一种基于遗传算法的公交动态发车调度优化方法技术

本发明专利技术公开了一种基于遗传算法的公交动态发车调度优化方法，该方法具体为先在规划周期起始时刻之前采集在单条线路上正在运行的车辆以及乘客的信息；根据实时数据和预测得到客流到达率函数，并在规划周期起始时刻确定模型计算所需要的参数；考虑在单条线路上情景不同的情况下，以最小化乘客总等车时间期望值为目标函数，建立基于情景的公交动态发车调度鲁棒优化模型；设计遗传算法进行求解，根据偏好调整模型中每种情景主观发生的概率和模型约束中遗憾值的大小，得到不同的解以供选择的最佳发车方案；本发明专利技术解决了乘客到达率不确定情形下公交动态发车调度问题，减少了乘客的等车时间，降低公交运营的潜在风险，增加公交系统的安全性与稳定性。

A Dynamic Bus Dispatch Optimization Method Based on Genetic Algorithms

【技术实现步骤摘要】
一种基于遗传算法的公交动态发车调度优化方法
本专利技术涉及智能公共交通系统
，具体涉及一种基于遗传算法的公交动态发车调度优化方法。
技术介绍
近年来随着国民经济的迅速发展，居民生活水平不断提高，汽车的数量也随之快速增加，这使城市交通拥堵的问题日益严重。城市公交系统与地铁相比，因其运营费用相对较低，所以还是解决交通拥堵问题的有效方式之一。但是目前的公交系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低。为了进一步改善这样的情况，如何调度有限的公交资源使其发挥更大的效用，对于负责日常公交运营的公交公司来说是一个十分重要的问题。公交动态调度在国外的一些发达国家已经较为成熟，但国外的公交动态调度问题考虑的是如何通过动态调整发车时刻和动态调整车速，使得公交车能够按照公交时刻表准时到达每个站点。我国的公交系统并没有公交车到达每个站点的时刻表，在公交运营中考虑的是车辆动态发车调度的问题，其示意图如图1所示，是指规划周期起始时刻，已经有N辆车在线路上运行，当公交车M+1从首站离站之后，根据客流情况对其之后将要发出的M辆车的发车时刻进行重新调整，以此来减少乘客的等待时间。目前，我国的公交动态发车调度方法主要依赖于公交调度员的人工经验。虽然有研究论文提出了针对该问题的一些计算方法，但这些方法都是假设客流数据完全已知的情况下，来计算公交动态发车调度方案。在现实情况中，公交动态发车调度大多处于客流不确定的情形下，如何为我国公交动态发车调度问题提供“鲁棒”的解决方案非常具有实际意义。因此本专利技术方法从鲁棒优化的角度来考虑我国的公交动态发车调度，解决了乘客到达率不确定情形下公交动态发车调度问题，减少了乘客的等车时间，提高了居民出行的满意度，同时可以降低公交实际运营中的潜在风险。
技术实现思路
针对现存在的问题，本专利技术提供一种基于遗传算法的公交动态发车调度优化方法，将鲁棒优化的思想引入到公交动态调度发车问题，考虑在单条线路不同情景的情况下，以乘客等车时间最小为目标函数，建立一个基于情景的具有遗憾值约束的公交动态发车鲁棒优化模型，并对模型用遗传算法进行求解，同时根据遗憾值的变化，得到一个降低公交运营风险与乘客总等待时间较小的均衡发车方案。本专利技术的技术方案是：一种基于遗传算法的公交动态发车调度优化方法，包括如下步骤：S1在规划周期起始时刻之前采集在单条线路上正在运行的车辆以及乘客的信息；所述需要采集的车辆信息包括正在行驶的车辆刚经过的上游站点以及该车辆与上游站点的距离、正在行驶的车辆离开已经行驶过站点的离站时间；所述需要采集的乘客信息包括单条线路所有站点正在等车的乘客数量、正在行驶的车辆到达已经行驶过的站点时上下车的乘客数量；S2根据历史数据和预测得到客流到达率函数，并在规划周期起始时刻确定模型计算所需要的参数；所述参数包括待发车辆数量、车辆在站点停车由于加速减速所需要的缓冲时间、乘客上下车所需的平均时间、车辆到达站点后乘客的下车比率、车辆在站点之间的运行速度、站点距离、车辆最大载客量、公交公司要求的最大发车间隔和最小发车间隔以及三种情景客流发生的概率；所述的三种情景客流分别为基准客流、高客流与低客流；其中基准客流是根据历史数据和预测算法得到的，高客流与低客流是在基准客流的基础上设置偏移量得到的；S3考虑在单条线路上情景客流不同的情况下，以最小化乘客总等车时间期望值为目标函数，建立基于情景的公交动态发车调度鲁棒优化模型；S4针对该模型，设计遗传算法进行求解，得到公交动态发车调度的发车方案。