CN116432386A - 一种用于智能公交系统的多车型时刻表设计方法及系统 - Google Patents

Abstract

本发明公开了一种用于智能公交系统的多车型时刻表设计方法及系统，其包括：步骤1，根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置；步骤2，读取并处理对应线路多天的历史运营数据，统计分析对应运营周期内的客流需求规律及车辆站间行驶时长；步骤3，构建用于评估生成的多车型发车时刻表方案的多目标优化函数；步骤4，构建多车型时刻表的约束条件集；步骤5，根据多目标优化函数和多车型时刻表的约束条件集，采用多目标优化算法求解得到该问题的Pareto最优解集；步骤6，从Pareto最优解集中筛选代表不同效益偏好的解，生成对应的发车时刻表方案。本发明能够基于既定资源配置和历史客流数据制定出单一公交线路的多车型发车时刻表。

Description

一种用于智能公交系统的多车型时刻表设计方法及系统

技术领域

本发明涉及智能交通技术领域，特别是关于一种用于智能公交系统的多车型时刻表设计方法及系统。

背景技术

随着城市经济与技术的快速发展，智能网联车辆技术被逐步应用到城市公共交通系统中，为城市公交出行所面临的资源利用不充分、服务质量和成本投入不平衡等问题提供了新的解决思路。相较于传统公交系统，自动驾驶公交系统在降低能耗、提升运营效率及公交出行吸引力等方面具有更大的潜力，被认为是智慧城市建设中的重要一环。

在现有自动驾驶公交运营场景中，调度系统通常可指派不同类型的车辆执行班次任务，以满足运营时段内时变的客流需求，进而实现运力供给与服务需求的匹配。因此，在给定线路布局及资源配置下，合理的公交线路发车时刻表是自动驾驶公交系统的运营及后续调度的基础，其在提升服务满意度和可靠性方面有着至关重要的作用。

然而，传统的公交调度系统在发车时刻表设计环节通常采用固定的发车频率和单一的车型，少有的改进型方案也只是将发车时刻与车型划分为两阶段问题进行计算。这类时刻表设计方法在对时变客流的适应性、不同类型运力资源的合理利用以及不同出行参与者效益的权衡等方面存在一定不足，难以充分发挥自动驾驶公交系统在效率、灵活性、自主性上的优势。

一专利文献公开了一种基于遗传算法的公交排班调度方法及系统，其将一天划分为六个时段，并对线路交通出行量进行计算及分析，得到线路不同时段的初始化班次；再以最小平均候车时间及所有候车时间标准差为目标，在发车班次一定的情况下，利用遗传算法对班次偏移列表进行优化，并得到最终的不同时段的发车频次和时刻表。但是，该专利技术仅考虑了单一车型运营场景下的发车时刻表设计问题，该方案无法用于拥有两种及以上不同车型的公交运营系统，且对优化目标的考虑较为单一、计算较为简化。因此，在实际应用过程中存在较大的局限性。

另一专利文献公开了一种基于遗传算法的公交发车时间间隔优化方法，其以车辆满载率最大和乘客等待时间最小为优化目标，并将二者加权求和转化为单目标，再通过遗传算法优化发车时间间隔，进而根据间隔序列制定出发车时刻表方案。但是，该技术将两个目标通过加权求和的方式转换为单目标问题求解，实际使用时需要通过调整权重系数来权衡两个冲突的目标，而对于复杂多变的实际场景而言该调整过程是繁琐且耗时的，将对方案的实施产生影响。仅对发车间隔优化，并未考虑发车车型的异质性。

现有技术中还有一种多车型发车时刻表两阶段设计方法，其是将公交线路班次发车时刻与车型作为两个阶段的决策问题。第一阶段先以最大断面客流量及所有车型额定载客量的平均值为依据确定每个时段内的发车频次，并以均匀间隔的方式确定班次发车时刻序列；第二阶段则基于元启发式算法优化与发车时刻序列对应的发车车型序列。最终得到整个运营周期内的多车型发车时刻表。该设计方法在对不同车型的处理上，仅考虑车型平均载客量来确定发车频次，而忽略不同车型在行驶成本和可用车辆数量的影响，因此在计算上存在局限性，无法保证所得时刻表方案的实际性能。此外，该方法以两阶段方式设计多车型时刻表，依次计算发车时刻和车型，而由于不同车型车辆在运力水平上存在较大差异，班次车型的容量将直接影响其最优的发车时刻。因此，该技术方案存在所得方案最优性缺失的问题，在最优性上仍有较大优化空间。

