基于多智能体仿真的城市轨道交通客流诱导方法与流程

本发明涉及城市轨道交通客流管理技术领域，尤其涉及一种基于多智能体仿真的城市轨道交通客流诱导方法。

背景技术：

随着城市轨道交通客流需求的增多，城市轨道交通网络的拥挤问题日益严重。过度拥挤使城市轨道交通网络的运营效率下降的同时，也影响了乘客的出行体验，导致有些乘客因此放弃轨道交通而选用其他交通方式。因此，制定有效缓解地铁客流拥挤的措施，对提升轨道交通服务水平具有重要作用。

地铁运营部门通常采用增加供给能力或限制客流需求的方式缓解线网拥堵，如增加列车数量或者控制乘客进站的频率。但由于地铁的供给能力有限，限制乘客的进站频率会耽误乘客的出行，因此，这些方法不能从根本上缓解城市轨道交通线网拥挤。相较于这两种方法，客流诱导是一种更为灵活的客流控制手段。它通过安置在车站的乘客信息系统或导航软件向乘客发布交通网络中的路况描述性信息，为乘客进行出行决策提供一种参考。

目前，现有技术中的客流诱导系统主要面向所有乘客发布关于整个交通网络的交通状况，因此所有乘客接收到的路况描述信息都是一样的。

上述现有技术中的客流诱导系统的缺点为：道路交通诱导实践结果表明，当交通诱导的参与方只知道各自的利益而忽略路网其他乘客的存在和决策行为时，很可能导致过多乘客同时聚集在相同的路段上，从而引发交通拥堵。

技术实现要素：

本发明的实施例提供了一种基于多智能体仿真的城市轨道交通客流诱导方法，以克服现有技术的缺点。

为了实现上述目的，本发明采取了如下技术方案。

一种基于多智能体仿真的城市轨道交通客流诱导方法，构建基于仿真的客流动态诱导优化双层规划模型，该客流动态诱导优化双层规划模型包括上层优化模型和下层仿真模型，所述方法包括：

在所述下层仿真模型中，通过设定有向弧上的阻抗是关于客流量、诱导信息发布范围及内容的函数，计算每条路径的广义费用函数和每条路径被选中的概率，然后基于多智能体仿真技术得到每个仿真时段内每条有向弧上的流量，并将各个有向弧上的流量传输给所述上层优化模型；

所述上层优化模型以网络总出行成本和诱导成本最小为目标函数，以客流诱导信息发布的时空范围作为决策变量，基于下层模型输入的弧段流量调用遗传算法求解所述上层优化模型的目标函数，得到最优的动态客流诱导策略。

进一步地，所述的基于仿真的客流动态诱导优化双层规划模型，该客流动态诱导优化双层规划模型包括上层优化模型和下层仿真模型，包括：

构建轨道交通网络拓扑结构g(s,a)，其中，s表示轨道交通车站，a表示有向弧，包括站间区间a′和换乘弧a″，即a＝a′∪a″，基于所述轨道交通网络拓扑结构构建基于仿真的客流动态诱导优化双层规划模型，该客流动态诱导优化双层规划模型包括上层优化模型和下层仿真模型；

所述上层优化模型是诱导信息发布策略优化模型，用来确定发布诱导信息的时空范围，达到全网范围内的出行费用及诱导费用之和最优的目的；

所述下层仿真模型假定区间或换乘弧上的阻抗是关于客流量、诱导信息发布范围及内容的函数，且诱导信息会影响乘客对出行路径效用的感知，获取底层输出的各断面及车站上的实时客流状态，以及乘客在城轨线网的实时分布状态，从而得到每个仿真时段内各个有向弧上的客流量，并将各个有向弧上的客流量传输给所述上层优化模型。

进一步地，所述上层优化模型以网络总出行成本和诱导成本最小为目标函数，以诱导信息发布的时空范围作为决策变量，路段a的动态交通流量xa(t)是关于上层决策变量的函数，由下层仿真模型得到并输入到上层优化模型中；

所述上层优化模型的目标函数和约束条件表示如下：

s.t.

