减系数和选择偏好概率计算：计算需求点上归属于任意一个候选设施点时，需求随距离变化的衰减程度；计算被多个设施覆盖的需求点上人群对不同设施的选择偏好概率；
S4选址模型求解：首先生成初始可行设施规划方案，再使用改进人工蜂群算法结合可行解学习和修正方法，逐步迭代，获得设施总效费比最大化的设施规划方案为最优设施选址方案；
S5设施附着至路网：对最优设施选址方案中不在路网线段上的设施进行小幅位移，移动至距离设施最近的道路网络线段之上。
优选地，步骤S1中：
栅格离散化后确定的离散点集合为V，离散点总数量为
Figure 558651DEST_PATH_IMAGE001
，每个离散点同时作为需求点和候选设施点，每个候选设施点编号为
Figure 662742DEST_PATH_IMAGE002
，每个需求点对应的编号为
Figure 442479DEST_PATH_IMAGE003
，需求点j上常住人口和就业岗位总量为u j ，作为该需求点的实际总需求。
优选地，步骤S2具体如下：
S2.1设选址模型的决策变量为矢量Y，矢量Y中的某一元素为0-1变量
Figure 775372DEST_PATH_IMAGE004
为：
Figure 589744DEST_PATH_IMAGE005
S2.2选址模型的目标函数为设施总效费比θ，即所有设施有效覆盖需求总量与所有设施相对建设成本的比值，即：
Figure 599157DEST_PATH_IMAGE006
式中，
Figure 866190DEST_PATH_IMAGE007
——候选设施点i与需求点j的距离衰减系数；
Figure 2774DEST_PATH_IMAGE008
——需求点j上常住人口和就业人口对候选设施点i的选择偏好概率；
Figure 671652DEST_PATH_IMAGE009
——在候选设施点i上建设设施的相对成本；
Figure 866615DEST_PATH_IMAGE010
——需求点j的实际需求量；
Figure 558628DEST_PATH_IMAGE011
——0-1变量，当候选设施点i与需求点j间的距离没有超过设施的最大覆盖范围时，数值为1，否则为0；
S2.3为步骤S2.2所建立的选址模型的目标函数建立约束进行限制，所述约束包括：
（1）设施总数量约束：
Figure 295640DEST_PATH_IMAGE012
式中，
Figure 5976DEST_PATH_IMAGE013
——设施总数量下限；
Figure 435820DEST_PATH_IMAGE014
——设施总数量上限；
（2）设施间最小间距约束：
Figure 615129DEST_PATH_IMAGE015
式中，
Figure 890252DEST_PATH_IMAGE016
——候选设施点i与候选设施点k的欧氏距离；
Figure 720674DEST_PATH_IMAGE017
——0-1变量，若候选设施点k上存在设施，
Figure 55840DEST_PATH_IMAGE018
，否则，
Figure 722445DEST_PATH_IMAGE019
；
Figure 801259DEST_PATH_IMAGE020
——设施间最小间距；
（3）需求分配约束：
Figure 486187DEST_PATH_IMAGE021
（4）设施最大覆盖范围约束：
Figure 195517DEST_PATH_IMAGE022
式中，
Figure 146156DEST_PATH_IMAGE023
——设施的最大覆盖范围；
Figure 218542DEST_PATH_IMAGE024
——候选设施点i与需求点j的欧氏距离。
优选地，S2.2中，设施在i上进行建设的相对建设成本c i 的计算过程如下：
定义任意候选设施点i距离特征位置集合内所有点的平均距离
Figure 571026DEST_PATH_IMAGE025
为：
Figure 451257DEST_PATH_IMAGE026
式中，
Figure 76142DEST_PATH_IMAGE027
——特征位置集合；
Figure 496759DEST_PATH_IMAGE028
——候选设施点i与特征位置q的欧氏距离；
q——特征位置编号；
根据平均距离
Figure 907012DEST_PATH_IMAGE025
确定设施在候选设施点i上进行建设的相对建设成本c i ：
Figure 20461DEST_PATH_IMAGE029
式中，
Figure 132643DEST_PATH_IMAGE030
——候选设施点k距离特征位置集合Q内所有点的平均距离；
Figure 356951DEST_PATH_IMAGE031
——为最小相对建设成本，当
Figure 356131DEST_PATH_IMAGE032
时，
Figure 640482DEST_PATH_IMAGE033
。
优选地，步骤S3具体如下：
S3.1计算距离衰减系数；
采用Logistics函数计算距离衰减系数
Figure 239959DEST_PATH_IMAGE034
，即：
Figure 267958DEST_PATH_IMAGE035
式中，g——Logistics函数的增长速率；
θ——Logistics函数的中值点，当
Figure 387224DEST_PATH_IMAGE036
时，
Figure 766777DEST_PATH_IMAGE037
；
S3.2计算选择偏好概率；
采用Logit模型计算选择偏好概率
Figure 666600DEST_PATH_IMAGE038
，即：
Figure 170393DEST_PATH_IMAGE039
式中，λ——服务人群对与候选设施点距离的敏感系数，取0.1。
优选地，步骤S4具体如下：
S4.1定义可行解表示方式；
定义蜂群和蜜蜂个体，设蜂群集合为H，生成初始可行解的数量等于蜂群中蜜蜂个体数量
Figure 472062DEST_PATH_IMAGE040
，蜜蜂个体编号为b，根据选址模型中的决策变量，定义蜜蜂个体b对应的可行解为矢量
Figure 19587DEST_PATH_IMAGE041
，矢量中的某一元素为
Figure 406706DEST_PATH_IMAGE042
：
Figure 714190DEST_PATH_IMAGE043