发明内容

鉴于上述现有技术的不足，本发明提供一种用于智能公交系统的多车型时刻表设计方法及系统，其能够基于既定资源配置和历史客流数据制定出单一公交线路的多车型发车时刻表。

为实现上述目的，本发明提供一种用于智能公交系统的多车型时刻表设计方法，其包括：

步骤1，根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置；

步骤2，读取并处理对应线路多天的历史运营数据，统计分析对应运营周期内的客流需求规律及车辆站间行驶时长；

步骤3，构建用于评估生成的多车型发车时刻表方案的多目标优化函数；

步骤4，构建多车型时刻表的约束条件集；

步骤5，根据多目标优化函数和多车型时刻表的约束条件集，采用多目标优化算法求解得到该问题的Pareto最优解集TT^ps；

步骤6，从Pareto最优解集TT^ps中筛选代表不同效益偏好的解，生成对应的发车时刻表方案。

进一步地，步骤2中的运营周期内的客流需求规律包括各站点的客流到达率α_kf和下车乘客占比ρ_kf，步骤2包括：

步骤21，将整个运营周期[t₀,t_e]按照特征周期长度τ划分为若干个特征时段f∈F＝{1,2,…,N^F}；其中，t₀、t_e分别为单日的运营起始时刻和终止时刻，F为特征时段集合，N^F为划分出的特征时段f的总数目；

步骤22，遍历单日运营数据中的每个发车班次，将每个到站时间对应至相应的特征时段，并累加每个特征时段内的上车人数、下车人数占比和站间行驶时长；

步骤23，通过将累加后的特征时段f内上车人数除以τ，得到单日该特征时段f内站点客流到达率；通过将累加后的下车人数占比除以单日发车班次数量，得到单日该特征时段f内平均站点下车人数占比；通过将累加后的站间行驶时长除以累加次数，得到线路相邻站点间的平均行驶时长；

步骤24，遍历读取到的所有单日运营数据，重复步骤22及步骤23，将所有单日运营数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k。

进一步地，步骤3中多目标优化函数包括整个运营周期内的乘客平均等待时间Z_AWT和总运营成本Z_TOC，Z_AWT、Z_TOC分别由如下公式(1)、式(7)计算得到：

式中，k为站点的索引；N^K为站点数目；m为班次索引；N^M为发车班次总数目；

为步骤2分析得到的特征时段/>

内站点k的客流到达率；α_k[f]为步骤2分析得到的特征时段f内站点k的客流到达率；/>

表示对t_mk/τ向上取整；τ为特征周期长度；t_mk为班次m预计到达站点k的时间，t_(m-1)k为班次m-1次预计到达站点k的时间；

式中，N^I为车辆类型总数，i为车辆类型索引，NT_i为发车时刻表方案中车辆类型i的班次数量，R为线路总行驶里程；C_i为车辆类型i的单位行驶成本。

进一步地，步骤4的约束条件集包括首末班次发车时刻约束、班次发车间隔约束、班次资源利用率约束、可用车辆资源约束和车辆额定载客量限制。

进一步地，步骤6具体包括：

步骤61，将步骤5得到的Pareto最优解集TT^ps中的时刻表方案根据目标函数值Z_AWT升序排序，并记录其包含的时刻表方案数目N。

步骤62，将Pareto最优解集TT^ps中的首个解作为服务质量优先的时刻表方案TT-QoS，将Pareto最优解集TT^ps中的最后一个解作为运营成本优先的时刻表方案TT-Cost，将位于TT^ps中间的解作为服务-成本均衡的时刻表方案TT-Eq；

步骤63，将步骤62获得的时刻表方案TT-QoS、TT-Cost和TT-Eq均标记乘客平均等待时间、总运营成本计算值以及所需的各车型车辆数目后，作为可选的时刻表方案输出。

本发明还提供一种执行如上所述用于智能公交系统的多车型时刻表设计方法的系统，其包括：

参数配置模块，其用于根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置；

数据读取模块，其用于向数据库读取公交线路的历史运营数据，该数据包括多个单日内的所有发车班次在线路各站点的到离站时刻、上下车乘客数目；

数据分析模块，其用于统计分析对应运营周期内的客流需求规律及车辆站间行驶时长；

时刻表生成模块，其用于构建用于评估生成的多车型发车时刻表方案的多目标优化函数及多车型时刻表的约束条件集，并采用多目标优化算法求解得到该问题的Pareto最优解集TT^ps；

