优化公交运行效率的方法与流程

本发明涉及公共交通领域，更具体地，涉及优化公交运行效率的方法。

背景技术：

随着城市公交专用道的大力建设及推广，专用道公交优先区域化控制需求逐渐增大，而车联网技术的兴起，使得公交优先的动态控制有了新的技术支撑。基于车联网技术对专用道公交车辆实行速度诱导，一来可以减少公交运行过程中的停车次数，二来可以提高专用道公交到站的准点率。专用道公交驻站时间的预测对公交车辆的准时到站控制有着至关重要的作用。

技术实现要素：

本发明基于公交准时到站的控制需求，结合车联网车速诱导技术，提出一种专用道公交驻站时间预测及运行时刻表优化方法。

本发明提供了一种优化公交运行效率的方法，包括：

获取车站客流到达分布：以1min为统计间隔，统计每分钟到达公交站台的人数，构建目标时段的客流到达情况，连续统计30天，采用相位型分布算法，通过对时间及该时间段的客流到达量进行拟合分析，确定客流到站分布为q＝h(t)；

获取候车客流数：若公交发车频率为f辆/时，因此同一公交站的公交到站时刻表间隔为tp＝60/fmin；第n,(1≤n≤f)辆车经过第i个车站时的站台候车人数为其中表示第n-1辆车在第i个车站经过后的站台滞留人数；

获取公交乘客剩余容纳量：依照下车刷卡数据获取第i个车站的下车人数为上车人数为车内客流承载为

预测下一个车站的上车人数：令公交车最大承载为qmax，公交车在第i个车站时车内富裕承载为

若说明候车客流可以全部登车，即此种情况下登车人数为此时站台滞留人数qi-zhi＝0；

若此时说明候车客流不能全部登车，即此种情况下登车人数为此时站台滞留人数为

预测下一个车站的下车人数：利用神经网络算法对历史同期数据和历史同期公交车内承载关联性分析，并确定其关联关系为其中ξ(i)为第i个车站的下车人数同车内承载之间的关联系数，综合分析历史同期下车人数、ξ(i)以及残差补偿修正，确定下车客流人数预测模型为：其中为第i个车站的预测下车人数，α,β为模型参数；

确定上下车客流最大值：上下车客流最大值为

驻站时长预测：基于历史数据中的各车站的上下车客流最大值同公交车辆在各站的驻站时长tⁱdwell，经过相关性检验是否存在线性相关关系，并确定各车站的关联性关系为

其中λ1,λ2分别为常态分量系数和细节分量系数。

在上述方法中，还包括：

确定站间行程时间：获取公交车辆路段平均速度vi，并结合交叉口配时信号状态，获取公交车辆在交叉口的等待耗时tred，获得站间公交车辆的行程时间为其中为站间行程时间，si为站间距离；

构建客运效率函数：令其中a,b为权重系数，该客运效率函数的物理含义为获取载客量最高和行程时间最短的最优组合；

计算最佳函数效率：采用遗传算法对上述客运效率函数求最优，获取载客量和行程时间的最佳组合。

本发明通过预测公交驻站时长以及优化公交运行时刻表，可以减少公交运行过程中的停车次数，提高专用道公交到站的准点率，提高公交运行效率。

附图说明

图1示出了本发明的获得驻站时长的预测值的示意流程图。

图2示出了公交运行过程花费时间的示意图。

图3示出了优化当前发车间隔及时刻表的示意流程图。

具体实施方式

下面的实施例可以使本领域技术人员更全面地理解本发明，但不以任何方式限制本发明。

基于车联网技术对专用道公交车辆实行速度诱导，一来可以减少公交运行过程中的停车次数，二来可以提高专用道公交到站的准点率。

下面分别描述公交驻站时间预测以及公交运行时刻表优化。

公交驻站时间预测

步骤1：获取车站客流到达分布

以1min为统计间隔，统计每分钟到达公交站台的人数，构建目标时段的客流到达情况，连续统计30天；

采用相位型分布(phase-type，ph)算法，通过对时间及该时间段的客流到达量进行拟合分析，确定客流到站分布为q＝h(t)。

步骤2：获取候车客流数

若公交发车频率为f辆/时，因此同一公交站的公交到站时刻表间隔为tp＝60/fmin。

因此第n,(1≤n≤f)辆车经过第i个车站时的站台候车人数为其中表示第n-1辆车在第i个车站经过后的站台滞留人数。

步骤3：获取公交乘客剩余容纳量

依照下车刷卡数据可以获取第i个车站的下车人数为上车人数为(通过实际刷卡数据获取)

因此车内客流承载为

步骤4：预测下一个车站的上车人数

令公交车最大承载为qmax，故公交车在第i个车站时车内富裕承载为

(1)若此时说明候车客流可以全部登车，即此种情况下登车人数为此时站台滞留人数qi-zhi＝0；

(2)若此时说明候车客流不能全部登车，即此种情况下登车人数为此时站台滞留人数为

步骤5：预测下一个车站的下车人数

利用神经网络算法对历史同期数据和历史同期公交车内承载关联性分析，并确定其关联关系为其中ξ(i)为第i个车站的下车人数同车内承载之间的关联系数。

综合分析历史同期下车人数、ξ(i)以及残差补偿修正，确定下车客流人数预测模型为：

其中为第i个车站的预测下车人数，α,β为模型参数，α,β∈r，具体赋值根据历史同期数据拟合分析得出。

步骤6：确定上下车客流最大值

上下车客流最大值为

步骤7：驻站时长预测

基于历史数据中的各车站的上下车客流最大值同公交车辆在各站的驻站时长tⁱdwell，经过相关性检验是否存在线性相关关系，并确定各车站的关联性关系为

其中λ1,λ2分别为常态分量系数和细节分量系数，λ1,λ2∈r，具体赋值根据历史同期数据分析得出。一个反应的是总体趋势，一个反应的是不均匀分布。图1示出了本发明的获得驻站时长的预测值的示意流程图。

公交运行时刻表优化

步骤1：确定站间行程时间

在车联网车速诱导的状态下，可以实时获知公交车辆路段平均速度vi，并结合交叉口配时信号状态，能够获取公交车辆在交叉口的等待耗时tred，据此可以获知站间公交车辆的行程时间为其中为站间行程时间，si为站间距离。图2示出了公交运行过程花费时间的示意图。

步骤2：构建客运效率函数

令其中a,b为权重系数，a+b＝1，该效率函数的物理含义为获取载客量最高和行程时间最短的最优组合。

步骤3：计算最佳函数效率

采用遗传算法对上述客运效率函数求最优，就可以获取载客量和行程时间的最佳组合，而载客量又跟发车时间间隔相关联，因此可以通过最优解来优化当前发车间隔及时刻表。图3示出了优化当前发车间隔及时刻表的示意流程图。

遗传算法具体步骤如下：

步骤1：依照公交驻站时间预测步骤和公交运行时刻表优化步骤建立优化模型；

步骤2：优化变量和约束条件，变量为行程时间和载客量，约束条件前文已经介绍；

步骤3：确定编码方式，使用实数编码方式；

步骤4：确定个体评价方法，适应度函数即为目标函数，即

步骤5：设计遗传算子，选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子；

步骤6：确定遗传算法运行参数，种群大小m，迭代次数g，交叉概率pe，变异概率pm。

本领域技术人员应理解，以上实施例仅是示例性实施例，在不背离本申请的精神和范围的情况下，可以进行多种变化、替换以及改变。