一种基于动态自适应粒子群算法的交通调度系统的制作方法

1.本发明涉及交通调度领域，具体是一种基于动态自适应粒子群算法的交通调度系统。


背景技术：

2.随着城市的快速发展，城市的交通问题越发严重，城市公交在很大程度上对城市的交通状况进行了改善。现有的城市公交调度系统，大都是按照既定预案进行调度处理的，在正常的环境中，其能够有效的运行。但是这种方法存在局限性，尤其是在遇到突发性的大客流量，其调度相应不是太快；例如节假日某个地区的出行人数骤增；例如高铁大面积晚点后，车辆到站时间较为集中，导致旅客人数骤然增加等等。
3.此外，在对于一些公共大事件的举办，例如市域范围内的考试、演唱会、大型公益活动、体育比赛等，会导致局部区域内的客流量大幅度增加，而当大事件参与人数远大于前期预估值时，就容易造成大面积的公交站点拥堵，不但容易引发混乱，且降低了城市交通通行的效率。


技术实现要素：

4.本发明的目的在于提供一种基于动态自适应粒子群算法的交通调度系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于动态自适应粒子群算法的交通调度系统，由公交线路调度命令平台、公交线网调度命令平台和区域公交线网调度命令平台组成；所述公交线网调度命令平台连接多个公交线路调度命令平台，区域公交线网调度命令平台连接多个公交线网调度命令平台；所述公交线路调度命令平台用于对单条公交线路上的公交进行调度；所述公交线网调度命令平台是针对已经或未来即将客流量大幅度增长的某个站点上的所有公交线路的公交车进行调度，用以缓解或消除人员乘车拥堵；所述区域公交线网调度命令平台则是针对大型活动过程中，人员增流速度较快或活动区域内的公交线网进行全局调度，以保证公共交通的有效运行。
7.所述公交线路调度命令平台包括数据调取模块、数据分析处理模块、车辆配置优化模块和线路公交调度模块；所述数据调取模块用于调取数据库中和公交线路调度有关的数据；数据分析处理模块包括数据处理模块、车辆配置合理性分析模块以及粒子群算法模；车辆配置优化模块则是根据数据分析处理模块中数据，作出最佳调度方案；线路公交调度模块则根据车辆配置优化模块的数据生产调度命令，对现行的公交线路进行增派公交车辆或直接将摆渡车辆调运至公交线路上需要增派车辆的站点，用以分散公交线路上局部站点的客流量，保证公共交通的稳定有效运行。
8.所述粒子群算法模块采用动态自适应粒子群优化算法的数学模型，以摆渡公交车辆为粒子，然后每个粒子用其几何位置和速度向量表示，在车辆配置问题的求解中，参考自
己的既定线路，以及所经历的最优线路和整个公交线路中所有公交车所认定的最优线路来确定自己的行走线路。
9.所述公交线网调度命令平台包括公交线路管理模块、公交线网数据分析模块、车辆配置优化模块以及线网公交调度模块；所述公交线路管理模块连接多条公交线路调度命令平台，使得所有公交线路的数据能够汇总到公交线网调度命令平台；所述公交线网数据分析模块，用于分析各个公交线路的实时公交车辆运行情况；车辆配置优化模块根据数据分析模块的数据，综合这个站点多条公交的实际运行情况，给出最佳车辆出行配置方案；所述线网公交调度模块与线路公交调度模块连接，用以对多条公交线路分别进行调度。
10.所述区域公交线网调度命令平台包括公交线网管理模块、综合数据分析模块、综合车辆配置优化模块以及区域线网公交调度模块；所述公交线网管理模块连接有多个公交线网调度命令平台；所述综合数据分析模块包括分析公交线路的数据，还可以根据人工设定的调度区域、大事件的数据统计以及预制定的车辆配置方案进行分析；所述综合车辆配置优化模块，会结合历史站点车流量增大时的公交车辆配置方案、现有的规划调度方案以及实际客流量来实时进行综合配置优化；区域线网公交调度模块则会根据综合车辆配置方案，对区域内的公交线网进行调度。
11.所述综合数据分析模块能够对现行公交线路的配置数据、调度区域设定后的数据、公共大事件的方案统计或预估数据以及公共大事件制定的方案的数据进行分析；所述调度区域设定的数据包括调度区域的地图数据以及调度区域内公交站点的统计数据。
12.所述数据调取模块的数据来源于数据库，车辆配置优化模块还包括百度车辆调度配置模块，车辆配置优化后的数据会实时反馈到数据库中；所述数据库的数据包括公交线网的电子地图数据、公交站点的位置数据、公交停保场的位置数据、摆渡车辆的实时位置数据、公交线路上运行公交的实时数据以及公交站点的客流数据。
13.所述公交站点客流数据是由公交站点客流统计模块进行统计，然后经过中央处理器对数据进行处理，然后更新至数据库，公交站点客流统计模块包括公交站点上下行客流量记录模块和未来客流预研判模块。
14.与现有技术相比，本发明的优点是；能够在突发大流量或者举行重大活动时，根据实际情况，有选择的对公交车辆进行配置调度，用以分散消化大客流量，以保证公共交通的平稳有效运行；设置的粒子群算法模块能够依据动态自适应的粒子群算法数学模型来对数据分析进行优化，以达到公交线路调度的优化，提高调度精准度；设置的三级调度平台，能够保障调度指挥的效率。
附图说明
15.图1为一种基于动态自适应粒子群算法的交通调度系统框图。
16.图2为本发明系统中数据调取模块的示意框图。
17.图3为本发明系统中综合数据分析模块的示意框图。