方案输出模块，其用于从Pareto最优解集TT^ps中筛选代表不同效益偏好的解，生成对应的发车时刻表方案。

进一步地，数据分析模块中的运营周期内的客流需求规律包括各站点的客流到达率α_kf、下车乘客占比ρ_kf，数据分析模块包括：

时段划分单元，其用于将整个运营周期[t₀,t_e]按照特征周期长度τ划分为若干个特征时段f∈F＝{1,2,…,N^F}；其中，t₀、t_e分别为单日的运营起始时刻和终止时刻，F为特征时段集合，N^F为划分出的特征时段f的总数目；

计算单元，其用于遍历单日运营数据中的每个发车班次，将每个到站时间对应至相应的特征时段，并累加每个特征时段内的上车人数、下车人数占比和站间行驶时长；通过将累加后的特征时段f内上车人数除以τ，得到单日该特征时段f内站点客流到达率；通过将累加后的下车人数占比除以单日发车班次数量，得到单日该特征时段f内平均站点下车人数占比；通过将累加后的站间行驶时长除以累加次数，得到线路相邻站点间的平均行驶时长；最后将所有单日运营数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k。

进一步地，时刻表生成模块中多目标优化函数包括整个运营周期内的乘客平均等待时间Z_AWT和总运营成本Z_TOC，Z_AWT、Z_TOC分别由如下公式(1)、式(7)计算得到，约束条件集包括首末班次发车时刻约束、班次发车间隔约束、班次资源利用率约束、可用车辆资源约束和车辆额定载客量限制：

式中，k为站点的索引；N^K为站点数目；m为班次索引；N^M为发车班次总数目；

为步骤2分析得到的特征时段/>

内站点k的客流到达率；α_k[f]为步骤2分析得到的特征时段f内站点k的客流到达率；/>

表示对t_mk/τ向上取整；τ为特征周期长度；t_mk为班次m预计到达站点k的时间，t_(m-1)k为班次m-1次预计到达站点k的时间；

式中，N^I为车辆类型总数，i为车辆类型索引，NT_i为发车时刻表方案中车辆类型i的班次数量，R为线路总行驶里程；C_i为车辆类型i的单位行驶成本。

进一步地，方案输出模块包括：

排序单元，其用于将时刻表生成模块得到的Pareto最优解集TT^ps中的时刻表方案根据目标函数值Z_AWT升序排序，更新TT^ps并记录其包含的时刻表方案数目N；

时刻表方案筛选单元，其用于将Pareto最优解集TT^ps中的首个解作为服务质量优先的时刻表方案TT-QoS，将Pareto最优解集TT^ps中的最后一个解作为运营成本优先的时刻表方案TT-Cost，将位于TT^ps中间的解作为服务-成本均衡的时刻表方案TT-Eq；

发车时刻表方案生成单元，其用于将时刻表方案TT-QoS、TT-Cost和TT-Eq均标记乘客平均等待时间、总运营成本计算值以及所需的各车型车辆数目后，作为可选的时刻表方案输出。

本发明由于采取以上技术方案，其具有以下优点：特别地，

本发明的有益效果在于以下方面：

1)将公交线路的班次发车时刻及车型融合到同一框架中进行优化计算，可更好地实现公交运力资源与时变客流需求的匹配，在资源利用率、均衡度及服务质量上都优于现有的两阶段计算方法；

2)将公交发车时刻表设计以多目标优化的形式进行定义和优化求解，可得到权衡出行乘客及公交运营商双方效益的不同时刻表方案，有效降低乘客出行时间和公交运营成本，提升公交系统的整体服务水平；

3)相较于一般公交排班方法将多个优化目标通过比例放缩和加权求和转换为单目标问题的方式，本方法可减少不必要的参数设置，并且能够以用户友好的方式供调度人员使用，公交调度员或计算机系统可根据公交运营实际需求偏好来选择最终的执行方案。

附图说明

图1为本发明实施例中多车型智能公交系统时刻表设计方法的流程图。

图2为本发明实施例中多车型智能公交系统时刻表设计系统的框图。

图3为本发明实施例中多车型智能公交系统时刻表方案的编码方式示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明实施例提供的用于多车型智能公交系统的发车时刻表设计方法包括：

