CN117575292B - 基于人机协同决策的需求响应公交车辆柔性调度优化方法 - Google Patents

基于人机协同决策的需求响应公交车辆柔性调度优化方法 Download PDF

Info

Publication number
CN117575292B
CN117575292B CN202410054248.XA CN202410054248A CN117575292B CN 117575292 B CN117575292 B CN 117575292B CN 202410054248 A CN202410054248 A CN 202410054248A CN 117575292 B CN117575292 B CN 117575292B
Authority
CN
China
Prior art keywords
bus
demand response
time
passengers
representing
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
CN202410054248.XA
Other languages
English (en)
Other versions
CN117575292A (zh
Inventor
刘涛
尤海林
郭雨言
赵玉超
纪文
韩科
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202410054248.XA priority Critical patent/CN117575292B/zh
Publication of CN117575292A publication Critical patent/CN117575292A/zh
Application granted granted Critical
Publication of CN117575292B publication Critical patent/CN117575292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于人机协同决策的需求响应公交车辆柔性调度优化方法，包括获取公交乘客需求数据，对公交乘客需求数据进行聚类分析，并根据聚类结果对乘客与车辆进行匹配，生成需求响应公交车辆的服务车次；构建需求响应公交车辆调度的线性整数规划模型，并求解得到需求响应公交车辆初始调度方案；生成逆差函数图像，通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案；生成二维帕累托解集图像，确定最终的需求响应公交车辆调度方案。本发明能够提高需求响应公交柔性调度的有效性和执行效率，有助于进一步减少需求响应公交企业的车队规模，从而降低运营成本、提升系统运营效率。

