本发明属于城市智慧交通领域，具体涉及一种基于遗传算法优化的城市区域交通大数据分析系统与方法。
背景技术：
城市是人类从事各种社会、政治、经济和文化生活的活动中心，在社会发展中起着极其重要的作用。而城市交通与城市的发展密切相关，是衡量一个城市文明进步的标志。随着社会经济的高速发展和城市化进程的快速推进，交通量持续大幅度增加，交通需求与道路交通设施之间的矛盾日益尖锐，城市交通问题日益严重。城市交通拥挤不仅造成交通事故频发、车辆延误增大，而且进一步带来能源浪费和环境污染的加剧，造成不良的社会经济后果。
近年来，随着我国经济的飞速发展，城市化、汽车化进程加快，机动车辆保有量迅猛增加，我国的交通状况日渐恶化，交通拥挤以及能源、环境问题日益严重，特别是一些大城市，交通拥挤已成为制约城市经济发展的瓶颈。
为了提高交通网络使用效率，解决交通拥挤和交通安全问题，世界各国在对交通流进行有效管理方面投入了大量的研究，试图应用自然科学与工程技术的最新研究成果解决日益严重的交通问题，城市交通问题的客观需求和现代科学技术的发展促进了智能交通系统的产生。以现代计算机技术、通信技术、电子技术、优化控制技术为核心的智能交通系统是全方位解决交通运输安全和交通拥挤的有效手段。其中的智能交通分析系统又包括许多子系统，例如车流与行人流监测处理、交通信号优化控制、车辆导航地区性或全球性、紧急事件处理、交通分流显示牌与媒体传播、道路桥梁自动收费、路况监控与维护、公路公共交通管理与协调、公共交通优先运行管理、交通流量与旅行时间预测、自动停车与服务、立体交通一体优化化协调与管理等。城市道路交通信号优化控制是智能交通系统的核心组成部分，对城市交通信号优化控制理论与技术的研究具有重要的现实意义和理论价值。合理有效的城市交通分析控制，可以减少或消除可能引发交通拥挤和交通事故的交通冲突点，使车辆和行人的延误时间最小，增加与交叉路口的通行能力，实现交通流的安全性、快速性和舒适性，具有现实而深远的社会经济效益。世界各国在对交通流进行有效管理方面投入了大量的研究，试图应用自然科学与工程技术的最新研究成果解决日益严重的交通问题，具体在城市交通分析优化控制方面也进行了很多研究，但是由于城市交通本身的复杂性、随机性、非线性，交通分析优化控制模型往往很复杂，用于交通信号优化控制模型的求解算法有很多，但是，传统的算法大多数，由于计算量大或者容易使性能指标落入局部极小值而严重制约了模型的应用与发展。
遗传算法，是新兴发展起来的一类随机搜索与优化仿生算法。自1975年美国大学的michigan教授及其学生创建以来，遗传算法已引起了国内外学术界和产业界的广泛关注，成为本世纪计算智能中相当活跃的关键技术之一。遗传算法提供一种求解复杂系统优化问题的通用框架，不依赖问题的具体领域，对问题的种类具有很强的稳健性。目前，遗传算法己被广泛地应用于计算机科学、工程技术、管理科学和社会科学等许多重要领域，而且其的应用领域还在不断的扩展之中。与经典的方法比较，遗传算法还是一门新兴的学科，其实现方法上，还有待改进，尤其是其理论基础极需完善。因此，许多专家学者对其研究的其中一个热点课题就是对基本遗传算法的改进问题，以便使遗传算法的性能和特点能更充分发挥。
遗传算法作为新兴发展起来的一类随机搜索与优化仿生算法，具有很多特点，比如以决策变量的编码作为运算对象，直接以目标函数值作为搜索信息，同时使用多个搜索点的搜索信息，使用概率搜索技术等等。它的这些特点使其近年来得到迅速发展，在函数优化、组合优化、自动控制、图象处理、模式识别、机器人学习等等领域得到应用。
技术实现要素：
本发明试图利用改进的遗传算法的高效优化求解能力，基于交通分析优化控制模型进行运算，根据道路交通流的变化，实时调整分析控制方案对城市交通进行合理高效的控制，进而提高通行能力、改善交通秩序、节省能源消耗、提高交通效益。另外，利用改进的遗传算法来解决城市分析控制的优化问题，对拓宽遗传算法的应用领域，普及和推广遗传算法的应用也具有重要意义。。