步骤1，根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置。

线路运营参数包括：线路运营时段的起止时间t₀和t_e、运营日类型(工作日或节假日)、线路总行驶里程R、单车班次间休整时长T^s、最大发车间隔时长H_max、最小班次发车间隔时长H_min和班次利用率下限ε。

多车型公交资源配置包括：线路运营可发车的所有车型i，i∈I＝{1,2,…,N^I}、以及各车型车辆对应的额定载客量S_i、单位行驶成本C_i和可使用的车辆数量V_i。

步骤2，读取并处理对应线路多天的历史运营数据，统计分析对应运营周期内的客流需求规律及车辆站间行驶时长。

线路历史运营数据包括：同一运营日类型下的多个单日内的所有发车班次在线路各站点的到离站时刻及上下车乘客数目。其中，k表示站点的索引，k∈K＝{1,2,…,N^K}。

单日历史运营数据结构如下表所示(举例)：

在一个实施例中，步骤2包括：

步骤21，将整个运营周期[t₀,t_e]按照特征周期长度τ划分为若干个特征时段f∈F＝{1,2,…,N^F}。其中，t₀、t_e分别为单日的运营起始时刻和终止时刻，F为特征时段集合，N^F为划分出的特征时段f的总数目。

步骤22，遍历单日运营数据中的每个发车班次，将每个到站时间对应至相应的特征时段，并累加每个特征时段内的上车人数、下车人数占比和站间行驶时长。例如：班次集合表示为m∈M＝{1,2,…,N^M}，j_m表示班次m的发车时刻，i_m表示班次m的发车车型索引。

步骤23，通过将累加后的特征时段f内上车人数除以τ，得到单日该特征时段f内站点客流到达率；通过将累加后的下车人数占比除以单日发车班次数量，得到单日该特征时段f内平均站点下车人数占比；通过将累加后的站间行驶时长除以累加次数，得到线路相邻站点间的平均行驶时长。

步骤24，遍历读取到的所有单日运营数据，重复步骤22及步骤23，将所有单日数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k。

其中，“将所有单日运营数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k”的举例：系统中有过去10个工作日的运营数据，则通过步骤22和步骤23可计算从每个单日运营数据中计算的三个数据(α_kf，ρ_kf，T_k)，步骤24对10个单日数据求平均，便可以得到方法最终所需数据。

上述实施例不仅考虑了乘客的到站规律，也要考虑乘客在站点的下车比例，当然，也可以将运营周期划分为多个时段后，仅统计各个时段内的客流量，来实现步骤2。

步骤3，构建用于评估生成的多车型发车时刻表方案的多目标优化函数。

多目标优化函数的目标选择上，由于整个运营周期内的乘客平均等待时间代表出行乘客的效益，整个运营周期内的总运营成本代表公交运营商的效益，二者存在冲突，因此，本实施例将二者作为步骤3中的多目标优化函数，进而有效权衡乘客和公交运营商双方效益。当然，也可以在此基础之上，考虑其他因素，比如公交的拥挤程度等。下面将对多目标优化函数选择的整个运营周期内的乘客平均等待时间和总运营成本进行举例说明。

例如：乘客平均等待时间Z_AWT由如下公式计算得到：

式中，k、k′分别为两个站点的索引；N^K为站点数目；m为班次索引；N^M为发车班次总数目；

为步骤2分析得到的特征时段/>

内站点k的客流到达率；

为步骤2分析得到的特征时段/>

内站点k的下车乘客占比；/>

表示对t_mk/τ向上取整；τ为特征周期长度；t_mk为班次m预计到达站点k的时间，t_(m-1)k为班次m-1次预计到达站点k的时间，二者通过下式(2)计算得到；j_m表示班次m的发车时刻；T_k′为站点(k′-1)到站点k′的行驶时长；L_mk为班次m在站点k因容量限制而滞留的乘客数量，L_(m-1)k为班次m-1在站点k因容量限制而滞留的乘客数量，L_(m-1)k,为班次m-1在站点k′因容量限制而滞留的乘客数量，三者通过下式(3)计算得到；B_mk为班次m在站点k的上车人数，通过下式(4)计算得到；i_m为班次m的车型索引；S_im为车型i_m的额定载客量；A_mk为班次m在站点k的下车人数，通过下式(5)计算得到；Q_mk为班次m离开站点k时车内人数，Q_m(k-1)为班次m离开站点k-1时车内人数，二者通过下式(6)计算得到；K为站点集合；