Description

基于人机协同决策的需求响应公交车辆柔性调度优化方法
技术领域
本发明涉及公交车辆调度技术领域，具体涉及一种基于人机协同决策的需求响应公交车辆柔性调度优化方法。
背景技术
需求响应公交系统是在“互联网+公交”技术背景下发展起来的一个具有典型特征的新型智慧公交系统。近年来，随着移动互联网技术的快速发展和智能手机App的广泛应用，一种新型的、网约的、按需设计的需求响应公交系统在全世界范围内迅速兴起，如我国的定制公交系统、美国的Bridj系统、欧盟的BusUp系统、日本的ODB系统、新加坡的ODPB系统等。此类需求响应公交系统通过网络平台收集出行个体的出行需求，为具有相似出行特征（包括：起讫点、出行时间和出行需求）的人群提供量身定制的公交出行服务。需求响应公交系统是常规地面公交的发展和补充，具有定点、定车、定价、定人等特点，同时具有高效、灵活、舒适、便捷、经济、安全、环保等诸多优点。目前，我国已有北京、上海、深圳、天津、西安、南京、成都、青岛等七十多个城市开通了需求响应公交服务。
车辆调度是需求响应公交运营组织中的一个关键环节。一方面，高效的车辆调度可以减少公交运营企业的车辆运营成本和驾驶员人力资源成本，从而提高公交企业的运营收益；另一方面，合理的车辆调度可以减少乘客的平均候车与乘车时间，有助于提高公交服务水平。需求响应公交车辆的调度过程与常规公交相比有很大的不同。在常规公交系统中，车辆调度方案由调度员预先编制，乘客并未直接参与其中。在需求响应式公交系统中，乘客和调度员则可以通过网络平台实现实时的交互，调度员可以将编制的车辆调度方案通过网络平台实时地推送给乘客，乘客则可通过网络平台选择与改变自己的出行乘车方案，根据乘客的选择结果调度员又可以进一步调整车辆调度方案。这是一个乘客与调度员双边参与的交互式车辆调度过程，最终的车辆调度方案是乘客与运营企业各自利益达到均衡的帕累托最优（Pareto-optimal）方案。因此，构建一套高效灵活的车辆调度方法是需求响应公交系统运营管理中的一个亟需解决的科学问题。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于人机协同决策的需求响应公交车辆柔性调度优化方法，以高效地解决大规模需求响应公交系统车辆柔性调度问题，提升需求响应公交系统的运营效率与服务品质。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于人机协同决策的需求响应公交车辆柔性调度优化方法，包括以下步骤：
S1、获取公交乘客需求数据，对公交乘客需求数据进行聚类分析，并根据聚类结果对乘客与车辆进行匹配，生成需求响应公交车辆的服务车次；
S2、根据需求响应公交车辆的服务车次，构建需求响应公交车辆调度的线性整数规划模型，并求解得到需求响应公交车辆初始调度方案；
S3、根据需求响应公交车辆初始调度方案生成逆差函数图像，通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案；
S4、根据需求响应公交车辆优化调度方案对应的最小车队规模和乘客期望出发时间偏差值生成二维帕累托解集图像，确定最终的需求响应公交车辆调度方案。
作为可选地，步骤S1中根据聚类结果对乘客与车辆进行匹配，生成需求响应公交车辆的服务车次，具体包括以下步骤：
S11、获取当前时间段内的乘客数量；
S12、判断当前时间段内的乘客数量是否处于第一载客数量区间；若是，则将当前时间段内的乘客数量作为剩余乘客数量，并为当前时间段内的乘客分配一辆需求响应公交车辆，然后跳转至步骤S16；否则执行下一步骤；
S13、判断当前时间段内的乘客数量是否处于第二载客数量区间；若是，则为当前时间段内的乘客分配一辆需求响应公交车辆；否则执行下一步骤；
S14、根据当前时间段内的乘客数量确定需要指派的需求响应公交车辆数量，并按需求响应公交车辆的额定载客数量为当前时间段内的乘客分配需求响应公交车辆，确定最后一辆需求响应公交车辆的剩余乘客数量；
S15、判断最后一辆需求响应公交车辆的剩余乘客数量是否处于第二载客数量区间；若是，则为当前时间段内的乘客分配一辆需求响应公交车辆；否则执行下一步骤；
S16、获取当前时间段的相邻时间段的乘客数量；
S17、判断当前时间段的剩余乘客数量与相邻时间段的乘客数量之和是否处于第三载客数量区间；若是，则将当前时间段的剩余乘客分配至相邻时间段的需求响应公交车辆；否则执行下一步骤；
S18、判断当前时间段的剩余乘客数量与相邻时间段的乘客数量之和是否处于第四载客数量区间；若是，则为当前时间段的剩余乘客分配一辆需求响应公交车辆；
S19、根据分配的需求响应公交车辆生成需求响应公交服务车次集合，并计算初始的乘客期望出发时间偏差值。
作为可选地，步骤S2中根据需求响应公交车辆的服务车次，构建需求响应公交车辆调度的线性整数规划模型，具体包括以下步骤：
S21、根据需求响应公交车辆的服务车次确定车次出发时间、车次行程时间和不同车次之间的衔接空驶时间；
S22、以最大化需求响应公交车辆的可行车次衔接次数作为优化目标，以车次出发时间、车次行程时间和不同车次之间的衔接空驶时间作为约束条件，构建最小车队规模问题的网络最大流模型；
S23、根据最小车队规模问题的网络最大流模型求解得到最大可行车次衔接次数；
S24、根据最大可行车次衔接次数确定最小车队规模。
作为可选地，以最大化需求响应公交车辆的可行车次衔接次数作为优化目标，具体为：
其中，取最大值函数，/>表示最大可行车次衔接次数，/>表示车次i和车次j能否由同一辆公交车辆所执行的0-1变量，I表示需求响应公交服务车次集合。
作为可选地，以车次出发时间、车次行程时间和不同车次之间的衔接空驶时间作为约束条件，具体为：