蜜蜂个体b的可行解
Figure 604786DEST_PATH_IMAGE041
的目标函数值
Figure 588791DEST_PATH_IMAGE044
如下：
Figure 197627DEST_PATH_IMAGE045
S4.2生成蜂群及蜜蜂个体，并初始化生成所有个体的可行解；
在所有候选设施点
Figure 308803DEST_PATH_IMAGE046
中随机布设满足设施总数量约束的随机数量设施，作为蜜蜂个体的初始可行解，生成初始可行解的数量等于预设的蜂群内部蜜蜂个体数量，即：
Figure 319484DEST_PATH_IMAGE047
式中，
Figure 474391DEST_PATH_IMAGE048
——从0和1中随机选取一个数值；
生成完毕后，对初始可行解进行设施间距修正操作，并计算各蜜蜂个体b初始可行解的目标函数值
Figure 570523DEST_PATH_IMAGE049
；
S4.3采蜜阶段；
蜂群内每个蜜蜂个体b随机选择除自身以外其他蜜蜂个体h进行学习操作，并更新可行解以及进行设施数量修正操作和设施间距修正操作；蜂群内所有蜜蜂个体完成学习和修正后，计算各个蜜蜂个体b的目标函数值
Figure 219810DEST_PATH_IMAGE049
；
S4.4跟随阶段；
根据各个蜜蜂个体b的目标函数值
Figure 274878DEST_PATH_IMAGE049
，设每个蜜蜂个体b被抽取的概率为
Figure 413735DEST_PATH_IMAGE050
，通过下式计算：
Figure 934846DEST_PATH_IMAGE051
按照该概率分布抽取蜜蜂个体，对于被抽中的蜜蜂个体，进行学习操作更新可行解，以及进行设施数量修正操作和设施间距修正操作；重复抽取蜜蜂个体，直到抽取次数到达
Figure 184562DEST_PATH_IMAGE052
；
S4.5搜索阶段；
对于蜂群内每个蜜蜂个体b，每次进行学习操作时都更新可行解，除非可行解的目标函数值没有变化；设蜜蜂个体b的尝试次数为
Figure 356786DEST_PATH_IMAGE053
，当蜜蜂个体b进行学习操作后可行解没有变化时，设置
Figure 666545DEST_PATH_IMAGE054
，当
Figure 674952DEST_PATH_IMAGE053
达到最大停滞次数
Figure 915310DEST_PATH_IMAGE055
后，对蜜蜂个体b的可行解直接进行初始化操作，和初始可行解生成阶段一样，随机生成新的可行解，取代长期不变的原有可行解；
S4.6确定最优可行解
Figure 755090DEST_PATH_IMAGE056
和对应的最优目标函数值
Figure 173433DEST_PATH_IMAGE057
，确定最优可行解对应个体方法为
Figure 465874DEST_PATH_IMAGE058
；
S4.7重复步骤S4.3-S4.6，直到迭代次数到达最大迭代次数
Figure 509922DEST_PATH_IMAGE059
。
本发明采用以上技术方案与现有技术相比，具有以下有益效果：
该基于人口就业分布的多交通设施选址方法可以直接应用于公共交通设施选址规划方案的确定，最优选址方案的求解完全基于人口就业栅格或其他相似类型数据，且计算结果精度高、计算速度快、适用于大规模复杂场景和复数交通设施场景。
附图说明
图1是已有常用传统公共交通设施选址理论和方法示意图。
图2是多公共交通设施选址方法流程图。
图3是计算距离衰减系数使用的Logistics函数示意图。
图4是计算选择偏好概率使用的Logit模型示意图。
图5是学习操作的示意图。
图6是设施间距修正操作的示意图。
图7是选址模型求解过程。
图8是部分城市区域的栅格数据示意图。
图9是五种不同规模场景下算法性能评估指标变化示意图。
图10是场景1对应的部分城市区域内最优设施选址方案。
图11是场景2对应的部分城市区域内最优设施选址方案。
图12是场景3对应的部分城市区域内最优设施选址方案。
图13是场景4对应的部分城市区域内最优设施选址方案。
图14是场景5对应的部分城市区域内最优设施选址方案。
图15是场景2对应的部分城市区域内设施附着至路网后的最优设施选址方案。
图16是场景4对应的部分城市区域内设施附着至路网后的最优设施选址方案。
具体实施方式
下面将结合附图和实施例对本发明做进一步的详细说明。
本发明一种基于人口就业分布的多交通设施选址方法，能基于已有的人口就业栅格数据，自动选择和生成最优公共交通设施选址方案，其中，人口就业栅格数据是指一定范围内的高密度规则闭合图形网格地图，网格上保存有网格范围内的常住人口和就业岗位数量。
多公共交通设施选址方法
本发明一种基于人口就业分布的多交通设施选址方法，通过三个主要步骤组成的模型实现多个公共交通设施的选址计算和优化，如图2所示，具体如下：
1）栅格离散化：对已有的人口就业栅格进行离散化，所有栅格的质心作为离散点，离散点可同时作为需求点和候选设施点，各个栅格内的常住人口和就业岗位数量之和作为需求点的实际总需求；
2）选址模型构建：候选设施点上是否建设设施作为决策变量，设施总效费比作为目标函数，设置设施总数量约束、设施间最小间距约束、需求分配约束进；
3）距离衰减系数和选择偏好概率计算：计算需求点上归属于任意一个候选设施点时，需求随距离变化的衰减程度，用于考虑距离对需求归属和计算的影响；计算被多个设施覆盖的需求点上人群对不同设施的选择偏好概率，用于考虑距离对人群选择偏好的影响；
4）选址模型求解：首先生成初始可行设施规划方案，再使用改进人工蜂群算法结合可行解学习和修正方法，逐步迭代，获得设施总效费比最大化的设施规划方案；
5）设施附着至路网：对最优设施选址方案中不在路网线段上的设施进行小幅位移，移动至距离设施最近的道路网络线段之上。
该方法的目标是快速计算和优化大规模场景下多公共交通设施规划方案。
下面对本发明一种基于人口就业分布的多交通设施选址方法进行详细描述。
栅格离散化
人口就业栅格数据由一定范围内的高密度规则闭合图形组成，为将复杂连续选址问题简化为离散选址问题，需要先将人口就业栅格数据进行离散化。所有栅格的质心作为离散点，离散点可同时作为需求点和候选设施点，各个栅格内的常住人口和就业岗位数量之和作为需求点的实际总需求。
