一种实时响应式定制公交递阶调度方法

1.本发明涉及智能公交的技术领域，尤其涉及到一种实时响应式定制公交递阶调度方法。


背景技术：

2.迅速增长的个性化、高品质出行需求使得城市交通供给和需求之间的矛盾日益凸显，传统的固定线路公交由于其车内空间拥挤、灵活性不足、出行时间长且不可控等缺点备受乘客诟病。而随着移动互联网技术的迅速发展，多种新型的共享交通方式(如定制公交等)开始出现并迅速弥补传统公共交通方式的不足。定制公交依靠移动互联网技术，利用大/中运量的交通工具，通过整合个体交通出行需求，为出行起终点、出行时间、服务需求相同或相似的人群提供个性化定制出行服务，是一种可持续的新型交通模式。定制公交具有“舒适、准时、便捷、个性化服务”等优势，自该服务推出起即深受市民的追捧；由于其服务的集约性，其在减少车辆总行驶里程、减少出行车辆总数、降低机动车尾气排放等方面都具有显著作用，并且在高峰期或交通资源紧缺的情况下，也可以更有效的利用现有道路资源。
3.按照对乘客需求处理方式的差异，定制公交可以分为静态预约式定制公交和实时响应式定制公交。在后一种方式中，定制公交系统须及时将实时提交的乘客需求与车辆进行匹配，根据可以响应的乘客需求规划新的定制公交线路或调整处于运营状态的定制公交车辆的行驶线路，计算车辆到站时间。由于允许将实时提交的乘客需求加入到正在运营的线路中，故实时响应式定制公交车辆的行驶路线以及停靠站点是随着实际响应的乘客需求动态变化的。鉴于实时响应式定制公交面对的实时乘客需求具有较强的随机性且在时空分布上高度分散，其调度决策面临两方面的挑战：(1)由于乘客需求可在定制公交车辆行驶过程中陆续提交，运输企业只能基于部分已知的乘客需求进行车辆调度优化，而该调度决策有可能无法较好地满足车辆后续行驶途中产生的乘客需求；(2)在动态乘客需求及实时响应的条件下，平衡运输企业和乘客双方利益存在较大的困难。
4.国内外部分学者对动态乘客需求情形下的定制公交线路优化进行了研究。其中，文献[1]wang c.,ma c.,xu x.,multi
‑
objective optimization of real
‑
time customized bus routes based on two
‑
stage method,physica a,2020,537,1
‑
24.将地理位置人为地划分为单独的上车区域和下车区域，建立了定制公交线路规划多目标优化模型，在该模型中，首先根据静态需求进行线路规划，然后再根据接收的动态需求调整线路；文献[2]huang d.,gu y.,wang s.,et al.,a two
‑
phase optimization model for the demand
‑
responsive customized bus network design,transportation research part c,2020,111,1
‑
21则事先设定乘客需求接收截止时间，然后将该截止时间之前接收的乘客需求插入定制公交线路中，最后再以响应的乘客需求为依据优化定制公交线路。
[0005]
但文献[1]中，无法兼顾未来最可能出现的乘客需求，并且乘客上下车地点需要遵循人为设定的上下车区域划分规则。而文献[2]中，直至车辆到达终点前，车辆行驶线路不能根据实际需求动态调整。


技术实现要素：

[0006]
本发明的目的在于克服现有技术的不足，提供一种实时响应式定制公交递阶调度方法，可以实现定制公交车辆与动态实时乘客需求的匹配，为实时响应式定制公交调度提供决策支持。
[0007]
为实现上述目的，本发明所提供的技术方案为：
[0008]
一种实时响应式定制公交递阶调度方法，包括两个递进的阶段；
[0009]
第一阶段，基于分时段的高概率乘客出行需求，并基于流向间的相似性进行逐级合并；在确保对所有高概率出行需求点全覆盖的基础上，以定制公交车辆运营里程最小为目标，对相应时段所需的定制公交车辆数及其初始线路进行整体优化；