其中，表示车次i的出发时间，/>表示车次j的出发时间，/>表示车次i的行程时间，/>表示车次i和车次j之间的衔接空驶时间，/>表示划分的时间间隔，/>和/>均表示正整数，/>表示调度规划周期时长参数，/>表示车次i和车次j能否由同一辆公交车辆所执行的0-1变量，I表示需求响应公交服务车次集合，T表示调度规划周期时长，/>和/>分别表示车次i提前发车和延迟发车的时间偏差值，/>和/>分别表示车次j提前发车和延迟发车的时间偏差值。
作为可选地，根据最大可行车次衔接次数确定最小车队规模，具体包括：
将需求响应公交服务车次集合中的所有车次数量与最大可行车次衔接次数作差，得到最小车队规模。
作为可选地，步骤S3中通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为调整量，向顺时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
作为可选地，步骤S3中通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为调整量，向逆时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
作为可选地，步骤S3中通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为总的调整量，分别向顺时间方向和逆时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
作为可选地，乘客期望出发时间偏差值的计算方法为：
其中，表示乘客期望出发时间偏差值，/>表示乘客/>的预期出发时间和实际出发时间差值的绝对值，N表示全日运营时段乘客的集合，/>表示第一惩罚系数，/>表示乘客的实际出发时间，/>表示乘客/>的预期出发时间，/>表示第二惩罚系数。
本发明具有以下有益效果：
1. 本发明利用逆差函数图像作为人机协同决策的图示化用户接口，可以充分利用计算机的强大计算能力和人的智慧、经验、偏好等因素，以人机协同决策的方式实现对大规模需求响应公交系统车辆柔性调度问题的更好求解，使得所生成的车辆调度方案更加符合现实所需。此外，本发明所提出的“二维帕累托解集图”也有助于辅助需求响应公交运营企业选择更加符合现实所需的车辆调度方案。
2. 本发明充分考虑需求响应公交所具有的灵活发车时间、灵活路径等系统特征，提出了基于人机协同决策的需求响应公交柔性调度优化方法，能够提高需求响应公交柔性调度的有效性和执行效率，有助于进一步减少需求响应公交企业的车队规模，从而降低运营成本、提升系统运营效率。
3. 本发明所提出的需求响应公交乘客需求数据最近领域聚类分析和“乘客—车辆”匹配指派算法，充分考虑了车辆容量限制和乘客期望出发时间偏差值，所生成的车辆调度方案更加符合乘客的出行心理预期，有助于进一步提升需求响应公交的出行服务质量。
附图说明
图1为本发明中一种基于人机协同决策的需求响应公交车辆柔性调度优化方法的流程示意图；
图2（a）为本发明中公交场站a的逆差函数图像示意图；
图2（b）为本发明中公交场站b的逆差函数图像示意图；
图2（c）为本发明中公交场站c的逆差函数图像示意图；
图2（d）为本发明中公交场站d的逆差函数图像示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明综合考虑需求响应公交具有灵活发车时间和灵活运行路径等柔性约束，提供了一种基于人机协同决策的需求响应公交车辆柔性调度优化方法。本发明通过将逆差函数图形作为人机协同决策的图形化用户接口，充分利用计算机的强大计算能力和人的智慧、经验、偏好等因素，实现对大规模需求响应公交系统车辆柔性调度问题的高效求解。
如图1所示，本发明实施例提供的一种基于人机协同决策的需求响应公交车辆柔性调度优化方法，包括以下步骤S1至S4：
S1、获取公交乘客需求数据，对公交乘客需求数据进行聚类分析，并根据聚类结果对乘客与车辆进行匹配，生成需求响应公交车辆的服务车次；
在本发明的一个可选实施例中，本实施例首先获取公交乘客需求数据，这里的公交乘客需求数据包括乘客在出行服务平台中选择的出发时间段，并采用最近领域聚类算法对乘客需求数据进行聚类分析。
本实施例根据聚类结果中各类所包含的乘客数量、出发时间，以及公交车辆载客容量，在减少乘客期望出发时间偏差值的前提下，对乘客与车辆进行匹配指派，生成需求响应公交车辆的服务车次，具体包括以下步骤：
S11、获取当前时间段k内的乘客数量；其中k表示需求响应公交车辆的出发时间段，由出行服务平台事先划分好，并提供给乘客选择；/>表示场站l时段k的需求响应公交乘客数量；l表示需求响应公交车辆场站；
S12、判断当前时间段内的乘客数量是否处于第一载客数量区间(/>,/>)，即，其中/>表示需求响应公交车辆载客因子，/>，因此，/>表示满足发车条件的最少载客人数；/>表示需求响应公交车辆的额定载客数量；若是，则将当前时间段内的乘客数量/>作为剩余乘客数量/>，即/>，并为当前时间段内/>数量的乘客分配一辆需求响应公交车辆，然后跳转至步骤S16；否则执行下一步骤；
S13、判断当前时间段内的乘客数量是否处于第二载客数量区间[/>,/>]，即/>；若是，则为当前时间段内/>数量的乘客分配一辆需求响应公交车辆；否则执行下一步骤；
S14、根据当前时间段内的乘客数量确定需要指派的需求响应公交车辆数量，即令/>，从而可以得到需要指派的需求响应公交车辆数量；并按需求响应公交车辆的额定载客数量为当前时间段内的乘客分配需求响应公交车辆，即前/>辆需求响应公交车辆分别分配数量/>的乘客，第n辆需求响应公交车辆分配数量/>的乘客，从而确定最后一辆需求响应公交车辆的剩余乘客数量/>；
