智慧公交组合调度方法、装置及存储介质与流程

1.本公开属于智慧交通公共交通数据处理技术领域，特别涉及智慧公交组合调度方法、装置及存储介质。


背景技术：

2.智慧公交是智慧交通的重要组成部分，公交线路调度是公交运营、管理过程中最主要的工作之一。为了提高运输效率，运输更多乘客，同时减少乘客等待时间，在公交线路中引入大站快车与区间车，并对发车计划进行调度，是保障公交公共服务、兼顾运营成本的重要手段。
3.目前，公交线路调度主要包括预先调度与实时调度两方面。预先调度是指在特定线路开始运行之前或运行计划调整时，指定或改正公共汽车的运行计划，包括时刻表编制，各个班次的车辆性质(区间车，大站车，普通车等)，及车辆、人员配置等，包括对部分线路实施车辆的跨线路调度；而实时调度是指在线路运行的过程中，根据道路交通状况与车辆状况，对每一辆车辆进行精确的调整。预先调度是线路运营的基础，通过合理的调度，可以改善公交运营者与乘客的供需关系，达到既减小运营成本，又增加运输能力的双赢局面。但是公交线路的运行受到道路状况的直接影响，由于城市道路在高峰期常处于拥挤或拥堵状态，导致调度的效果往往受到影响。
4.在实践中，公交线路调度是基于实际状况的经验过程，如首先在一条线路上设定基于其他线路的常用发车间隔，随后根据开始运营后车辆的满载率而增大或减小发车间隔，最终达到一个较为稳定的状态。
5.目前对于公交线路调度的优化设计还较单一，无法满足多方要求。


技术实现要素：

6.本公开旨在至少解决现有技术中存在的技术问题之一。
7.为此，本公开第一方面实施例提供了考虑多种目标以进行综合优化的智慧公交组合调度方法，包括：
8.通过对实际公交线路乘客od数据的导入和筛选，建立乘客出行需求随时间、空间变化的矩阵模型，将所述矩阵模型定义为乘客出行需求矩阵，所述乘客出行需求矩阵包含的元素为某一车站在设定时段内，单位时间内到达该车站候车的乘客人数与单位时间内乘坐车辆从该车站下车的人数，并对上下行两个方向分开计数；
9.根据所述乘客出行需求矩阵中车辆到达各个车站的时间建立车辆行驶运动学模型，得出车辆运营成本；通过所述乘客出行需求矩阵，判断车站行驶区间的乘客数量，作为判断大站快车停靠车站与区间车折返车站的依据，确定大站快车与区间车的停站范围；根据所述大站快车与区间车的停站范围，制定从双向起点站驶出的公交车次的时刻、车次的性质和发车间隔，得出大站快车和区间车停靠车站的列表；根据所述大站快车和区间车停靠车站的列表建立乘客选择是否上车的乘客乘车判断模型，得出乘客出行成本；
10.通过对所述车辆运营成本和所述乘客成本的分析，设立以某设定时段内的发车间隔为变量的多目标优化的目标函数，并确定所述目标函数中的各个参数，使用遗传算法对各个所述参数进行优化，得到具备最优性质的变量解集，即发车间隔序列，然后通过时间的标准化得到发车时刻表，实现公交的组合调度。
11.本公开第一方面实施例提供的智慧公交组合调度方法，具有以下特点及有益效果：
12.本公开方法围绕着公交线路组合调度展开，通过建立多个模型，应用遗传算法，最终得到了一个特定权重系数条件下的最优解。
13.首先，对交通流od信息进行处理，得到乘客出行需求的转化过程。乘客出行需求是公交线路组合调度优化的服务对象，也是必须满足的条件。
14.其次，通过建立车辆行驶运动学模型，运行模式与时间间隔模型，车站与区间的客流量模型与乘客选择是否乘车依据模型，建立目标函数，为使用遗传算法求解提供了基础，在时间有限、计算资源有限的情况下，通过模型的简化条件大大降低了遗传算法的实现复杂度。
15.随后，建立了反映乘客、运营公司随公交运行计划而受到的利害影响的目标函数，既包括了乘客等待时间、乘客乘坐时间、运营成本、运营收入四项主要优化项，又通过惩罚函数的方式附加了拥挤度，最大等待时间，在线车辆总数的约束条件，使遗传算法的优化能够兼顾双方利益，且不会偏离在主要优化项以外存在的约束条件。
16.在一些实施例中，所述乘客出行需求矩阵包含的元素的表达式如下：
[0017][0018][0019]
其中，ra(i,k)代表在公交路线的第i座车站，第k时间段内到达车站准备乘车的乘客的人数-时间比率，即单位时间上车人数；rd(i,k)代表在第k时间段内乘坐车辆到达公交线路的第i座车站下车的乘客的人数-时间比率，即单位时间下车人数；na与nd分别表示准备乘车乘客的计数与到站乘客的计数，t
