CN115860594A - 一种应用于智能公交排班调度的仿真系统及方法 - Google Patents

一种应用于智能公交排班调度的仿真系统及方法 Download PDF

Info

Publication number
CN115860594A
CN115860594A CN202211491764.6A CN202211491764A CN115860594A CN 115860594 A CN115860594 A CN 115860594A CN 202211491764 A CN202211491764 A CN 202211491764A CN 115860594 A CN115860594 A CN 115860594A
Authority
CN
China
Prior art keywords
bus
time
dispatching
station
passenger flow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211491764.6A
Other languages
English (en)
Inventor
张利
李凯
王薇
江勇
张轩浩
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.)
Dongfeng Yuexiang Technology Co Ltd
Original Assignee
Dongfeng Yuexiang Technology 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 Dongfeng Yuexiang Technology Co Ltd filed Critical Dongfeng Yuexiang Technology Co Ltd
Priority to CN202211491764.6A priority Critical patent/CN115860594A/zh
Publication of CN115860594A publication Critical patent/CN115860594A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通技术领域,公开了一种应用于智能公交排班调度的仿真系统及方法:调度管理平台根据站点客流量数据和乘车客流量数据,统计公交线路各时段内各站点乘客到达率;根据站点客流量数据、乘车客流量数据和车辆运营数据,对智能公交排班调度场景进行工况分解;根据分解的工况制定各工况的输入条件与预期结果;对智能公交排班调度算法的仿真参数进行设定;对智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定;引入三种目标函数进行比较和评估;分析不同理想满载下的各项运营指标;根据仿真结果调整智能公交排班调度算法参数,使公交运营模式达到期望模式。本发明解决了公交行业内缺少智能排班调度仿真方案的问题。

Description

一种应用于智能公交排班调度的仿真系统及方法
技术领域
本发明属于交通技术领域,具体涉及一种应用于智能公交排班调度的仿真系统及方法。
背景技术
智能排班场景是针对公交系统行车时刻表、行车计划的编制以及车辆人的员配置问题,其将为公交运行提供整体调度方案,并将作为公交实时调度的基础。
智能排班场景描述如下:由公交调度系统管理员根据公交运营计划,规划公交线路、录入车辆及车辆人员信息,并通过调用调度系统智能排班算法,规划制定出当日公交时刻表、行车计划以及车辆人员配置计划,将此作为公交调度基础方案,指定车辆将基于该调度方案中的指令运行,从而实现当日公交系统多线路的高效运营。
智能调度算法是智能调度系统中的关键技术之一,其是否高效准确,决定着智能排班结果及公交运营的成败。
因此,采用仿真手段或方式,基于智能排班场景,面向算法开发及实际应用需求,完善场景下的算法方案设计,并参考实际应用场景数据和参数配置建立仿真模型。进一步地,分析算法在不同场景及工况下的可行性及优越性,对比分析各调度优化方案的效益指标,为算法开发提供模型和方法支持,为实际应用提供参数配置方案参考,具有重大现实意义。
目前公交行业内,针对于公交运营的仿真测试方法或系统主要局限在公交线网的仿真上,尚未提出对智能排班调度功能的仿真方案。
所以,本方案提一种应用于智能公交排班调度的仿真系统及方法,旨在解决上述的问题,填补智能排班调度仿真方案的空白。
发明内容
针对上述技术问题,本发明提供一种应用于智能公交排班调度的仿真系统及方法,旨在参考实际应用场景数据和参数配置建立仿真模型,填补智能排班调度仿真方案的空白。
第一方面,本发明提供了一种应用于智能公交排班调度的仿真方法,该方法包括如下步骤:
步骤1、调度管理平台根据公交车载系统和公交站台系统采集的数据,整理采集到的站点客流量数据和乘车客流量数据,统计出公交线路各时段内各站点乘客到达率。
步骤2、调度管理平台根据站点客流量数据、乘车客流量数据和车辆运营数据,对智能公交排班调度场景进行工况分解。
步骤3、公交调度仿真系统的调度仿真平台根据步骤2中分解的工况,制定出各工况的输入条件与预期结果。
步骤4、调度仿真平台对智能公交排班调度算法的仿真参数进行设定。
步骤5、调度仿真平台对智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定。
步骤6、引入三种目标函数进行比较和评估,目标函数1只考虑公交车辆的运营收益最大,目标函数2只考虑乘客等待时间最小,目标函数3同时考虑公交车辆的运营收益最大和乘客等待时间最小,分别比较三种目标函数下公交车辆的运行效益及乘客的出行体验,