S15、判断最后一辆需求响应公交车辆的剩余乘客数量是否处于第二载客数量区间[/>,/>]，即/>；若是，则为当前时间段内数量/>的乘客分配一辆需求响应公交车辆；否则执行下一步骤；
S16、获取当前时间段的相邻时间段的剩余乘客数量；具体包括第个时间段的剩余乘客数量/>和第/>个时间段的剩余乘客数量/>；
S17、判断当前时间段的剩余乘客数量与相邻时间段的乘客数量之和是否处于第三载客数量区间，即判断是否满足或/>，其中/>表示场站l时段k-1的需求响应公交剩余乘客数量，/>表示场站l时段k+1的需求响应公交剩余乘客数量；若是，则将当前时间段的剩余乘客分配至相邻时间段的需求响应公交车辆，即将当前时间段数量/>的乘客分配到相邻时间段/>或/>的需求响应公交车辆；否则执行下一步骤；
S18、判断当前时间段的剩余乘客数量与相邻时间段的乘客数量之和是否处于第四载客数量区间，即判断是否满足或；若是，则为当前时间段的剩余乘客分配一辆需求响应公交车辆，即保留原始车次，为当前时间段数量/>的乘客分配一辆需求响应公交车辆，同时也为相邻时间段数量/>或/>的乘客分配一辆需求响应公交车辆；
S19、根据分配的需求响应公交车辆生成需求响应公交服务车次集合I，并计算初始的乘客期望出发时间偏差值。
具体而言，乘客期望出发时间偏差值的计算方法为：
其中，表示乘客期望出发时间偏差值，/>表示乘客/>的预期出发时间和实际出发时间差值的绝对值，N表示全日运营时段乘客的集合，/>表示第一惩罚系数，/>表示乘客的实际出发时间，/>表示乘客/>的预期出发时间，/>表示第二惩罚系数。
S2、根据需求响应公交车辆的服务车次，构建需求响应公交车辆调度的线性整数规划模型，并求解得到需求响应公交车辆初始调度方案；
在本发明的一个可选实施例中，本实施例根据步骤S1得到的需求响应公交车辆的服务车次数据信息，构造需求响应公交车辆调度的线性整数规划模型，采用最小的需求响应公交车数量来执行所有的服务车次。
本实施例根据需求响应公交车辆的服务车次，构建需求响应公交车辆调度的线性整数规划模型，具体包括以下步骤S21至S24：
S21、根据需求响应公交车辆的服务车次确定车次出发时间、车次行程时间/>和不同车次之间的衔接空驶时间/>；
S22、以最大化需求响应公交车辆的可行车次衔接次数作为优化目标，以车次出发时间、车次行程时间和不同车次之间的衔接空驶时间作为约束条件，构建最小车队规模问题的网络最大流模型；
具体而言，本实施例以最大化需求响应公交车辆的可行车次衔接次数作为优化目标，具体为：
其中，取最大值函数，/>表示最大可行车次衔接次数，/>表示车次i和车次j能否由同一辆公交车辆所执行的0-1变量，I表示需求响应公交服务车次集合。
本实施例以车次出发时间、车次行程时间和不同车次之间的衔接空驶时间作为约束条件，具体为：
其中，表示车次i的出发时间，/>表示车次j的出发时间，/>表示车次i的行程时间，/>表示车次i和车次j之间的衔接空驶时间，/>表示划分的时间间隔，/>和/>均表示正整数，/>表示调度规划周期时长参数，/>表示车次i和车次j能否由同一辆公交车辆所执行的0-1变量，I表示需求响应公交服务车次集合，T表示调度规划周期时长，/>和/>分别表示车次i提前发车和延迟发车的时间偏差值，/>和/>分别表示车次j提前发车和延迟发车的时间偏差值，该值事先并不固定，可以进行灵活调整，所以车辆的发车时间是灵活的，亦即柔性发车时间窗。
模型的决策变量为车次的发车时间/>；假设发车时间都离散为分钟。中间变量/>用以刻画车次/>能否由同一辆车所执行。如果/>，表示车次/>能由同一辆车所执行；如果/>，则表示车次/>不能由同一辆车所执行。其判断主要是依据车次的发车时间、车次/>的行程时间、车次/>之间的空驶时间，其中/>是一个非常大的正整数，可以取值为调度规划周期时长/>的数倍。目标函数计算最大的可行车次衔接的次数，即网络流模型中对应的最大网络流。
S23、根据最小车队规模问题的网络最大流模型求解得到最大可行车次衔接次数；
具体而言，本实施例采用CPLEX、Gurobi等优化模型求解器软件对最小车队规模问题的网络最大流模型进行高效求解，得到最大可行车次衔接次数。
S24、根据最大可行车次衔接次数确定最小车队规模。
具体而言，本实施例根据最大可行车次衔接次数确定最小车队规模具体包括：
将需求响应公交服务车次集合中的所有车次数量与最大可行车次衔接次数作差，得到最小车队规模，具体为：
其中，表示车辆服务车次集合/>中的所有车次数量，/>表示所计算得到的最小车队规模。
S3、根据需求响应公交车辆初始调度方案生成逆差函数图像，通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案；
在本发明的一个可选实施例中，本实施例采用Excel、MATLAB等软件工具，以公交车辆的发车时间为横轴，以场站的逆差函数值为纵轴，根据需求响应公交车辆初始调度方案绘制逆差函数图像。其中，逆差函数值的计算根据逆差函数的定义，由场站到发车次的时间信息计算得到。借助于逆差函数图示化调度模型，综合调度人员利用自身的智慧、经验和偏好等先验知识输入的控制指令，考虑相关柔性约束，对车辆调度方案进一步优化，生成更加符合现实所需的车辆调度方案。