作为优选，S3所述基于情景的公交动态发车调度鲁棒优化模型进一步如下：S3-1模型假设条件如下：规划周期内线路上运营的公交车车型一致，公交车在线路上匀速运行，前后次序不变，车辆运行、道路状况保持正常状态，公交车在线路上的每个站点都会停靠，不会出现跨站现象，每位乘客上下车所用的时间是一样的，同一规划周期内，每个站点的乘客下车率是不变的；规划周期内假定有三种情景客流数据，基准客流是根据实时数据和预测算法得到的，高客流与低客流是在基准客流的基础上设置偏移量得到的；这里只对基准客流情景的建模过程进行说明，其他两种情景除了客流变化情况不同以外，其他条件和建模过程完全相同；S3-2模型中已知变量符号以及决策变量说明如下：t0表示规划周期起始时间，σ为车辆在站点停车由于加速减速所需要的缓冲时间，Cmax为车辆的最大载客量；α为乘客上下车所需的平均时间，qj为车辆到达站点j后乘客的下车比率；Dj为站点j-1和j之间的距离，Vj为车辆在站点j-1和j之间的运行速度；Li为正在行驶的车辆i刚经过的上游站点的序号，D′i表示正在行驶的车辆i刚经过的上游站点的距离；正在行驶的车辆i到达已经行驶过的站点j时上车的乘客数量，正在行驶的车辆i到达已经行驶过的站点j时下车的乘客数量；λj＝fj(t)表示站点j的乘客到达率函数，j＝1,2,...,J-1；Tavg表示最后一辆车所滞留乘客的预计等车时间；Hmax与Hmin分别表示最大发车间隔和最小发车间隔；表示车辆i在首站的发车时间，为模型决策变量，i＝1,2,...,M；S3-3模型中需要计算的中间变量公式进一步如下：(1)计算车辆离开站点的时间；规划周期t0时刻，对于规划周期开始时正在线路上运营的车辆，离开站点的时间计算公式为：对于待发决策车辆从首站到末站，离开站点的时间计算公式为：其中，N表示正在线路上运营的车辆数量，为车辆i离开站点j的时间，表示正在行驶的车辆i离开已经行驶过站点j的离站时间，为车辆i在站点j的停靠时间；(2)上述停靠时间的计算公式如下：其中，表示车辆i到达站点j后下车的乘客数，表示车辆i到达站点j后上车的乘客数；(3)下车的乘客数计算公式如下：i＝M+1,M+2,...,M+N；j＝Li+1,Li+2,...,Ji＝1,2,...,M；j＝2,3,...,J其中，表示车辆i在到达站点j时车上的乘客数；(4)上车乘客人数计算公式如下：i＝M+1,M+2,...,M+N；j＝Li+1,Li+2,...,J-1i＝1,2,...,M；j＝2,3,...,J-1其中，表示车辆i到达站点j时等车的乘客数；(5)上述在车上乘客的人数计算公式为：(6)等车乘客的数目计算公式为：i＝M；j＝1,2,...,LM+1i＝M+1,M+2,...,M+N-1；j＝Li+1,Li+2,....,L(i+1)i＝M+N；j＝Li+1,Li+2,....,J-1i＝M,M+1,...,M+N-1；j＝L(i+1)+1,...,J-1；i＝1,2,...,M-1；j＝1,2,...J-1其中，表示车辆i到达站点j后未能上车的乘客数；(7)未上车乘客计算公式为：S3-4目标函数建模过程如下：对于所有情景s而言，考虑车辆容量的限制，乘客的等车时间都是分为两个部分：(1)第一部分是乘客等待第一辆到达该站点的车辆的等车时间：(2)第二部分指的是乘客在到达站点后由于车辆满员，而需要等待后一辆车到达所产生的等车时间：以最小化规划周期内三种情景的每种情景的所有乘客的总等车时间期望值为目标函数，该式如下：其中，ps是每种情景的发生概率，Zs(x)表示每种情景的目标函数值，x表示待发车辆的发车时刻S3-本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的公交动态发车调度优化方法，其特征在于，包括如下步骤：S1 在规划周期起始时刻之前采集在单条线路上正在运行的车辆以及乘客的信息；所述需要采集的车辆信息包括正在行驶的车辆刚经过的上游站点以及该车辆与上游站点的距离、正在行驶的车辆离开已经行驶过站点的离站时间；所述需要采集的乘客信息包括单条线路所有站点正在等车的乘客数量、正在行驶的车辆到达已经行驶过的站点时上下车的乘客数量；S2 根据历史数据和预测得到客流到达率函数，并在规划周期起始时刻确定模型计算所需要的参数；所述参数包括待发车辆数量、车辆在站点停车由于加速减速所需要的缓冲时间、乘客上下车所需的平均时间、车辆到达站点后乘客的下车比率、车辆在站点之间的运行速度、站点距离、车辆最大载客量、公交公司要求的最大发车间隔和最小发车间隔以及三种情景客流发生的概率；所述的三种情景客流分别为基准客流、高客流与低客流；其中基准客流是根据历史数据和预测算法得到的，高客流与低客流是在基准客流的基础上设置偏移量得到的；S3 考虑在单条线路上情景客流不同的情况下，以最小化乘客总等车时间期望值为目标函数，建立基于情景的公交动态发车调度鲁棒优化模型；S4 针对该模型，设计遗传算法进行求解，得到公交动态发车调度的发车方案。...