其中,目标函数1为
Figure BDA0003963548860000021
其中,f为当日客流达到率特征时段编号,Tf为第f个特征时段的时间跨度,rk,f为第f个特征时段在第k个站点的乘客到达率,P为统一票价,Ct为t型公交车辆单位运营成本,L为运营平均里程,/>
Figure BDA0003963548860000022
为决策变量,/>
Figure BDA0003963548860000023
目标函数2为/>
Figure BDA0003963548860000024
其中,λi,k为在k站台的第i个班次上车的乘客人数,wi,k为在k站台的第i个班次上车的乘客最大等待时间,目标函数3为Minf=w2f2’-w1f1’,其中,w1、w2为加权系数,f1’、f2’分别为f1和f2归一化后的目标函数值,归一化公式为/>
Figure BDA0003963548860000025
步骤7、分析在不同理想满载下的各项运营指标。
步骤8、根据仿真结果调整智能公交排班调度算法的参数,使公交运营模式达到期望模式,其中,公交运营模式包括服务型模式、均衡型模式、经济型模式。
具体地,步骤1包括:
步骤11、基于公交车辆的运行班次在各站点的上下车乘客数量,制定每日乘车客流量模板。
步骤12、基于公交车辆的GPS数据,统计公交车辆在各站点间的平均行驶时长,基于各站点间的平均行驶时长和公交车辆班次的发车时刻,计算每个班次到达各个站点的时刻。
步骤13、基于统计的公交线路的各站点的站点客流数据,按节假日和工作日划分日期,分析两类日期内基于实际运营数据的站点客流数据,将公交线路的运营时间划分为多个时间段,统计公交线路各时段内各站点的乘客到达率。
具体地,步骤2包括:
步骤21、工况1,首班车发车之前判断当天日期类型为工作日还是节假日,对过去同类型日期各站点的站点客流数据进行统计,提取客流规律,结合客流规律和实际运营信息对当天的发车班次数和发车时间进行分配,调用智能公交排班调度算法制定基本行车计划,按照基本行车计划进行排班发车;
步骤22、工况2,后台调用时刻表编制接口后,获取各公交线路的时刻表,若出现异常情况,则基于时刻表,结合实时量数据和车辆运营数据,调用实时调度算法对基本行车计划进行调整,否则,则按照基本行车计划进行排班发车。
具体地,步骤4具体包括:
步骤41、线路参数设定,将公交线路分为双向线路和单向循环线路,设定公交线路的站点数量、站点编号、站间行驶距离和时间、线路运营时段、发车间隔限制;
步骤42、车辆参数设定,设定公交车辆的可投放的公交数量、平均行驶速度
Figure BDA0003963548860000031
额定载客量、满电可行驶里程数、单车固定成本、每公里行驶成本;
步骤43、客流参数设定,设定各时段、各站点的乘客到达率以及对应的目的站点的分布概率。
具体地,步骤5具体包括:
步骤51、公交车辆发车规则为,根据计算出的每个班次的发车间隔和相应配车,班次j的发车时间为
Figure BDA0003963548860000032
当时间/>
Figure BDA0003963548860000033
时,从始发站点发出班次j的相应配车;
步骤52、乘客到站规则为,班次j的公交车辆到达站点k时站点k处的累计到达乘客数量
Figure BDA0003963548860000041
按如下规则更新:
Figure BDA0003963548860000042
其中,
Figure BDA0003963548860000043
表示t时刻站点k处累积到达的乘客数量,λk,f表示站点k的乘客到达率,f表示时间t到时间t+1的时间段。
具体地,公交车载系统实时采集车辆位置信息、车辆运营状态信息,实时统计车辆上下车乘客数量;
公交站台系统通过视频监控设备统计公交站点的站点客流量数据、乘客等待时间;
公交场站系统通过视频监控设备统计公交车辆发车间隔数据、公交车辆发车车次;
公交调度仿真系统的调度管理平台记录实时客流量数据、管理历史客流量数据、车辆运营数据,运行智能公交排班调度算法,输出公交车辆基本行车计划,其中,基本行车计划包括时刻表、公交车辆、人员安排。
第二方面,本发明还提供了一种应用于智能公交排班调度的仿真系统,该系统包括:公交车载系统、公交调度仿真系统、公交站台系统、公交场站系统、4G/5G移动通信网络;
公交车载系统,包括车载移动通信终端、摄像头、乘车客流量数据采集设备,实时采集车辆位置信息、车辆运营状态信息,实时统计车辆上下车乘客数量;
公交调度仿真系统,包括调度管理平台和调度仿真平台,调度管理平台记录实时客流量数据、管理历史客流量数据、车辆运营数据,运行智能公交排班调度算法,输出公交车辆基本行车计划,调度仿真平台为智能公交排班调度算法的仿真环境,其中,基本行车计划包括时刻表、公交车辆、人员安排;
公交站台系统,通过视频监控设备统计公交站点的站点客流量数据、乘客等待时间;
公交场站系统,通过视频监控设备统计公交车辆发车间隔数据、公交车辆发车车次;
4G/5G移动通信网络,为公交车载系统、公交调度仿真系统、公交站台系统、公交场站系统提供通信连接。
智能公交排班调度的仿真流程如下:
步骤1、调度管理平台根据公交车载系统和公交站台系统采集的数据,整理采集到的站点客流量数据和乘车客流量数据,统计出公交线路各时段内各站点乘客到达率。
步骤2、调度管理平台根据站点客流量数据、乘车客流量数据和车辆运营数据,对智能公交排班调度场景进行工况分解。
步骤3、调度仿真平台根据步骤2中分解的工况,制定出各工况的输入条件与预期结果。
步骤4、调度仿真平台对智能公交排班调度算法的仿真参数进行设定。
步骤5、调度仿真平台对智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定。