k,min
与t
k,max
分别表示第k时间段的起始时间与终止时间；t
an
与s
an
分别表示某准备乘车乘客到达车站的时间与到达车站编号；t
dn
与s
dn
分别表示某下车乘客的下车时间和下车车站编号。
[0020]
在一些实施例中，本公开第一方面提供的智慧公交组合调度方法，还包括：采用以下公式对所述单位时间上车人数和所述单位时间下车人数进行修正，得到修正后的单位时间上车人数和单位时间下车人数：
[0021][0022][0023]
其中，ra(i,k)(re)代表修正后的在公交路线的第i座车站，第k时间段内到达车站
准备乘车的乘客的人数-时间比率，即所述修正后的单位时间上车人数，k
max
为最后一个时间段；ra(i,k)(original)代表原始的在公交路线的第i座车站，第k时间段内到达车站准备乘车的乘客的人数-时间比率，对于不需要修正的部分，ra(i,k)(original)＝ra(i,k)；代表平均发车间隔；rd(i,k)(re)代表修正后的在第k时间段内乘坐车辆到达公交线路的第i座车站下车的乘客的人数-时间比率，即所述修正后的单位时间下车人数；rd(i,k)(original)代表原始的在第k时间段内乘坐车辆到达公交线路的第i座车站下车的乘客的人数-时间比率，对于不需要修正的部分，rd(i,k)(original)＝rd(i,k)；n
total
代表所述实际公交线路乘客od数据的总信息条数；n
valid
代表所述实际公交线路乘客od数据中信息完整的信息条数。
[0024]
在一些实施例中，所述车辆行驶运动学模型定义：设定车辆在车站停站的损失时间恒定为ts；在相邻的两车站之间，车辆按照平均速度匀速行驶，所述平均速度按照下式计算得到：
[0025][0026]
其中，di为公交车从第i站行驶到第i 1站的距离。
[0027]
在一些实施例中，所述发车间隔为经过标准化处理的时间间隔。
[0028]
在一些实施例中，按照以下步骤确定大站快车停靠车站：
[0029]
在开行大站快车的时间范围内，如果存在计数时间段编号k，使得第i座车站满足式(1)，则车站客流量显著计数值 1，当车站客流量显著计数值大于临界值时，将该车站确定为大站快车停靠车站，且规定大站快车必定停靠公交线路的起点站与终点站；所述式(1)如下：
[0030][0031]
其中，k
i,k
代表在公交路线的第i座车站，第k个计数时间段的平均客流量；γs代表车站客流量比例系数阈值；im代表公交当前行驶线路上车站的总数；
[0032]
按照以下步骤确定区间车停靠车站：
[0033]
在开行区间车的时间范围内，寻找满足式(2)的i的最大值，以此作为区间车在该站后折返的车站编号，所述式(2)如下：
[0034][0035]
其中，l
i,k
代表第k时间段内第i座车站到第i 1座车站的区间内的平均客流量；γ
p
代表区间客流量比例系数阈值；i
p
代表当公交当前行驶线路上相邻区间的总数。
[0036]
在一些实施例中，所述乘客选择是否上车的判断模型包括根据乘客乘车与本班车和次班车之间的逻辑关系设定乘坐车辆的乘客的比例，分情况描述如下：
[0037]
mode1：当本班车为普通车，次班车为大站快车，上车乘客为目的地是的大站快车不停靠车站的乘客；则设定第一乘坐车辆的乘客的比例r
mode1
(i,k)为：
[0038][0039]
其中，δ
exp
(s)代表大站快车在该方向的第s座车站是否停站的逻辑值，1表示停车，0表示不停车；r
dlocal
(s,k)代表在第k时间段内，车从第s座车站出发行驶到前方下一个停车站的间隔时间中，到达第s下一座要停靠车站的乘客到达人数-时间比率；
[0040]
mode2：当本班车为普通车，次班车非大站快车或者无次班车，上车乘客为所有乘客；则设定第二乘坐车辆的乘客的比例r
mode2
(i,k)＝1；
[0041]
mode3：当本班车为区间车，次班车为大站快车，上车乘客为目的地是区间车停靠且大站快车不停靠车站的乘客；则设定第三乘坐车辆的乘客的比例r
mode3
(i,k)为：
[0042][0043]