【技术特征摘要】
1.一种基于遗传算法的公交动态发车调度优化方法，其特征在于，包括如下步骤：S1在规划周期起始时刻之前采集在单条线路上正在运行的车辆以及乘客的信息；所述需要采集的车辆信息包括正在行驶的车辆刚经过的上游站点以及该车辆与上游站点的距离、正在行驶的车辆离开已经行驶过站点的离站时间；所述需要采集的乘客信息包括单条线路所有站点正在等车的乘客数量、正在行驶的车辆到达已经行驶过的站点时上下车的乘客数量；S2根据历史数据和预测得到客流到达率函数，并在规划周期起始时刻确定模型计算所需要的参数；所述参数包括待发车辆数量、车辆在站点停车由于加速减速所需要的缓冲时间、乘客上下车所需的平均时间、车辆到达站点后乘客的下车比率、车辆在站点之间的运行速度、站点距离、车辆最大载客量、公交公司要求的最大发车间隔和最小发车间隔以及三种情景客流发生的概率；所述的三种情景客流分别为基准客流、高客流与低客流；其中基准客流是根据历史数据和预测算法得到的，高客流与低客流是在基准客流的基础上设置偏移量得到的；S3考虑在单条线路上情景客流不同的情况下，以最小化乘客总等车时间期望值为目标函数，建立基于情景的公交动态发车调度鲁棒优化模型；S4针对该模型，设计遗传算法进行求解，得到公交动态发车调度的发车方案。2.根据权利要求1所述的一种基于遗传算法的公交动态发车调度优化方法，其特征在于，S3所述基于情景的公交动态发车调度鲁棒优化模型进一步如下：S3-1模型假设条件如下：规划周期内线路上运营的公交车车型一致，公交车在线路上匀速运行，前后次序不变，车辆运行、道路状况保持正常状态，公交车在线路上的每个站点都会停靠，不会出现跨站现象，每位乘客上下车所用的时间是一样的，同一规划周期内，每个站点的乘客下车率是不变的；规划周期内假定有三种情景客流数据，基准客流是根据实时数据和预测算法得到的，高客流与低客流是在基准客流的基础上设置偏移量得到的；这里只对基准客流情景的建模过程进行说明，其他两种情景除了客流变化情况不同以外，其他条件和建模过程完全相同；S3-2模型中已知变量符号以及决策变量说明如下：t0表示规划周期起始时间，σ为车辆在站点停车由于加速减速所需要的缓冲时间，Cmax为车辆的最大载客量；α为乘客上下车所需的平均时间，qj为车辆到达站点j后乘客的下车比率；Dj为站点j-1和j之间的距离，Vj为车辆在站点j-1和j之间的运行速度；Li为正在行驶的车辆i刚经过的上游站点的序号，Di'表示正在行驶的车辆i刚经过的上游站点的距离；正在行驶的车辆i到达已经行驶过的站点j时上车的乘客数量，正在行驶的车辆i到达已经行驶过的站点j时下车的乘客数量；λj＝fj(t)表示站点j的乘客到达率函数，j＝1,2,...,J-1；Tavg表示最后一辆车所滞留乘客的预计等车时间；Hmax与Hmin分别表示最大发车间隔和最小发车间隔；表示车辆i在首站的发车时间，为模型决策变量，i＝1,2,...,M；S3-3模型中需要计算的中间变量公式进一步如下：(1)计算车辆离开站点的时间；规划周期t0时刻，对于规划周期开始时正在线路上运营的车辆，离开站点的时间计算公式为：对于待发决策车辆从首站到末站，离开站点的时间计算公式为：其中，N表示正在线路上运营的车辆数量，为车辆i离开站点j的时间，表示正在行驶的车辆i离开已经行驶过站点j的离站时间，为车辆i在站点j的停靠时间；(2)上述停靠时间的计算公式如下：其中，表示车辆i到达站点j后下车的乘客数，表示车辆i到达站点j后上车的乘客数；(3)下车的乘客数计算公式如下：i＝M+1,M+2,...,M+N；j＝Li+1,Li+2,...,Ji＝1,2,...,M；j＝2,3,...,J其中，表示车辆i在到达站点j时车上的乘客数；(4)上车乘客人数计算公式如下：i＝M+1,M+2,...,M+N；j＝Li+1,Li+2,...,J-1i＝1,2,...,M；j＝2,3,...,J-1其中，表示车辆i到达站点j时等车的乘客数；(5)上述在车上乘客的人数计算公式为：(6)等车乘客的数目计算公式为：i＝M；j＝1,2,...,LM+...

【专利技术属性】
技术研发人员：雒兴刚，陈慧超，张忠良，李晶，魏旭，周林亚，王一，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33