[0010]
第二阶段，对第一阶段已经过整体优化的初始线路为参考，将初始线路中部分或全部站点作为定制公交车辆的必经站点，基于实际接收的实时乘客需求，对定制车辆的实际行驶路线和到站时间进行优化调整，使得乘客总出行成本、运输企业运营成本以及未服务的乘客数量最小。
[0011]
进一步地，所述第一阶段，采用定制公交初始线路决策模型进行优化，具体如下：
[0012][0013]
受约束于：
[0014][0015][0016][0017][0018][0019][0020][0021][0022][0023]
公式(1)表示所有定制公交初始线路的总长度最小；式中，d
lij
为线路l中站点i和j之间的实际行驶距离；a
lij
为0
‑
1决策变量，线路l中车辆从站点i开往j时取值为1，否则取值为0；l为服务区域内生成的定制公交初始线路集合，l＝{1,
…
,l1}，l1为服务区域内生成的定制公交初始线路总数；n为服务区域内高概率乘车站点集合，n＝n
+
∪n
‑
且其中n
+
＝{1,2，
…
,n1}为上车点集合，n
‑
＝{n1+1,
…
,n2}为下车点集合，n1和n2分别为上车点总
数和下车点总数；
[0024]
公式(2)表示单条定制公交初始线路总长度在限值范围内；式中，d
min
、d
max
分别为定制公交初始线路的最短和最长距离；
[0025]
公式(3)表示单条线路的最大站点数不超过给定的常数m；
[0026]
公式(4)表示每条线路在每个站点最多停一次；
[0027]
公式(5)表示定制公交线路必须覆盖所有上车站点；
[0028]
公式(6)表示线路中间站点的流量平衡，驶入中间站点的车辆必须驶离；a
ljk
为0
‑
1决策变量，线路l中车辆从站点j开往k时取值为1，否则取值为0；
[0029]
公式(7)表示每条线路必须访问上车站点对应的下车站点；o
jk
为决策变量，若站点j与k为对应的上下车站点，则o
jk
为1，否则o
jk
为0；
[0030]
公式(8)表示定制公交线路必须先访问上车点再访问其对应的下车点；d
lj
为线路l从起点到站点j的行驶距离；d
lk
为线路l从起点到站点k的行驶距离；o
jk
为决策变量，若站点j与k为对应的上下车站点，则o
jk
为1，否则o
jk
为0；
[0031]
公式(9)表示初始线路中任意od点对间的绕行率不超过α；d
ljk
为线路l中站点j和k之间的实际行驶距离；d
jk
为站点j与k间的直达行驶距离；
[0032]
公式(10)是决策变量的取值约束。
[0033]
进一步地，在求解第一阶段的定制公交初始线路决策模型中，采用融合最小插入距离的改进遗传算法，具体步骤如下：
[0034]
s1、通过试算确定算法参数：初始种群规模、最大迭代次数、交叉概率、变异概率；
[0035]
s2、采用最小插入距离算法生成初始种群；
[0036]
s3、计算个体适应度；
[0037]
s4、进行遗传操作；
[0038]
s5、输出优化结果。
[0039]
进一步地，所述步骤s2采用最小插入距离算法生成初始种群的具体过程如下：
[0040]
s2
‑
1、随机选择一对od站点[o,t
o
]，按照上车站点o——下车站点to的顺序生成一条线路；
[0041]
s2
‑
2、在余下的od点对中随机选择一对[o,to]，分别将o和to插入所有线路中的所有可能位置，并计算插入新od后线路长度的增量；
[0042]
s2
‑
3、检查插入新od点对的线路是否满足约束条件，记录满足约束的所有插入位置及线路长度增量；
[0043]
s2
‑
4、插入od点对：如果仅有一条线路在插入新od后满足要求，则将该od点对插入相关位置；如果有多条线路满足要求，则选择线路长度增量最小的位置插入该od点对；如果没有一条现有线路满足要求，则采用该od点对新增一条线路；
[0044]
s2
‑
5、重复步骤s2