其中，δ
part
(s)代表区间车在当前行驶方向的第s座车站是否停站的逻辑值，1表示停车，0表示不停车；
[0044]
mode4：当本班车为区间车，次班车非大站快车或无次班车，上车乘客为目的地是区间车停靠车站的乘客；则设定第四乘坐车辆的乘客的比例r
mode4
(i,k)为：
[0045][0046]
mode5：当本班车为大站快车，上车乘客为目的地是大站快车停靠车站的乘客；则设定第五乘坐车辆的乘客的比例r
mode5
(i,k)为：
[0047][0048]
其中，δ
exp
(s)代表大站快车在当前行驶方向的第s座车站是否停站的逻辑值，1表示停车，0表示不停车。
[0049]
在一些实施例中，所述目标函数为：
[0050]
z＝α1t
wait
α2t
travel
α3(c
o-po) α4pf
γ
α5pf
twmax
α6pf
nmax
[0051]
其中：
[0052]
t
wait
代表所有乘客的总等待时间，其含义为所有车次的所有乘客的期望等待时间的累计，表达式如下：
[0053][0054]
其中，k
max
代表该方向上的车次的总数；n
boarding
(k,s)代表在第s座车站登上第k次公交的乘客人数；n
left
(k,s)代表在第s座车站，第k次公交在时间顺序上的前一次公交驶离车站时车站上剩余的没有上车的乘客数；e(tw)代表在上一车次公交离站之后到达车站乘
坐本车次公交的乘客，其到达车站的时刻与登上公交车的时刻之间等待时长的期望值；e(tw')代表对于选择不乘坐上一车次公交，乘坐本车次公交的乘客，其到达车站的时刻与登上公交车的时刻之间等待时长的期望值；对于n
boarding
，需要满足：
[0055][0056]
其中，r
mode(k,s)
(i,k)代表上车乘客占所有乘客的比例，通过乘客选择是否上车的判断模型确定；ra(i,k)，rd(i,k)分别代表单位时间上车、下车人数；δt代表该班次公交与时间顺序上的前一次公交到达第s座车站的时间间隔，如果该班次公交是时间上最早到达第s座车站者，则将δt取作第一个细分时间段内的发车间隔值；
[0057]
t
travel
代表所有乘客的总乘坐时间，表达式如下：
[0058][0059]
其中，td(s,k)代表车次编号为k的公交到达第s座车站的时间；n
departing
(k,s)代表在第s座车站，第k次公交车下车乘客的人数，n
departing
(k,s)由以下表达式计算得出：
[0060][0061]
其中，n
passenger
(k,s)代表车次编号为k的公交到达第s座车站时车内的人数，n
passenger
(k,s)由以下表达式计算得出：
[0062][0063]co
代表一段时间段内，总计的运营成本，表达式如下：
[0064][0065]
其中，代表公交车辆行驶单位距离所产生的运营成本；l
route
代表公交车辆在该车次行驶方向的总行驶距离；
[0066]
po代表所有车次上车乘客支付票价的总和，表达式如下：
[0067][0068]
其中，c
ticket
代表乘客乘车的票价；
[0069]co-po代表净收入；
[0070]
pf
γ
代表以满载率为约束条件的惩罚函数，表达式如下：
[0071][0072]
其中，γ代表公交运行途中的拥挤程度用公交车满载率；γ
lim
代表公交车满载率限值；
[0073]
pf
twmax
代表以最大候车时间为约束条件的惩罚函数，表达式如下：
[0074]
pf
twmax
＝δt
max-δt
lim
[0075]
其中，δt
max
代表最大发车时间间隔；δt
lim
代表公交停站时间间隔限值；
[0076]
pf
nmax
代表以最大在线车辆数目为约束条件的惩罚函数，表达式如下：
[0077]
pf
nmax
＝c
add
(n
max-n
lim
)
[0078]
其中，c
add
指在线路中新增加一辆运行车辆所耗费的成本；n
max
代表同时在道路上行驶的车辆总数的最大值；n
limnlim
代表同时在道路上行驶的车辆总数的限值；
[0079]
α1，α2……
α6分别代表相应的系数。
[0080]
本公开第二方面实施例提供的智慧公交组合调度装置，包括：
[0081]