步骤6、引入三种目标函数进行比较和评估,目标函数1只考虑公交车辆的运营收益最大,目标函数2只考虑乘客等待时间最小,目标函数3同时考虑公交车辆的运营收益最大和乘客等待时间最小,分别比较三种目标函数下公交车辆的运行效益及乘客的出行体验,
其中,目标函数1为
Figure BDA0003963548860000051
其中,f为当日客流达到率特征时段编号,Tf为第f个特征时段的时间跨度,rk,f为第f个特征时段在第k个站点的乘客到达率,P为统一票价,Ct为t型公交车辆单位运营成本,L为运营平均里程,/>
Figure BDA0003963548860000052
为决策变量,/>
Figure BDA0003963548860000053
目标函数2为/>
Figure BDA0003963548860000054
其中,λi,k为在k站台的第i个班次上车的乘客人数,wi,k为在k站台的第i个班次上车的乘客最大等待时间,目标函数3为Minf=w2f2’-w1f1’,其中,w1、w2为加权系数,f1’、f2’分别为f1和f2归一化后的目标函数值,归一化公式为/>
Figure BDA0003963548860000055
步骤7、分析在不同理想满载下的各项运营指标。
步骤8、根据仿真结果调整智能公交排班调度算法的参数,使公交运营模式达到期望模式,其中,公交运营模式包括服务型模式、均衡型模式、经济型模式。
具体地,步骤1包括:
步骤11、基于公交车辆的运行班次在各站点的上下车乘客数量,制定每日乘车客流量模板。
步骤12、基于公交车辆的GPS数据,统计公交车辆在各站点间的平均行驶时长,基于各站点间的平均行驶时长和公交车辆班次的发车时刻,计算每个班次到达各个站点的时刻。
步骤13、基于统计的公交线路的各站点的站点客流数据,按节假日和工作日划分日期,分析两类日期内基于实际运营数据的站点客流数据,将公交线路的运营时间划分为多个时间段,统计公交线路各时段内各站点的乘客到达率。
具体地,步骤2包括:
步骤21、工况1,首班车发车之前判断当天日期类型为工作日还是节假日,对过去同类型日期各站点的站点客流数据进行统计,提取客流规律,结合客流规律和实际运营信息对当天的发车班次数和发车时间进行分配,调用智能公交排班调度算法制定基本行车计划,按照基本行车计划进行排班发车;
步骤22、工况2,后台调用时刻表编制接口后,获取各公交线路的时刻表,若出现异常情况,则基于时刻表,结合实时量数据和车辆运营数据,调用实时调度算法对基本行车计划进行调整,否则,则按照基本行车计划进行排班发车。
具体地,步骤4包括:
步骤41、线路参数设定,将公交线路分为双向线路和单向循环线路,设定公交线路的站点数量、站点编号、站间行驶距离和时间、线路运营时段、发车间隔限制。
步骤42、车辆参数设定,设定公交车辆的可投放的公交数量、平均行驶速度
Figure BDA0003963548860000061
额定载客量、满电可行驶里程数、单车固定成本、每公里行驶成本。
步骤43、客流参数设定,设定各时段、各站点的乘客到达率以及对应的目的站点的分布概率。
本发明公开一种应用于智能公交排班调度的仿真系统及方法,针对于实际公交运营中智能排班调度仿真的问题,该方案参考实际应用场景数据和参数配置建立仿真模型,仿真分析智能公交排班调度算法在不同场景及工况下的可行性及优越性,对比分析各调度优化方案的效益指标,为智能公交排班调度算法按运营期望模式进行调整,提供模型和方法支持,并为实际应用提供参数配置方案参考。从而达成智能公交排班调度算法能被应用到实际运营中,达成运营的乘客与运营单位各自需求的目标。
附图说明
图1为本发明的一种应用于智能公交排班调度的仿真方法的流程图;
图2为本发明的期望满载率的灵敏性分析图;
图3为本发明的一种应用于智能公交排班调度的仿真系统的结构示意图。
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,以下结合附图及实施例,对本发明经行进一步的详细说明。显然,此处所描述的具体实施例仅仅用于解释本发明,是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术普通人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1所示是本发明提供的一种应用于智能公交排班调度的仿真方法的流程,包括如下步骤:
步骤1、调度管理平台根据公交车载系统和公交站台系统采集的数据,整理采集到的站点客流量数据和乘车客流量数据,统计出公交线路各时段内各站点乘客到达率。
步骤2、调度管理平台根据站点客流量数据、乘车客流量数据和车辆运营数据,对智能公交排班调度场景进行工况分解。
步骤3、调度仿真平台根据步骤2中分解的工况,制定出各工况的输入条件与预期结果。
步骤4、调度仿真平台对智能公交排班调度算法的仿真参数进行设定。
步骤5、调度仿真平台对智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定。
步骤6、引入三种目标函数进行比较和评估,目标函数1只考虑公交车辆的运营收益最大,目标函数2只考虑乘客等待时间最小,目标函数3同时考虑公交车辆的运营收益最大和乘客等待时间最小,分别比较三种目标函数下公交车辆的运行效益及乘客的出行体验,
其中,目标函数1为
Figure BDA0003963548860000081
其中,f为当日客流达到率特征时段编号,Tf为第f个特征时段的时间跨度,rk,f为第f个特征时段在第k个站点的乘客到达率,P为统一票价,Ct为t型公交车辆单位运营成本,L为运营平均里程,/>
Figure BDA0003963548860000082
为决策变量,/>