本发明的目的在于提供一种基于遗传算法优化的城市区域交通大数据分析系统。
本发明的目的还在于提供一种基于遗传算法优化的城市区域交通大数据分析方法。
本发明的目的是这样实现的：
一种基于遗传算法优化的城市区域交通大数据分析系统，包括城市路网与行人出行分布分析模块、城市路网交路流量分析模块、城市轨道交通系统分析模块、城市区域交通系统决策模块；
所述城市路网与行人出行分布分析模块包括由行人出行网络和路网网络相互作用而形成的双层网络，上层网络为行人出行网络，通过上层网络和下层网络的节点，采集由上层网络和下层网络的全部节点上的客流量和交通流量组成的城市交通系统大数据，并计算表示人流分布特征、交路通过能力、人流服务能力、交路运营组织复杂性、设备投资与运营费用这些因素的城市区域交通利用率指标；
城市路网交路流量分析模块根据所述城市区域交通利用率指标，建立优化单目标函数，并利用遗传算法对上述单目标函数进行优化求解，确定交路通行的最优解；
城市轨道交通系统分析模块基于城市路网与行人出行分布分析模块和城市路网交路流量分析模块，以交通车站的客流量为输入条件生成接运公交候选线路集合，根据接驳交通方式构建接运公交线网规划的双层规划网络，上层网络以城市轨道交通系统内出行成本、系统运营成本、单体车辆出行数量的加权之和最小为目标，优化系统内的线路组合方案、线路的车辆配置和发车频率，下层网络以上层网络输出的所有数据为输入，计算不同接驳交通方式的出行成本，利用遗传算法求解模型；
城市区域交通系统决策模块用于根据城市路网交路流量分析模块以及城市轨道交通系统分析模块获得的最优解，确定城市路网交路通行和城市轨道交通的配置方案。
优选的是，所述城市路网与行人出行分布分析模块计算以下城市区域交通利用率指标：
道路单向满载率：
高峰单位时间最大单向满载率：
道路平均满载率：
公共交通平均满载率：
城市道路面积密度：
l为城市道路的里程长度；e为区域面积；
城市人口密度：
r为城市人口量；
城市道路经济密度：
gdp为城市国民生产总值；
城市车辆运输密度：
i为城市车辆运输周转量；
城市区域交通综合密度：
城市区域交通路网连通度：
l0为城市区域总里程数，θ为非直线系数，即直线里程与总里程的比；h为区域交通路网的总路段数，n为区域交通路网的节点数；
城市交通理想道路长度：
u为经济指标系数；
城市交通理想规模接近度：
城市交通道路布局均衡度
其中为p0规划区域内路网规模合理的分区数，p为规模区域的总分区数。
优选的是，所述城市路网交路流量分析模块获得由行人出行网络和路网网络采集并计算的城市区域交通利用率指标；并且设置约束条件；当超出约束条件时，在遗传计算中关闭路网，直到城市区域交通利用率指标不再超出约束条件。
优选的是，所述约束条件包括：
路网覆盖范围约束：
d*a≤fmax
fmax为道路单项满载极限度；
q*w≤gmax
gmax为道路公共交通满载极限度；
最大满载率约束：
μmax各道路通道应满足的最大满载率；
mmin≤tε≤mmax
mmin为各交路的最小编组数；mmmax为各交路的最小编组数。
优选的是，城市路网交路流量分析模块采用线性加权法，将由城市区域交通利用率指标构成的多目标优化转换为单目标优化；转换后的城市路网优化单目标函数为
ρ＝τ1*α+τ2*β+τ3*γ+τ4*δ
τ1+τ2+τ3+τ4＝1
τ1为α的权重；τ2为β的权重；τ3为γ的权重；τ4为δ的权重。
优选的是，城市路网交路流量分析模块进一步采用遗传算法，基于约束条件对上述单目标进行优化；优化过程为：
1)染色体编码，根据各α、β、γ、δ变量的取值范围以及约束条件进行编码，