乘客出行需求矩阵建立模块，用于通过对实际公交线路乘客od数据的导入和筛选，建立乘客出行需求随时间、空间变化的矩阵模型，将所述矩阵模型定义为乘客出行需求矩阵，所述乘客出行需求矩阵包含的元素为某一车站在设定时段内，单位时间内到达该某一车站候车的乘客人数与单位时间内乘坐车辆从该某一车站下车的人数，并对上下行两个方向分开计数；
[0082]
公交系统运行模型建立模块，用于根据所述乘客出行需求矩阵中车辆到达各个车站的时间建立车辆行驶运动学模型，得出车辆运营成本；通过所述乘客出行需求矩阵，判断车站行驶区间的乘客数量，作为判断大站快车停靠车站与区间车折返车站的依据，确定大站快车与区间车的停站范围；根据所述大站快车与区间车的停站范围，制定从双向起点站驶出的公交车次的时刻，车次的性质和发车间隔，得出大站快车和区间车停靠车站的列表；根据所述大站快车和区间车停靠车站的列表建立乘客选择是否上车的乘客乘车判断模型，得出乘客出行成本；
[0083]
优化求解模块，用于通过对所述车辆运营成本和所述乘客成本的分析，设立以某设定时段内的发车间隔为变量的多目标优化的目标函数，并确定所述目标函数中的各个参数，使用遗传算法多各个所述参数进行优化，得到具备最优性质的变量解集，即发车间隔序列，然后通过时间的标准化得到发车时刻表，实现公交的组合调度。
[0084]
本公开第三方面实施例提供的计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述智慧公交组合调度方法。
附图说明
[0085]
图1为本公开第一方面实施例提供的智慧公交组合调度方法的总体流程框图。
[0086]
图2为本公开第一方面实施例构建的公交车行驶运动学模型中速度-时间关系示意图。
[0087]
图3为本公开第一方面实施例采用的厦门公交101路上行路线图。
[0088]
图4为本公开第一方面实施例得到的单位到站人数与时间关系图。
[0089]
图5为本公开第一方面实施例得到的单位到站人数与位置关系图。
[0090]
图6为本公开第一方面实施例中站点客流量图。
[0091]
图7为本公开第一方面实施例中路段客流量图。
[0092]
图8为本公开第一方面实施例中遗传算法适应度散点图与最优解(连续)。
[0093]
图9为本公开第一方面实施例遗传算法适应度散点图与最优解(离散)。
[0094]
图10为本公开第三方面实施例提供的电子设备的结构示意图。
具体实施方式
[0095]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细描述。应当理解，此处所描述的具体实施例仅用于解释本技术，并不用于限定本技术。
[0096]
相反，本技术涵盖任何由权利要求定义的在本技术精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本技术有更好的了解，在下文对本技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本技术。
[0097]
本公开第一方面实施例提供的智慧公交组合调度方法，总体流程如图1所示，包括以下步骤：
[0098]
通过对实际公交线路乘客od数据(origin-destination data，包含起点、终点的乘客出行数据)的导入和筛选，建立乘客出行需求随时间、空间变化的矩阵模型，定义为乘客出行需求矩阵(该矩阵表征了乘客出行需求)，乘客出行需求矩阵包含的元素为某一车站在设定时段内，单位时间内到达该车站候车的乘客人数与单位时间内乘坐车辆从该车站下车的人数，并对上下行两个方向分开计数；
[0099]
在运营时段内，根据乘客出行需求矩阵中车辆到达各个车站的时间建立车辆行驶运动学模型，得出车辆运营成本(纳入本公开方法的运营公司成本包括增加车辆总数的成本与车辆运行的成本，车辆运行成本主要包括车辆的运营燃料成本与人工成本。本方法中认为一班公交的运营成本与公交线路的路线长度成正比)；通过所述乘客出行需求矩阵，判断车站行驶区间的乘客数量，作为判断大站快车停靠车站与区间车折返车站的依据，确定大站快车与区间车的停站范围；根据该大站快车与区间车的停站范围，制定从双向起点站驶出的公交车次的时刻、车次的性质(各站停靠车，大站快车，区间车)和发车间隔，得出大站快车和区间车停靠车站的列表；根据该大站快车和区间车停靠车站的列表建立乘客选择是否上车的乘客乘车判断模型，得出乘客出行成本；