Figure BDA0003963548860000083
目标函数2为/>
Figure BDA0003963548860000084
其中,λi,k为在k站台的第i个班次上车的乘客人数,wi,k为在k站台的第i个班次上车的乘客最大等待时间,目标函数3为Minf=w2f2’-w1f1’,其中,w1、w2为加权系数,f1’、f2’分别为f1和f2归一化后的目标函数值,归一化公式为/>
Figure BDA0003963548860000085
具体地,目标函数1各变量的描述和单位如表1所示。
表1
Figure BDA0003963548860000086
具体地,归一化公式中,f为目标函数值,fmax为目标函数的最大可能取值,对于公交车辆的运营收益,可以通过考虑所有乘客都上车且所有班次都正常执行时来计算,对于乘客等待时间,可以默认所有乘客的等待时间都为最大发车间隔,fmin为目标函数的最小可能取值,对于公交车辆的运营收益和乘客等待时间,都可以取0,f,为归一化后的目标函数值。
具体地,目标函数3中,w1、w2的一般取值为0.5,两者的比值表示两个优化目标的比重。
步骤7、分析在不同理想满载下的各项运营指标。
基于1-6步骤仿真条件设置,按调度管理平台采集到的最近30天的历史客流数据样本,仿真智能公交排班调度算法的结果。对于同一组历史客流数据。为权衡公交服务质量(由乘客等待时间、乘坐舒适性表征)和运营成本(由发车班次总数表征)分析在不同理想满载下的各项运营指标。并按图2所示,完成仿真结果结论。
1)若40%满载率被认为对乘坐舒适度较优但不利用运营公司的效益。
2)若100%满载率则认为是影响乘客乘坐体验但高效利用车辆的经济最优状态。
3)若60%-80%满载率则认为是影响乘客乘坐体验但高效利用车辆的经济最优状态。
步骤8、根据仿真结果调整智能公交排班调度算法的参数,使公交运营模式达到期望模式,其中,公交运营模式包括服务型模式、均衡型模式、经济型模式。
具体地,步骤1包括:
步骤11、基于公交车辆的运行班次在各站点的上下车乘客数量,制定每日乘车客流量模板。具体地,班次一般包含公交车辆、驾驶员的信息等。
每日乘车客流量模板如表2所示。
表2
Figure BDA0003963548860000091
Figure BDA0003963548860000101
步骤12、基于公交车辆的GPS数据,统计公交车辆在各站点间的平均行驶时长,基于各站点间的平均行驶时长和公交车辆班次的发车时刻,计算每个班次到达各个站点的时刻。
统计公交在各站点间平均行驶时长如表3所示。
表3
Figure BDA0003963548860000102
步骤13、基于统计的公交线路的各站点的站点客流数据,按节假日和工作日划分日期,分析两类日期内基于实际运营数据的站点客流数据,将公交线路的运营时间划分为多个时间段,统计公交线路各时段内各站点的乘客到达率。
分析两类日期内基于实际运营数据的站点客流,两类日期分别统计10天的数据量。客流数据样本,其数据结构如表4所示。
表4
Figure BDA0003963548860000103
Figure BDA0003963548860000111
具体地,步骤2包括:
步骤21、工况1,首班车发车之前判断当天日期类型为工作日还是节假日,对过去同类型日期各站点的站点客流数据进行统计,提取客流规律,结合客流规律和实际运营信息对当天的发车班次数和发车时间进行分配,调用智能公交排班调度算法制定基本行车计划,按照基本行车计划进行排班发车。
具体地,实际运营信息为当时或当天的车辆运营信息,主要包含能够投入运营的公交车辆以及运营的时间段(比如6:30—22:00)。
步骤22、工况2,后台调用时刻表编制接口后,获取各公交线路的时刻表,若出现异常情况,则基于时刻表,结合实时量数据和车辆运营数据,调用实时调度算法对基本行车计划进行调整,否则,则按照基本行车计划进行排班发车。
具体地,步骤3包括:
步骤31:工况1,基于行车时刻表工况的输入条件及预期结果如表5所示。
表5
Figure BDA0003963548860000112
Figure BDA0003963548860000121
步骤32:工况2,行车计划编制工况的输入条件及预期结果如表6所示。
表6
Figure BDA0003963548860000122
具体地,步骤4包括:
步骤41、线路参数设定,将公交线路分为双向线路和单向循环线路,设定公交线路的站点数量、站点编号、站间行驶距离和时间、线路运营时段、发车间隔限制。
线路参数设定的主要参数还包括线路运营相关的其他约束条件,比如班次休息时间等。对于特定场景的仿真,为了凸显算法的效果,设定参数将基于实际配置并结合仿真需求调整。
步骤42、车辆参数设定,设定公交车辆的可投放的公交数量、平均行驶速度
Figure BDA0003963548860000123
额定载客量、满电可行驶里程数、单车固定成本、每公里行驶成本。
具体地,参考真实公交车辆参数设定。设置额定载客量时,无人公交不考虑站票情况,为除安全员位置外剩余座位数。
步骤43、客流参数设定,设定各时段、各站点的乘客到达率以及对应的目的站点的分布概率。
仿真所采用的测试客流数据应不同于算法优化所使用的历史客流样本,因此客流参数将参考历史客流数据样本在时间和空间上的波动来生成。
具体地,步骤5包括:
步骤51、公交车辆发车规则为,根据计算出的每个班次的发车间隔和相应配车,班次j的发车时间为
Figure BDA0003963548860000131
当时间/>
Figure BDA0003963548860000132
时,从始发站点发出班次j的相应配车。
步骤52、乘客到站规则为,班次j的公交车辆到达站点k时站点k处的累计到达乘客数量