‑2‑
步骤s2
‑
4，直至所有od点对均插入线路为止。
[0045]
进一步地，所述步骤s4进行遗传操作的具体过程如下：
[0046]
s4
‑
1、产生新种群：(1)交叉操作，为扩大搜索空间，以交叉概率随机选择两个父代个体，分别在父代个体中随机选择一条线路进行交换，形成两个子代个体，对子代个体进行修整，使子代个体满足约束条件；(2)变异操作，以变异概率随机选择一个个体，并随机抽取该个体中的若干od对，将其按照最小插入距离算法重新插入其他位置；
[0047]
s4
‑
2、计算个体适应度；
[0048]
s4
‑
3、采用上一代种群中的精英个体替代当前种群中的最差个体；
[0049]
s4
‑
4、重复步骤s4
‑1‑
步骤s4
‑
3，直至达到最大迭代次数。
[0050]
进一步地，所述第二阶段，采用定制公交车辆动态调度模型进行优化，具体如下：
[0051][0052][0053][0054]
受约束于：
[0055][0056][0057][0058][0059][0060][0061][0062][0063][0064]
公式(11)表示已响应乘客的出行成本最小；n
*
为必经站点集合，包括服务区域内已确认响应的上下车站点以及初始线路中的上车站点，n
*
＝n
*+
∪n
*
‑
∪n0，n
*+
和n
*
‑
分别为有乘车需求的必停上/下车点集合，n0为初始线路中暂无乘车请求的必经上车点集合；n'为可选的经停站点集合，n'＝n'
+
∪n'
‑
，n'
+
和n'
‑
分别为可选上/下车点集合；σ1为乘客在车单位时间成本；σ2为车辆晚于乘客最迟上车时间产生的单位等车时间成本；σ3为车辆晚于乘客最迟下车时间到达造成乘客延误的单位时间惩罚成本；qa
j
为车辆到达站点j之前车上的乘客数；qd
j
车辆在站点j的下客人数；t
ij
从站点i、j间的行驶时间；x
ij
、x
ji
、x
ik
、x
jk
、x
kj
均为0
‑
1决策变量；t
ij
从站点i、j间的行驶时间；t
j
为定制公交车辆实际到达站点j的时间；p
ij
为站点i、j间的出行人数；p
jk
为站点j、k间的出行人数；为乘客要求从站点i到站点j的到达时间；为乘客要求从站点j到站点k的上车时间；ta
j
为车辆在站点j的停站时间；qu
j
车辆在站点
j的上客人数；
[0065]
ta
j
，qu
j
，qd
j
的计算公式如公式(23)
‑
(25)所示：
[0066][0067][0068][0069]
公式(12)表示运营车辆的固定成本与可变成本之和最小；c
f
为定制公交车辆的固定成本；c
v
为定制公交车辆的单位时间行驶成本；x
ij
为0
‑
1决策变量；
[0070]
公式(13)表示未响应乘客需求所产生的损失最小；σ4为未响应乘客所产生的单位惩罚成本；
[0071]
公式(14)表示所有必经站点必然被访问一次，{0}为定制公交车辆的虚拟车场
[0072]
公式(15)表示可选站点最多被访问一次；
[0073]
公式(16)和(17)表示车辆必须从虚拟车场出发并最终回到虚拟车场；x
0i
和x
j0
为0
‑
1决策变量；
[0074]
公式(18)表示除虚拟车场外；
[0075]
公式(19)和(20)表示车辆访问某个上车站点后必须访问其对应的下车站点，并且应该先访问上车站点才能访问下车站点；t
k
为定制公交车辆实际到达站点k的时间；
[0076]
公式(21)表示车上乘客总数不超过车辆最大载客量，q为定制公交车辆的最大载客量；
[0077]
公式(22)为决策变量的取值约束。
[0078]
与现有技术相比，本方案原理及优点如下：
[0079]
1.调度方法结构角度的优越性：
[0080]