[0100]
通过对车辆运营成本和乘客成本的分析，设立以某设定时段内的发车间隔为变量的多目标优化的目标函数，并确定目标函数中的各个参数，使用遗传算法对各个参数进行优化，得到具备最优性质的变量解集，即发车间隔序列，然后通过时间的标准化得到发车时刻表，实现公交的组合调度。
[0101]
进一步地，对现有的发车间隔和用遗传算法得到的具有最优性质的解集，分别计算目标函数数值，并区分出代表各成本的数值，将其进行分别比较，以说明遗传函数优化方法的各个参数的选取，以及选取离散变量是否合理，最终总结出具有最优性质的解集的优化趋势。
[0102]
在一些实施例中，乘客的出行需求指的是乘客在特定时间从一个车站前往另一个车站移动的需求，而采集的实际公交线路乘客od数据代表着乘客的出行需求。在进行数据处理后，出行需求不限制于单个乘客，将所有乘客的出行需求进行合并分析。可选地，本公开对实际公交线路乘客od数据进行处理的具体过程如下：
[0103]
通过对实际公交线路乘客od数据进行处理，得到乘客出行需求矩阵，直接表征乘客的出行需求：对各个时间段在某一车站上车与下车的人数进行累计，随后通过求累计人数与时间段长度的比值，得到该车站平均的单位时间上车人数与下车人数；根据该车站平
均的单位时间上车人数，通过时间转换得到单位时间到达该车站候车的人数；乘客出行需求矩阵包含的元素为某一车站在特定时段内，单位时间内到达某一车站候车的人数与单位时间内乘坐车辆从该车站下车的人数，并对上下行两个方向分开计数，表达式如下：
[0104][0105][0106]
其中，ra(i,k)代表在公交路线的第i座车站，第k时间段内到达车站准备乘车的乘客的人数-时间比率，即每分钟有多少乘客到达车站准备乘车，定义为单位时间上车人数；rd(i,k)代表在第k时间段内乘坐车辆到达公交线路的第i座车站下车的乘客的人数-时间比率，即每分钟有多少乘客在车站准备下车，定义为单位时间下车人数；na与nd分别表示准备乘车乘客的计数与到站乘客的计数，t
k,min
与t
k,max
分别表示第k时间段的起始时间与终止时间；t
an
与s
an
分别表示某准备乘车乘客到达车站的时间与到达车站编号；t
dn
与s
dn
分别表示某下车乘客的下车时间和下车车站编号。
[0107]
使用以上的统计数据表征乘客出行需求矩阵，得到的乘客出行需求矩阵是两个平面矩阵，即用一个时间段编号与车站编号组成的第一矩阵表示乘客的出发需求，用另一个时间段编号与车站编号组成的第二矩阵表示乘客的到达需求。相比使用矩阵表示从某一车站到后续各个车站的细分人数的表示形式，该方式的优势是：在数据的规模方面较小，后续的模型设计与处理更加简捷。
[0108]
在一些实施例中，针对乘客的乘车时间与其到达车站(实际出发时间)间存在偏差的问题，在整个运营时间内的发车间隔相对稳定的情况下，通过将某一车站、某一时间段的乘客出发需求修正为该时段长度减去1/2倍平均发车间隔的原乘客出发需求，与1/2倍平均发车间隔的次时间段乘客出发需求的和，以使乘客的出发需求更接近实际到达车站时的情况，表达式如下：
[0109][0110]
其中，ra(i,k)(re)代表修正后的在公交路线的第i座车站，第k时间段内到达车站准备乘车的乘客的人数-时间比率，定义为修正后的单位时间上车人数，k
max
为最后一个时间段；ra(i,k)(original)代表原始的在公交路线的第i座车站，第k时间段内到达车站准备乘车的乘客的人数-时间比率，对于不需要修正的部分，ra(i,k)(original)＝ra(i,k)；代表平均发车间隔。
[0111]
本公开将乘客出行需求按照等待时间的期望(1/2倍平均发车间隔)向时间提前的方向平行移动。而对最末时间段的统计数据，由于它的后面没有数据，因此不改变它的值。
[0112]
在一些实施例中，针对下车车站信息存在偏差的问题，在针对时段统计乘客到达需求后，对到达需求进行补偿，补偿系数为获取的实际公交线路乘客od数据的总条数与信息完整的信息条数的比值，计算公式如下：