Figure BDA0003963548860000133
按如下规则更新:
Figure BDA0003963548860000134
其中,
Figure BDA0003963548860000135
表示t时刻站点k处累积到达的乘客数量,λk,f表示站点k的乘客到达率,f表示时间t到时间t+1的时间段。
具体地,公交车载系统实时采集车辆位置信息、车辆运营状态信息,实时统计车辆上下车乘客数量。
公交车载系统为公交调度仿真系统提供车辆运行数据与客流OD数据的来源。
公交站台系统通过视频监控设备统计公交站点的站点客流量数据、乘客等待时间。
优选地,为仿真系统提供站台客流量数据、乘客等待时间等数据计算来源。
公交场站系统通过视频监控设备统计公交车辆发车间隔数据、公交车辆发车车次。
公交调度仿真系统的调度管理平台记录实时客流量数据、管理历史客流量数据、车辆运营数据,运行智能公交排班调度算法,输出公交车辆基本行车计划,其中,基本行车计划包括时刻表、公交车辆、人员安排。
实时客流量数据包括站点客流量数据与乘车客流量数据。
优选地,智能公交排班调度算法的仿真环境利用MATLABR2021a在Windows10环境下实现,最低硬件要求为处理器Intel(R)Core(TM)i5-7200U CPU,8G运行内存。
图3所示是本发明提供的一种应用于智能公交排班调度的仿真系统的结构示意图,该系统包括:公交车载系统、公交调度仿真系统、公交站台系统、公交场站系统、4G/5G移动通信网络。
公交车载系统,包括车载移动通信终端、摄像头、乘车客流量数据采集设备,实时采集车辆位置信息、车辆运营状态信息,实时统计车辆上下车乘客数量;
公交调度仿真系统,包括调度管理平台和调度仿真平台,调度管理平台记录实时客流量数据、管理历史客流量数据、车辆运营数据,运行智能公交排班调度算法,输出公交车辆基本行车计划,调度仿真平台为智能公交排班调度算法的仿真环境,其中,基本行车计划包括时刻表、公交车辆、人员安排;
公交站台系统,通过视频监控设备统计公交站点的站点客流量数据、乘客等待时间;
公交场站系统,通过视频监控设备统计公交车辆发车间隔数据、公交车辆发车车次;
4G/5G移动通信网络,为公交车载系统、公交调度仿真系统、公交站台系统、公交场站系统提供通信连接;
智能公交排班调度的仿真流程如下:
步骤1、调度管理平台根据公交车载系统和公交站台系统采集的数据,整理采集到的站点客流量数据和乘车客流量数据,统计出公交线路各时段内各站点乘客到达率;
步骤2、调度管理平台根据站点客流量数据、乘车客流量数据和车辆运营数据,对智能公交排班调度场景进行工况分解;
步骤3、调度仿真平台根据步骤2中分解的工况,制定出各工况的输入条件与预期结果;
步骤4、调度仿真平台对智能公交排班调度算法的仿真参数进行设定;
步骤5、调度仿真平台对智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定;
步骤6、引入三种目标函数进行比较和评估,目标函数1只考虑公交车辆的运营收益最大,目标函数2只考虑乘客等待时间最小,目标函数3同时考虑公交车辆的运营收益最大和乘客等待时间最小,分别比较三种目标函数下公交车辆的运行效益及乘客的出行体验,
其中,目标函数1为
Figure BDA0003963548860000151
其中,f为当日客流达到率特征时段编号,Tf为第f个特征时段的时间跨度,rk,f为第f个特征时段在第k个站点的乘客到达率,P为统一票价,Ct为t型公交车辆单位运营成本,L为运营平均里程,/>
Figure BDA0003963548860000152
为决策变量,/>
Figure BDA0003963548860000153
目标函数2为/>
Figure BDA0003963548860000154
其中,λi,k为在k站台的第i个班次上车的乘客人数,wi,k为在k站台的第i个班次上车的乘客最大等待时间,目标函数3为Minf=w2f2’-w1f1’,其中,w1、w2为加权系数,f1’、f2’分别为f1和f2归一化后的目标函数值,归一化公式为/>
Figure BDA0003963548860000155
步骤7、分析在不同理想满载下的各项运营指标;
步骤8、根据仿真结果调整智能公交排班调度算法的参数,使公交运营模式达到期望模式,其中,公交运营模式包括服务型模式、均衡型模式、经济型模式。
具体地,步骤1具体包括:
步骤11、基于公交车辆的运行班次在各站点的上下车乘客数量,制定每日乘车客流量模板;
步骤12、基于公交车辆的GPS数据,统计公交车辆在各站点间的平均行驶时长,基于各站点间的平均行驶时长和公交车辆班次的发车时刻,计算每个班次到达各个站点的时刻;
步骤13、基于统计的公交线路的各站点的站点客流数据,按节假日和工作日划分日期,分析两类日期内基于实际运营数据的站点客流数据,将公交线路的运营时间划分为多个时间段,统计公交线路各时段内各站点的乘客到达率。
具体地,步骤2具体包括:
步骤21、工况1,首班车发车之前判断当天日期类型为工作日还是节假日,对过去同类型日期各站点的站点客流数据进行统计,提取客流规律,结合客流规律和实际运营信息对当天的发车班次数和发车时间进行分配,调用智能公交排班调度算法制定基本行车计划,按照基本行车计划进行排班发车;
步骤22、工况2,后台调用时刻表编制接口后,获取各公交线路的时刻表,若出现异常情况,则基于时刻表,结合实时客流量数据和车辆运营数据,调用实时调度算法对基本行车计划进行调整,否则,则按照基本行车计划进行排班发车。
具体地,步骤4具体包括:
步骤41、线路参数设定,将公交线路分为双向线路和单向循环线路,设定公交线路的站点数量、站点编号、站间行驶距离和时间、线路运营时段、发车间隔限制;
步骤42、车辆参数设定,设定公交车辆的可投放的公交数量、平均行驶速度