栅格离散化后确定的离散点集合为V，离散点总数量为
Figure 141892DEST_PATH_IMAGE001
，每个离散点同时作为需求点和候选设施点，每个候选设施点编号为
Figure 793453DEST_PATH_IMAGE002
，每个需求点对应的编号为
Figure 16931DEST_PATH_IMAGE003
，需求点j上常住人口和就业岗位总量为u j ，作为该需求点的实际总需求。
选址模型构建
设选址模型的决策变量为矢量Y，矢量Y中的某一元素为0-1变量
Figure 412140DEST_PATH_IMAGE060
为：
Figure 898616DEST_PATH_IMAGE005
选址模型的目标函数为设施总效费比θ，即所有设施有效覆盖需求总量与所有设施相对建设成本的比值，即：
Figure 173609DEST_PATH_IMAGE006
式中，
Figure 440642DEST_PATH_IMAGE007
——候选设施点i与需求点j的距离衰减系数；
Figure 577225DEST_PATH_IMAGE008
——需求点j上常住人口和就业人口对候选设施点i的选择偏好概率；
Figure 980525DEST_PATH_IMAGE009
——在候选设施点i上建设设施的相对成本；
Figure 426418DEST_PATH_IMAGE010
——需求点j的实际需求量；
Figure 180748DEST_PATH_IMAGE011
——0-1变量，当候选设施点i与需求点j间的距离没有超过设施的最大覆盖范围时，数值为1，否则为0。
模型需要多种约束进行限制，所需要的约束为：
（1）设施总数量约束：规划方案中设施的总数量必须位于一定范围内，即：
Figure 855443DEST_PATH_IMAGE012
式中，
Figure 565779DEST_PATH_IMAGE013
——设施总数量下限；
Figure 995623DEST_PATH_IMAGE014
——设施总数量上限；
（2）设施间最小间距约束：规划设施时，设施之间必须保持一定距离，避免设施服务范围的高度重合造成浪费，即：
Figure 909352DEST_PATH_IMAGE015
式中，
Figure 450055DEST_PATH_IMAGE016
——候选设施点i与候选设施点k的欧氏距离；
Figure 283406DEST_PATH_IMAGE017
——0-1变量，若候选设施点k上存在设施，
Figure 556256DEST_PATH_IMAGE018
，否则，
Figure 285178DEST_PATH_IMAGE019
；
Figure 550943DEST_PATH_IMAGE020
——设施间最小间距，以城市轨道交通设施为例，普遍情况下设施间最小间距为500米。
（3）需求分配约束：需求点分配至任意公共交通设施上的总量不会超过需求点的实际需求量
Figure 48920DEST_PATH_IMAGE061
，即：
Figure 492671DEST_PATH_IMAGE021
所述约束包括：设施总数量约束、设施间最小间距约束、需求分配约束。
（4）设施最大覆盖范围约束：候选设施点具有一定的服务覆盖范围，超出设施范围的需求不应分配至对应设施，即：
Figure 708889DEST_PATH_IMAGE022
式中，
Figure 778345DEST_PATH_IMAGE023
——设施的最大覆盖范围；
Figure 68512DEST_PATH_IMAGE024
——候选设施点i与需求点j的欧氏距离。
距离衰减系数和选择偏好概率计算
（1）距离衰减系数计算
若某候选设施点i上存在设施，在设施覆盖范围内，随着候选设施点i上的设施与需求点j距离的增加，需求点j分配至设施的需求会逐渐减少，因此采用Logistics函数计算距离衰减系数
Figure 11060DEST_PATH_IMAGE034
，即：
Figure 635945DEST_PATH_IMAGE035
式中，g——Logistics函数的增长速率；
θ——Logistics函数的中值点，当
Figure 56562DEST_PATH_IMAGE036
时，
Figure 466815DEST_PATH_IMAGE037
。
以城市轨道交通设施为例，《城市轨道交通线网规划标准（GBT50546-2018）》指出城市轨道站点的有效服务范围为800米，同时根据现状居民出行调查数据可认为，当距离为800米时，吸引设施服务人群的比例大约为80%，当距离为1000米时，比例大约为50%，因此可以大致确定
Figure 314685DEST_PATH_IMAGE062
，
Figure 429796DEST_PATH_IMAGE063
，Logistics函数如图3所示。
（2）选择偏好概率计算
同一个需求点可能会处在多个公共交通设施的覆盖范围内，多个设施会对该需求点上的需求分配进行竞争，竞争优势与需求点至设施的距离高度相关，因此采用Logit模型计算选择偏好概率
Figure 591787DEST_PATH_IMAGE038
，即：
Figure 918863DEST_PATH_IMAGE039
式中， λ——服务人群对与设施距离的敏感系数，在研究人群对设施的选择偏好时通常直接取0.1。
显然，若某候选设施点i上存在设施，需求点j距离设施
Figure 390165DEST_PATH_IMAGE064
距离越小，需求点j上的服务人群选择设施
Figure 740375DEST_PATH_IMAGE064
的可能性越大，同时由于
Figure 502795DEST_PATH_IMAGE038
满足
Figure 871328DEST_PATH_IMAGE065
，因此需求分配约束可通过
Figure 326580DEST_PATH_IMAGE038
得到满足。Logit模型的示意图如图4所示，
Figure 164086DEST_PATH_IMAGE066
分别是候选设施点i=1与需求点j=1、 j=2、 j=3的选择偏好概率，
Figure 917147DEST_PATH_IMAGE067
分别是候选设施点i=2与需求点j=1、 j=2、 j=3的选择偏好概率。另外，若候选设施点i上不存在设施，该候选设施点不会参与需求竞争计算。