本实施例根据步骤S2求解得到的需求响应公交车辆初始调度方案，绘制相应的逆差函数图像。借助逆差函数图像，考虑需求响应公交柔性发车时间，调度员通过观察逆产函数图像。如图2（a）所示，横轴表示时间轴，d(a,t)表示公交场站a在时间t的逆差函数值，D(a)表示公交场站a的逆差函数最大值；如图2（b）所示，横轴表示时间轴，d(b,t)表示公交场站b在时间t的逆差函数值，D(b)表示公交场站b的逆差函数最大值；如图2（c）所示，横轴表示时间轴，d(c,t)表示公交场站c在时间t的逆差函数值，D(c)表示公交场站c的逆差函数最大值；如图2（d）所示，横轴表示时间轴，d(d,t)表示公交场站d在时间t的逆差函数值，D(d)表示公交场站d的逆差函数最大值；通过改变车辆的发车时间减少逆差函数的最大值，从而进一步减少所需的车队规模，优化车辆的调度。
具体而言，本实施例调整需求相应公交车辆服务车次发车时间的规则有三种：（1）将车次i的发车时间向右调整，（2）将车次i的发车时间向左调整，（3）同时将车次i和i＇的发车时间向相反方向调整。同时，每调整一辆公交车的服务车次的发车时间都要计算相应的新的乘客期望出发时间偏差值。
（1）向右调整服务车次发车时间规则
本实施例通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为调整量，向顺时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
具体而言，本实施例在计算机计算得到的初始解的基础上，调整结果不能增加到达场站在高峰时段的逆差函数值，从而计算对应的调整时间偏差值，其中/>表示场站m对应的逆差函数值的高峰时段/>的开始时间，/>表示车次i在场站m对应的逆差函数值的高峰时段/>开始前到达场站m的时间，/>表示目标车次可用于调整的时间约束，/>表示场站k高峰时间的结束时间和开始时间之差。如果/>，则可通过调整服务车次的发车时间，使得场站k的逆差函数值D(k)减少1，即达到缩减车队规模的目的。
（2）向左调整服务车次发车时间规则
本实施例通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为调整量，向逆时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
具体而言，本实施例在计算机计算得到的初始解的基础上，调整结果不能增加到达场站在高峰时段的逆差函数值，从而计算对应的调整时间偏差值，其中/>表示车次/>在场站m对应的逆差函数值的高峰时段/>的结束之后的某时刻发出，/>表示场站m对应的逆差函数值的高峰时段/>的结束时刻，/>表示目标车次可用于调整的时间约束，/>表示场站k高峰时间的结束时间和开始时间之差。如果/>，则可通过调整服务车次的发车时间，使得场站k的逆差函数值D(k)减少1，即达到缩减车队规模的目的。
（3）双向调整服务车次发车时间规则
本实施例通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为总的调整量，分别向顺时间方向和逆时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
具体而言，如果对车次的时间进行单独的右向或左向的调整策略都不能使得校车的车队减少，那么可以在计算机计算得到的初始解的基础上，通过同时调整相反方向的车次i和车次的发车时间来达到减少某场站的逆差函数值，从而达到减少运营所以的车队规模的目的。该双向调整可以分为两个阶段进行，假设开始先将车次i的发车时间右向调整，有/>，然后对车次/>的发车时间进行左向调整，调整的量为。类似的，该过程也可以先对车次/>的发车时间进行左向调整，有调整量/>，后对车次i的发车时间进行右向调整，调整量为/>，从而通过服务车次发车时间的双向调整来达到减少车队规模的目的。
S4、根据需求响应公交车辆优化调度方案对应的最小车队规模和乘客期望出发时间偏差值生成二维帕累托解集图像，确定最终的需求响应公交车辆调度方案。
在本发明的一个可选实施例中，本实施例针对步骤S3中每一次调整得到的新的车辆调度方案，计算其所需的最小车队规模和对应的乘客期望出发时间偏差值。然后，分别以这两个指标作为横纵坐标，并将每次调整得到的值以点的形式绘制在二维坐标图中，得到关于这两个指标的帕累托最优解集。调度人员可以根据现实需求等先验知识输入控制指令，从帕累托最优解集中选取一个解，并将这个解所对应的车辆调度方案作为最终的车辆调度方案，从而完成对公交车辆柔性调度优化问题的求解。
综上所述，本发明提供的上述基于人机协同决策的需求响应公交车辆柔性调度优化方法，综合利用了计算机的强大计算能力和调度人员的先验知识，以人机协同决策的方式完成对问题的求解，非常适用于解决带复杂柔性约束的大规模需求响应公交系统车辆调度优化问题。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，包括以下步骤：
S1、获取公交乘客需求数据，对公交乘客需求数据进行聚类分析，并根据聚类结果对乘客与车辆进行匹配，生成需求响应公交车辆的服务车次；
其中根据聚类结果对乘客与车辆进行匹配，生成需求响应公交车辆的服务车次，具体包括以下步骤：
S11、获取当前时间段内的乘客数量；
S12、判断当前时间段内的乘客数量是否处于第一载客数量区间；若是，则将当前时间段内的乘客数量作为剩余乘客数量，并为当前时间段内的乘客分配一辆需求响应公交车辆，然后跳转至步骤S16；否则执行下一步骤；
S13、判断当前时间段内的乘客数量是否处于第二载客数量区间；若是，则为当前时间段内的乘客分配一辆需求响应公交车辆；否则执行下一步骤；
S14、根据当前时间段内的乘客数量确定需要指派的需求响应公交车辆数量，并按需求响应公交车辆的额定载客数量为当前时间段内的乘客分配需求响应公交车辆，确定最后一辆需求响应公交车辆的剩余乘客数量；
S15、判断最后一辆需求响应公交车辆的剩余乘客数量是否处于第二载客数量区间；若是，则为当前时间段内的乘客分配一辆需求响应公交车辆；否则执行下一步骤；