Figure BDA0003963548860000161
额定载客量、满电可行驶里程数、单车固定成本、每公里行驶成本;
步骤43、客流参数设定,设定各时段、各站点的乘客到达率以及对应的目的站点的分布概率。
以上上述的实施例仅表达了本发明的实施优选方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种应用于智能公交排班调度的仿真方法,其特征在于,包括如下步骤:
步骤1、调度管理平台根据公交车载系统和公交站台系统采集的数据,整理采集到的站点客流量数据和乘车客流量数据,统计出公交线路各时段内各站点乘客到达率;
步骤2、所述调度管理平台根据所述站点客流量数据、所述乘车客流量数据和车辆运营数据,对智能公交排班调度场景进行工况分解;
步骤3、调度仿真平台根据所述步骤2中分解的工况,制定出各工况的输入条件与预期结果;
步骤4、所述调度仿真平台对智能公交排班调度算法的仿真参数进行设定;
步骤5、所述调度仿真平台对所述智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定;所述步骤5具体包括:
步骤51、所述公交车辆发车规则为,根据计算出的每个班次的发车间隔和相应配车,班次j的发车时间为
Figure FDA0003963548850000011
当时间/>
Figure FDA0003963548850000012
时,从始发站点发出所述班次j的所述相应配车;
步骤52、所述乘客到站规则为,所述班次j的所述公交车辆到达站点k时所述站点k处的累计到达乘客数量
Figure FDA0003963548850000013
按如下规则更新:
Figure FDA0003963548850000014
其中,
Figure FDA0003963548850000015
表示t时刻站点k处累积到达的乘客数量,λk,f表示站点k的所述乘客到达率,f表示时间t到时间t+1的时间段;
步骤6、引入三种目标函数进行比较和评估,目标函数1只考虑公交车辆的运营收益最大,目标函数2只考虑乘客等待时间最小,目标函数3同时考虑所述公交车辆的运营收益最大和所述乘客等待时间最小,分别比较所述三种目标函数下所述公交车辆的运行效益及乘客的出行体验;
步骤7、分析在不同理想满载下的各项运营指标;
步骤8、根据仿真结果调整所述智能公交排班调度算法的参数,使公交运营模式达到期望模式,其中,所述公交运营模式包括服务型模式、均衡型模式、经济型模式。
2.根据权利要求1所述的一种应用于智能公交排班调度的仿真方法,其特征在于,所述步骤1具体包括:
步骤11、基于所述公交车辆的运行班次在各站点的上下车乘客数量,制定每日乘车客流量模板;
步骤12、基于所述公交车辆的GPS数据,统计所述公交车辆在各站点间的平均行驶时长,基于所述各站点间的平均行驶时长和所述公交车辆班次的发车时刻,计算每个班次到达各个站点的时刻;
步骤13、基于统计的所述公交线路的各站点的所述站点客流数据,按节假日和工作日划分日期,分析两类日期内基于实际运营数据的所述站点客流数据,将所述公交线路的运营时间划分为多个时间段,统计所述公交线路各时段内各站点的所述乘客到达率。
3.根据权利要求1所述的一种应用于智能公交排班调度的仿真方法,其特征在于,所述步骤2具体包括:
步骤21、工况1,首班车发车之前判断当天日期类型为工作日还是节假日,对过去同类型日期各站点的所述站点客流数据进行统计,提取客流规律,结合所述客流规律和实际运营信息对当天的发车班次数和发车时间进行分配,调用所述智能公交排班调度算法制定基本行车计划,按照所述基本行车计划进行排班发车;
步骤22、工况2,后台调用时刻表编制接口后,获取各公交线路的所述时刻表,若出现异常情况,则基于所述时刻表,结合实时客流量数据和所述车辆运营数据,调用实时调度算法对所述基本行车计划进行调整,否则,则按照所述基本行车计划进行排班发车。
4.根据权利要求1所述的一种应用于智能公交排班调度的仿真方法,其特征在于,所述步骤4具体包括:
步骤41、线路参数设定,将所述公交线路分为双向线路和单向循环线路,设定所述公交线路的站点数量、站点编号、站间行驶距离和时间、线路运营时段、发车间隔限制;
步骤42、车辆参数设定,设定所述公交车辆的可投放的公交数量、平均行驶速度
Figure FDA0003963548850000036
额定载客量、满电可行驶里程数、单车固定成本、每公里行驶成本;
步骤43、客流参数设定,设定各时段、各站点的所述乘客到达率以及对应的目的站点的分布概率。
5.根据权利要求1所述的一种应用于智能公交排班调度的仿真方法,其特征在于,所述步骤6中:所述目标函数1为
Figure FDA0003963548850000031
其中,f为当日客流达到率特征时段编号,Tf为第f个特征时段的时间跨度,rk,f为第f个特征时段在第k个站点的乘客到达率,P为统一票价,Ct为t型公交车辆单位运营成本,L为运营平均里程,/>
Figure FDA0003963548850000032
为决策变量,/>
Figure FDA0003963548850000033
所述目标函数2为/>
Figure FDA0003963548850000034
其中,λi,k为在k站台的第i个班次上车的乘客人数,wi,k为在所述k站台的所述第i个班次上车的乘客最大等待时间,所述目标函数3为Minf=w2f2’-w1f1’,其中,w1、w2为加权系数,f1’、f2’分别为所述f1和所述f2归一化后的目标函数值,归一化公式为/>
Figure FDA0003963548850000035
6.根据权利要求3所述的一种应用于智能公交排班调度的仿真方法,其特征在于,所述公交车载系统实时采集车辆位置信息、车辆运营状态信息,实时统计所述上下车乘客数量;
