基于车道管理的多模式交通协同疏散方法与流程

1.本发明涉及交通技术领域，尤其涉及一种基于车道管理的多模式交通协同疏散方法。


背景技术：

2.依靠道路网络进行大规模疏散是应对各种灾害事件(如飓风、洪水、地震、危险气体泄漏、恐怖袭击等)的一种有效而广泛的手段，科学的疏散规划可以最大程度地减少重大人员伤亡和财产损失。在大规模疏散中，首要目标是尽快将受灾害影响的居民转移到安全区域，同时需要避免严重的交通拥挤和二次伤害。这就需要管理者按照疏散需求合理配置车队和分配道路资源，同时考虑疏散交通流的动态性制定动态的疏散计划。
3.在实际疏散中，经常存在行动能力低的人群，如老年人、残疾人、无车群体等，为了兼顾疏散公平和效率，需要政府组织车队参与疏散，因此多模式交通是难以避免的。采用公交导向的多模式协同疏散的模式更符合行动能力低的人群比例较高、人均机动车保有量和道路密度均低于发达国家、人群高度聚集的大型活动和场所较多的情况。目前，关于组织多模式交通疏散的研究较少，主要包括：以疏散时间最小化为目标，通过多蚁群智能算法平衡整个道路网络中交通负载，但是该方法疏散交通模型是静态的，不能捕获疏散中的交通拥堵，不能提供实时的疏散时刻表，不能详细的提供车道的管理方案；考虑所有疏散人群的总行驶距离最短为目标函数，建立基于可逆车道与交叉口冲突消除的公交疏散路径规划模型，选取遗传算法对模型进行求解，得到最优公交疏散路径规划方案，但是该方法通过设置专用道，忽略其他车辆对公交车的影响，采用了静态的疏散交通模型，不能捕获交通拥堵，不能制定实时的疏散时刻表；建立整合混合车队和车道逆流策略的双层规划模型，使用启发式算法和公交优先的最小费用流算法组成的双层算法求解，但是该方法使用了静态交通模型，不能捕获疏散中的交通拥堵等现象，而且双层规划求解效率低，不适应实时疏散。
4.以上方法多采用静态交通模型，不考虑多种交通流在网络中的动态演化，不能捕获交通拥堵。然而在大规模疏散中，交通拥堵极易发生，这可能降低疏散效率并造成二次伤害。此外，以上方法以网络清空时间为目标函数，但由于网络清空时间属于非线性非凸的形式，无法直接优化，因此，模型多表述为双层规划，不能借助商业求解器直接进行模型求解，限制了模型的大规模应用。


技术实现要素：

5.本发明提供了一种基于车道管理的多模式交通协同疏散方法，以解决现有技术中存在的缺陷。
6.为了实现上述目的，本发明采取了如下技术方案。
7.一种基于车道管理的多模式交通协同疏散方法，包括：
8.s1根据灾害特点确定疏散需求，并根据不同车辆的自由流速度将疏散道路网络离散为多层多尺寸元胞网络；
9.s2基于离散后的多层多尺寸元胞网络，以整个需求疏散的系统的清空时间最短为目标函数，以多模式车队约束、多模式交通网络加载约束、车道分配和车道逆流约束作为约束条件构建多模式交通协同疏散模型；
10.s3采用禁忌搜索算法对所述多模式交通协同疏散模型求解；
11.s4根据求解结果进行多模式交通协同疏散组织。
12.优选地，s1步骤包括：将网络源节点作为受灾点，网络汇节点作为避难所，源节点和汇节点的位置及道路风险水平根据灾害的特点确定，将疏散区域、避难所位置、路网风险水平及疏散需求作为输入参数，采用元胞传输模型ctm加载多模式交通流，元胞长度定义为自由流条件下车辆在一个时间步行驶的距离，根据不同车辆的自由流速度，将道路路网离散为多个独立的元胞网络，每一种车辆只能在自己的元胞网络中行驶。
13.优选地，多模式交通协同疏散模型包括：
14.目标函数如下式(1)所示：
[0015][0016]
其中，t为离散时间步，ψ为离散时间步集合，m为车辆类型集合，c
r
风险源元胞集合；为t时刻m类型车辆到达汇元胞c
s
的车辆数；d
i,m
表示源元胞i内m类型车辆的车辆数，为所有疏散源点i中类型m车辆的数量，即某个源点的疏散需求；表示向下取整，表示当前时刻所有车辆是否到达汇元胞，如果车辆全部到达，即网络被清空，则否则网络没有清空，则因此，疏散网络中m类型车辆的清空时间为疏散系统的清空时间为各类车辆疏散时间的最大值，即疏散的目标就是使得最大的网络清空时间最小；
[0017]
多模式车队规模约束如下式(2)