特别地，式(3)至式(6)以递推的方式从m及站点k两个维度对乘客出行行为进行建模，进而计算出载客量限制下站点遗留乘客数量，考虑该类乘客的候车时间可进一步地保证公交服务质量。

例如：总运营成本Z_TOC与各车型的发车班次的数量有关，可以由如下公式(7)计算得到：

式中，i为车辆类型索引，N^I为车辆类型总数，如：某公交运营商有5、12、25座三种车型的车辆，则N^I＝3；NT_i为发车时刻表方案中车辆类型i的班次数量，R为线路总行驶里程；C_i为车辆类型i的单位行驶成本。

需要说明的是，运营成本的计算不限于车辆的行驶成本，亦可将其它车辆运行单位距离相关的维护、配套设施建设、整车购置平均额等相关成本融合考虑。

与现有技术相比，本发明实施例通过步骤2和步骤3，考虑了多种车型的公交发车时刻设计问题，因此本发明适应公交系统不同的车辆组成形式，而且通过联合优化公交线路的发车时刻及车型，从而能够使所得时刻表更接近于全局最优解。

步骤4：构建多车型时刻表的约束条件集，保证所得时刻表方案在既定设置和资源配置下的实施可行性、合理性。包括但不限于如下约束：

首末班次发车时刻约束：为保证时刻表中的发车班次可覆盖整个运营时段，指定首末班次在运营时段起止时刻发车，即j₁＝t₀，

班次发车间隔约束：为避免相邻班次车辆行驶距离过小或过大而影响线路运营稳定性，应使相邻班次发车时刻之差在步骤1所设定的范围内，即H_min≤j_m-j_(m-1)≤H_max。

班次资源利用率约束：为避免班次车辆在其整个服务过程中都余留大量空座的供过于求现象，应使各班次的最大载客量大于步骤1所设定的班次利用率下限，即

可用车辆资源约束：为避免时刻表中单一车型的发车时刻过于集中，以致需要某一车型发车时其所有可用车辆都在执行班次的现象，应使得整个运营周期中任一段线路循环时间r^rt内单一车型的发车班次数量不超过步骤1所设定可使用的车辆数量V_i。

车辆额定载客量限制：出于行驶安全方面的考虑，应保证任何时刻班次的载客人数不超过其车型决定的额定载客量，由此而可能造成的到站乘客无法全部上车而必须等待后续班次的现象。

步骤5，采用多目标优化算法求解得到该问题的Pareto最优解集。

Pareto最优解集：多目标优化问题不存在使所有目标同时达到最优的解，因此只能得到其Pareto最优解集PS，其中包含多个可行解且相互之间无法比较优劣。亦即对任一解s∈PS，在解集的其它解{PS\s}中不存在解s′可使得其每个目标都绝对优于s。

以非支配排序遗传算法为例，说明步骤5的具体实现方式，包括如下步骤：

步骤51：计算机随机生成N_s个可行时刻表方案TT_p作为初始父代解，满足步骤4所述约束条件，并对初始父代解进行实数编码，如图3所示。

步骤52：依据步骤3所述方法计算各方案的两个目标函数值，并依据目标函数值对各方案进行非支配性排序。

步骤53：利用联赛选择的方式竞选出N_s个优胜解，并通过插入新班次、取消已有班次或重新排序某时段内的车型序列的方式对其中的时刻表方案进行变更，得到新的方案TT_s。