所述公交站台系统通过视频监控设备统计公交站点的站点客流量数据、乘客等待时间;
公交场站系统通过视频监控设备统计公交车辆发车间隔数据、公交车辆发车车次;
公交调度仿真系统的调度管理平台记录所述实时客流量数据、管理历史客流量数据、车辆运营数据,运行所述智能公交排班调度算法,输出公交车辆所述基本行车计划,其中,所述基本行车计划包括时刻表、所述公交车辆、人员安排。
7.一种应用于智能公交排班调度的仿真系统,其特征在于,包括公交车载系统、公交调度仿真系统、公交站台系统、公交场站系统、4G/5G移动通信网络;
所述公交车载系统,包括车载移动通信终端、摄像头、乘车客流量数据采集设备,实时采集车辆位置信息、车辆运营状态信息,实时统计车辆上下车乘客数量;
所述公交调度仿真系统,包括调度管理平台和调度仿真平台,所述调度管理平台记录实时客流量数据、管理历史客流量数据、车辆运营数据,运行智能公交排班调度算法,输出公交车辆基本行车计划,所述调度仿真平台为所述智能公交排班调度算法的仿真环境,其中,所述基本行车计划包括时刻表、公交车辆、人员安排;
所述公交站台系统,通过视频监控设备统计公交站点的站点客流量数据、乘客等待时间;
所述公交场站系统,通过视频监控设备统计公交车辆发车间隔数据、公交车辆发车车次;
所述4G/5G移动通信网络,为所述公交车载系统、所述公交调度仿真系统、所述公交站台系统、所述公交场站系统提供通信连接;
所述智能公交排班调度的仿真流程如下:
步骤1、所述调度管理平台根据所述公交车载系统和所述公交站台系统采集的数据,整理采集到的所述站点客流量数据和所述乘车客流量数据,统计出公交线路各时段内各站点乘客到达率;
步骤2、所述调度管理平台根据所述站点客流量数据、所述乘车客流量数据和所述车辆运营数据,对智能公交排班调度场景进行工况分解;
步骤3、所述调度仿真平台根据所述步骤2中分解的工况,制定出各工况的输入条件与预期结果;
步骤4、所述调度仿真平台对所述智能公交排班调度算法的仿真参数进行设定;
步骤5、所述调度仿真平台对所述智能公交排班调度算法仿真过程中的公交车辆发车规则和乘客到站规则进行设定;
步骤6、引入三种目标函数进行比较和评估,目标函数1只考虑所述公交车辆的运营收益最大,目标函数2只考虑乘客等待时间最小,目标函数3同时考虑所述公交车辆的运营收益最大和所述乘客等待时间最小,分别比较所述三种目标函数下所述公交车辆的运行效益及乘客的出行体验,
其中,所述目标函数1为
Figure FDA0003963548850000041
其中,f为当日客流达到率特征时段编号,Tf为第f个特征时段的时间跨度,rk,f为第f个特征时段在第k个站点的乘客到达率,P为统一票价,Ct为t型公交车辆单位运营成本,L为运营平均里程,/>
Figure FDA0003963548850000051
为决策变量,/>
Figure FDA0003963548850000052
所述目标函数2为/>
Figure FDA0003963548850000053
其中,λi,k为在k站台的第i个班次上车的乘客人数,wi,k为在所述k站台的所述第i个班次上车的乘客最大等待时间,所述目标函数3为Minf=w2f2’-w1f1’,其中,w1、w2为加权系数,f1’、f2’分别为所述f1和所述f2归一化后的目标函数值,归一化公式为/>
Figure FDA0003963548850000054
步骤7、分析在不同理想满载下的各项运营指标;
步骤8、根据仿真结果调整所述智能公交排班调度算法的参数,使公交运营模式达到期望模式,其中,所述公交运营模式包括服务型模式、均衡型模式、经济型模式。
8.根据权利要求7所述的一种应用于智能公交排班调度的仿真系统,其特征在于,所述步骤1具体包括:
步骤11、基于所述公交车辆的运行班次在各站点的所述上下车乘客数量,制定每日乘车客流量模板;
步骤12、基于所述公交车辆的GPS数据,统计所述公交车辆在各站点间的平均行驶时长,基于所述各站点间的平均行驶时长和所述公交车辆班次的发车时刻,计算每个班次到达各个站点的时刻;
步骤13、基于统计的所述公交线路的各站点的所述站点客流数据,按节假日和工作日划分日期,分析两类日期内基于实际运营数据的所述站点客流数据,将所述公交线路的运营时间划分为多个时间段,统计所述公交线路各时段内各站点的所述乘客到达率。
9.根据权利要求7所述的一种应用于智能公交排班调度的仿真系统,其特征在于,所述步骤2具体包括:
步骤21、工况1,首班车发车之前判断当天日期类型为工作日还是节假日,对过去同类型日期各站点的所述站点客流数据进行统计,提取客流规律,结合所述客流规律和实际运营信息对当天的发车班次数和发车时间进行分配,调用所述智能公交排班调度算法制定所述基本行车计划,按照所述基本行车计划进行排班发车;
步骤22、工况2,后台调用时刻表编制接口后,获取各公交线路的所述时刻表,若出现异常情况,则基于所述时刻表,结合所述实时客流量数据和所述车辆运营数据,调用实时调度算法对所述基本行车计划进行调整,否则,则按照所述基本行车计划进行排班发车。
10.根据权利要求7所述的一种应用于智能公交排班调度的仿真系统,其特征在于,所述步骤4具体包括:
步骤41、线路参数设定,将所述公交线路分为双向线路和单向循环线路,设定所述公交线路的站点数量、站点编号、站间行驶距离和时间、线路运营时段、发车间隔限制;
步骤42、车辆参数设定,设定所述公交车辆的可投放的公交数量、平均行驶速度
Figure FDA0003963548850000061
额定载客量、满电可行驶里程数、单车固定成本、每公里行驶成本;
步骤43、客流参数设定,设定各时段、各站点的所述乘客到达率以及对应的目的站点的分布概率。