2)计算染色体适应度函数值，将转化后的单目标函数作为遗传算法的适应度函数，fit(x)＝τ1*α-τ2*β-τ3*γ-τ4*δ
fit(x)表示染色体的适应度函数；
3)染色体交叉变异，在交叉变异前，对各子代适应度进行排序，保留适应度最大的两个子代不进行交叉变异操作，其中，交叉采用单点交叉，变异也采用单点变异；
3.1)对城市区域交通利用率指标随机赋值，生成初始种群；
3.2)调整染色体种群为可行解；
3.3)计算染色体适应度值并记录最优解；
3.4)判断是否达到最大进化代数，如是则计算结束，如否则进行下一步；
3.5)对染色体进行选择、交叉和变异操作，并返回3.2)。
优选的是，城市轨道交通系统分析模块对城市轨道交通系统的上层网络和下层网络进行建模并求解；其中
所述的上层网络的模型z(x，y)为：
其中x，y为城市区域坐标，
下层网络模型b(x，y)：
其中j为交通网络的路段集合，π为任一路段，j＝j0∪j1，j0为现有路段，j1为规划路段，r、s分别为起始点集合和终讫点集合；r、s分别为任一起始点和终讫点；xπ为路段π的交通流量，
城市轨道交通系统分析模块利用遗传算法对上述模型求解的过程如下：
(1)编码；将所述城市轨道交通系统的上层网络和下层网络模型的解空间变量转换为遗传算法中的基因型数据结构，用一个固定长度的二进制位串来进行编码，形成遗传算法中的染色体，即假设所述城市轨道交通系统的上层网络和下层网络模型的优化解包括有n条道路，采用固定长度为n的0-1变量来表示染色体，其中0代表对应的路段维持原状不变，1代表对应的路段要进行增加其通行能力；
(2)初始化算法参数；初次计算按照二进制编码方法随机产生所述城市轨道交通系统的上层网络和下层网络模型的优化解的初始群体，并初始化控制参数，种群大小规模m，最大迭代次数b，交叉概率cp，变异概率mp，可行的初始种群是通过随机选取n个路段增加方案产生，记为
(3)比较适应度值；个体
将适应度值
(4)选择操作；使用轮盘赌法选择概率，每次转轮时，随机产生概率s∈u(0，1)对应适应度值，选择个体i，共循环k次，生成k个父体；
(5)交叉操作；新的子体生成是对上述生成k个父体进行两两交叉的结果；随机产生s∈u(0，1)，进行交叉操作，交叉概率为cp，其操作采用双切点交叉的方式，即随机从两个个体中选取两个切点，交换两个切点之间的基因；
(6)变异操作，利用个体的单基因变异方式，随机产生s∈u(0，1)，变异操作从个个体的其中一个基因进行，从而促进新个体的产生；
(7)若城市区域交通利用率指标超出上述约束条件，终止算法；否则跳转到(3)。
本发明还提供了一种基于遗传算法优化的城市区域交通大数据分析方法，包括如下步骤：
(1)建立由行人出行网络和路网网络相互作用而形成的双层网络，上层网络为行人出行网络，上层网络的节点为出行生成点，节点间的相互联系通过线相连；下层网络为路网网络，下层网络的节点为交叉口，节点间连线表示路段；上层网络的各个节点采集本节点处的客流量并进行流量分析；下层网络的各个节点采集本节点处的交通流量并进行流量分析；采集由上层网络和下层网络的全部节点上的客流量和交通流量组成的城市交通系统大数据，并计算表示人流分布特征、交路通过能力、人流服务能力、交路运营组织复杂性、设备投资与运营费用这些因素的城市区域交通利用率指标；
(2)获得所述城市区域交通利用率指标；并且设置约束条件，当超出约束条件时，在遗传计算中关闭路网，直到城市区域交通利用率指标超出约束条件：
(3)利用城市区域交通利用率指标以及约束条件，建立表示城市路网交路通行状态的优化单目标函数，并利用遗传算法对上述单目标函数进行优化求解；
(4)对城市轨道交通系统的上层网络和下层网络进行建模并求解
(5)根据步骤(3)和(4)中获得的最优解，确定城市路网交路通行和城市轨道交通的配置方案。
