基于人工智能的需求响应式公交系统的调度方法及系统与流程

本发明涉及公交系统的调度领域，特别涉及一种基于人工智能的需求响应式公交系统的调度方法及系统。

背景技术：

需求响应式公交系统是一种特殊的公交运营模式，是以乘客需求为导向，不受固定线路限制，提供多人共乘的直达或接送公交系统。由于其站点停靠完全根据乘客的出行而定，因此相对常规公交而言，响应式公交不受线路站点限制，可在离家最近的任意站点上下客，能提供接近“门到门”的无换乘服务，并且还能匹配未来无人驾驶公交车的服务模式。

传统的响应式公交系统又称灵活型公交服务(flexibletransitservices)在国外已有超过30年的发展经验，其概念最早于上世纪80年代提出(daganzo，1984)，随后近30年来关于该领域的研究和实践在持续拓展。根据美国公交合作研究项目调查报告的定义(koffman，2004)，进一步将其细分为6种运营模式：可变线路公交(routedeviation)、可变站点公交(pointdeviation)、站点需求响应式公交(requeststops)、需求响应式接送公交(demand-responsiveconnector)、部分线路可变公交(flexible-routesegments)、区域线路公交(zoneroute)。乘客可以通过电话预约出行起终点，由公交公司根据所有需求地点及时间安排公交车辆进行接送。瑞典plustrafik地区及爱尔兰的bealach地区均有灵活型公交服务的典型案例，它是一种主要服务于低密度地区的公交接送系统。

在上述六种灵活型公交服务模式中，“需求响应式接送公交”是灵活度最高的模式，其大致流程为：车辆在一个特定区域内提供需求响应型公交服务，而起、终点为运营范围内的轨道站点或常规公交枢纽，在该区域内可设置固定站点供乘客上下车，也可以根据乘客需求灵活上下车，但是车辆每次运行的线路都根据乘客需求灵活调整。

随着互联网的发展，网约出租车、共享单车等新型交通服务模式开始对传统的交通运输方式产生了一定的竞争和冲击。而随着无人驾驶技术的不断突破，也将进一步催生未来高效且便捷的出行方式。在这样的时代背景下，响应式公交系统的概念被重新定义为一种可满足中高密度需求的数字化调度可变线路公交运营模式。

新型的响应式公交系统是一种网约车与辅助型公交的结合体，运营逻辑与传统的响应式公交类似，同样是乘客提出需求，再通过车辆调度予以满足。不同的是，新型的响应式公交系统是乘客在手机移动端提出实时需求，车辆需在复杂的需求网络中选择路径调度车辆进行接送。因此，支撑新型响应式公交的关键就在其高效快捷的响应系统，以及以最少的车辆、最短的空载行驶距离，完成用户等待时间最短、到达目的地最快的车辆调度。

在发展过程中，响应式公交系统主要是满足乘客换乘集约型公交的出行需求，降低传统换乘方式的两端时间，减少最后一公里的成本，竞争方式主要是出租车、网约车等。考虑到居民出行时辰的峰谷特征，响应式公交系统还可以在平峰时提供轻型的物流服务，例如快递或共享单车搬运调度，从而降低运营成本。进入无人驾驶时期，响应式公交通过其高效的调度、一人一座的舒适服务、低廉的价格等优势，将可能成为居民出行方式，成为私家车的主要竞争对象。

随着技术发展，响应式公交的服务区域也可以超出接送的范围，为区域内各站点之间出行提供公交服务，接送在其中可以作为优先级较高的服务看待，这样，整个响应式公交的使用效率可以得到提高。

为了填补城市轨道及常规公交的服务盲区，解决居民出行的“最后一公里”难题，以“到门送达”为服务宗旨的社区巴士应运而生。自2006年全国第一条社区巴士——上海浦东84路运营之日起，不同形式的社区巴士在各城市不断涌现。