‑
(3)所示：
[0018][0019][0020]
其中，式(2)是总需求d守恒约束，d
i,m
表示疏散源元胞i内m类型车辆的车辆数，p
m
表示m类型车辆的最大载客量，c
r
风险源元胞集合；式(3)是车辆数非负约束；
[0021]
多模式交通网络加载约束如下(4)
‑
(14)所示：
[0022]
[0023][0024][0025][0026][0027][0028][0029][0030][0031][0032][0033]
其中：式(4)是流量守恒约束，表示t 1时刻元胞i内m类型车辆的车辆数，为当前车辆数，为从上游元胞k流入当前元胞i的车辆数，γ
‑
(i)为当前元胞i的上游元胞k的集合，表示从当前元胞i流向下游元胞j的车辆数，γ(i)为当前元胞i的下游元胞j的集合，c
o
为普通元胞集合；式(5)是t时刻从当前元胞i流向下游元胞j的流量小于当前元胞的车辆数式(6)是t时刻从当前元胞i流向下游元胞j的流量小于当前元胞的通行能力限制z
i,m
是分配给m类型车辆的车道数，是t时刻m类型每个车道的通行能力；类似(6)，式(7)是t时刻从上游元胞k流入当前元胞i车辆数，小于当前元胞的通行能力限制式(8)是t时刻从上游元胞k流入当前元胞i车辆数小于当前元胞的剩余容量的限制z
i,m
是分配给m类型车辆的车道数，是t时刻m类型每个车道的通行能力，w
m
是m类型车辆的拥堵波速度，v
m
是m类型车辆的自由流速度；式(9)是源元胞i的流量发送函数，是t时刻m类型车辆的需求；式(10)表示源元胞i的流量在初始时刻被加载到源点，相当于疏散开始时所有车队已经准备好；式(11)和(12)分别表示初始状态元胞流量和链接流量都为零，即疏散开始时路网被清空；式(13)和(14)是元胞流量和链接流量的非负约束；
[0034]
车道分配和车道逆流约束如下式(15)
‑
(17)所示：
[0035][0036][0037][0038]
其中，式(15)表示如果元胞i和元胞j属于同一路段，则车道分配方案相同，e(i)为以元胞i为起点的路段所包含的元胞的集合；式(16)表示m类型的车辆分享总车道数z
i
，包含了双向车道，根据车道分配结果确定需要逆流设计的车道；式(17)是车道的整数约束。
[0039]
优选地，s3步骤包括：
[0040]
给定一个包含车道分配和车队混合比例的初始解和对应初始解的邻域；
[0041]
在初始解的邻域中确定一系列候选解，并根据目标函数值确定最佳候选解；
[0042]
判断最佳候选解与全局最优解的关系，如果最佳候选解目标函数值优于全局最优解，则忽视禁忌属性，用它替代当前解和全局最优解，并将其加入禁忌表，更新禁忌表；若不存在上述最佳候选解，则在候选解中选择非禁忌的最佳状态解为当前解，并更新禁忌表；反复迭代直到满足停止准则，则停止搜索，得到最终解。
[0043]
优选地，停止准则为：满足最大迭代g，或满足δt
k
＝0，enct
k
<enct0，其中，第k次迭代获得不同类型车辆的网络清空时间为{t
m
}，δt
k
为上下界之差δt
k
＝t
max
‑
t
min
，enct
k
为第k次迭代的网络清空时间，enct
k
＝t
max
，enct0为初始的网络清空时间。
[0044]
优选地，s4步骤包括：
[0045]
计算车队配置比例，将网络清空时间作为衡量疏散效率的主要时间指标，根据疏散时刻表，有序组织人员车辆，尽量避免交通拥堵和二次伤害事故，在车道分配和车道逆流方案上，兼顾不同群体的需求，能够提升疏散方向的通行能力，实现尽快疏散的要求。
[0046]
优选地，计算车队配置比例包括：基于每个疏散点的需求，根据下式(18)求解出整个疏散系统的混合车队规模，在不浪费车辆和道路资源的条件下，满足疏散需求：
[0047][0048]
其中，为所有疏散源点i类型m车辆的数量，为总车队的规模，r
m
为类型m车辆的比例。
[0049]