式中，表示第t个时间间隔时车站s∈s是否发布关于弧a的路况描述信息，取值为1时表示发布，取值为0时表示不发布，ca(t)表示第t个时间间隔内弧a上的实际广义费用，β1表示每个时间间隔内在一个车站发布一条弧的拥挤描述信息的成本。

进一步地，所述的上层优化模型以网络总出行成本和诱导成本最小为目标函数，以客流诱导信息发布的时空范围作为决策变量，基于下层模型输入的弧段流量调用遗传算法求解所述上层优化模型的目标函数，得到最优的动态客流诱导策略，包括：

以城市轨道交通自动售检票系统刷卡数据为基础生成乘客智能体，利用所述乘客智能体仿真乘客在诱导信息下出行路径选择、进站走行、候车、上车、下车、出站和换乘的出行过程；

假设乘客当前所在的车站是o，目的站是d，出发时间是t，乘客根据发布的路况描述信息和感知到的路段阻抗选择路径，用表示在乘客的始发站o发布的弧段a的广义费用，则有:

当取值为1时，表示乘客感知到的弧段a的阻抗与地铁运营部门提供的路况描述信息有关，其中，表示时段t时车站s向乘客发布的弧段a的路况描述信息；当取值为0时，此时乘客感知到的弧段a的阻抗就是弧段a的实际广义费用ca(t)；

区间弧上的实际广义费用等于列车在区间的运行时间与停站时间之和乘以表示区段拥挤程度的系数γa(t)，换乘弧上的广义费用函数为换乘时间乘以γa(t)再加上换乘惩罚参数σ，表示为：

拥挤程度系数γa(t)表示为：

其中，表示弧段的荷载，φ(ω)＝αω^γ；

在计算出每条弧段的广义费用ca(t)后，根据弧段和路径的所属关系计算od之间每条有效路径的路径广义费用计算公式为：

进一步地，所述方法还包括：

根据logit模型得到每条路径被选中的概率，概率计算公式为：

在得到每条路径被选中的概率后，利用多智能体仿真技术获取大规模乘客在城轨线网上的实时分布状态，利用多智能体仿真技术对每个仿真时段内每个乘客进站后的路径选择行为、上车、下车、换乘过程进行仿真，得到每位乘客在城轨线网上实时的位置，从而得到每个仿真时段内每条路段上的客流量，为上层优化模型输入各个有向弧的流量。

进一步地，所述方法还包括：

所述上层优化模型通过遗传算法生成客流诱导方案所述下层仿真模块的仿真算法用于仿真乘客对上层优化模型得到的客流诱导方案的反馈，即仿真乘客在当前的诱导方案下，通过感知每条有效路径的广义费用ca(t)具体选择哪条路径出行，何时进站、上车、下车、换乘及出站，通过对每个仿真时段内的每个乘客的出行过程进行仿真，得到轨道交通路网实时的客流分布情况xa(t)，将仿真时段t内的每条路段上的客流量xa(t)和广义费用ca(t)输入到上层优化模型中，所述上层优化模型将所述客流诱导方案客流量xa(t)和广义费用ca(t)代入到目标函数中，得到当前解下的适应度函数，通过多次迭代，得到适应度函数取值最高，即目标函数最小的最优的动态客流诱导方案。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出的方法可以自动地生成精细化的诱导方案，实现“一站一方案”，可帮助轨道交通运营部门确定开始进行客流诱导的时间以及在每个时段分别在哪些车站发布哪些路段的路况描述信息。通过考虑诱导信息发布的范围和内容，从乘客的角度出发，可以辅助乘客制定合理的路径决策，避开较为拥挤的路段，提升出行体验；从轨道交通系统的角度出发，通过优化诱导信息，可改变部分乘客的路径选择行为，从而使得线网上的客流分布更为均衡，整体的服务水平得到改善，大客流风险得到一定程度的消除。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于仿真的客流动态诱导优化双层规划模型框架图。

图2为本发明实施例提供的一种客流仿真模型框架图。

图3为本发明实施例提供的遗传算法过程图解。

图4为本发明实施例提供的一种仿真算法示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

为了解决现有客流诱导系统可能引发局部轨道交通线网拥堵的问题，本发明实施例提出了“一站一方案”的精细化客流诱导方案，即通过考虑诱导信息的发布范围和内容，在不同的时段选择性地在一些车站进行诱导信息的发布，在辅助乘客做出最优出行决策的同时，达到局部或整体线网负载更为均衡，网络总的出行阻抗最小的目的。旨在通过优化客流诱导信息，影响乘客对路径效用的感知，从而改变部分乘客的路径选择行为，使客流均衡地分布在路网上，最终达到缓解城市轨道交通局部线网客流过度拥挤的目的。