建设相对成本估计
定义任意候选设施点
Figure 953236DEST_PATH_IMAGE064
距离特征位置集合（如城市中心、CBD核心区等重要区域）内所有点的平均距离
Figure 517073DEST_PATH_IMAGE025
为：
Figure 94072DEST_PATH_IMAGE026
式中，
Figure 198294DEST_PATH_IMAGE027
——特征位置集合；
Figure 292152DEST_PATH_IMAGE028
——候选设施点i与特征位置q的欧氏距离；
q——特征位置编号；
由于在规划阶段设施的建设成本较难确定，因此此处采用候选设施点i距离研究范围内某些特征位置的平均距离
Figure 89207DEST_PATH_IMAGE025
确定设施在i上进行建设的相对建设成本c i ：
Figure 884994DEST_PATH_IMAGE029
式中，
Figure 996169DEST_PATH_IMAGE030
——候选设施点k距离特征位置集合Q内所有点的平均距离；
Figure 6850DEST_PATH_IMAGE031
——为最小相对建设成本，当
Figure 161757DEST_PATH_IMAGE032
时，
Figure 257889DEST_PATH_IMAGE068
。
当在各个候选设施点i上进行设施建设的成本明确时，可用实际建设成本替换c i 。
选址模型求解
由于选址模型的决策变量为二元变量组成的矢量
Figure 641597DEST_PATH_IMAGE069
，解空间大小为
Figure 772364DEST_PATH_IMAGE070
，随着离散点集合V规模增加，解空间大小会迅速膨胀，显然选址模型为NP-Hard问题，在大规模场景下无法在有限时间内获得精确解，因此使用元启发式算法中的人工蜂群算法，并加以改进以求解选址模型。
（1）定义可行解表示方式
定义蜂群和蜜蜂个体，设蜂群集合为H，生成初始可行解的数量等于蜂群中蜜蜂个体数量
Figure 98172DEST_PATH_IMAGE071
，个体编号为
Figure 681600DEST_PATH_IMAGE072
。根据选址模型中的决策变量，定义蜜蜂个体b对应的可行解为矢量
Figure 868999DEST_PATH_IMAGE073
，矢量中的某一元素为
Figure 55872DEST_PATH_IMAGE074
，其实际意义与二元变量
Figure 365630DEST_PATH_IMAGE075
中描述类似：
Figure 374038DEST_PATH_IMAGE076
蜜蜂个体b的可行解
Figure 427444DEST_PATH_IMAGE073
的目标函数值
Figure 454175DEST_PATH_IMAGE077
与选址模型中的目标函数值类似：
Figure 934835DEST_PATH_IMAGE078
（2）学习操作
如图5示意，定义学习操作：设有需要学习的蜜蜂个体b，学习除b自身以外的任意蜜蜂个体
Figure 164959DEST_PATH_IMAGE079
的方法为直接复制其他蜜蜂个体可行解上指定个数的随机位点，然后直接覆盖到自身可行解的相同位点上，即：
Figure 22057DEST_PATH_IMAGE080
式中，
Figure 903294DEST_PATH_IMAGE081
——蜜蜂个体b学习后候选设施点i处临时可行解变量；
Figure 554855DEST_PATH_IMAGE082
——学习率，指定可行解学习其他个体可行解的最大占比；
Figure 537854DEST_PATH_IMAGE083
——0-1随机变量，用于指定可行解的学习位点，当
Figure 120014DEST_PATH_IMAGE084
时，蜜蜂个体b学习蜜蜂个体h在候选设施点i处的设施建设状态，当
Figure 668807DEST_PATH_IMAGE085
时，则不学习。所有
Figure 694532DEST_PATH_IMAGE086
之和必须小于或等于
Figure 961566DEST_PATH_IMAGE087
。
蜜蜂个体b学习完毕后获得临时可行解
Figure 84767DEST_PATH_IMAGE088
，应用贪婪策略，比较临时、原有可行解的目标函数
Figure 753646DEST_PATH_IMAGE089
，若
Figure 950272DEST_PATH_IMAGE090
，则用临时可行解替换原有可行解，否则不替换。
为方便后续描述，设蜜蜂个体b学习蜜蜂个体h的符号为
Figure 625973DEST_PATH_IMAGE091
。
（3）设施数量修正操作
蜜蜂个体b学习蜜蜂个体h并用临时产生的可行解替换原有可行解后，可行解
Figure 628564DEST_PATH_IMAGE092
可能不满足设施总数量约束，即规划建设的设施数量可能大于
Figure 89632DEST_PATH_IMAGE093
或小于
Figure 253897DEST_PATH_IMAGE094
，因此根据不同情景进行修复：
1. 若
Figure 682473DEST_PATH_IMAGE095
，则随机在
Figure 160859DEST_PATH_IMAGE096
个满足
Figure 538751DEST_PATH_IMAGE097
的候选设施点i上设置
Figure 326447DEST_PATH_IMAGE098
，即增加设施的建设数量以满足设施总数量约束；
2. 若
Figure 789789DEST_PATH_IMAGE099
，则随机在
Figure 71866DEST_PATH_IMAGE100
个满足
Figure 569844DEST_PATH_IMAGE101
的候选设施点i上设置
Figure 265792DEST_PATH_IMAGE102
，即减少设施的建设数量以满足设施总数量约束；
3. 若
Figure 482009DEST_PATH_IMAGE103
，则不进行修正操作。
为方便后续描述，设上述设施数量修正操作的符号为
Figure 302198DEST_PATH_IMAGE104
。
（4）设施间距修正操作