步骤54：合并TT_p和TT_s得到TT_c，依据步骤3所述方法计算各方案的两个目标函数值，并依据目标函数值对各方案进行非支配性排序。

步骤55：依据步骤54中的排序等级，选择前N_s个时刻表方案作为下一代TT_p，并将等级为1的解记入TT^ps中。

步骤56：重复步骤53至步骤55，直至迭代既定的次数后输出最终的Pareto最优解集TT^ps。

上述各实施例中，对于步骤5中的多目标优化算法，不限于使用多目标遗传算法，其它基于进化的多目标优化算法同样可实现对模型的求解，例如多目标粒子群优化算法。

本发明实施例通过步骤5权衡了涉及运营商及乘客的两类目标，因此可以得到代表不同效益偏好的方案供调度员选择。

步骤6，从最优解集中筛选代表不同效益偏好的解，生成对应的发车时刻表方案，供调度人员或计算机系统选择。

以考虑服务质量优先、运营成本优先和服务-成本均衡三种效益偏好为例，包含以下步骤：

步骤61，将步骤5得到的Pareto最优解集TT^ps中的时刻表方案根据目标函数值Z_AWT升序排序，更新TT^ps并记录其包含的时刻表方案数目N。

步骤62，将TT^ps中的首个解作为服务质量优先的时刻表方案TT-QoS(中文全称为“服务质量优化的时刻表”，英文全称为“Timetable-Quality of Service First”)，在时刻表方案TT-QoS下，乘客的平均等待时间最小。将TT^ps中的最后一个解作为运营成本优先的时刻表方案TT-Cost(中文全称为“运营成本优先的时刻表”，英文全称为Timetable-Operating Cost First”)，在时刻表方案TT-Cost下，总的运营成本最小。将位于TT^ps中间的解，例如第N/2个解，且当N为偶数时取(N-1)/2，作为服务-成本均衡的时刻表方案TT-Eq(中文全称为“服务-成本均衡的时刻表”，英文全称为“Timetable-Equilibrium Model”)。

步骤63，标记步骤62获得的时刻表方案TT-QoS、TT-Cost和TT-Eq的乘客平均等待时间、总运营成本计算值以及所需的各车型车辆数目后，输出对应的发车时刻表方案，以便于调度员或计算机系统做后续决策。

输出的可选时刻表方法信息结构下表所示(以三种车型为例)：

上述步骤1至步骤6可由图1表示。

将公交线路的班次发车时刻及其对应车型融合到同一框架中进行优化计算，并利用多目标优化方法进行求解，以得到代表不同目标偏好的时刻表方案供公交调度人员选择，进而更好地权衡公交运营商及乘客双方的效益。

如图2所示，本发明实施例还提供一种执行上述各实施例中用于智能公交系统的多车型时刻表设计方法的系统，该系统包括参数配置模块、数据读取模块、数据分析模块、时刻表生成模块和方案输出模块，其中：

参数配置模块用于根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置。

数据读取模块用于向数据库读取公交线路的历史运营数据，该数据包括多个单日内的所有发车班次在线路各站点的到离站时刻、上下车乘客数目。

数据分析模块用于统计分析对应运营周期内的客流需求规律及车辆站间行驶时长。

时刻表生成模块用于构建用于评估生成的多车型发车时刻表方案的多目标优化函数及多车型时刻表的约束条件集，并采用多目标优化算法求解得到该问题的Pareto最优解集TT^ps。

方案输出模块，其用于从Pareto最优解集TT^ps中筛选代表不同效益偏好的解，生成对应的发车时刻表方案。

在一个实施例中，数据分析模块中的运营周期内的客流需求规律包括各站点的客流到达率α_kf、下车乘客占比ρ_kf，数据分析模块包括时段划分单元和计算单元，其中：

时段划分单元用于将整个运营周期[t₀,t_e]按照特征周期长度τ划分为若干个特征时段f∈F＝{1,2,…,N^F}；其中，t₀、t_e分别为单日的运营起始时刻和终止时刻，F为特征时段集合，N^F为划分出的特征时段f的总数目。

计算单元用于遍历单日运营数据中的每个发车班次，将每个到站时间对应至相应的特征时段，并累加每个特征时段内的上车人数、下车人数占比和站间行驶时长；通过将累加后的特征时段f内上车人数除以τ，得到单日该特征时段f内站点客流到达率；通过将累加后的下车人数占比除以单日发车班次数量，得到单日该特征时段f内平均站点下车人数占比；通过将累加后的站间行驶时长除以累加次数，得到线路相邻站点间的平均行驶时长；最后将所有单日运营数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k。

在一个实施例中，时刻表生成模块中多目标优化函数包括整个运营周期内的乘客平均等待时间Z_AWT和总运营成本Z_TOC，Z_AWT、Z_TOC分别由如公式(1)、式(7)计算得到，约束条件集包括首末班次发车时刻约束、班次发车间隔约束、班次资源利用率约束、可用车辆资源约束和车辆额定载客量限制。