早期的社区巴士由于缺乏对乘客需求的精准分析，导致实际运行状况不够理想，出现了车辆空载率高、运营入不敷出的局面。如2010年南京市地铁2号线开通后，开通了4条接送地铁站点的社区巴士，但由于线路、站点布局缺乏与乘客需求协同考虑，出现运营2天即陷入停运的尴尬情况。随着近几年信息技术发展及对“最后一公里”特征研究的不断深入，社区巴士的运营优化在持续进行。如2011上海浦东社区巴士采取“大小车型混合运营”，高峰时段和平峰时段分别采取10米和8米的车型，较好的降低了运营成本；2016年温州龙湾的5条社区巴士进行了不定站停靠、缩短线路等一系列调整后，日客流量提升至2989人/日，同比增长32％；2017年泉州对社区巴士进行了全面升级，采用纯电动观光电瓶车，以不定线、不定点、招手即停的模式运行，按上车先后依序送达，并开发了手机app进行网络约车。

总体来看，社区巴士主要承担各类公交枢纽至社区的“最后一公里”接送功能，其优化方向为从传统的“定站、定线、定车型”向服务个性化需求转变。当前国内对于接送巴士研究和实践仍处于探索期，如何更加精准的响应乘客需求、并保障公交运营主体效益成为亟待深入研究的问题。

目前国内外关于“需求响应式接送公交”的理论研究较多，但实践较少，研究主要集中在优化目标函数构建、系统关键参数设定、线路优化调度算法三大方面。

滴滴公司与2016年9月22日在深圳上线了优点巴士，属于需求响应式公交系统，通过大数据智能分析和线路优化，实现了在一定尺度上较为复杂的线路分配和运营管理。日均服务3000人次，每日运营里程2700公里，超过了欧美常规响应式公交规模。但其在运营中有固定的车辆运行方向，并不是完全动态分配车辆，在运营模式上更类似于定制公交，可视为需求响应化的定制公交。

现阶段的响应式公交调度算法以静态算法为主，少量动态调度算法研究也是基于静态调度进行的优化，难以适应高频率的动态出行需求，而诸如网约车、出租车等动态需求的出行方式不存在合乘调度问题，其预约调度算法对响应式公交来说并不适用。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种基于人工智能的需求响应式公交系统的调度方法及系统。

本发明是通过下述技术方案来解决上述技术问题的：

第一方面，本发明提供一种基于人工智能的需求响应式公交系统的调度方法，包括以下步骤：

s1、生成出发点、到达点、需求时刻的需求集合；

s2、根据所述需求集合构建初始线路调度方案；

s3、根据所述初始线路调度方案计算所有订车需求的接送评价分；

s4、将订车需求属性、车辆属性、运行环境属性以及接送评价分放入人工智能模型中进行训练；其中，所述订车需求属性、车辆属性以及运行环境属性均为自变量，接送评价分为因变量；

s5、根据训练预测得到的接送评价分，选择接送评价分最优的车辆进行接送。可选地，所述步骤s2中具体包括：

在满足预设约束条件下，选择车辆距离需求点最近的车辆进行接送。

可选地，所述约束条件至少包括：pi<pmax、ti≤tmax、si≤smax；

其中，lxy为行程xy的绕行距离，lxy为行程xy的最短距离，γmax为约束最大绕行系数；pi为车辆载客数，pmax为车辆最大载客数；ti为等车时间，tmax为约束最大等车时间；si为停站次数，smax为约束最多停车次数。

可选地，所述步骤s3中具体包括：

根据初始线路调度方案计算所有订车需求的综合成本uc综合：

其中，q为服务区域内响应式公交车辆总数；n为区域内用户需求总量；t为时间；d为距离；k1～k4为权重项；uc综合的单位为效用值，即各个指标项转换成价格成本之后的值；θ为未预见的其他成本；

根据所述综合成本计算所有订车需求的接送评价分δ＝ucmin/uc；

其中，uc表示每条订车需求的计算成本，ucmin表示该条订车需求的最短路无等待时间的目标成本，

uci＝k2×t等待+k3×t车内+k4×d行驶+k5×β；

其中，k5·β为每次接送效用值的残差。

可选地，所述步骤s4中具体包括：针对每条订车需求，选择pi<pmax以及di≤dmax的车辆在所述人工智能模型中计算接送评价分；其中，pi为车辆载客数，pmax为车辆最大载客数，di表示车辆i距离需求点的距离，dmax表示系统最大接送容差。

可选地，所述方法还包括：若满足pi<pmax以及di≤dmax的车辆数小于预设阈值，则容差范围增加，且容差范围不大于需求响应式公交系统的服务区域，直至满足上述条件的车辆数大于最低标准数。