城市轨道交通的运营涉及运营部门和乘客两大主体，因此客流诱导的目标不仅要从用户角度辅助乘客做出最优的出行决策，而且要从运营部门角度缓解轨道线网的大客流拥挤，均衡线网运输负荷。因此，本发明将客流诱导问题视为双层规划决策过程，构建考虑诱导信息发布范围和内容的客流动态诱导优化双层规划模型，并设计融合多智能体仿真和遗传算法的混合智能算法对模型进行求解。图1为本发明实施例提供的一种基于仿真的客流动态诱导优化双层规划模型框架图。其中，上层优化模型以网络总出行成本和诱导成本之和为目标函数，用来决策使目标函数值最小的诱导信息发布范围，即在每个仿真时段内分别选择哪些车站作为发布诱导信息的车站，且每个被选车站分别发布哪些路段的诱导信息。下层仿真模型用于对上层模型决策出的诱导信息发布范围下乘客的出行行为进行仿真建模。本发明认为弧段的广义费用是诱导信息发布范围、内容及弧段客流量的函数，通过利用logit模型和基于多智能体的仿真算法，可得到上层模型决策出的诱导信息发布范围下的轨道交通线网实时的客流分布情况。

在本发明中，诱导信息的内容是指选定路段的路况描述性信息，具体指每个仿真时段内选定路段的荷载，本发明中取被选中的路段的荷载为定值1.4，因此乘客在始发站感知到的路段的广义费用与始发站是否发布该路段的路况描述性信息有关。对于未被选中的路段，乘客在始发站感受到的路段的广义费用为其实际的广义费用。

如图1所示。作为上层的地铁运营管理部门给作为下层的路网范围内的乘客提供一定的客流拥挤描述性信息，而乘客在这些诱导信息下，按自己的利益或偏好做出出行决策，运营部门再根据乘客的反应，做出符合全局利益的决策。在此基础上，本发明将客流诱导问题视为一个最优投资决策问题，指在一定的投资约束条件下，考虑乘客自主选择行为的同时，通过在局部车站发布诱导信息，使得整个轨道路网的客流分布达到某种系统指标最优的目的。通过对双层规划模型进行求解，本发明可生成逐时的诱导方案，实现“一站一诱导”的精细化诱导。

1.上层优化模型

构建轨道交通网络拓扑结构g(s,a)，其中，s表示轨道交通车站，a表示有向弧，包括站间区间a′和换乘弧a″，即a＝a′∪a″。

在基于仿真的客流动态诱导优化双层规划模型中，上层优化模型是诱导信息发布策略优化模型，用来确定发布诱导信息的范围、时间达到全网范围内的出行费用及诱导费用之和最优的目的。

上层优化模型以网络总出行成本和诱导成本最小为目标函数，以诱导信息发布的时空范围作为决策变量。上层优化模型的目标函数和约束条件表示如下：

s.t.

式中，表示第t个时间间隔时车站s∈s是否发布关于弧a的路况描述信息，取值为1时表示发布，取值为0时表示不发布。ca(t)表示第t个时间间隔内弧a上的实际广义费用。β1表示每个时间间隔内在一个车站发布一条弧的路况描述信息的诱导成本。路段a的动态交通流量xa(t)是下层仿真模型的决策变量，是关于上层决策变量的函数，由下层仿真模型得到并输入到上层优化模型中。

2.下层仿真模型

本发明假定区间或换乘弧上的阻抗是关于客流量、诱导信息发布范围及内容的函数，因而诱导信息会影响乘客对出行路径效用的感知。在本发明中，诱导信息和路网上的拥堵是动态可变的，需要逐时求解诱导方案，因而需要获取底层输出的各断面及车站上的实时客流状态，描述乘客对诱导信息的反馈，并获取大规模乘客在城轨线网的实时分布状态，为上层优化模型提供路段流量的输入。