如图6示意，蜜蜂个体b学习蜜蜂个体h并用临时产生的可行解替换原有可行解后，可行解
Figure 654682DEST_PATH_IMAGE105
可能不满足设施最小间距约束，即存在设施i与设施k的距离
Figure 518602DEST_PATH_IMAGE106
，可行解
Figure 894219DEST_PATH_IMAGE105
修复步骤为：
1. 设满足
Figure 580415DEST_PATH_IMAGE107
的设施候选点k组成的集合为K，从中抽取一个设施候选点i，并计算设施候选点i与除自身外其他任意满足
Figure 974357DEST_PATH_IMAGE108
的设施候选点
Figure 87806DEST_PATH_IMAGE109
的距离
Figure 950720DEST_PATH_IMAGE110
，若存在设施候选点i与设施候选点k的距离满足
Figure 175028DEST_PATH_IMAGE111
，则跳转至步骤2，否则跳转至步骤4；
2. 计算设施候选点i与任意满足
Figure 689055DEST_PATH_IMAGE112
的设施候选点
Figure 911089DEST_PATH_IMAGE113
的距离
Figure 247917DEST_PATH_IMAGE114
，并将满足
Figure 275915DEST_PATH_IMAGE115
的设施候选点置入集合S；
3. 设置
Figure 395181DEST_PATH_IMAGE116
，同时计算
Figure 850433DEST_PATH_IMAGE117
，设置
Figure 937207DEST_PATH_IMAGE118
，即原位于设施候选点i处的规划建筑移动至最近的设施候选点e，尽量减少修复操作对可行解
Figure 441000DEST_PATH_IMAGE119
造成的影响；
4. 重新跳转至步骤1，直到K中所有设施候选点k检查和修正完毕。
为方便后续描述，设上述设施间距修正的符号为
Figure 477090DEST_PATH_IMAGE120
。
（5）初始可行解生成
在所有候选设施点
Figure 290194DEST_PATH_IMAGE121
中随机布设满足设施总数量约束的随机数量设施，作为蜜蜂个体的初始可行解，生成初始可行解的数量等于预设的蜂群内部蜜蜂个体数量，即：
Figure 411733DEST_PATH_IMAGE122
式中，
Figure 719218DEST_PATH_IMAGE123
——从0和1中随机选取一个数值。
生成完毕后，对初始可行解进行设施间距修正操作，并计算各蜜蜂个体b初始可行解的目标函数值
Figure 875393DEST_PATH_IMAGE124
，可行解初始化操作用
Figure 859398DEST_PATH_IMAGE125
表示。
（6）采蜜阶段
蜂群内每个蜜蜂个体b随机选择除自身以外其他蜜蜂个体h进行学习操作，并更新可行解
Figure 405917DEST_PATH_IMAGE126
以及进行设施数量修正操作和设施间距修正操作。蜂群内所有蜜蜂个体完成学习和修正后，计算各个蜜蜂个体b的目标函数值
Figure 313830DEST_PATH_IMAGE127
。
（7）跟随阶段
根据各个蜜蜂个体b的目标函数值
Figure 502673DEST_PATH_IMAGE128
，设每个蜜蜂个体b被抽取的概率为
Figure 470629DEST_PATH_IMAGE129
，通过下式计算：
Figure 504444DEST_PATH_IMAGE130
按照该概率分布抽取蜜蜂个体，对于被抽中的蜜蜂个体，立马进行学习操作更新可行解，以及进行设施数量修正操作和设施间距修正操作。重复抽取蜜蜂个体，直到抽取次数到达
Figure 216048DEST_PATH_IMAGE131
。
（8）搜索阶段
对于蜂群内每个蜜蜂个体b，每次进行学习操作时如前述都会尝试更新可行解，除非可行解的目标函数值没有变化。设蜜蜂个体b的尝试次数为
Figure 533766DEST_PATH_IMAGE132
，当b进行学习操作后可行解没有变化时，设置
Figure 610307DEST_PATH_IMAGE133
，当
Figure 928155DEST_PATH_IMAGE134
达到最大停滞次数
Figure 630401DEST_PATH_IMAGE135
后，对蜜蜂个体b的可行解直接进行初始化操作，和初始可行解生成阶段一样，随机生成新的可行解，取代长期不变的原有可行解。
（9）改进人工蜂群算法流程
利用改进人工蜂群算法求解的流程如图7所示，具体步骤如下：
1.生成蜂群及蜜蜂个体，并初始化生成所有个体的可行解；
2.采蜜阶段；
3.跟随阶段；
4.搜索阶段；
5.确定最优可行解
Figure 553358DEST_PATH_IMAGE056
和对应的最优目标函数值
Figure 863116DEST_PATH_IMAGE057
，确定最优可行解对应个体方法为
Figure 855212DEST_PATH_IMAGE136
；
6.重复步骤2-5，直到迭代次数到达最大迭代次数
Figure 846302DEST_PATH_IMAGE137
。
设施附着至路网
公共交通设施需要接入道路网络，以供人群集散和使用设施，而离散点位置并不一定位于道路网线段上，因此需要对不在路网上的设施进行位置调整和校正。检查最优设施选址方案中所有设施，将不在道路网络线段上的设施进行小幅位移，移动至距离设施最近的道路网络线段之上，完成设施与路网的连接。
下面结合一具体实施例，对本发明作进一步详细说明：
实施例：
考虑某城市的人口就业栅格数据，进行栅格离散化操作后，离散点数量为35275，对应候选设施点和需求点同为35275，需求总量为2856.7万，部分城市区域的栅格数据如图8所示。
根据该栅格数据及获得的点位，计算获得不同规模场景下的最优公共交通设施选址方案，设置的场景有以下五种：
1.
Figure 686082DEST_PATH_IMAGE138
；
2.
Figure 356622DEST_PATH_IMAGE139
；
3.
Figure 914642DEST_PATH_IMAGE140
；
4.
Figure 443844DEST_PATH_IMAGE141
；
5.