优选的是，计算的城市区域交通利用率指标包括：
道路单向满载率：
高峰单位时间最大单向满载率：
道路平均满载率：
公共交通平均满载率：
城市道路面积密度：
l为城市道路的里程长度；e为区域面积；
城市人口密度：
r为城市人口量；
城市道路经济密度：
gdp为城市国民生产总值；
城市车辆运输密度：
i为城市车辆运输周转量；
城市区域交通综合密度：
城市区域交通路网连通度：
l0为城市区域总里程数，θ为非直线系数，即直线里程与总里程的比；h为区域交通路网的总路段数，n为区域交通路网的节点数；
城市交通理想道路长度：
u为经济指标系数；
城市交通理想规模接近度：
城市交通道路布局均衡度
其中为p0规划区域内路网规模合理的分区数，p为规模区域的总分区数。
优选的是，获得由行人出行网络和路网网络采集并计算的城市区域交通利用率指标；并且设置约束条件；当超出约束条件时，在遗传计算中关闭路网，直到城市区域交通利用率指标不再超出约束条件。
优选的是，所述约束条件包括：
路网覆盖范围约束：
d*a≤fmax
fmax为道路单项满载极限度；
q*w≤gmax
gmax为道路公共交通满载极限度；
最大满载率约束：
μmax各道路通道应满足的最大满载率；
mmin≤tε≤mmax
mmin为各交路的最小编组数；mmmax为各交路的最小编组数。
优选的是，步骤(3)中，采用线性加权法，将由城市区域交通利用率指标构成的多目标优化转换为单目标优化；转换后的城市路网优化单目标函数为
ρ＝τ1*α+τ2*β+τ3*γ+τ4*δ
τ1+τ2+τ3+τ4＝1
τ1为α的权重；τ2为β的权重；τ3为γ的权重；τ4为δ的权重。
优选的是，城市路网交路流量分析模块进一步采用遗传算法，基于约束条件对上述单目标进行优化；优化过程为：
1)染色体编码，根据各α、β、γ、δ变量的取值范围以及约束条件进行编码，
2)计算染色体适应度函数值，将转化后的单目标函数作为遗传算法的适应度函数，fit(x)＝τ1*α-τ2*β-τ3*γ-τ4*δ
fit(x)表示染色体的适应度函数；
3)染色体交叉变异，在交叉变异前，对各子代适应度进行排序，保留适应度最大的两个子代不进行交叉变异操作，其中，交叉采用单点交叉，变异也采用单点变异；
3.1)对城市区域交通利用率指标随机赋值，生成初始种群；
3.2)调整染色体种群为可行解；
3.3)计算染色体适应度值并记录最优解；
3.4)判断是否达到最大进化代数，如是则计算结束，如否则进行下一步；
3.5)对染色体进行选择、交叉和变异操作，并返回3.2)。
优选的是，步骤(4)中，城市轨道交通系统分析模块对城市轨道交通系统的上层网络和下层网络进行建模并求解；其中
所述的上层网络的模型z(x，y)为：
其中x，y为城市区域坐标，
下层网络模型b(x，y)：
其中j为交通网络的路段集合，π为任一路段，j＝j0∪j1，j0为现有路段，j1为规划路段，r、s分别为起始点集合和终讫点集合；r、s分别为任一起始点和终讫点；xπ为路段π的交通流量，
优选的是，步骤(4)中，利用遗传算法对上述模型求解的过程如下：
(1)编码；将所述城市轨道交通系统的上层网络和下层网络模型的解空间变量转换为遗传算法中的基因型数据结构，用一个固定长度的二进制位串来进行编码，形成遗传算法中的染色体，即假设所述城市轨道交通系统的上层网络和下层网络模型的优化解包括有n条道路，采用固定长度为n的0-1变量来表示染色体，其中0代表对应的路段维持原状不变，1代表对应的路段要进行增加其通行能力；
(2)初始化算法参数；初次计算按照二进制编码方法随机产生所述城市轨道交通系统的上层网络和下层网络模型的优化解的初始群体，并初始化控制参数，种群大小规模m，最大迭代次数b，交叉概率cp，变异概率mp，可行的初始种群是通过随机选取n个路段增加方案产生，记为