下层仿真模型为基于多智能体仿真技术构建的动态客流分布推演模型。为了得到乘客在有无诱导信息时的出行决策，需要计算每条弧段的阻抗。

本发明将路段上的拥挤程度和出行时间转化为路段广义费用，通过确定在乘客始发站是否发布某条路段的路况描述信息，影响乘客对路段广义费用的感知，从而调整路径选择行为，最终使所有乘客均衡分布在不同的路段上，使整个轨道交通网络内的出行成本最低。

图2为本发明实施例提供的一种客流仿真模型框架图，基于图2所示的框架，本发明实施例提供的一种基于多智能体仿真的城市轨道交通客流精细化诱导方法的处理流程包括如下的处理步骤：

步骤1：生成列车智能体和乘客智能体。根据列车时刻表生成列车智能体，以afc(automaticfarecollectionsystem，城市轨道交通自动售检票系统)刷卡数据为基础生成乘客智能体，用来仿真乘客在诱导信息下出行路径选择、进站走行、候车、上车、下车、出站、换乘等一系列出行过程。

步骤2：考虑诱导信息的乘客智能体的出行行为建模。

为了对乘客的路径选择行为建模，首先需要计算弧的广义费用。

假设乘客当前所在的车站是o，目的站是d，出发时间是t，乘客根据感知到的路段阻抗选择路径。乘客的感知阻抗值的大小与线网区间或换乘弧上的基本阻抗以及地铁运营部门提供的路网客流拥挤信息有关。用表示在乘客的始发站o发布的弧段a的广义费用，则有:

当取值为1时，表示乘客感知到的弧段a的阻抗与地铁运营部门提供的路况描述信息有关。其中，表示时段t时车站s向乘客发布的弧段a的路况描述信息，本发明取为1.4,意味着弧段a的荷载远远超过了列车的额定载客量。当取值为0时，此时乘客感知到的弧段a的阻抗就是弧段a的实际广义费用ca(t)。区间弧上的实际广义费用等于列车在区间的运行时间与停站时间之和乘以弧段负载系数γa(t)。换乘弧上的广义费用函数为换乘时间乘以γa(t)再加上换乘惩罚参数σ，表示为：

拥挤程度系数γa(t)表示为：

其中，表示弧段的荷载；φ(ω)为拥挤惩罚，计算表达式为φ(ω)＝αω^γ，为弧段荷载的指数函数。因此，弧段荷载越高，拥挤对广义费用的影响越大。ω0、ω1都是描述拥挤程度的参数，取值不同，代表拥挤程度不同，在本发明中ω0取值为0.7，ω1取值为1.2；

在计算出每条弧段的广义费用ca(t)后，即可根据弧段和路径的所属关系计算od之间每条有效路径的路径广义费用计算公式为：

参数为0-1变量，取值为1时，表示有向弧a在od对od的第k条有效路径上；取值为0则表示有向弧a不在od对od的第k条有效路径上。

最后，根据logit模型得到每条路径被选中的概率，用于对乘客出行行为进行仿真。概率计算公式为：

步骤3：仿真结果输出。

在仿真过程中，本发明实时统计区间客流量、满载率、出站量等基础客流指标。其中，分时的区间客流量作为上层优化模型的输入。

本发明采用c#编程分别用遗传算法和乘客仿真算法对上下层模型进行求解。

3.融合客流仿真和遗传算法的混合智能求解算法

遗传算法的目的主要是通过多次迭代生成最优解在关键步骤4.1、4.1、4.3，即变异、交叉、选择操作中用不到ca(t)和但在评价上层模型生成的解的好坏时需要用到ca(t)，即将解和在解下由下层模型得到ca(t)和xa(t)代入到目标函数中，通过反复迭代，得到最终使目标函数最小的最优解