具体实施方式
18.下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
19.请参阅图1
‑
2，一种基于动态自适应粒子群算法的交通调度系统，由公交线路调度
命令平台、公交线网调度命令平台和区域公交线网调度命令平台组成；所述公交线网调度命令平台连接多个公交线路调度命令平台，区域公交线网调度命令平台连接多个公交线网调度命令平台；所述公交线路调度命令平台用于对单条公交线路上的公交进行调度；所述公交线网调度命令平台是针对已经或未来即将客流量大幅度增长的某个站点上的所有公交线路的公交车进行调度，用以缓解或消除人员乘车拥堵；所述区域公交线网调度命令平台则是针对大型活动过程中，人员增流速度较快或活动区域内的公交线网进行全局调度，以保证公共交通的有效运行。
20.所述公交线路调度命令平台包括数据调取模块、数据分析处理模块、车辆配置优化模块和线路公交调度模块；所述数据调取模块用于调取数据库中和公交线路调度有关的数据；数据分析处理模块包括数据处理模块、车辆配置合理性分析模块以及粒子群算法模；车辆配置优化模块则是根据数据分析处理模块中数据，作出最佳调度方案；线路公交调度模块则根据车辆配置优化模块的数据生产调度命令，对现行的公交线路进行增派公交车辆或直接将摆渡车辆调运至公交线路上需要增派车辆的站点，用以分散公交线路上局部站点的客流量，保证公共交通的稳定有效运行。
21.所述粒子群算法模块采用动态自适应粒子群优化算法的数学模型，以摆渡公交车辆为粒子，然后每个粒子用其几何位置和速度向量表示，在车辆配置问题的求解中，参考自己的既定线路，以及所经历的最优线路和整个公交线路中所有公交车所认定的最优线路来确定自己的行走线路。
22.所述公交线网调度命令平台包括公交线路管理模块、公交线网数据分析模块、车辆配置优化模块以及线网公交调度模块；所述公交线路管理模块连接多条公交线路调度命令平台，使得所有公交线路的数据能够汇总到公交线网调度命令平台；所述公交线网数据分析模块，用于分析各个公交线路的实时公交车辆运行情况；车辆配置优化模块根据数据分析模块的数据，综合这个站点多条公交的实际运行情况，给出最佳车辆出行配置方案；所述线网公交调度模块与线路公交调度模块连接，用以对多条公交线路分别进行调度。
23.所述区域公交线网调度命令平台包括公交线网管理模块、综合数据分析模块、综合车辆配置优化模块以及区域线网公交调度模块；所述公交线网管理模块连接有多个公交线网调度命令平台；所述综合数据分析模块包括分析公交线路的数据，还可以根据人工设定的调度区域、大事件的数据统计以及预制定的车辆配置方案进行分析；所述综合车辆配置优化模块，会结合历史站点车流量增大时的公交车辆配置方案、现有的规划调度方案以及实际客流量来实时进行综合配置优化；区域线网公交调度模块则会根据综合车辆配置方案，对区域内的公交线网进行调度。
24.如图3所示，所述综合数据分析模块能够对现行公交线路的配置数据、调度区域设定后的数据、公共大事件的方案统计或预估数据以及公共大事件制定的方案的数据进行分析；所述调度区域设定的数据包括调度区域的地图数据以及调度区域内公交站点的统计数据。
25.如图2所示，所述数据调取模块的数据来源于数据库，车辆配置优化模块还包括百度车辆调度配置模块，车辆配置优化后的数据会实时反馈到数据库中；所述数据库的数据包括公交线网的电子地图数据、公交站点的位置数据、公交停保场的位置数据、摆渡车辆的实时位置数据、公交线路上运行公交的实时数据以及公交站点的客流数据。
26.所述公交站点客流数据是由公交站点客流统计模块进行统计，然后经过中央处理器对数据进行处理，然后更新至数据库，公交站点客流统计模块包括公交站点上下行客流量记录模块和未来客流预研判模块。
27.如图1所示的粒子群算法模块，其数学模型中所用到的迭代公式是：
28.v
id
＝wv
id
c1r1(p
id
‑
x
id
) c2r2(p
gd
‑
x
id
)
ꢀꢀꢀ
(1)
29.平均聚焦距离和最大聚焦距离计算公式是：
[0030][0031][0032]
其中w为惯性系数，为非负数，第i个粒子用一个d维的向量x
i
＝(x
i1
,x
i2
,...,x
id
)表示；第i个粒子迄今为止搜索到的最优位置用p
i
＝(p
i1
,p
i2
,
…
,p
id
)表示,整个粒子群迄今为止搜索到的最优位置用p
g
＝(p
g1
,p
g2
,
…
,p
gd
)表示；m为群的粒子数，d为每个粒子的维数，p
td
为粒子群目前搜索到的最优位置，x
id
为每个自理目前搜索到的最优位置。
[0033]
粒子目前的聚焦距离的变化率定义公式为：
[0034][0035]
每迭代一次就计算此次得到的平均聚焦距离和最大聚焦距离，从而得到此次的聚焦距离变化率；据此来判断此次的粒子是应该提高其全局搜索能力还是需要提高其局部搜索能力，
[0036]
惯性系数w的计算依据一个自适应的非线性惯性权值递减函数：
[0037][0038]
从而使得该算法能够随机的选取w值，使得w能够随着聚焦距离的变化率自适应的调整，使其能够更好适应复杂的环境。
[0039]
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。