(3)比较适应度值；个体
将适应度值
(4)选择操作；使用轮盘赌法选择概率，每次转轮时，随机产生概率s∈u(0，1)对应适应度值，选择个体i，共循环k次，生成k个父体；
(5)交叉操作；新的子体生成是对上述生成k个父体进行两两交叉的结果；随机产生s∈u(0，1)，进行交叉操作，交叉概率为cp，其操作采用双切点交叉的方式，即随机从两个个体中选取两个切点，交换两个切点之间的基因；
(6)变异操作，利用个体的单基因变异方式，随机产生s∈u(0，1)，变异操作从个个体的其中一个基因进行，从而促进新个体的产生；
(7)若城市区域交通利用率指标超出上述约束条件，终止算法；否则跳转到(3)。
本发明的有益效果在于：
本发明以城市路网与居民出行分布作为研究对象，深入分析了城市路网与居民出行分布之间的函数关系，找到了了城市路网与居民出行分布基于遗传算法的内在机制和影响因素，建立了评价两者之间相互作用强度的计算模型。同时，采用连续网络设计中的双层规划模型，将城市路网与居民出行分布的指标引入城市路网优化中，建立了基于遗传算法的城市路网优化双层规划模型，极大提高了城市区域交通的数据分析能力和决策能力。
附图说明
图1为本发明所述基于遗传算法优化的城市区域交通大数据分析系统结构示意图；
图2为基于遗传算法优化的城市区域交通大数据分析方法的流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
实施例1
如图1所示，一种基于遗传算法优化的城市区域交通大数据分析系统，包括城市路网与行人出行分布分析模块、城市路网交路流量分析模块、城市轨道交通系统分析模块、城市区域交通系统决策模块。
所述的城市路网与行人出行分布分析模块包括由行人出行网络和路网网络相互作用而形成的双层网络，上层网络为行人出行网络，上层网络的节点为出行生成点，节点间的相互联系通过线相连；下层网络为路网网络，下层网络的节点为交叉口，节点间连线表示路段；上层网络的各个节点采集本节点处的客流量并进行流量分析；下层网络的各个节点采集本节点处的交通流量并进行流量分析；所述城市路网与行人出行分布分析模块通过上层网络和下层网络的节点，采集由上层网络和下层网络的全部节点上的客流量和交通流量组成的城市交通系统大数据，并计算表示人流分布特征、交路通过能力、人流服务能力、交路运营组织复杂性、设备投资与运营费用这些因素的城市区域交通利用率指标。
城市路网交路流量分析模块根据所述城市区域交通利用率指标，建立优化单目标函数，并利用遗传算法对上述单目标函数进行优化求解，确定交路通行方案。
城市轨道交通系统分析模块基于城市路网与行人出行分布分析模块和城市路网交路流量分析模块，以交通车站的客流量为输入条件生成接运公交候选线路集合，根据接驳交通方式构建接运公交线网规划的双层规划网络，上层网络以城市轨道交通系统内出行成本、系统运营成本、单体车辆出行数量的加权之和最小为目标，优化系统内的线路组合方案、线路的车辆配置和发车频率，下层网络以上层网络输出的所有数据为输入，计算不同接驳交通方式的出行成本，利用遗传算法求解模型，所求的最优解可以用于轨道交通分配人流并返回上层网络分析城市整体交通目标值。
所述的城市路网与行人出行分布分析模块通过上层网络和下层网络的节点，采集由上层网络和下层网络的全部节点上的客流量和交通流量组成的城市交通系统大数据，并计算以下城市区域交通利用率指标：
道路单向满载率：
高峰单位时间最大单向满载率：
道路平均满载率：
公共交通平均满载率：
城市道路面积密度：
l为城市道路的里程长度；e为区域面积；
城市人口密度：
r为城市人口量；
城市道路经济密度：
gdp为城市国民生产总值；
城市车辆运输密度：
i为城市车辆运输周转量；
城市区域交通综合密度：
城市区域交通路网连通度：