由上述本发明的基于车道管理的多模式交通协同疏散方法提供的技术方案可以看出，本发明考虑了多模式疏散场景，交通流加载采用元胞传输模型刻画交通流的动态性，可以捕获交通拥堵，提供动态的疏散时刻表；提出了刻画多模式疏散系统的目标函数，建立多模式车队配置、交通网络加载、车道分配和车道逆流管控的多模式交通协同疏散模型，在只给定疏散需求的情况下，模型为混合整数非线性规划模型，采用启发式算法求解模型，确保在有限的时间要求下，获得可行的疏散方案；在疏散需求和车队规模都给定的情况下，模型退化为混合整数线性规划模型，模型采用现有的商业求解软件(gurobi或cplex)快速解决，提高了疏散方案生成的效率，改变了疏散过程中的交通拥堵现象，减少二次伤害，为有通知灾害(比如，飓风、洪水、有害物质泄漏等)的城市道路路网或高速路网提供疏散规划，具有广阔的应用前景。
[0050]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变
得明显，或通过本发明的实践了解到。
附图说明
[0051]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
[0052]
图1为实施例的一种基于车道管理的多模式交通协同疏散方法流程示意图；
[0053]
图2为nguyen
‑
dupuis疏散网络示意图；
[0054]
图3为将路段离散为元胞结构示意图；
[0055]
图4为元胞网络分流合流、车道分配和车道逆流示意图；
[0056]
图5为实施例的多模式交通协同疏散模型求解流程示意图。
具体实施方式
[0057]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0058]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0059]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0060]
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且并不构成对本发明实施例的限定。
[0061]
实施例
[0062]
图1为本实施例的一种基于车道管理的多模式交通协同疏散方法流程示意图。需要说明的是，本实施例是基于以下前提条件下进行实施的：
[0063]
(1)有足够数量的小汽车和公交车以备疏散使用，每类车辆具有相同的尺寸和驾驶性能；所有的疏散者听从管理者指挥，疏散范围和每个集结点的疏散总需求已经知道，d
i
为疏散源点i的疏散者数量。
[0064]
(2)疏散开始前，灾害区域的道路网络已经被完全清空，避免疏散车辆和社会车辆交织冲突。
[0065]
(3)疏散过程中，按照应急预案已经确定了避难所位置和交叉口控制方案，管理者只需要根据疏散需求决策混合车队规模和车道管理方案。
[0066]
(4)由于道路基础设施固定，在较短的时间内改变道路路网拓扑结构困难。本实施
例将车道变量描述为静态的整数变量，而且同一条路段(两个交叉口之间)车道分配方案相同。
[0067]
参照图1，本实施例方法包括如下步骤：
[0068]
s1根据灾害特点确定疏散需求，并根据不同车辆的自由流速度将疏散需求道路网络离散为多层多尺寸元胞网络。
[0069]
令一个多源多汇的混合交通道路网络g(n,a)，其中n为交叉口，a表示路段。将网络源节点作为受灾点，网络汇节点作为避难所，源节点和汇节点的位置及道路风险水平根据灾害的特点确定，示意性地，图2为某种灾害下的nguyen
‑
dupuis疏散网络示意图，在飓风、洪水和有毒气体扩散场景下，可以采用气象方法、水力分析和羽流建模计算灾害区域范围及风险水平。将疏散区域、避难所位置、路网风险水平及疏散需求作为输入参数，采用元胞传输模型ctm加载多模式交通流，ctm可以模拟疏散的动态性和捕获交通拥堵传播，元胞长度定义为自由流条件下车辆在一个时间步行驶的距离，保证了模型稳定性和元胞被及时清空，根据不同车辆的自由流速度，将道路路网g(n,a)离散为多个独立的元胞网络g(c,b)，每一种车辆只能在自己的元胞网络中行驶。通过引入虚拟路段，将多源多汇的网络转化为多源单汇网络。其中c表示元胞集合，包含c
o
普通元胞集合，c
r
风险源元胞集合，c
s