可选地，所述步骤s4中具体包括：对自变量进行预处理之后再放入所述人工智能模型中进行训练。

可选地，所述步骤s5之后还包括以下步骤：

s6、若系统运行时间大于优化训练周期，则将实际运营数据与实际接送评价分放入所述人工智能模型中进行训练；

s7、训练完成后将实际需求数据导入模拟系统中，以优化模型作为接送评价分计算依据，对实际需求进行模拟调度，并计算模拟调度的综合成本；

s8、将所述模拟调度的综合成本于实际调度的综合成本进行对比，若在所述模拟调度的综合成本中出现高于所述实际调度的综合成本的任意项，则对综合成本计算公式中的常数项进行修正。

可选地，所述步骤s6中优化训练周期的计算公式为：

其中，m为最小优化训练周期；uc实际综合为实际调度的综合成本；uci预测为车辆i模拟调度的综合成本；α为常数项；n为区域内用户需求总量。

第二方面，本发明提供一种基于人工智能需求响应式公交系统的调度系统，包括：

存储器，用于存储计算机程序；

以及处理器，用于执行所述计算机程序，以实现如第一方面所述的方法。

第三方面，本发明提供一种计算机存储介质，所述计算机存储介质上存储有可执行程序，所述可执行程序被执行时以实现如第一方面所述的方法。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

与现有技术相比，本发明引入人工智能技术，依据符合真实出行特征的数据构建乘客需求，利用仿真软件模拟车辆调度；构建综合目标函数，根据常规调度算法确定每次出行的接送评价分，在动态情景中对不同车辆调度的接送评价分进行预测，并按最优预测值调度车辆，生成实际运营数据。经过一段周期的实际运行数据积累，通过人工智能模型学习，构建接送评价分与线路选择之间的关系，并不断学习优化，最终实现高效率的自学习智能调度模型，从而实现智能化的动态线路规划。

附图说明

图1为本发明实施例提供的一种基于人工智能的需求响应式公交系统的调度方法的流程图。

图2为本发明实施例提供的另一种基于人工智能的需求响应式公交系统的调度方法的流程图。

图3为本发明实施例提供的又一种基于人工智能的需求响应式公交系统的调度方法的流程图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

本实施例提供一种基于人工智能的需求响应式公交系统的调度方法，如图1所示，包括以下步骤：

步骤101、生成出发点、到达点以及需求时刻的需求集合：{(ox；dx；tx)|x∈n,1≤x≤n}，其中，ox为出发点、dx为到达点、tx为需求时刻，n为网络中总需求数量。

在步骤101可选的一种实施方式中，针对特定区域的初次建模首先需要预测订车需求，其中，预测订车需求的基础数据收集包括并不限于：乘客需求问卷调查、网约车出租车运营数据、手机信令数据等。通过对基础数据的清洗、处理、扩样，得到出发点、到达点、需求时刻的预测需求集合。

步骤102、根据所述需求集合构建初始线路调度方案。

步骤102中，为了满足模型训练要求，需构建多个不同的初始需求集合，集合间需存在明显差异性。根据得到的需求集合，构建初始线路调度方案，其目的是提供人工智能模型训练的数据。

在可选的一种实施方式中，初始调度为静态调度模型，其调度方法有多种选择，为了配合人工智能驱动的动态调度模型，初始静态调度采用最大兼容性模型，即在满足预设约束条件下，选择车辆的下一个目的地距离需求点最近的车辆进行接送，即选择min{lo1,lo2,lo3…lon}的车辆进行接送。lon为符合约束条件的n号车下一个目的地距离该需求的最短路径。

在可选的一种实施方式中，所述约束条件至少包括：pi<pmax、ti≤tmax、si≤smax；

其中，lxy为行程xy的绕行距离，lxy为行程xy的最短距离，γmax为约束最大绕行系数；pi为车辆载客数，pmax为车辆最大载客数；ti为等车时间，tmax为约束最大等车时间；si为停站次数，smax为约束最多停车次数。

步骤103、根据所述初始线路调度方案计算所有订车需求的接送评价分。

构建基于路网的模拟仿真运行系统，仿真系统可输入区域路网及站点网坐标，根据动态需求矩阵分配od量。输出值包括每个需求的od对、响应时间、响应距离、用户等待时间、用户乘车时间、绕行系数；每辆车的运营里程、乘客总数、空载里程等。