l0为城市区域总里程数，θ为非直线系数，即直线里程与总里程的比；h为区域交通路网的总路段数，n为区域交通路网的节点数；
城市交通理想道路长度：
u为经济指标系数；
城市交通理想规模接近度：
城市交通道路布局均衡度
其中为p0规划区域内路网规模合理的分区数，p为规模区域的总分区数。
所述的城市路网交路流量分析模块获得由行人出行网络和路网网络采集并计算的城市区域交通利用率指标；并且设置约束条件；当超出约束条件时，在遗传计算中关闭路网，直到城市区域交通利用率指标不再超出约束条件。
所述约束条件包括：
路网覆盖范围约束：
d*a≤fmax
fmax为道路单项满载极限度；
q*w≤gmax
gmax为道路公共交通满载极限度；
最大满载率约束：
μmax各道路通道应满足的最大满载率；
mmin≤tε≤mmax
mmin为各交路的最小编组数；mmmax为各交路的最小编组数。
所述的城市路网交路流量分析模块利用城市区域交通利用率指标以及约束条件，建立城市路网交路通行状态的优化单目标函数，并利用遗传算法对上述单目标函数进行优化求解，具体来说：
城市路网交路流量分析模块采用线性加权法，将由城市区域交通利用率指标构成的多目标优化转换为单目标优化；转换后的城市路网优化单目标函数为
ρ＝τ1*α+τ2*β+τ3*γ+τ4*δ
τ1+τ2+τ3+τ4＝1
τ1为α的权重；τ2为β的权重；τ3为γ的权重；τ4为δ的权重；
城市路网交路流量分析模块进一步采用遗传算法，基于约束条件对上述单目标进行优化；优化过程为：
1)染色体编码，根据各α、β、γ、δ变量的取值范围以及约束条件进行编码，
2)计算染色体适应度函数值，将转化后的单目标函数作为遗传算法的适应度函数，fit(x)＝τ1*α-τ2*β-τ3*γ-τ4*δ
fit(x)表示染色体的适应度函数；
3)染色体交叉变异，在交叉变异前，对各子代适应度进行排序，保留适应度最大的两个子代不进行交叉变异操作，其中，交叉采用单点交叉，变异也采用单点变异；
3.1)对城市区域交通利用率指标随机赋值，生成初始种群；
3.2)调整染色体种群为可行解；
3.3)计算染色体适应度值并记录最优解；
3.4)判断是否达到最大进化代数，如是则计算结束，如否则进行下一步；
3.5)对染色体进行选择、交叉和变异操作，并返回3.2)。
利用通过遗传算法优化求解获得的城市区域交通利用率指标最优解，确定城市路网交路流量的交路通行方案。所述的城市轨道交通系统分析模块对城市轨道交通系统的上层网络和下层网络进行建模并求解；
所述的上层网络的模型z(x，y)为：
其中x，y为城市区域坐标，
下层网络模型b(x，y)：
其中j为交通网络的路段集合，π为任一路段，j＝j0∪j1，j0为现有路段，j1为规划路段，r、s分别为起始点集合和终讫点集合；r、s分别为任一起始点和终讫点；xπ为路段π的交通流量，
城市轨道交通系统分析模块利用遗传算法对上述模型求解的过程如下：
步骤1：编码；将所述城市轨道交通系统的上层网络和下层网络模型的解空间变量转换为遗传算法中的基因型数据结构，用一个固定长度的二进制位串来进行编码，形成遗传算法中的染色体，即假设所述城市轨道交通系统的上层网络和下层网络模型的优化解包括有n条道路，采用固定长度为n的0-1变量来表示染色体，其中0代表对应的路段维持原状不变，1代表对应的路段要进行增加其通行能力；
步骤2：初始化算法参数；初次计算按照二进制编码方法随机产生所述城市轨道交通系统的上层网络和下层网络模型的优化解的初始群体，并初始化控制参数，种群大小规模m，最大迭代次数b，交叉概率cp，变异概率mp，可行的初始种群是通过随机选取n个路段增加方案产生，记为
步骤3：比较适应度值；个体
将适应度值
步骤4：选择操作；使用轮盘赌法选择概率，每次转轮时，随机产生概率s∈u(0，1)对应适应度值，选择个体i，共循环k次，生成k个父体；