在融合客流仿真和遗传算法的混合智能求解算法中，上层遗传算法和下层仿真算法相互作用。所述上层优化模型通过遗传算法生成客流诱导方案所述下层仿真模块的仿真算法用于仿真乘客对上层优化模型得到的客流诱导方案的反馈，即仿真乘客在当前的诱导方案下，通过感知每条有效路径的广义费用ca(t)具体选择哪条路径出行，何时进站、上车、下车、换乘及出站，通过对每个仿真时段内的每个乘客的出行过程进行仿真，得到轨道交通路网实时的客流分布情况xa(t)，将仿真时段t内的每条路段上的客流量xa(t)和广义费用ca(t)输入到上层优化模型中，所述上层优化模型将所述客流诱导方案客流量xa(t)和广义费用ca(t)代入到目标函数中，得到当前解下的适应度函数，通过多次迭代，得到适应度函数取值最高，即目标函数最小的最优的动态客流诱导方案。通过利用融合客流仿真和遗传算法的混合智能求解算法，最终得到每个仿真时段最优的诱导方案。

(1)上层优化模型：遗传算法

遗传算法是一种通过模拟自然进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它从一组随机产生的初始解称为“种群”，开始搜索过程，种群中的每个个体都是问题的一个解，用染色体来表示。这些染色体在每一代中用适应度函数来测量染色体的好坏，通过选择、交叉、变异运算形成下一代。选择的原则是适应度越高，被选中的概率就越大，经过若干次迭代后，算法收敛于最好的染色体，它很可能是问题的最优解或次优解。遗传算法图解见图3，基本运算过程如下：

1)编码：把所需要选择的特征进行编号，每一个特征就是一个基因，一个解就是一串基因的组合。在本发明中，上层模型的决策变量是表示在仿真时段t是否在车站s发布有向弧a的路况描述性信息，为0-1变量。因此，采用传统的二进制编码将模型的可行解设计为相应的基因序列或染色体。一条染色体用向量hl表示，代表问题的一个可行解。种群用h表示，其中一个基因片段表示在某一个车站si是否发布关于各有向弧上的客流诱导信息。最终上层优化模型输出的结果为：

h＝{h1,h2,...hl}

2)初始化：设置最大进化代数g和进化代数计数器，随机生成l个个体作为初始种群。在本发明中，需要对种群h＝{h1,h2,...hl}初始化，作为初始点开始迭代。

3)评估种群中个体适应度：计算种群h＝{h1,h2,...hl}中每个个体hl的适应度。本发明中，适应度函数计算公式为：f(hl)＝1/z(hl)。个体的适应值越高，说明采用该方案时目标函数的取值越小，被选中遗传到下一代的概率越高。

4)选择操作：计算出每个个体的适应值后，可用适应值的比例作为选择的标准，得到每个个体的适应值比例，称为入选概率。计算完入选概率后，通过轮盘赌的方法进行个体的选择，得到与原群体大小同样的种群。

5)交叉操作：交叉也就是将一组染色体上对应基因段交换得到新的染色体，然后得到新的染色体组，组成新的群体。假设染色体间以一定的概率进行交叉，并随机的选择交叉点。本发明中，交叉方式示意如下：

6)变异操作：变异也就是通过一个小概率改变染色体串上的某个基因，从而得到新的群体。变异操作有助于避免局部最优。假设染色体间以一定的概率进行变异，并随机的选择变异点。本发明中，变异方式示意如下：

7)终止条件：本发明采用设定最大代数的方法来判断是否终止遗传算法。

(2)下层仿真模型：乘客仿真算法

本发明中，利用基于多智能体的仿真技术来研究乘客在有无诱导信息下的交通行为，对每位乘客的运动随时间和空间的变化进行跟踪描述。具体步骤如下：1)初始化仿真参数，包括仿真开始时间、结束时间、仿真步长等。

2)在每个仿真时段内，生成每个对od间的有效路径。

3)根据afc刷卡数据中每个仿真时段内每个车站的进站量，生成乘客智能体。

4)利用每个仿真时段内每条弧段上的广义费用计算出每个od间各有效路径的广义费用再利用logit模型得到每条路径被选中的概率，并根据轮盘赌规则将每个乘客智能体分配在有效路径上。

5)通过乘客仿真器，提供每个乘客的系统时间、当前状态(即智能体生成、进站、等待、上车、换乘、正在出站、出站完成)、当前位置，从而得到每个仿真时段内每条弧段上的客流量xa(t)。