Figure 403710DEST_PATH_IMAGE142
。
其他参数为Logistics函数的增长速率
Figure 242221DEST_PATH_IMAGE143
和中值点
Figure 959642DEST_PATH_IMAGE144
，服务人群对与设施距离的敏感系数
Figure 354851DEST_PATH_IMAGE145
，最小站间距
Figure 356174DEST_PATH_IMAGE146
，最小相对成本
Figure 178636DEST_PATH_IMAGE147
，学习率
Figure 383353DEST_PATH_IMAGE148
，最大停滞次数
Figure 769204DEST_PATH_IMAGE149
。
改进的人工蜂群算法迭代完成后，五种场景下的最优目标函数值
Figure 438082DEST_PATH_IMAGE150
、蜂群平均目标值函数
Figure 369129DEST_PATH_IMAGE151
、最优可行解对应的需求覆盖总量
Figure 313339DEST_PATH_IMAGE152
、最优可行解对应的选取设施数量
Figure 315930DEST_PATH_IMAGE153
如图9所示。从图中可以看到最优目标函数值和最优可行解对应的需求覆盖总量趋向于收敛，蜂群平均目标值函数不断波动上升，说明算法在不断搜索大量解空间以求找到更优解。不同场景下上述最优目标函数值、蜂群平均目标值函数和最优可行解对应的选取设施数量为：
1.最优目标值15.63，最优覆盖总量298.91，最优设施数20，占全市需求总量比例10.46%；
2.最优目标值12.09，最优覆盖总量574.81，最优设施数50，占全市需求总量比例20.12%；
3.最优目标值9.85，最优覆盖总量929.09，最优设施数100，占全市需求总量比例32.52%；
4.最优目标值4.24，最优覆盖总量1801.16，最优设施数500，占全市需求总量比例63.05%；
5.最优目标值2.37，最优覆盖总量1913.42，最优设施数1000，占全市需求总量比例66.98%。
场景1-5对应的部分城市区域内最优设施选址方案分别见图10-14。
以场景2和4为例，对部分城市区域内最优设施选址方案中的站点位置进行调整并附着至道路网络，对应示意图见图15和16。对调整后的选址方案进行评价，有以下结果：
1.调整位置后最优目标值15.57，最优覆盖总量297.76，目标函数值下降-0.38%，覆盖总量下降-0.39%；
2.调整位置后最优目标值12.01，最优覆盖总量571.02，目标函数值下降-0.66%，覆盖总量下降-0.66%；
3.调整位置后最优目标值9.77，最优覆盖总量921.53，目标函数值下降-0.81%，覆盖总量下降-0.81%；
4.调整位置后最优目标值4.18，最优覆盖总量1778.52，目标函数值下降-1.27%，覆盖总量下降-1.26%；
5.调整位置后最优目标值2.35，最优覆盖总量1899.23，目标函数值下降-0.76%，覆盖总量下降-0.74%。
上述结果表明设施附着至路网对最优选址方案的效果影响非常小。
上述五种场景下改进的人工蜂群算法平均迭代耗时为0.3s、0.7s、1.7s、3.2s、5.3s，但在所有离散点间距离得到预先计算的情况下，所有场景下的算法平均迭代耗时可同时大幅缩短为<0.1s，因此本方法可完全适应大规模复杂计算场景下的应用。
本发明采用以上技术方案与现有技术相比，具有以下有益效果：
该基于人口就业分布的多交通设施选址方法可以直接应用于公共交通设施选址规划方案的确定，最优选址方案的求解完全基于人口就业栅格或其他相似类型数据，且计算结果精度高、计算速度快、适用于大规模复杂场景和复数交通设施场景。
对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本申请的保护范围。

Claims (6)

1.一种基于人口就业分布的多交通设施选址方法，其特征在于，具体步骤如下：
S1栅格离散化：对已有的人口就业栅格进行离散化，所有栅格的质心作为离散点，离散点同时作为需求点和候选设施点，各个栅格内的常住人口和就业岗位数量之和作为需求点的实际总需求；
S2选址模型构建：候选设施点上是否建设设施作为决策变量，设施总效费比作为目标函数，设置设施总数量约束、设施间最小间距约束、需求分配约束和设施最大覆盖范围约束；
S3距离衰减系数和选择偏好概率计算：计算需求点上归属于任意一个候选设施点时，需求随距离变化的衰减程度；计算被多个设施覆盖的需求点上人群对不同设施的选择偏好概率；
S4选址模型求解：首先生成初始可行设施规划方案，再使用改进人工蜂群算法结合可行解学习和修正方法，逐步迭代，获得设施总效费比最大化的设施规划方案为最优设施选址方案；
S5设施附着至路网：对最优设施选址方案中不在路网线段上的设施进行小幅位移，移动至距离设施最近的道路网络线段之上。
2.根据权利要求1所述的一种基于人口就业分布的多交通设施选址方法，其特征在于，步骤S1中：
栅格离散化后确定的离散点集合为V，离散点总数量为
Figure 36349DEST_PATH_IMAGE001
，每个离散点同时作为需求点和候选设施点，每个候选设施点编号为
Figure 989262DEST_PATH_IMAGE002
，每个需求点对应的编号为
Figure 786316DEST_PATH_IMAGE003
，需求点j上常住人口和就业岗位总量为u j ，作为该需求点的实际总需求。
3.根据权利要求1-2任一项所述的一种基于人口就业分布的多交通设施选址方法，其特征在于，步骤S2具体如下：
S2.1设选址模型的决策变量为矢量Y，矢量Y中的某一元素为0-1变量
Figure 457469DEST_PATH_IMAGE004
为：
Figure 194743DEST_PATH_IMAGE005
S2.2选址模型的目标函数为设施总效费比θ，即所有设施有效覆盖需求总量与所有设施相对建设成本的比值，即：
Figure 267741DEST_PATH_IMAGE006
式中，
Figure 235697DEST_PATH_IMAGE007
——候选设施点i与需求点j的距离衰减系数；
Figure 394146DEST_PATH_IMAGE008
——需求点j上常住人口和就业人口对候选设施点i的选择偏好概率；
Figure 168067DEST_PATH_IMAGE009
——在候选设施点i上建设设施的相对成本；
Figure 33255DEST_PATH_IMAGE010
——需求点j的实际需求量；
Figure 732964DEST_PATH_IMAGE011
——0-1变量，当候选设施点i与需求点j间的距离没有超过设施的最大覆盖范围时，数值为1，否则为0；
S2.3为步骤S2.2所建立的选址模型的目标函数建立约束进行限制，所述约束包括：
（1）设施总数量约束：
Figure 378709DEST_PATH_IMAGE012
式中，
Figure 628425DEST_PATH_IMAGE013
——设施总数量下限；
Figure 676016DEST_PATH_IMAGE014
——设施总数量上限；
（2）设施间最小间距约束：
Figure 985774DEST_PATH_IMAGE015
式中，
Figure 118815DEST_PATH_IMAGE016
——候选设施点i与候选设施点k的欧氏距离；
Figure 736004DEST_PATH_IMAGE017
——0-1变量，若候选设施点k上存在设施，
Figure 638101DEST_PATH_IMAGE018
，否则，
Figure 118760DEST_PATH_IMAGE019
；
Figure 473518DEST_PATH_IMAGE020
——设施间最小间距；
（3）需求分配约束：
Figure 330616DEST_PATH_IMAGE021
（4）设施最大覆盖范围约束：
Figure 87219DEST_PATH_IMAGE022