S16、获取当前时间段的相邻时间段的乘客数量；
S17、判断当前时间段的剩余乘客数量与相邻时间段的乘客数量之和是否处于第三载客数量区间；若是，则将当前时间段的剩余乘客分配至相邻时间段的需求响应公交车辆；否则执行下一步骤；
S18、判断当前时间段的剩余乘客数量与相邻时间段的乘客数量之和是否处于第四载客数量区间；若是，则为当前时间段的剩余乘客分配一辆需求响应公交车辆；
S19、根据分配的需求响应公交车辆生成需求响应公交服务车次集合，并计算初始的乘客期望出发时间偏差值；
S2、根据需求响应公交车辆的服务车次，构建需求响应公交车辆调度的线性整数规划模型，并求解得到需求响应公交车辆初始调度方案；
其中根据需求响应公交车辆的服务车次，构建需求响应公交车辆调度的线性整数规划模型，具体包括以下步骤：
S21、根据需求响应公交车辆的服务车次确定车次出发时间、车次行程时间和不同车次之间的衔接空驶时间；
S22、以最大化需求响应公交车辆的可行车次衔接次数作为优化目标，以车次出发时间、车次行程时间和不同车次之间的衔接空驶时间作为约束条件，构建最小车队规模问题的网络最大流模型；
S23、根据最小车队规模问题的网络最大流模型求解得到最大可行车次衔接次数；
S24、根据最大可行车次衔接次数确定最小车队规模；
S3、根据需求响应公交车辆初始调度方案生成逆差函数图像，通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案；
S4、根据需求响应公交车辆优化调度方案对应的最小车队规模和乘客期望出发时间偏差值生成二维帕累托解集图像，确定最终的需求响应公交车辆调度方案。
2.根据权利要求1所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，以最大化需求响应公交车辆的可行车次衔接次数作为优化目标，具体为：
其中，取最大值函数，/>表示最大可行车次衔接次数，/>表示车次i和车次j能否由同一辆公交车辆所执行的0-1变量，I表示需求响应公交服务车次集合。
3.根据权利要求1所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，以车次出发时间、车次行程时间和不同车次之间的衔接空驶时间作为约束条件，具体为：
其中，表示车次i的出发时间，/>表示车次j的出发时间，/>表示车次i的行程时间，/>表示车次i和车次j之间的衔接空驶时间，/>表示划分的时间间隔，/>和/>均表示正整数，/>表示调度规划周期时长参数，/>表示车次i和车次j能否由同一辆公交车辆所执行的0-1变量，I表示需求响应公交服务车次集合，T表示调度规划周期时长，/>和/>分别表示车次i提前发车和延迟发车的时间偏差值，/>和/>分别表示车次j提前发车和延迟发车的时间偏差值。
4.根据权利要求1所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，根据最大可行车次衔接次数确定最小车队规模，具体包括：
将需求响应公交服务车次集合中的所有车次数量与最大可行车次衔接次数作差，得到最小车队规模。
5.根据权利要求1所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，步骤S3中通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为调整量，向顺时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
6.根据权利要求1所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，步骤S3中通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为调整量，向逆时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
7.根据权利要求1所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，步骤S3中通过改变车辆的发车时间以调节逆差函数最大值，得到需求响应公交车辆优化调度方案，具体包括：
以场站高峰时间的结束时间和开始时间之差作为总的调整量，分别向顺时间方向和逆时间方向调整公交车辆服务车次的发车时间，使得公交车辆到达场站的逆差函数值减小1；并计算新的乘客期望出发时间偏差值。
8.根据权利要求5、6、7任一所述的基于人机协同决策的需求响应公交车辆柔性调度优化方法，其特征在于，乘客期望出发时间偏差值的计算方法为：
其中，表示乘客期望出发时间偏差值，/>表示乘客/>的预期出发时间和实际出发时间差值的绝对值，N表示全日运营时段乘客的集合，/>表示第一惩罚系数，/>表示乘客/>的实际出发时间，/>表示乘客/>的预期出发时间，/>表示第二惩罚系数。
CN202410054248.XA 2024-01-15 2024-01-15 基于人机协同决策的需求响应公交车辆柔性调度优化方法 Active CN117575292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410054248.XA CN117575292B (zh) 2024-01-15 2024-01-15 基于人机协同决策的需求响应公交车辆柔性调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410054248.XA CN117575292B (zh) 2024-01-15 2024-01-15 基于人机协同决策的需求响应公交车辆柔性调度优化方法

