本发明涉及交通领域,具体涉及一种基于sue的公交专用道布局优化方法。
背景技术
伴随机动车保有量的不断增长,交通拥堵在大部分城市蔓延,对城市交通发展、居民生活质量等都产生了一定的影响,从而对城市的可持续发展造成了限制。公交车拥有高载客量的特点,大力发展公交车出行可以在一定程度上减少交通资源的浪费、减轻交通拥堵、减少环境污染、节约能源及土地资源。在现实的交通路网中,小汽车的大面积普及成为公交车在路网中运营的障碍,公交车的服务水平不能达到出行者的预期,使公交车的吸引力逐渐降低。
在上述情况下,一系列“公交优先”的策略被陆续推出以促进公共交通的发展。城市中道路资源有限,对道路资源进行有条件的分配即设置公交专用道是落实“公交优先”的重要方法之一。在“公交优先”策略的引导下,各大城市都在增加公交专用道的里程数目,以期达到专用道成网和提高其覆盖率的效果。然而,公交车在专用道上独享道路资源,会在一定程度上造成小汽车更加拥堵的现象,从交通网络整体出行效果的角度进行分析,设置公交专用道未必会利大于弊。因此,将所有出行者的出行选择考虑在内,从提升整个交通网络系统效率的角度,针对道路网络系统对公交专用道的布局优化设置进行研究是很有必要的。
技术实现要素:
本发明的目的是针对现有技术的不足,提供了一种基于sue的公交专用道布局优化方法,所述方法考虑了公交专用道设置对其他交通模式的影响,从交通网络整体出发,以实现专用道设置后网络系统的总费用最小为目标建立上层模型,下层规划则依据上层设计的专用道布局方案,利用多模式混合交通下的随机均衡配流来完成出行者的出行方式选择和路径选择,有效提升了整个交通网络系统的效率。
本发明的目的可以通过如下技术方案实现:
一种基于sue的公交专用道布局优化方法,所述方法包括以下步骤:
s1、确立小汽车在行驶路径上的广义出行费用;
s2、确立公交车在行驶路径上的广义出行费用;
s3、确立公交系统的营运成本后,建立以布设公交专用道后公交系统的总费用最小为目标的上层规划模型;
s4、建立基于多模式混合交通下的sue下层规划模型;
s5、采用粒子群算法对双层规划模型进行求解,确定交通路网中的各路段是否需要设置公交专用道。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过结合交通网络系统的总费用与多模式交通下的随机均衡配流,建立双层规划模型,求解是否设置公交专用道,对于提高道路利用率具有重要意义。
2、本发明的模型构建分别从交通管理者和出行者的角度建模,更加贴近现实情况,对于设置专用道具有重要的参考价值。
附图说明
图1为本发明实施例基于sue的公交专用道布局优化方法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于sue的公交专用道布局优化方法,所述方法流程图如图1所示,包括以下步骤:
s1、确立小汽车在行驶路径上的广义出行费用;公式如下:
式中,vc表示小汽车出行的时间价值系数;
s2、确立公交车在行驶路径上的广义出行费用;公式如下:
式中,vh表示公交车换乘的时间价值系数;
s3、确立公交系统的营运成本后,建立以布设公交专用道后公交系统的总费用最小为目标的上层规划模型;其中,公交系统的营运成本公式如下:
式中,fw表示路径w上公交车的发车频率,fwb表示路径w上公交车的流量;
建立以布设公交专用道后公交系统的总费用最小为目标的上层规划模型如下:
式中,
s4、建立基于多模式混合交通下的sue下层规划模型;如下:
式中,
s5、采用粒子群算法对双层规划模型进行求解,确定交通路网中的各路段是否需要设置公交专用道;具体求解方法如下:
step1:初始化种群。参数输入:包括种群规模m、交叉概率pc、变异概率pm、染色体长度、最大迭代次数,随机生成种群数目的公交专用道设置方案;
step2:随机均衡配流。本步骤运用msa算法实现,大致步骤如下:利用改进后的路段阻抗函数计算路网中所有路段上公交车与小汽车的行驶时间初始值,从而分别计算两种出行方式的选择概率和起终点间路径的选择概率,利用求得的两个概率把小汽车和公交车的出行量加载到路网中,得到起讫点间的所有路径流量,根据路径流量得到路段流量,并将迭代次数设置为n;利用公式计算得到每个路段的当下交通量,计算当下交通量和初始交通量的目标函数值z2,判断是否满足收敛条件,如果满足则进行下一步,如果不满足则继续重复配流过程;
step3:将上层目标函数z1的倒数作为适应度函数,根据step2的计算结果,计算适应度函数值si;
step4:选择运算。本实施例选取确定式采样选择方法对个体进行选择,具体过程如下:
(1)计算个体在下一代种群的期望生存数;
(2)计算每个对应个体在下一代种群中的确定生存数[ni],则能够计算下一代群体中个体数目是
(3)根据ni的小数部分对个体按照降序的原则排列顺序,按次数选择前
step5:交叉运算。本实施例采用均匀交叉的方法进行交叉运算,具体方法为将群体f(n)中的每个个体随机搭配成对,然后对每一对个体以交叉概率pc交换个体间的部分染色体;
step6:变异运算。本实施例采用基本位变异的方法进行变异运算,对群体f(n)中的每一个基因座,以变异概率pm指定其为变异点,用其他等位基因值替代变异点的基因值;
step7:终止条件判断。群体f(n)经过选择、交叉、变异运算之后得到下一代群体f(n+1),如果n小于等于最大迭代次数,则令n=n+1,转到step2,如果n大于最大迭代次数,则把进化过程中适应度值最大的个体作为最优解输出,终止计算。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。