在一个实施例中，方案输出模块包括排序单元、时刻表方案生成单元和发车时刻表方案生成单元，其中：

排序单元用于将时刻表生成模块得到的Pareto最优解集TT^ps中的时刻表方案根据目标函数值Z_AWT升序排序，更新TT^ps并记录其包含的时刻表方案数目N。

时刻表方案筛选单元，其用于将Pareto最优解集TT^ps中的首个解作为服务质量优先的时刻表方案TT-QoS，将Pareto最优解集TT^ps中的最后一个解作为运营成本优先的时刻表方案TT-Cost，将位于TT^ps中间的解作为服务-成本均衡的时刻表方案TT-Eq。

发车时刻表方案生成单元，其用于将时刻表方案TT-QoS、TT-Cost和TT-Eq均标记乘客平均等待时间、总运营成本计算值以及所需的各车型车辆数目后，作为可选的时刻表方案输出。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种用于智能公交系统的多车型时刻表设计方法，其特征在于，包括：

步骤1，根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置；

步骤2，读取并处理对应线路多天的历史运营数据，统计分析对应运营周期内的客流需求规律及车辆站间行驶时长；

步骤3，构建用于评估生成的多车型发车时刻表方案的多目标优化函数；

步骤4，构建多车型时刻表的约束条件集；

步骤5，根据多目标优化函数和多车型时刻表的约束条件集，采用多目标优化算法求解得到该问题的Pareto最优解集TT^ps；

步骤6，从Pareto最优解集TT^ps中筛选代表不同效益偏好的解，生成对应的发车时刻表方案。

2.如权利要求1所述的用于智能公交系统的多车型时刻表设计方法，其特征在于，步骤2中的运营周期内的客流需求规律包括各站点的客流到达率α_kf和下车乘客占比ρ_kf，步骤2包括：

步骤21，将整个运营周期[t₀,t_e]按照特征周期长度τ划分为若干个特征时段f∈F＝{1,2,…,N^F}；其中，t₀、t_e分别为单日的运营起始时刻和终止时刻，F为特征时段集合，N^F为划分出的特征时段f的总数目；

步骤22，遍历单日运营数据中的每个发车班次，将每个到站时间对应至相应的特征时段，并累加每个特征时段内的上车人数、下车人数占比和站间行驶时长；

步骤23，通过将累加后的特征时段f内上车人数除以τ，得到单日该特征时段f内站点客流到达率；通过将累加后的下车人数占比除以单日发车班次数量，得到单日该特征时段f内平均站点下车人数占比；通过将累加后的站间行驶时长除以累加次数，得到线路相邻站点间的平均行驶时长；

步骤24，遍历读取到的所有单日运营数据，重复步骤22及步骤23，将所有单日运营数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k。

3.如权利要求2所述的用于智能公交系统的多车型时刻表设计方法，其特征在于，步骤3中多目标优化函数包括整个运营周期内的乘客平均等待时间Z_AWT和总运营成本Z_TOC，Z_AWT、Z_TOC分别由如下公式(1)、式(7)计算得到：

式中，k为站点的索引；N^K为站点数目；m为班次索引；N^M为发车班次总数目；

为步骤2分析得到的特征时段/>

内站点k的客流到达率；α_k[f]为步骤2分析得到的特征时段f内站点k的客流到达率；/>

表示对t_mk/τ向上取整；τ为特征周期长度；t_mk为班次m预计到达站点k的时间，t_(m-1)k为班次m-1次预计到达站点k的时间；

式中，N^I为车辆类型总数，i为车辆类型索引，NT_i为发车时刻表方案中车辆类型i的班次数量，R为线路总行驶里程；C_i为车辆类型i的单位行驶成本。

4.如权利要求2所述的用于智能公交系统的多车型时刻表设计方法，其特征在于，步骤4的约束条件集包括首末班次发车时刻约束、班次发车间隔约束、班次资源利用率约束、可用车辆资源约束和车辆额定载客量限制。

5.如权利要求1-4中任一项所述的用于智能公交系统的多车型时刻表设计方法，其特征在于，步骤6具体包括：

步骤61，将步骤5得到的Pareto最优解集TT^ps中的时刻表方案根据目标函数值Z_AWT升序排序，并记录其包含的时刻表方案数目N。

步骤62，将Pareto最优解集TT^ps中的首个解作为服务质量优先的时刻表方案TT-QoS，将Pareto最优解集TT^ps中的最后一个解作为运营成本优先的时刻表方案TT-Cost，将位于TT^ps中间的解作为服务-成本均衡的时刻表方案TT-Eq；