Publications (2)

Publication Number Publication Date
CN117575292A CN117575292A (zh) 2024-02-20
CN117575292B true CN117575292B (zh) 2024-03-26

Family

ID=89888525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410054248.XA Active CN117575292B (zh) 2024-01-15 2024-01-15 基于人机协同决策的需求响应公交车辆柔性调度优化方法

Country Status (1)

Country Link
CN (1) CN117575292B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399468A (zh) * 2018-01-31 2018-08-14 华南理工大学 一种基于车时成本优化的运营时段划分方法
CN111539133A (zh) * 2020-07-09 2020-08-14 深圳市都市交通规划设计研究院有限公司 一种结合专家经验和运筹优化的单线公共车辆调度方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN113780808A (zh) * 2021-09-10 2021-12-10 西南交通大学 基于柔性公交接驳系统线的车辆服务属性决策优化方法
CN115062830A (zh) * 2022-06-02 2022-09-16 华南理工大学 考虑随机路网和乘客时空灵活性的需求响应公交调度方法
CN115409388A (zh) * 2022-09-02 2022-11-29 北京化工大学 多车型定制公交运营优化方法
CN115936330A (zh) * 2022-10-28 2023-04-07 同济大学 一种基于拉格朗日原理的需求响应式brt车辆调度算法
CN116504091A (zh) * 2023-03-06 2023-07-28 桂林电子科技大学 一种基于智能网联的需求响应公交实时调度方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8019617B2 (en) * 2007-11-06 2011-09-13 Exxonmobil Research & Engineering Company System for optimizing transportation scheduling