式中，
Figure 305492DEST_PATH_IMAGE023
——设施的最大覆盖范围；
Figure 350808DEST_PATH_IMAGE024
——候选设施点i与需求点j的欧氏距离。
4.根据权利要求3所述的一种基于人口就业分布的多交通设施选址方法，其特征在于，S2.2中，设施在i上进行建设的相对建设成本c i 的计算过程如下：
定义任意候选设施点i距离特征位置集合内所有点的平均距离
Figure 808335DEST_PATH_IMAGE025
为：
Figure 419445DEST_PATH_IMAGE026
式中，
Figure 507486DEST_PATH_IMAGE027
——特征位置集合；
Figure 836836DEST_PATH_IMAGE028
——候选设施点i与特征位置q的欧氏距离；
q——特征位置编号；
根据平均距离
Figure 599518DEST_PATH_IMAGE025
确定设施在候选设施点i上进行建设的相对建设成本c i ：
Figure 2818DEST_PATH_IMAGE029
式中，
Figure 324078DEST_PATH_IMAGE030
——候选设施点k距离特征位置集合Q内所有点的平均距离；
Figure 78407DEST_PATH_IMAGE031
——为最小相对建设成本，当
Figure 877736DEST_PATH_IMAGE032
时，
Figure 463438DEST_PATH_IMAGE033
。
5.根据权利要求4所述的一种基于人口就业分布的多交通设施选址方法，其特征在于，步骤S3具体如下：
S3.1计算距离衰减系数；
采用Logistics函数计算距离衰减系数
Figure 893282DEST_PATH_IMAGE034
，即：
Figure 430181DEST_PATH_IMAGE035
式中， g——Logistics函数的增长速率；
θ——Logistics函数的中值点，当
Figure 33200DEST_PATH_IMAGE036
时，
Figure 676671DEST_PATH_IMAGE037
；
S3.2计算选择偏好概率；
采用Logit模型计算选择偏好概率
Figure 74154DEST_PATH_IMAGE038
，即：
Figure 865393DEST_PATH_IMAGE039
式中， λ——服务人群对与候选设施点距离的敏感系数，取0.1。
6.根据权利要求5所述的一种基于人口就业分布的多交通设施选址方法，其特征在于，步骤S4具体如下：
S4.1定义可行解表示方式；
定义蜂群和蜜蜂个体，设蜂群集合为H，生成初始可行解的数量等于蜂群中蜜蜂个体数量
Figure 944207DEST_PATH_IMAGE040
，蜜蜂个体编号为b，根据选址模型中的决策变量，定义蜜蜂个体b对应的可行解为矢量
Figure 5967DEST_PATH_IMAGE041
，矢量中的某一元素为
Figure 574351DEST_PATH_IMAGE042
：
Figure 852886DEST_PATH_IMAGE043
蜜蜂个体b的可行解
Figure 735391DEST_PATH_IMAGE041
的目标函数值
Figure 150192DEST_PATH_IMAGE044
如下：
Figure 92740DEST_PATH_IMAGE045
S4.2生成蜂群及蜜蜂个体，并初始化生成所有个体的可行解；
在所有候选设施点
Figure 85667DEST_PATH_IMAGE046
中随机布设满足设施总数量约束的随机数量设施，作为蜜蜂个体的初始可行解，生成初始可行解的数量等于预设的蜂群内部蜜蜂个体数量，即：
Figure 568601DEST_PATH_IMAGE047
式中，
Figure 41171DEST_PATH_IMAGE048
——从0和1中随机选取一个数值；
生成完毕后，对初始可行解进行设施间距修正操作，并计算各蜜蜂个体b初始可行解的目标函数值
Figure 951358DEST_PATH_IMAGE049
；
S4.3采蜜阶段；
蜂群内每个蜜蜂个体b随机选择除自身以外其他蜜蜂个体h进行学习操作，并更新可行解以及进行设施数量修正操作和设施间距修正操作；蜂群内所有蜜蜂个体完成学习和修正后，计算各个蜜蜂个体b的目标函数值
Figure 938906DEST_PATH_IMAGE049
；
S4.4跟随阶段；
根据各个蜜蜂个体b的目标函数值
Figure 163214DEST_PATH_IMAGE049
，设每个蜜蜂个体b被抽取的概率为
Figure 54072DEST_PATH_IMAGE050
，通过下式计算：
Figure 338422DEST_PATH_IMAGE051
按照该概率分布抽取蜜蜂个体，对于被抽中的蜜蜂个体，进行学习操作更新可行解，以及进行设施数量修正操作和设施间距修正操作；重复抽取蜜蜂个体，直到抽取次数到达
Figure 813266DEST_PATH_IMAGE052
；
S4.5搜索阶段；
对于蜂群内每个蜜蜂个体b，每次进行学习操作时都更新可行解，除非可行解的目标函数值没有变化；设蜜蜂个体b的尝试次数为
Figure 638003DEST_PATH_IMAGE053
，当蜜蜂个体b进行学习操作后可行解没有变化时，设置
Figure 819585DEST_PATH_IMAGE054
，当
Figure 337154DEST_PATH_IMAGE053
达到最大停滞次数
Figure 797829DEST_PATH_IMAGE055
后，对蜜蜂个体b的可行解直接进行初始化操作，和初始可行解生成阶段一样，随机生成新的可行解，取代长期不变的原有可行解；
S4.6确定最优可行解
Figure 363940DEST_PATH_IMAGE057
和对应的最优目标函数值
Figure 462346DEST_PATH_IMAGE059
，确定最优可行解对应个体方法为
Figure 150816DEST_PATH_IMAGE060
；
S4.7重复步骤S4.3-S4.6，直到迭代次数到达最大迭代次数
Figure DEST_PATH_IMAGE061
。
CN202211661880.8A 2022-12-23 2022-12-23 一种基于人口就业分布的多交通设施选址方法 Active CN115630978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211661880.8A CN115630978B (zh) 2022-12-23 2022-12-23 一种基于人口就业分布的多交通设施选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211661880.8A CN115630978B (zh) 2022-12-23 2022-12-23 一种基于人口就业分布的多交通设施选址方法

Publications (2)

Publication Number Publication Date
CN115630978A true CN115630978A (zh) 2023-01-20
CN115630978B CN115630978B (zh) 2023-03-31

Family

ID=84910570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211661880.8A Active CN115630978B (zh) 2022-12-23 2022-12-23 一种基于人口就业分布的多交通设施选址方法

Country Status (1)

Country Link
CN (1) CN115630978B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402217A (zh) * 2023-04-04 2023-07-07 煤炭科学研究总院有限公司 消防站选址方法及装置