避难所元胞集合；b表示元胞链接集合。
[0070]
以小汽车和公交车构成的网络为例，图3描述了将路段离散为元胞的示意图，图4描述了交叉口转化为分流合流元胞，以及车道分配和车道逆流的示意图。具体地，图4中上游的元胞a中4辆小汽车占用4条车道，其中2条车道是逆流车道；元胞b为正常路段，只要一条车道被一辆公交车占用；元胞a和b车辆合流进入下游的元胞c，小汽车占用2条车道，其中一条车道为逆流车道，公交车使用一条车道，有一条车道未被使用；元胞c再分流到下游的元胞d和e，元胞d为正常路段，e元胞包含一条被小汽车占用的反向车道。本实施例中元胞内的车道分配方案、不同类型车辆数量、元胞流入流出车辆数由多模式协同疏散模型优化得到。
[0071]
s2基于离散后的多层多尺寸元胞网络，以整个需求疏散的系统的清空时间最短为目标函数，以多模式车队规模约束、多模式交通网络加载约束、车道分配和车道逆流约束作为约束条件构建多模式交通协同疏散模型。
[0072]
多模式交通协同疏散模型包括：
[0073]
目标函数从时间角度出发，旨在缩短疏散过程，使得最后一批疏散者尽可能早地到达避难所。目标函数如下式(1)所示：
[0074][0075]
其中，t为离散时间步，ψ为离散时间步集合，m为车辆类型集合，c
r
风险源元胞集合；为t时刻m类型车辆到达汇元胞c
s
的车辆数；d
i,m
表示源元胞i内m类型车辆的车辆数，为所有疏散源点i中类型m车辆的数量，即某个源点的疏散需求；表示向下取整，
表示当前时刻所有车辆是否到达汇元胞，如果车辆全部到达，即网络被清空，则否则网络没有清空，则疏散网络中m类型车辆的清空时间为疏散系统总的清空时间为各类车辆疏散时间的最大值，即max疏散的目标就是使得最大的网络清空时间最小；
[0076]
多模式车队规模约束如下式(2)
‑
(3)所示：
[0077][0078][0079]
其中，式(2)是总需求d守恒约束，d
i,m
表示疏散源元胞i内m类型车辆的车辆数，p
m
表示m类型车辆的最大载客量，c
r
风险源元胞集合；式(3)是车辆数非负约束。
[0080]
多模式交通网络加载约束如下(4)
‑
(14)所示：
[0081][0082][0083][0084][0085][0086][0087][0088][0089][0090][0091]
[0092]
其中，式(4)是流量守恒约束，表示t 1时刻元胞i内m类型车辆的车辆数，为当前车辆数，为从上游元胞k流入当前元胞i的车辆数，γ
‑
(i)为当前元胞i的上游元胞k的集合，表示从当前元胞i流向下游元胞j的车辆数，γ(i)为当前元胞i的下游元胞j的集合，c
o
为普通元胞集合；式(5)是t时刻从当前元胞i流向下游元胞j的流量小于当前元胞的车辆数式(6)是t时刻从当前元胞i流向下游元胞j的流量小于当前元胞的通行能力限制z
i,m
是分配给m类型车辆的车道数，是t时刻m类型每个车道的通行能力；类似(6)，式(7)是t时刻从上游元胞k流入当前元胞i车辆数，小于当前元胞的通行能力限制式(8)是t时刻从上游元胞k流入当前元胞i车辆数小于当前元胞的剩余容量的限制z
i,m
是分配给m类型车辆的车道数，是t时刻m类型每个车道的通行能力，w
m
是m类型车辆的拥堵波速度，v
m
是m类型车辆的自由流速度；式(9)是源元胞i的流量发送函数，是t时刻m类型车辆的需求；式(10)表示源元胞i的流量在初始时刻被加载到源点，相当于疏散开始时所有车队已经准备好；式(11)和(12)分别表示初始状态元胞流量和链接流量都为零，即疏散开始时路网被清空；式(13)和(14)是元胞流量和链接流量的非负约束。
[0093]
车道分配和车道逆流约束如下式(15)
‑
(17)所示：
[0094][0095][0096][0097]
其中，式(15)表示如果元胞i和元胞j属于同一路段，则车道分配方案相同，e(i)为以元胞i为起点的路段所包含的元胞的集合；式(16)表示m类型的车辆分享总车道数z
i
，包含了双向车道，根据车道分配结果确定需要逆流设计的车道；式(17)是车道的整数约束。
[0098]
s3采用禁忌搜索算法对多模式交通协同疏散模型求解。