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399468A (zh) * 2018-01-31 2018-08-14 华南理工大学 一种基于车时成本优化的运营时段划分方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN111539133A (zh) * 2020-07-09 2020-08-14 深圳市都市交通规划设计研究院有限公司 一种结合专家经验和运筹优化的单线公共车辆调度方法
CN113780808A (zh) * 2021-09-10 2021-12-10 西南交通大学 基于柔性公交接驳系统线的车辆服务属性决策优化方法
CN115062830A (zh) * 2022-06-02 2022-09-16 华南理工大学 考虑随机路网和乘客时空灵活性的需求响应公交调度方法
CN115409388A (zh) * 2022-09-02 2022-11-29 北京化工大学 多车型定制公交运营优化方法
CN115936330A (zh) * 2022-10-28 2023-04-07 同济大学 一种基于拉格朗日原理的需求响应式brt车辆调度算法
CN116504091A (zh) * 2023-03-06 2023-07-28 桂林电子科技大学 一种基于智能网联的需求响应公交实时调度方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Integrated public transport timetable synchronization and vehicle scheduling with demand assignment: A bi-objective bi-level model using deficit function approach;Tao Liu 等;Transportation Research Part B: Methodological;20170831;第117卷;935-955 *
Tao Liu 等.Using deficit function to determine the minimum fleet size of an autonomous modular public transit system.Transportation Research Record.2020,第2674卷(第11期),532-541. *
基于人机协同决策的运输调度优化研究;刘涛 等;交通运输系统工程与信息;20240220;1-16 *
基于多源数据的公交客流预测及公交运营时段划分优化研究;李鹏;中国博士学位论文全文数据库 工程科技II辑;20200115(第01期);C034-94 *
基于逆差函数方法的公交行车计划优化模型研究与实现;麻文婕 等;中国水运(下半月);20111115;第11卷(第11期);110-112 *
基于逆差函数的多类型公交车辆调度问题研究;刘彦萍;中国优秀硕士学位论文全文数据库 工程科技II辑;20221015(第10期);C034-131 *
客货邮融合下城乡客运车辆调度双层优化方法;鲁芳 等;工业工程;20230815;第26卷(第4期);96-103+123 *

Also Published As

Publication number Publication date
CN117575292A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110288821B (zh) 一种人工驾驶公交和自动驾驶公交联合调度优化方法
CN111105141B (zh) 一种需求响应型公交调度方法
CN104239484B (zh) 一种基于多模式公交组合调度的时刻表编制方法
CN112193116B (zh) 一种考虑奖励机制的电动汽车充电优化引导策略
CN111382947A (zh) 一种基于贪婪禁忌搜索的车辆排班算法
CN108875094B (zh) 一种公交信息系统
CN104504229B (zh) 一种基于混合启发式算法的智能公交调度方法
CN109774750B (zh) 一种基于虚拟耦合模式的动态调度时空决策方法
CN107176511A (zh) 呼梯控制装置、呼梯控制系统及其呼梯控制方法
CN105761482A (zh) 基于公平性的出租车实时预约方法及系统
CN109308574B (zh) 一种实时响应的互联网半灵活公交调度方法
CN106652530B (zh) 一种调度时刻表生成方法及装置
CN111476490A (zh) 一种资源池共享的区域多线路车辆排班算法
CN108229725A (zh) 一种基于混合整数规划模型的高铁运行图加线优化方法
CN109544922A (zh) 一种基于区域划分的交通路网分布式预测控制方法
CN107832972A (zh) 基于拍卖机制的网约车辆资源分配及定价方法
CN115860594A (zh) 一种应用于智能公交排班调度的仿真系统及方法
CN112580866A (zh) 基于全程车与区间车组合调度的公交线路串车优化方法
CN117575292B (zh) 基于人机协同决策的需求响应公交车辆柔性调度优化方法
Liu et al. Integrated optimization of timetable, bus formation, and vehicle scheduling in autonomous modular public transport systems
CN115730781A (zh) 一种基于大数据分析的公交线路优化系统
CN114148382B (zh) 一种面向虚拟编队的列车运行图编制方法
CN116151538A (zh) 一种应用于智能公交需求均衡式调度的仿真系统及方法
CN115936330A (zh) 一种基于拉格朗日原理的需求响应式brt车辆调度算法
CN113657768A (zh) 基于共享电动汽车随机电量需求的移动并行充电服务方法

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