在可选的一种实施方式中，在每次虚拟行程结束后，仿真系统记录该行程的输出属性，并存贮在后台数据库中。经多次运行模拟仿真系统，积累足够的学习样本(大于50000条)。

构建合理的目标函数，由于在确定的需求方案模拟中，所有需求都最终得到满足，因此，在人工智能模型的样本训练时，评价响应式公交的效用值应为其综合成本，是一个结合购置车辆费用、司机费用、能源消耗、运营费用等运营成本，以及用户等待时间、行驶时间等用户成本的综合值。

在可选的一种实施方式中，目标是用最少的车辆、最短的空载距离、乘客等待时间最短、最快到达目的地的车辆调度，步骤103中具体包括：

根据初始线路调度方案计算所有订车需求的综合成本uc综合：

其中，q为服务区域内响应式公交车辆总数；n为区域内用户需求总量；t为时间；d为距离；k1～k4为权重项；uc综合的单位为效用值，即各个指标项转换成价格成本之后的值；θ为未预见的其他成本；

根据所述综合成本计算所有订车需求的接送评价分δ＝ucmin/uc；

其中，uc表示每条订车需求的计算成本，ucmin表示该条订车需求的最短路无等待时间的目标成本；

本实施方式中，模型总体目标是uc综合最小，可以将uc综合平摊至每次需求接送中去，可以理解为：

uci＝k2×t等待+k3×t车内+k4×d行驶+k5×β；

其中，k5·β为每次接送效用值的残差，残差的计算包括有车辆的购置租赁成本、折旧成本、人员成本，对单一车辆来说，本质上是一种随单日行驶距离、时间线性变化的数值，因此可以折算至(k3·t行驶+k4·d行驶)中，剩余部分残差可以理解为其余外部属性对接送目标效用的影响。

步骤103中，根据模拟生成的初始需求及接送参数，以合理的目标函数(即上述公式一)计算每次需求被满足后的目标效用值。该效用值可以理解为每次接送造成的成本产出，但是由于最优接送仍会产生成本，因此直接以成本作为优化目标并不合理，应对效用值进行函数转换。由于车上行驶时间和等待时间的成本价值是随着需求出行距离的不断变化而变化的，因此将ucmin/uc作为优化目标值，ucmin表示该需求的最短路无等待时间的目标成本，将该优化目标值定义为每次的接送评价分，接送评价分越高，代表该次接送的效率越高。

步骤104、将订车需求属性、车辆属性、运行环境属性以及接送评价分放入人工智能模型中进行训练；其中，所述订车需求属性、车辆属性以及运行环境属性均为自变量，接送评价分为因变量。

在可选的一种实施方式中，步骤104中具体包括：针对每条订车需求，选择pi<pmax以及di≤dmax的车辆在所述人工智能模型中计算接送评价分；其中，pi为车辆载客数，pmax为车辆最大载客数，di表示车辆i下一个目的地距离需求点的距离，dmax表示系统最大接送容差。

在可选的一种实施方式中，若满足pi<pmax以及di≤dmax的车辆数小于预设阈值，则容差范围增加一定范围，直至满足上述条件的车辆数大于最低标准数。在具体实施中，预设阈值为1～5，例如3。

在可选的一种实施方式中，订车需求属性主要有订车的起终点及订车时间，以将需求的起终点位数据转化为以栅格小区为基础的分类变量，订车时间分解为时刻和日期，其中，日期转换为工作日、休息日、节假日等分类变量，时刻转换为数字连续变量。

在可选的一种实施方式中，车辆属性包括车辆类型(bustype)、接到需求时车辆的位置坐标(busposition)、车辆据下一个目的地距离(dis2nextstation)、车辆下一个目的地据需求点距离(disofnext2ostation)、车辆上已有乘客未完成的行程距离(remaindistance)、车辆上已有乘客未完成的绕行距离(oldbypassdistance)、若进行这次本次接送增加的绕行距离(increaseddistance)、车辆内乘客数(passengersonbus)、预计停站数(predictnumofstops)。

在可选的一种实施方式中，运行环境属性包括并不限于天气情况、道路拥堵情况、空气污染情况等外部因素。

在可选的一种实施方式中，步骤104中具体包括：对自变量进行预处理之后再放入所述人工智能模型中进行训练。本实施例中，对自变量属性进行预处理，将连续变量进行规一化，将分布转换至-1～1，并根据一定先验知识，对部分属性进行正则化处理，降低模型过拟合的概率。