本方案将实时响应式定制公交车辆调度分为两个递进的优化阶段：首先，以分时段流向间相似度的逐级合并的乘客出行规律为依据规划定制公交车辆初始线路；然后，以事先规划的初始线路为参考，选择其部分或全部站点作为车辆实际行驶的必经站点，进一步根据实时乘客需求对车辆和乘客进行匹配、计算车辆行程时间并动态调度车辆实时调整其行驶路线，从而为乘客提供个性化、高品质的公交出行服务。该调度方法的递进结构设计，使得定制公交车辆调度既能满足实时出行需求的要求，又能够兼顾车辆后续行驶过程中最可能出现的需求，也就是说，该调度方法既能应对高度随机和分散的乘客需求，又可以避免仅仅依靠实时乘客需求进行决策而可能产生的决策短视行为。
[0081]
2.调度方法应用角度的优越性：
[0082]
本方案可以用于生成实时响应式定制公交车辆调度参考方案，且本方案通过仿真实验得出的结果可以为定制公交运营企业或相关管理者在线路规划参数选择、车辆动态调度策略选择等方面提供参考。
附图说明
[0083]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的服务作简单地介绍，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。
[0084]
图1为本发明一种实时响应式定制公交递阶调度方法的调度示意图；
[0085]
图2为仿真实验中深圳罗湖区、南山区和福田区内的若干高概率出行点的地理分布示意图；
[0086]
图3为绕行率1.3和1.5的结果比较示意图。
具体实施方式
[0087]
下面结合具体实施例对本发明作进一步说明：
[0088]
如图1所示，一种实时响应式定制公交递阶调度方法，包括两个递进的阶段；
[0089]
第一阶段，基于分时段的高概率乘客出行需求，并基于流向间的相似性进行逐级合并；在确保对所有高概率出行需求点全覆盖的基础上，以定制公交车辆运营里程最小为目标，对相应时段所需的定制公交车辆数及其初始线路进行整体优化；(本阶段不直接采用实时乘客需求进行线路规划的原因在于：(1)实时乘客需求具有高度随机性，若以此为基础进行线路决策将导致线路数量波动幅度较大，导致运输企业需要预留更多的冗余资源以维持运营；(2)在线路决策中无法兼顾后续可能出现的乘客需求，导致决策中的短视行为)
[0090]
具体地，第一阶段，采用定制公交初始线路决策模型进行优化，过程如下：
[0091][0092]
受约束于：
[0093][0094][0095][0096][0097][0098][0099][0100][0101][0102]
公式(1)表示所有定制公交初始线路的总长度最小；式中，d
lij
为线路l中站点i和j之间的实际行驶距离；a
lij
为0
‑
1决策变量，线路l中车辆从站点i开往j时取值为1，否则取值
为0；l为服务区域内生成的定制公交初始线路集合，l＝{1,
…
,l1}，l1为服务区域内生成的定制公交初始线路总数；n为服务区域内高概率乘车站点集合，n＝n
+
∪n
‑
且其中n
+
＝{1,2，
…
,n1}为上车点集合，n
‑
＝{n1+1,
…
,n2}为下车点集合，n1和n2分别为上车点总数和下车点总数；
[0103]
公式(2)表示单条定制公交初始线路总长度在限值范围内；式中，d
min
、d
max
分别为定制公交初始线路的最短和最长距离；
[0104]
公式(3)表示单条线路的最大站点数不超过给定的常数m；
[0105]
公式(4)表示每条线路在每个站点最多停一次；
[0106]
公式(5)表示定制公交线路必须覆盖所有上车站点；
[0107]
公式(6)表示线路中间站点的流量平衡，驶入中间站点的车辆必须驶离；a
ljk
为0
‑
1决策变量，线路l中车辆从站点j开往k时取值为1，否则取值为0；
[0108]
公式(7)表示每条线路必须访问上车站点对应的下车站点；o
jk
为决策变量，若站点j与k为对应的上下车站点，则o
jk
为1，否则o
jk
为0；
[0109]
公式(8)表示定制公交线路必须先访问上车点再访问其对应的下车点；d
lj
为线路l从起点到站点j的行驶距离；d
lk