CN116862737A (zh) * 2023-06-30 2023-10-10 数字宁波科技有限公司 一种基于模拟退火和蒙特卡洛方法的公共设施选址方法
CN117196224A (zh) * 2023-09-13 2023-12-08 广州城市职业学院 一种古建筑的修复智能管理方法及系统
CN117540939A (zh) * 2024-01-10 2024-02-09 武汉市规划编审中心(武汉规划展示馆) 基于空间句法与视域分割法的广场舞场地选址方法
CN117649063A (zh) * 2024-01-30 2024-03-05 东莞市城建规划设计院 基于人口大数据的公共服务设施选址规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012043066A (ja) * 2010-08-16 2012-03-01 Toyota Infotechnology Center Co Ltd 交通インフラ改善計画作成装置およびその方法
CN103839118A (zh) * 2014-03-24 2014-06-04 中国科学院生态环境研究中心 一种选址方法和装置
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
WO2021189745A1 (zh) * 2020-03-25 2021-09-30 全球能源互联网研究院有限公司 电动汽车充电设施的推荐方法、装置、计算机设备及存储介质
CN113850426A (zh) * 2021-09-23 2021-12-28 南方科技大学 一种消防站选址方法、装置、终端设备及存储介质
CN115146946A (zh) * 2022-06-27 2022-10-04 江苏大学 基于多源数据的汽车充电设施选择及规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012043066A (ja) * 2010-08-16 2012-03-01 Toyota Infotechnology Center Co Ltd 交通インフラ改善計画作成装置およびその方法
CN103839118A (zh) * 2014-03-24 2014-06-04 中国科学院生态环境研究中心 一种选址方法和装置
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
WO2021189745A1 (zh) * 2020-03-25 2021-09-30 全球能源互联网研究院有限公司 电动汽车充电设施的推荐方法、装置、计算机设备及存储介质
CN113850426A (zh) * 2021-09-23 2021-12-28 南方科技大学 一种消防站选址方法、装置、终端设备及存储介质
CN115146946A (zh) * 2022-06-27 2022-10-04 江苏大学 基于多源数据的汽车充电设施选择及规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋正娜;: "竞争型公共设施区位决策――概念、选址原则及模型构建" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402217A (zh) * 2023-04-04 2023-07-07 煤炭科学研究总院有限公司 消防站选址方法及装置
CN116402217B (zh) * 2023-04-04 2023-11-21 煤炭科学研究总院有限公司 消防站选址方法及装置
CN116862737A (zh) * 2023-06-30 2023-10-10 数字宁波科技有限公司 一种基于模拟退火和蒙特卡洛方法的公共设施选址方法
CN117196224A (zh) * 2023-09-13 2023-12-08 广州城市职业学院 一种古建筑的修复智能管理方法及系统
CN117196224B (zh) * 2023-09-13 2024-02-09 广州城市职业学院 一种古建筑的修复智能管理方法及系统
CN117540939A (zh) * 2024-01-10 2024-02-09 武汉市规划编审中心(武汉规划展示馆) 基于空间句法与视域分割法的广场舞场地选址方法
CN117540939B (zh) * 2024-01-10 2024-04-09 武汉市规划编审中心(武汉规划展示馆) 基于空间句法与视域分割法的广场舞场地选址方法
CN117649063A (zh) * 2024-01-30 2024-03-05 东莞市城建规划设计院 基于人口大数据的公共服务设施选址规划方法
CN117649063B (zh) * 2024-01-30 2024-05-07 东莞市城建规划设计院 基于人口大数据的公共服务设施选址规划方法

Also Published As

Publication number Publication date
CN115630978B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN115630978B (zh) 一种基于人口就业分布的多交通设施选址方法
CN112241607B (zh) 一种基于仿真并考虑气候变化的水资源规划方法
Alvarez et al. Novel methodology for selecting representative operating points for the TNEP
CN108204944A (zh) 基于apso优化的lssvm的埋地管道腐蚀速率预测方法
CN113743538A (zh) 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN110460091A (zh) 一种新能源接入下的输电网最优规划的获取方法
CN114217609A (zh) 一种满足多约束条件的电网线路走廊带智能划分方法
CN109783943A (zh) 一种建筑平台智能节点拓扑生成与匹配的方法及系统
CN115965171A (zh) 一种基于优化蚁群算法的微公园选址方法
TW201635224A (zh) 智慧型短期電力發電量預測方法
CN115689081A (zh) 基于适应性协同机制的厨余垃圾收运路径动态优化方法
CN106408119A (zh) 基于类气象分区综合评价的大电网负荷预测方法
CN117236640A (zh) 低压配电网设备配置方案优化方法、装置、终端及介质
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
CN114626586A (zh) 基于prophet-LightGBM混合模型的大规模建筑能耗预测方法
CN113868812A (zh) 一种基于智能蚁群算法的中压配电网电缆路径规划方法
CN104268635A (zh) 一种基于再分析资料的测风网络布局优化方法
CN109086947A (zh) 采用r语言的交通导向的商业用地优化配置软件
CN117872763A (zh) 一种多无人机路网交通流监控路径优化方法
Jarndal et al. Forecasting of peak electricity demand using ANNGA and ANN-PSO approaches
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN116542001B (zh) 基于改进谱聚类及遗传算法的供水管网独立计量分区方法
CN115496128A (zh) 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法
CN106056330A (zh) 一种基于网络化系统的多级保障部署方法

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