一种基于神经进化的定制公交线路优化方法、系统、设备及存储介质与流程
本技术涉及公共交通智能规划,具体涉及一种基于神经进化的定制公交线路优化方法、系统、设备及存储介质。
背景技术:
1、随着城市居民个性化出行需求持续增长,定制公交已成为公共交通体系的重要补充。在完成初始候选线路集合的生成后,公交线路的优化与落地仍存在难以适配定制公交运营特点的缺陷。
2、当前现有线路优化技术的核心流程为:单一维度全局搜索优化、静态路网路径规划、全量数据重算调整,多应用于固定线路的常态化调整、物流配送路径优化等场景。
3、具体的,现有线路优化技术存在以下缺陷:
4、1)现有算法架构仅能实现单一维度的全局搜索或局部优化,极易陷入局部最优陷阱,出现全局路径最优但局部路段拥堵严重、理论成本最低但实际满载率偏低的问题,无法满足线路的核心运营指标;2)基于静态路网假设完成线路优化,未考虑交通事故、恶劣天气等突发事件的风险,线路落地后稳定性差。
5、因此,如何设计一种能够实现全局与局部协同优化、稳定性较高的基于神经进化的定制公交线路优化方法、系统、设备及存储介质,是现有技术中尚未解决的技术难题。
技术实现思路
1、因此,本技术提出一种能够实现全局与局部协同优化、稳定性较高的基于神经进化的定制公交线路优化方法、系统、设备及存储介质,以改善或解决上述技术问题中的至少一个。
2、本技术主要包括以下几个方面:
3、第一方面,本技术实施例提供一种基于神经进化的定制公交线路优化方法,所述方法包括:
4、获取初始候选线路集合、需求簇集合和线路优化配套数据,构建定制公交线路优化基础数据集;
5、基于所述定制公交线路优化基础数据集,将每条候选线路的需求簇停靠顺序,编码为一维的基因序列,并以所述基因序列作为进化个体初始化进化种群,得到初始进化种群与基因编码规则;
6、通过协方差矩阵自适应进化策略进行全局线路优化:构建多目标适应度函数计算所述初始进化种群中每个进化个体的综合性能,筛选出优质父代个体;基于所述优质父代个体更新协方差矩阵,并结合所述基因编码规则迭代优化线路种群,得到第一候选线路集合;
7、通过蒙特卡洛树搜索框架对所述第一候选线路集合进行局部路径精细优化:为所述第一候选线路集合的所有线路分别构建蒙特卡洛搜索树,采用上限置信区间算法选择所述蒙特卡洛搜索树的节点,对选中节点对应的路径分支进行模拟推演,计算模拟后的奖励值并反向更新搜索树中所有对应节点的平均奖励值,调整线路的站点停靠顺序与路段走向,得到第二候选线路集合;
8、为所述第二候选线路集合中的各线路构建需求引力项与时间扰动项,将所述需求引力项和所述时间扰动项叠加,构建线路全路段的综合风险势能场,量化各路段的综合运营风险,得到第三候选线路集合;
9、基于量子隧穿机制计算所述第三候选线路集合中的各线路在所述综合风险势能场中的隧穿概率,通过所述隧穿概率完成线路可行性筛选,得到第四候选线路集合;
10、将所述第四候选线路集合导入定制公交虚拟运营仿真环境,执行试运行仿真验证后,得到各线路的仿真运营指标;根据所述仿真运营指标选取出最终候选线路。
11、根据本发明的一个实施方式,基于所述定制公交线路优化基础数据集,将每条候选线路的需求簇停靠顺序,编码为一维的基因序列,并以所述基因序列作为进化个体初始化进化种群,得到初始进化种群与基因编码规则的步骤包括:
12、基于所述定制公交线路优化基础数据集,定义所述基因编码规则:将每条线路的需求簇停靠顺序,编码为一维的所述基因序列;所述基因序列的结构为:
13、 ;
14、其中,至为线路停靠的需求簇编号;
15、按照所述基因编码规则,将所述初始候选线路集合中的每套候选线路方案分别编码为独立的染色体基因序列,每条染色体对应一个进化个体;
16、以编码完成的所有所述进化个体为基础,设置进化迭代总次数、种群个体数量上限、收敛精度阈值等进化基础参数,从而构建所述初始进化种群。