图4为本发明实施例提供的一种求解轨道交通客流诱导优化问题的仿真算法示意图

(3)总体求解算法

求解城市轨道交通客流诱导优化问题的总体算法框架描述如下：

步骤1：初始化。初始化模型和算法参数取值σ、β、ξ、ζ、m、qod(t)、λ^s、ca(t)、设置迭代次数的上限为g，种群规模为l。设置当前诱导时段为t＝1。

步骤2：为上层模型设置一个初始的诱导策略集合或初始种群设置当前代数为g＝0。

步骤3：求解下层仿真模型。对于每一个由上层模型确定的诱导方案将其代入到下层模型中来得到乘客对该诱导方案的反应，并得到该诱导方案下线网中的客流分布情况。

具体方法为：首先通过公式计算出乘客在始发站感知到的路段广义费用，然后通过公式计算出每个od对之间每条有效路径的广义费用，并利用logit模型得到每条路径被选中的概率。最后利用多智能体仿真技术对每个仿真时段内每个乘客进站后的路径选择行为、上车、下车、换乘等过程进行仿真，得到每位乘客在线网上实时的位置，从而得到每个仿真时段内每条路段上的客流量xa(t,g)。步骤4：求解上层优化模型。根据步骤3中得到的解xa(t,g)，计算初始种群中每一条染色体的适应度。并通过以下操作，获得上层最优化的诱导策略

步骤4.1:变异操作，采用变异算子，创建出l条新的染色体。

步骤4.2:交叉操作，对l条染色体实施交叉运算。

步骤4.3:选择操作，采用选择算子，保证最优个体遗传到下一代中去。

步骤5：验证结束条件1。如果迭代次数大于g，那么将和xa(t,g)作为模型的最优解；否则，令g＝g+1，并返回到步聚3。

步骤6：验证结束条件2。如果t＞n(n为仿真的阶段总数)结束；否则，令t＝t+1，返回到步骤2。

实施例二

本发明以北京地铁为例进行模型和算法的验证。需要输入的数据包含：北京地铁线网拓扑结构数据、客流分时od数据，乘客站内走行时间参数、列车时刻表数据。通过计算，应选择50个车站在上午高峰时段发布指导信息。

此外，本发明能够提供精细化的诱导方案，实现了“每站一方案”。也就是说，每个车站能够得到一份差异化的客流诱导方案，使得每个站的乘客看到的路网拥挤状况是不同的。在一个车站发布给乘客的关于某个区段的客流拥挤信息的含义是当前时段从该站出发的乘客如果经过该区间则可能遇到拥挤，从而可以辅助乘客制定合理的出行决策。

本发明的结果表明，客流诱导信息会影响乘客对出行路径效用的感知，从而影响乘客的路径选择行为。以天通苑站到朝阳门站为例，在天通苑站没有发布客流诱导信息的情况下，选择线路(b)出行的乘客最多。而当在天通苑站发布客流诱导信息时，选择路径(a)出行的乘客最多。具体结果见表1。

表1发布诱导信息前后乘客选择的前三条路径的出行费用

计算结果表明，在一个诱导时段内(15min)本发明提出的精细化客流诱导方案可在全网范围内节省的最大旅行时间共46319分钟，验证了本发明的有效性。

综上所述，本发明实施例提出的基于多智能体仿真的城市轨道交通客流诱导方法可以自动地生成精细化的诱导方案，实现“一站一方案”，可帮助轨道交通运营部门确定开始进行客流诱导的时间以及在每个时段分别在哪些车站发布哪些路段的路况描述信息。通过对客流诱导信息的发布时间、空间及内容进行优化，从乘客的角度出发，可以辅助乘客制定合理的路径决策，避开较为拥挤的路段，提升出行体验；从轨道交通系统的角度出发，可以使部分线路、区间及换乘站的负荷下降，线网上的客流分布更为均衡，使得整体的服务水平得到改善，大客流安全风险得到一定的消除。本发明的成果将为地铁运营部门开展客流诱导信息发布工作提供合理有据的决策支持。

本发明设计融合多智能体仿真和遗传算法的混合智能算法对双层规划模型进行求解。下层模型基于上层模型做出的决策，利用基于多智能体仿真算法得到该决策下的动态客流分布情况，并输入到上层模型；上层模型基于下层模型输入的动态客流量，调用遗传算法，通过多次迭代，得到每个仿真时段内最优的诱导信息发布范围。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明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揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。