为线路l从起点到站点k的行驶距离；o
jk
为决策变量，若站点j与k为对应的上下车站点，则o
jk
为1，否则o
jk
为0；
[0110]
公式(9)表示初始线路中任意od点对间的绕行率不超过α；d
ljk
为线路l中站点j和k之间的实际行驶距离；d
jk
为站点j与k间的直达行驶距离；
[0111]
公式(10)是决策变量的取值约束。
[0112]
而求解第一阶段的定制公交初始线路决策模型中，采用融合最小插入距离的改进遗传算法，具体步骤如下：
[0113]
s1、通过试算确定算法参数：初始种群规模、最大迭代次数、交叉概率、变异概率；
[0114]
s2、采用最小插入距离算法生成初始种群：
[0115]
s2
‑
1、随机选择一对od站点[o,t
o
]，按照上车站点o——下车站点t
o
的顺序生成一条线路；
[0116]
s2
‑
2、在余下的od点对中随机选择一对[o,t
o
]，分别将o和t
o
插入所有线路中的所有可能位置，并计算插入新od后线路长度的增量；
[0117]
s2
‑
3、检查插入新od点对的线路是否满足约束条件，记录满足约束的所有插入位置及线路长度增量；
[0118]
s2
‑
4、插入od点对：如果仅有一条线路在插入新od后满足要求，则将该od点对插入相关位置；如果有多条线路满足要求，则选择线路长度增量最小的位置插入该od点对；如果没有一条现有线路满足要求，则采用该od点对新增一条线路；
[0119]
s2
‑
5、重复步骤s2
‑2‑
步骤s2
‑
4，直至所有od点对均插入线路为止。
[0120]
s3、计算个体适应度；
[0121]
s4、进行遗传操作：
[0122]
s4
‑
1、产生新种群：(1)交叉操作，为扩大搜索空间，以交叉概率随机选择两个父代个体，分别在父代个体中随机选择一条线路进行交换，形成两个子代个体，对子代个体进行修整，如：删除重复站点，采用最小插入距离策略插入遗漏站点等，使子代个体满足约束条件；(2)变异操作，以变异概率随机选择一个个体，并随机抽取该个体中的若干od对，将其按
照最小插入距离算法重新插入其他位置；
[0123]
s4
‑
2、计算个体适应度；
[0124]
s4
‑
3、采用上一代种群中的精英个体替代当前种群中的最差个体；
[0125]
s4
‑
4、重复步骤s4
‑1‑
步骤s4
‑
3，直至达到最大迭代次数。
[0126]
s5、输出优化结果。
[0127]
第一阶段完成后，进行第二阶段：
[0128]
第二阶段，对第一阶段已经过整体优化的初始线路为参考，将初始线路中部分或全部站点作为定制公交车辆的必经站点，基于实际接收的实时乘客需求，对定制车辆的实际行驶路线和到站时间进行优化调整，使得乘客总出行成本、运输企业运营成本以及未服务的乘客数量最小。
[0129]
第二阶段，采用定制公交车辆动态调度模型进行优化，具体如下：
[0130][0131][0132][0133]
受约束于：
[0134][0135][0136][0137][0138][0139][0140][0141][0142][0143]
公式(11)表示已响应乘客的出行成本最小；n
*
为必经站点集合，包括服务区域内已确认响应的上下车站点以及初始线路中的上车站点，n
*
＝n
*+
∪n
*
‑
∪n0，n
*+
和n
*
‑
分别为有乘车需求的必停上/下车点集合，n0为初始线路中暂无乘车请求的必经上车点集合；n'为可选的经停站点集合，n'＝n'
+
∪n'
‑
，n'
+
和n'
‑
分别为可选上/下车点集合；σ1为乘客在车单位
时间成本；σ2为车辆晚于乘客最迟上车时间产生的单位等车时间成本；σ3为车辆晚于乘客最迟下车时间到达造成乘客延误的单位时间惩罚成本；qa
j
为车辆到达站点j之前车上的乘客数；qd
j
车辆在站点j的下客人数；t
ij
从站点i、j间的行驶时间；x
ij
、x
ji
、x
ik
、x
jk
、x
kj
均为0
‑