[0099]
由于本实施例的多模式交通协同疏散模型是一个混合整数非线性规划(minlp)问题，因此，具体采用一种启发式算法求解该问题。求解步骤包括：
[0100]
给定一个包含车道分配和车队混合比例的初始解和对应初始解的邻域；
[0101]
在初始解的邻域中确定一系列候选解，并根据目标函数值确定最佳候选解；
[0102]
判断最佳候选解与全局最优解的关系，如果最佳候选解目标函数值优于全局最优解，则忽视禁忌属性，用它替代当前解和全局最优解，并将其加入禁忌表，更新禁忌表；若不存在上述最佳候选解，则在候选解中选择非禁忌的最佳状态解为当前解，并更新禁忌表；反复迭代直到满足停止准则，则停止搜索，得到最终解。
[0103]
图5为本实施例的多模式交通协同疏散模型求解流程示意图，参照图5，具体包括
如下步骤：
[0104]
(1)初始化
[0105]
设路段总数为k，每条路段包含多个元胞。车队规模未知的情况下，目标函数是非线性的，根据下式(18)目标函数的混合整数规划获得初始解其中，m类型车辆的清空时间为不同类型车辆的清空时间的差距为δt0，系统目标函数为enct0。定义初始禁忌列表列表长度给定为
[0106][0107]
其中，p
m
表示m类型车辆的最大载客量，表示t时刻元胞i内(不包含汇元胞c
s
)m类型车辆的车辆数目标函数(18)，最小化所有疏散人员的总行程时间；约束条件为式(2)
‑
(17)。
[0108]
(2)邻域搜索
[0109]
如果初始方案不是最佳方案，则执行邻域搜索以找到可能获得enct
*
的车道分配方案。根据问题的规模，邻域解个数为k/4。
[0110]
首先，随机生成代表不同搜索方向的车道分配方案r(n,ca)的变异位置集。然后，基于当前的最优解得到新邻域解：
[0111]
如果意味着小汽车需要更多车道，那么意味着小汽车需要更多车道，那么
[0112]
如果意味着公交车需要更多车道，那么意味着公交车需要更多车道，那么
[0113]
获得所有邻域解的enct
k
和δt
k
，然后保留一半的最佳邻域解当作候选解。
[0114]
(3)藐视标准
[0115]
如果enct
k
<enct0，则替换初始解，更新禁忌列表tabu和禁忌列表长度tl，并转至步骤(5)；否则，转至步骤(4)。
[0116]
(4)禁忌列表
[0117]
判断候选解突变位置的禁忌状态，如果不在禁忌列表中，则选择最佳邻域解当作当前的最优解，并更新tabu和tl。(禁忌列表是为了防止陷入局部最优解。)
[0118]
(5)停止准则
[0119]
停止准则包括两个规则：满足最大迭代g，或满足δt
k
＝0，enct
k
<enct0，其中，第k次迭代获得不同类型车辆的网络清空时间为{t
m
}，δt
k
为上下界之差δt
k
＝t
max
‑
t
min
，enct
k
为第k次迭代的网络清空时间，enct
k
＝t
max
，enct0为初始的网络清空时间。一旦满足其中任何一条规则，搜索将终止并输出最佳解。
[0120]
s4根据求解结果进行多模式交通协同疏散。
[0121]
包括：计算车队配置比例，将网络清空时间作为衡量疏散效率的主要时间指标，根据疏散时刻表，有序组织人员车辆，尽量避免交通拥堵和二次伤害事故，在车道分配和车道逆流方案上，兼顾不同群体的需求，能够提升疏散方向的通行能力，实现尽快疏散的要求。
[0122]
基于每个疏散点的需求，根据下式(18)求解出整个疏散系统的混合车队规模，在不浪费车辆和道路资源的条件下，满足疏散需求：
[0123][0124]
其中，为所有疏散源点i类型m车辆的数量，为总车队的规模，r
m
为类型m车辆的比例。
[0125]
本领域技术人员应能理解，图2仅为简明起见而示出的各类网络元素的数量可能小于一个实际网络中的数量，但这种省略无疑是以不会影响对发明实施例进行清楚、充分的公开为前提的。
[0126]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0127]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。