17、根据本发明的一个实施方式,通过协方差矩阵自适应进化策略进行全局线路优化的步骤包括:
18、构建所述多目标适应度函数:
19、;
20、其中,为路径成本,为线路投放车辆数量,为平均满载率,、、分别为路径成本权重、车辆固定成本权重、乘客满意度惩罚权重;
21、根据所述多目标适应度函数,计算所述初始进化种群中每个进化个体的适应度值;所述适应度值越低,代表线路个体的所述综合性能越优;
22、根据所述适应度值筛选出前30%的个体作为所述优质父代个体,用于下一代种群的生成;
23、基于所述优质父代个体更新协方差矩阵,调整下一代个体的变异方向与搜索步长;所述协方差矩阵的更新公式为:
24、 ;
25、其中,为第k代的协方差矩阵,为当前最优解的梯度方向,为学习率;
26、基于更新后的所述协方差矩阵、所述基因编码规则,生成下一代进化种群,重复执行计算所述适应度值、筛选所述优质父代个体、更新所述协方差矩阵的迭代操作,直到达到预设的迭代总次数,或所述适应度值变化幅度小于收敛精度阈值,从而得到全局优化后的优质线路种群;在所述全局优化后的优质线路种群内,选取所述综合性能排名前五的线路个体,作为所述第一候选线路集合。
27、根据本发明的一个实施方式,通过蒙特卡洛树搜索框架对所述第一候选线路集合进行局部路径精细优化的步骤包括:
28、为所述第一候选线路集合的所有线路分别构建蒙特卡洛搜索树,将线路的每个需求簇停靠节点、可替换路段节点作为搜索树的节点,将线路的路径调整、站点顺序调整作为树的分支动作;
29、采用上限置信区间算法ucb计算每个节点的潜力值;遍历所有节点的所述潜力值后,选取其中数值最大的节点;所述上限置信区间算法ucb的计算公式为:
30、 ;
31、其中,为节点v的平均奖励值;为父节点的访问次数;为节点v的访问次数;为探索系数;
32、对选中节点对应的路径分支进行模拟推演,模拟不同站点顺序、不同绕行路段的线路运营效果,计算模拟后的奖励值,反向更新搜索树中所有对应节点的平均奖励值,
33、重复执行选取节点、模拟推演、反向更新的迭代操作,完成对所述第一候选线路集合的局部路径精细优化,调整线路的站点停靠顺序与路段走向,得到所述第二候选线路集合。
34、根据本发明的一个实施方式,为所述第二候选线路集合中的各线路构建需求引力项与时间扰动项,将所述需求引力项和所述时间扰动项叠加构建线路全路段的综合风险势能场,量化各路段的综合运营风险,得到第三候选线路集合的步骤包括:
35、为所述第二候选线路集合中的各线路构建所述需求引力项,用于量化线路需求覆盖层面的风险;所述需求引力项的计算公式为:
36、 ;
37、其中,为需求点的引力权重系数,由需求簇的优先级权重决定,为需求点i到候选线路的距离;需求引力项数值越高,代表线路对高优先级需求的覆盖效果越差,需求层面的风险越高;
38、为所述第二候选线路集合中的各线路构建所述时间扰动项,用于量化线路时间适配的风险;所述时间扰动项的计算公式为:
39、 ;
40、其中,为扰动强度系数,由路段的拥堵等级、突发事件风险等级决定,为扰动周期系数,由高峰时段、平峰时段的时间周期决定,为当前运营时间;时间扰动项数值越高,代表线路对应路段的时间适配性越差,通行层面的风险越高;
41、将所述需求引力项与所述时间扰动项叠加,构建线路全路段的综合风险势能场,计算线路对应路段的综合风险势能值;所述综合风险势能值的计算公式为:
42、 ;
43、通过所述综合风险势能场,量化各路段的综合运营风险,得到带所述综合风险势能值的所述第三候选线路集合。
44、根据本发明的一个实施方式,基于量子隧穿机制计算所述第三候选线路集合中的各线路在所述综合风险势能场中的隧穿概率,通过所述隧穿概率完成线路可行性筛选,得到第四候选线路集合的步骤包括:
45、定义线路隧穿概率计算公式,量化线路在综合风险势能场中的通行可行性;所述线路隧穿概率计算公式为:
46、 ;