在可选的一种实施方式中，步骤104中采用神经网络对所述人工智能模型进行训练。将预处理后的自变量属性与因变量目标接送评价分放入人工智能模型中进行训练，由于其本质是一个自学响应的回归问题，因此选择神经网络对其进行训练。神经网络模型选择多层感知器(mlp)进行计算，由于其具有非线性感知层，可以拟合较为复杂的函数关系，隐藏层数定义为两层，神经元数量由算法自动计算。为了更好的对目标变量进行预测分析，以boosting融合模型，在算法中构建10个不同权重的神经网络模型，并进行融合，其训练过程为顺序构建，上一轮神经网络的预测目标值的置信度作为下一轮训练时的参数赋值，最终融合的模型有更强的预测能力。

步骤105、根据训练预测得到的接送评价分，选择接送评价分最优的车辆进行接送；在一个具体的例子中选择接送评价分最大的车辆进行接送，即max{δ1,δ2,δ3…δn}。

在可选的一种实施方式中，如图2所示，步骤105之后还包括以下步骤：

步骤106、若系统运行时间大于优化训练周期，则将实际运营数据与实际接送评价分放入所述人工智能模型中进行训练。

在满足每次接送需求之后，系统将本次需求的实际运营数据(实际等车时间、实际行程时间、实际行程距离、实际绕行距离、实际停站次数、实际接送评价分)保存至数据存储端。

由于模型初次训练使用的是模拟需求和静态仿真接送模型，难以准确的对实际情况进行模拟，因而需要对调度模型不断优化训练。本实施例采用了人工智能技术进行目标函数预测，因此在实际运营中可实现调度优化模型的自适应调整，系统可在运营中累积数据，不断迭代学习，对目标函数进行更加精准的预测，实现高效率的智能化调度。

优化训练分为两步，系统首先会根据实际运营的效率评估优化训练周期，具体地，步骤106中优化训练周期的计算公式为：

其中，m为最小优化训练周期；uc实际综合为实际调度的综合成本；uci预测为车辆i模拟调度的综合成本；α为常数项；n为区域内用户需求总量。

步骤107、训练完成后将实际需求数据导入模拟系统中，以优化模型作为接送评价分计算依据，对实际需求进行模拟调度，并计算模拟调度的综合成本。

步骤108、将所述模拟调度的综合成本于实际调度的综合成本进行对比，若在所述模拟调度的综合成本中出现高于所述实际调度的综合成本的任意项，则对综合成本计算公式中的权重项进行修正。

步骤108之后还包括，以修正后的接送评价分对人工智能模型重新训练，通过梯度下降法进行迭代计算，直至函数收敛。由此，实现了调度模型对实际运营后产生的出行需求的自适应微调。整体模型由于以实际数据进行了优化训练，模型自动拟合不断趋近优化目标，对每个方向、点位的出行数据自我学习校正，最终完成趋向最优解的智能化高效调度。

在一个具体实施方式中，需求响应式公交系统的调度方法如图3所示，根据是初始化还是实际运行执行不同的步骤，若是初始化，则需要设定权重项以及仿真订车需求和运行环境；若是实际运行，则读取实际订车需求和运行环境，并根据是否达到学习周期，即上述步骤106中的优化训练周期，进行权重项和其他参数的优化，从而实现人工智能模型的优化，最终实现需求响应式公交系统的智能化高效调度。

本发明实施例引入人工智能技术，依据符合真实出行特征的数据构建乘客需求，利用仿真软件模拟车辆调度；构建综合目标函数，根据常规调度算法确定每次出行的评价分，在动态情景中对不同车辆调度的效用值进行预测，并按最优预测值调度车辆，生成实际运营数据。经过一段周期的数据累积，通过人工智能技术，构建评价分与线路选择之间的关系，并不断学习优化，最终实现高效率的自学习智能调度模型，从而实现智能化的动态线路规划。

本发明实施例还提供一种基于人工智能的需求响应式公交系统的调度系统，包括：

存储器，用于存储计算机程序；

以及处理器，用于执行所述计算机程序，以实现如上述实施例的方法。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。