CN202211491764.6A 2022-11-25 2022-11-25 一种应用于智能公交排班调度的仿真系统及方法 Pending CN115860594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211491764.6A CN115860594A (zh) 2022-11-25 2022-11-25 一种应用于智能公交排班调度的仿真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211491764.6A CN115860594A (zh) 2022-11-25 2022-11-25 一种应用于智能公交排班调度的仿真系统及方法

Publications (1)

Publication Number Publication Date
CN115860594A true CN115860594A (zh) 2023-03-28

Family

ID=85666575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211491764.6A Pending CN115860594A (zh) 2022-11-25 2022-11-25 一种应用于智能公交排班调度的仿真系统及方法

Country Status (1)

Country Link
CN (1) CN115860594A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151598A (zh) * 2023-04-20 2023-05-23 武汉嘉联瑞通应用科技有限公司 一种基于客流量同步优化的智能公交均衡调度方法及系统
CN116485137A (zh) * 2023-04-20 2023-07-25 浪潮智慧科技有限公司 一种基于大数据的智慧公交调度方法、设备及介质
CN117495059A (zh) * 2023-12-29 2024-02-02 天津交控科技有限公司 一种轨道交通运行数据分析方法及储存介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151598A (zh) * 2023-04-20 2023-05-23 武汉嘉联瑞通应用科技有限公司 一种基于客流量同步优化的智能公交均衡调度方法及系统
CN116485137A (zh) * 2023-04-20 2023-07-25 浪潮智慧科技有限公司 一种基于大数据的智慧公交调度方法、设备及介质
CN116485137B (zh) * 2023-04-20 2023-10-13 浪潮智慧科技有限公司 一种基于大数据的智慧公交调度方法、设备及介质
CN117495059A (zh) * 2023-12-29 2024-02-02 天津交控科技有限公司 一种轨道交通运行数据分析方法及储存介质
CN117495059B (zh) * 2023-12-29 2024-04-12 天津交控科技有限公司 一种轨道交通运行数据分析方法及储存介质

Similar Documents

Publication Publication Date Title
CN112598182B (zh) 一种轨道交通智能调度方法及系统
CN108242149B (zh) 一种基于交通数据的大数据分析方法
CN108773279B (zh) 一种电动汽车充电路径规划方法及装置
CN115860594A (zh) 一种应用于智能公交排班调度的仿真系统及方法
CN111815189B (zh) 模块化公交调度系统
CN109034566B (zh) 一种基于公交站点上下客流的智能调度方法及装置
CN105575108B (zh) 一种智能公交调度运营方法
CN104200286B (zh) 一种城市轨道交通时刻表优化技术应用框架
CN113920769B (zh) 一种基于公交多源数据分析的智能排班表生成方法
CN105894847B (zh) 一种云平台环境下无监督学习的实时公交动态调度系统及方法
CN108622142A (zh) 一种基于实时客流的列车智能运行调整系统及方法
CN109255972B (zh) 一种基于大数据的地面公交固定线路时刻表的优化方法
CN107564270A (zh) 一种智能公交调度运营方法
CN111160815B (zh) 一种铁路货物运输机车运用计划自动编制方法及系统
CN112309122A (zh) 一种基于多系统协同的智慧公交分级决策系统
CN111739287A (zh) 一种车路协同智慧站台智能调度系统
CN103366224B (zh) 一种基于公交网络的乘客需求预测系统和方法
CN114446076B (zh) 一种基于5g通信技术的智能调度控制系统
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
CN115018148A (zh) 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统
CN112465213B (zh) 一种地铁乘客信息服务系统的辅助装置及方法
CN114707709A (zh) 铁路综合客运枢纽安全预警方法及系统
CN117371596A (zh) 一种基于多源数据的智慧城市用公共交通综合调控系统
CN113849989B (zh) 一种公交线网仿真系统
CN114971136A (zh) 一种公交及巡游小巴调度方法

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