47、其中,为运输载体成本权重,由车辆的运营成本决定;为线路对应路段的所述综合风险势能值;为资源投入阈值,由线路的预算上限、最大允许通行时长决定;、为目标路段的起止点;为风险敏感性系数,控制风险对线路可行性的影响强度;线路隧穿概率的数值越高,代表线路的抗风险能力越强、通行可行性越高;
48、执行线路可行性筛选,仅保留隧穿概率大于等于0.3的可行线路,得到所述第四候选线路集合。
49、根据本发明的一个实施方式,所述仿真运营指标包括:平均空载率,全程通行时长,线路准点率,需求覆盖率,乘客平均步行距离,单日运营成本。
50、第二方面,本技术实施例还提供一种基于神经进化的定制公交线路优化系统,所述系统包括:
51、获取模块:用于获取初始候选线路集合、需求簇集合和线路优化配套数据,构建定制公交线路优化基础数据集;
52、基因编码模块:用于基于所述定制公交线路优化基础数据集,将每条候选线路的需求簇停靠顺序,编码为一维的基因序列,并以所述基因序列作为进化个体初始化进化种群,得到初始进化种群与基因编码规则;
53、全局线路优化模块:用于通过协方差矩阵自适应进化策略进行全局线路优化:构建多目标适应度函数计算所述初始进化种群中每个进化个体的综合性能,筛选出优质父代个体;基于所述优质父代个体更新协方差矩阵,并结合所述基因编码规则迭代优化线路种群,得到第一候选线路集合;
54、局部路径精细优化模块:用于通过蒙特卡洛树搜索框架对所述第一候选线路集合进行局部路径精细优化:为所述第一候选线路集合的所有线路分别构建蒙特卡洛搜索树,采用上限置信区间算法选择所述蒙特卡洛搜索树的节点,对选中节点对应的路径分支进行模拟推演,计算模拟后的奖励值并反向更新搜索树中所有对应节点的平均奖励值,调整线路的站点停靠顺序与路段走向,得到第二候选线路集合;
55、综合风险势能场构建模块:用于为所述第二候选线路集合中的各线路构建需求引力项与时间扰动项,将所述需求引力项和所述时间扰动项叠加,构建线路全路段的综合风险势能场,量化各路段的综合运营风险,得到第三候选线路集合;
56、量子隧穿模块:用于基于量子隧穿机制计算所述第三候选线路集合中的各线路在所述综合风险势能场中的隧穿概率,通过所述隧穿概率完成线路可行性筛选,得到第四候选线路集合;
57、仿真运营模块:用于将所述第四候选线路集合导入定制公交虚拟运营仿真环境,执行试运行仿真验证后,得到各线路的仿真运营指标;根据所述仿真运营指标选取出最终候选线路。
58、第三方面,本技术实施例还提供一种计算机设备,所述计算机设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现上述所述的方法的步骤。
59、第四方面,本技术实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
60、本技术提供的技术方案,具有以下优点:
61、1、本技术的基于神经进化的定制公交线路优化方法,构建了全局与局部协同的神经进化架构,通过协方差矩阵自适应进化策略完成全局线路优化,筛选优质线路个体,再结合蒙特卡洛树搜索框架对站点停靠顺序、路段走向等进行局部路径精细优化,兼顾线路全局合理性与局部路段通行效率。
62、2、本技术的基于神经进化的定制公交线路优化方法,将需求引力项和时间扰动项叠加,构建线路全路段的综合风险势能场,量化各路段交通事故、恶劣天气等突发事件的风险,并基于量子隧穿机制计算各线路在综合风险势能场中的隧穿概率,剔除高风险线路,显著提升线路运营稳定性。
63、3、本技术的基于神经进化的定制公交线路优化方法,对候选线路执行试运行仿真验证后,通过得到的仿真运营指标选取出最终候选线路,无需在实际运营中进行大规模试错调整,降低了线路试运营的人力、物力与时间成本。
64、为使本技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com