步骤63，将步骤62获得的时刻表方案TT-QoS、TT-Cost和TT-Eq均标记乘客平均等待时间、总运营成本计算值以及所需的各车型车辆数目后，作为可选的时刻表方案输出。

6.一种执行如权利要求1所述用于智能公交系统的多车型时刻表设计方法的系统，其特征在于，包括：

参数配置模块，其用于根据公交线路实际运营情况，设置线路运营参数及多车型公交资源配置；

数据读取模块，其用于向数据库读取公交线路的历史运营数据，该数据包括多个单日内的所有发车班次在线路各站点的到离站时刻、上下车乘客数目；

数据分析模块，其用于统计分析对应运营周期内的客流需求规律及车辆站间行驶时长；

时刻表生成模块，其用于构建用于评估生成的多车型发车时刻表方案的多目标优化函数及多车型时刻表的约束条件集，并采用多目标优化算法求解得到该问题的Pareto最优解集TT^ps；

方案输出模块，其用于从Pareto最优解集TT^ps中筛选代表不同效益偏好的解，生成对应的发车时刻表方案。

7.如权利要求6所述的用于智能公交系统的多车型时刻表设计系统，其特征在于，数据分析模块中的运营周期内的客流需求规律包括各站点的客流到达率α_kf、下车乘客占比ρ_kf，数据分析模块包括：

时段划分单元，其用于将整个运营周期[t₀,t_e]按照特征周期长度τ划分为若干个特征时段f∈F＝{1,2,…,N^F}；其中，t₀、t_e分别为单日的运营起始时刻和终止时刻，F为特征时段集合，N^F为划分出的特征时段f的总数目；

计算单元，其用于遍历单日运营数据中的每个发车班次，将每个到站时间对应至相应的特征时段，并累加每个特征时段内的上车人数、下车人数占比和站间行驶时长；通过将累加后的特征时段f内上车人数除以τ，得到单日该特征时段f内站点客流到达率；通过将累加后的下车人数占比除以单日发车班次数量，得到单日该特征时段f内平均站点下车人数占比；通过将累加后的站间行驶时长除以累加次数，得到线路相邻站点间的平均行驶时长；最后将所有单日运营数据对天数求平均，得到各特征时段f内各站点的客流到达率α_kf、下车乘客占比ρ_kf及站间行驶时长T_k。

8.如权利要求6所述的用于智能公交系统的多车型时刻表设计系统，其特征在于，时刻表生成模块中多目标优化函数包括整个运营周期内的乘客平均等待时间Z_AWT和总运营成本Z_TOC，Z_AWT、Z_TOC分别由如下公式(1)、式(7)计算得到，约束条件集包括首末班次发车时刻约束、班次发车间隔约束、班次资源利用率约束、可用车辆资源约束和车辆额定载客量限制：

式中，k为站点的索引；N^K为站点数目；m为班次索引；N^M为发车班次总数目；

为步骤2分析得到的特征时段/>

内站点k的客流到达率；α_k[f]为步骤2分析得到的特征时段f内站点k的客流到达率；/>

表示对t_mk/τ向上取整；τ为特征周期长度；t_mk为班次m预计到达站点k的时间，t_(m-1)k为班次m-1次预计到达站点k的时间；

式中，N^I为车辆类型总数，i为车辆类型索引，NT_i为发车时刻表方案中车辆类型i的班次数量，R为线路总行驶里程；C_i为车辆类型i的单位行驶成本。

9.如权利要求6-8中任一项所述的用于智能公交系统的多车型时刻表设计系统，其特征在于，方案输出模块包括：

排序单元，其用于将时刻表生成模块得到的Pareto最优解集TT^ps中的时刻表方案根据目标函数值Z_AWT升序排序，更新TT^ps并记录其包含的时刻表方案数目N；

时刻表方案筛选单元，其用于将Pareto最优解集TT^ps中的首个解作为服务质量优先的时刻表方案TT-QoS，将Pareto最优解集TT^ps中的最后一个解作为运营成本优先的时刻表方案TT-Cost，将位于TT^ps中间的解作为服务-成本均衡的时刻表方案TT-Eq；

发车时刻表方案生成单元，其用于将时刻表方案TT-QoS、TT-Cost和TT-Eq均标记乘客平均等待时间、总运营成本计算值以及所需的各车型车辆数目后，作为可选的时刻表方案输出。

Images