步骤5：交叉操作；新的子体生成是对上述生成k个父体进行两两交叉的结果；随机产生s∈u(0，1)，进行交叉操作，交叉概率为cp，其操作采用双切点交叉的方式，即随机从两个个体中选取两个切点，交换两个切点之间的基因；
步骤6：变异操作，利用个体的单基因变异方式，随机产生s∈u(0，1)，变异操作从个个体的其中一个基因进行，从而促进新个体的产生；
步骤7：若城市区域交通利用率指标超出上述约束条件，终止算法；否则跳转到步骤3。
利用以上遗传算法求解所述城市轨道交通系统的上层网络和下层网络模型，获得表示以城市轨道交通系统内出行成本、系统运营成本、单体车辆出行数量、线路组合方案、线路的车辆配置和发车频率、接驳交通出行成本最优化的优化解。
城市区域交通系统决策模块用于根据城市路网交路流量分析模块以及城市轨道交通系统分析模块获得的最优解，确定城市路网交路通行和城市轨道交通的配置方案。
上述系统通过一套基于遗传算法优化的城市区域交通大数据分析系统建立了交通配流问题的一种新的解决方法，提出了一种染色体编码处理方法,可以用浮点编码表达离散的0-l变量，通过遗传算法的路径分析，建立保证人流分布特征、交路通过能力、人流服务能力、交路运营组织复杂性、设备投资与运营费用这些因素最优化的城市路网交路通行方案和城市轨道交通系统配置方案，极大提高了系统的分析速度和分析精度。
实施例2
本发明还提供了一种基于遗传算法优化的城市区域交通大数据分析方法，如图2所示，包括如下步骤：
(1)建立由行人出行网络和路网网络相互作用而形成的双层网络，上层网络为行人出行网络，上层网络的节点为出行生成点，节点间的相互联系通过线相连；下层网络为路网网络，下层网络的节点为交叉口，节点间连线表示路段；上层网络的各个节点采集本节点处的客流量并进行流量分析；下层网络的各个节点采集本节点处的交通流量并进行流量分析；采集由上层网络和下层网络的全部节点上的客流量和交通流量组成的城市交通系统大数据，并计算表示人流分布特征、交路通过能力、人流服务能力、交路运营组织复杂性、设备投资与运营费用这些因素的城市区域交通利用率指标。
具体来说，计算的城市区域交通利用率指标包括：
道路单向满载率：
高峰单位时间最大单向满载率：
道路平均满载率：
公共交通平均满载率：
城市道路面积密度：
l为城市道路的里程长度；e为区域面积；
城市人口密度：
r为城市人口量；
城市道路经济密度：
gdp为城市国民生产总值；
城市车辆运输密度：
i为城市车辆运输周转量；
城市区域交通综合密度：
城市区域交通路网连通度：
l0为城市区域总里程数，θ为非直线系数，即直线里程与总里程的比；h为区域交通路网的总路段数，n为区域交通路网的节点数；
城市交通理想道路长度：
u为经济指标系数；
城市交通理想规模接近度：
城市交通道路布局均衡度
其中为p0规划区域内路网规模合理的分区数，p为规模区域的总分区数；
(2)获得所述城市区域交通利用率指标；并且设置约束条件，当超出约束条件时，在遗传计算中关闭路网，直到城市区域交通利用率指标超出约束条件：
所述约束条件包括：
路网覆盖范围约束：
d*a≤fmax
fmax为道路单项满载极限度；
q*w≤gmax
gmax为道路公共交通满载极限度；
最大满载率约束：
μmax各道路通道应满足的最大满载率；
mmin≤tε≤mmax
mmin为各交路的最小编组数；mmmax为各交路的最小编组数。
(3)利用城市区域交通利用率指标以及约束条件，建立表示城市路网交路通行状态的优化单目标函数，并利用遗传算法对上述单目标函数进行优化求解。具体来说：
采用线性加权法将多目标优化转换为单目标优化；建立的城市路网单目标函数如下：
ρ＝τ1*α+τ2*β+τ3*γ+τ4*δ
τ1+τ2+τ3+τ4＝1