1决策变量；t
ij
从站点i、j间的行驶时间；t
j
为定制公交车辆实际到达站点j的时间；p
ij
为站点i、j间的出行人数；p
jk
为站点j、k间的出行人数；为乘客要求从站点i到站点j的到达时间；为乘客要求从站点j到站点k的上车时间；ta
j
为车辆在站点j的停站时间；qu
j
车辆在站点j的上客人数；
[0144]
ta
j
，qu
j
，qd
j
的计算公式如公式(23)
‑
(25)所示：
[0145][0146][0147][0148]
公式(12)表示运营车辆的固定成本与可变成本之和最小；c
f
为定制公交车辆的固定成本；c
v
为定制公交车辆的单位时间行驶成本；x
ij
为0
‑
1决策变量，当定制公交车辆由站点i驶向站点j时取值为1，否则为0；
[0149]
公式(13)表示未响应乘客需求所产生的损失最小；σ4为未响应乘客所产生的单位惩罚成本；
[0150]
公式(14)表示所有必经站点必然被访问一次，{0}为定制公交车辆的虚拟车场
[0151]
公式(15)表示可选站点最多被访问一次；
[0152]
公式(16)和(17)表示车辆必须从虚拟车场出发并最终回到虚拟车场；x
0i
和x
j0
为0
‑
1决策变量
[0153]
公式(18)表示除虚拟车场外；
[0154]
公式(19)和(20)表示车辆访问某个上车站点后必须访问其对应的下车站点，并且应该先访问上车站点才能访问下车站点；t
k
为定制公交车辆实际到达站点k的时间；
[0155]
公式(21)表示车上乘客总数不超过车辆最大载客量，q为定制公交车辆的最大载客量；
[0156]
公式(22)为决策变量的取值约束。
[0157]
为证明本实施例的有效性，提取了深圳罗湖区、南山区和福田区内的若干高概率出行点(如图2所示)，以此为基础进行了实时响应式定制公交调度仿真实验：
[0158]
第一阶段线路规划实验：
[0159]
在线路规划中，单条线路最大/最小长度、线路绕行率对线路数量、线路总长度具有显著的影响。对单条线路最大/最小长度、线路绕行率进行的敏感性分析结果如表1
‑
2和图3所示，得出定制公交线路规划的建议包括：(1)选择适中的单条线路最大/最小长度值能使定制公交线路数量和线路总长度达到最低水平(通常意味着降低运输企业运营成本)；(2)增大绕行率可以显著降低定制公交线路数量(nr)、仅有单个od对的线路数量(nro)和线路总长度，但会增加非直接送达od点对(nod)数量以及累计绕行距离(ctd)，即绕行率对运营成本及服务水平有双向影响，实际应用中需根据实时响应式定制公交系统的总目标选择
一个适宜的绕行率值。
[0160]
表1单条线路最大/最小长度敏感性分析结果
[0161][0162]
表2线路绕行率敏感性分析结果
[0163][0164]
第二阶段车辆调度实验：
[0165]
基于随机产生的实时乘客需求对定制公交车辆实时调度模型进行多次仿真实验，对比了软时间窗
‑
全站点控制(s
‑
a
‑
c)、软时间窗
‑
起、终点控制(s
‑
st
‑
c)、软时间窗
‑
起、中、终点控制(s
‑
smt
‑
c)、严格时间窗
‑
全站点控制(t
‑
a
‑
c)等调度策略下的调度效果，如表3所示。得出以下建议：(1)在实时响应式定制公交调度中，采用软时间窗对乘客和车辆进行匹配可以显著提高车辆服务的乘客数量，从而提高运输企业效益，但是该策略难以防范极端延误事件，为了维护乘客服务水平，可在此基础上附加一个最大延误时间限制，从而兼顾运输企业和乘客双方的利益；(2)相比于其他调度策略，采用软时间窗
‑
全站点控制(以初始线路的全部站点作为必经站点)时可以在平均服务乘客数和服务水平稳定性(平均准时送达率、平均延误时间)上取得更好的效果。
[0166]
表3各调度策略下的调度效果
[0167][0168]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。