τ1为α的权重；τ2为β的权重；τ3为γ的权重；τ4为δ的权重；
采用遗传算法基于约束条件对上述单目标进行优化；
1)染色体编码，根据各α、β、γ、δ变量的取值范围以及约束条件进行编码，
2)计算染色体适应度函数值，将转化后的单目标函数作为遗传算法的适应度函数，fit(x)＝τ1*α-τ2*β-τ3*γ-τ4*δ
fit(x)表示染色体的适应度函数；
3)染色体交叉变异，在交叉变异前，对各子代适应度进行排序，保留适应度最大的两个子代不进行交叉变异操作，其中，交叉采用单点交叉，变异也采用单点变异；
3.1)对城市区域交通利用率指标随机赋值，生成初始种群；
3.2)调整染色体种群为可行解；
3.3)计算染色体适应度值并记录最优解；
3.4)判断是否达到最大进化代数，如是则计算结束，如否则进行下一步；
3.5)对染色体进行选择、交叉和变异操作，并返回3.2)；
利用通过遗传算法优化求解获得的城市区域交通利用率指标最优解，确定城市路网交路流量的交路通行方案。
(4)所述的城市轨道交通系统分析模块对城市轨道交通系统的上层网络和下层网络进行建模并求解；
所述的上层网络的模型为：
其中x，y为城市区域坐标，
下层网络模型：
其中j为交通网络的路段集合，π为任一路段，j＝j0∪j1，j0为现有路段，j1为规划路段，r、s分别为起始点集合和终讫点集合；r、s分别为任一起始点和终讫点；xπ为路段π的交通流量，
城市轨道交通系统分析模块利用遗传算法对上述模型求解的过程如下：
步骤1：编码；将所述城市轨道交通系统的上层网络和下层网络模型的解空间的设计变量转换为遗传算法中的基因型数据结构，用一个固定长度的二进制位串来进行编码，形成遗传算法中的染色体，即假设所述城市轨道交通系统的上层网络和下层网络模型的优化解包括n条道路，采用固定长度为n的0-1变量来表示染色体，其中0代表对应的路段维持原状不变，1代表对应的路段要进行增加其通行能力；
步骤2：初始化算法参数；初次计算按照二进制编码方法随机产生所述城市轨道交通系统的上层网络和下层网络模型的优化解的初始群体，并初始化控制参数，种群大小规模m，最大迭代次数b，交叉概率cp，变异概率mp，可行的初始种群是通过随机选取n个路段增加方案产生，记为
步骤3：比较适应度值；个体
将适应度值
步骤4：选择操作；使用轮盘赌法选择概率，每次转轮时，随机产生概率s∈u(0，1)对应适应度值，选择个体i，共循环k次，生成k个父体；
步骤5：交叉操作；新的子体生成是对上述生成k个父体进行两两交叉的结果；随机产生s∈u(0，1)，进行交叉操作，交叉概率为cp，其操作采用双切点交叉的方式，即随机从两个个体中选取两个切点，交换两个切点之间的基因；
步骤6：变异操作，利用个体的单基因变异方式，随机产生s∈u(0，1)，变异操作从个个体的其中一个基因进行，从而促进新个体的产生；
步骤7：若城市区域交通利用率指标超出约束条件，终止算法；否则跳转到步骤3。
(5)根据城市路网交路流量分析模块以及城市轨道交通系统获得的最优解，确定城市路网交路通行和城市轨道交通的配置方案。
本发明方法以城市区域交通为研究对象，充分考虑客流的时变特性及其对断面输送能力利用时间不均衡性的影响，在优化目标中加入考虑了断面输送能力利用率的标准差率之和最小化，建立了基于遗传算法的交通方案优化系统与方法。进一步地，提出考虑客流时变特性的计算方法。结果表明，与单一交路和嵌套交路均匀交通相比，本发明所得最优方案中交通用时时间均衡性分别优化了53％和67％。
这里必须指出的是，本发明给出的其他未说明的结构因为都是本领域的公知结构，根据本发明所述的名称或功能，本领域技术人员就能够找到相关记载的文献，因此未做进一步说明。本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。