[0113][0114]
其中，rd(i,k)(re)代表修正后的在第k时间段内乘坐车辆到达公交线路的第i座车站下车的乘客的人数-时间比率，定义为修正后的单位时间下车人数；rd(i,k)(original)代表原始的在第k时间段内乘坐车辆到达公交线路的第i座车站下车的乘客的人数-时间比率，对于不需要修正的部分，rd(i,k)(original)＝rd(i,k)；n
total
代表实际公交线路乘客od数据的总信息条数；n
valid
代表实际公交线路乘客od数据中信息完整的信息条数。
[0115]
乘客出行需求模型建立后，需要建立公交系统的运行模型。公交系统的运行模型是后续建立目标函数进行优化的基础。只有建立符合实际运行过程的运行模型，才能使目标函数优化的结果符合实际的改进要求。本公开方法中，公交系统的运行模型包含四个部分。第一部分是一辆公共汽车在从起点站出发驶向终点站的过程中，行驶速度随时间的关系，即车辆行驶运动学模型；第二部分是在运营时段内，从双向起点站驶出的公交车次的时刻和车次的性质(各站停靠车，大站快车，区间车)，即公交线路的运行模式；第三部分是大站快车、区间车停靠车站的列表；第四部分是乘客选择是否上车的判断模型，分别描述如下：
[0116]
在一些实施例中，针对车辆行驶运动学模型，本公开方法采用结合匀速运动与车站损失时间的模型。在该模型中，车辆运动速度随时间的变化关系如图2所示，由于公交车辆在社会道路上与其余机动车、非机动车共同行驶，其行驶状况受道路状况的直接影响。因此特定公交车辆的行驶速度具备比较明显的不确定性，所以采用统计的结果，即车辆在道路上运行的平均速度，在建模中可以有效地替代特定车辆的运动状态。
[0117]
图2中，ti为车辆到达编号为i的车站，车辆减速至停止的时刻，即车辆到达编号为i的车站的时刻；t'i为车辆从编号为i的车站启动驶离的时刻；t
i 1
与t'
i 1
分别为车辆到达与驶离编号为i 1的车站的时刻；表示车辆处在非进出站行驶状态下的平均速度。在该示意图中车辆在停站前后的运动为匀变速运动，而由于以下的假设，车辆在停站前后的速度-时间关系并不受到限制。
[0118]
本公开方法做出了以下的假设：
[0119]
(1)在相邻的两车站之间，车辆按照平均速度匀速行驶；
[0120]
(2)车辆在车站停站损失的时间恒定为ts，与道路状况、车辆的平均速度和在车站的上下客人数均无关。该时间指的是车辆从减速到停止，停站上下客，从静止加速到与车辆以驶过相同距离相比所多耗费的时间。根据对实际公共汽车行驶过程的观察与归纳，将ts取一个恒定值(如20s，30s，等等)。
[0121]
对从第i站上车，乘坐至第i δi站下车的乘客，在途中耗费了δi-1个停站损失时间，δi为正整数；而在第i站与第i δi站间的停站损失时间包括一个减速过程的损失时间、一个加速过程的损失时间、上车后至车辆启动的等待时间以及车辆停止至下车的等待时四项之和，可以将该时间和取ts。因此，可以认为途中耗费的总停站损失时间为δi
×
ts。
[0122]
在做出以上假设后，可以通过乘客的上下车时间、上下车车站编号与车站之间的道路行驶距离求出公共汽车运行的平均速度平均速度等于总和行驶距离与总和乘坐时间减去总和停站损失时间之差的比值，求解的表达式如下：
[0123][0124]
其中，di为公交车从第i站行驶到第i 1站的距离(m)。
[0125]
经过以上的计算过程，便可以根据乘客的od信息列表，建立起一个较为贴近实际状况的公交车辆行驶运动学模型。进一步地，如果能够通过车辆内部的行驶记录仪等电子设备，实时地收集车辆的地理位置与行驶速度，并通过通信网络传递到运营公司，则可以通过以上信息建立更加准确的车辆行驶运动学模型。
[0126]
在一些实施例中，针对公交线路的运行模式，本公开方法采用固定规律交替发车的运行模式。具体发车模式为：如果车辆的上行起点站为公交场站，即区间车从上行起点站发车，则上行首班车为普通车，从首班车起，执行(普通车、快车、普通车、区间车)的循环发车模式，直至发车时间超出早高峰期；在平峰期，每一班车均执行普通车模式。在下行起点站，由于区间车不从始发站出发，从下行首班车起，执行(普通车、快车、普通车)的循环发车模式，直至早高峰期结束；在平峰期，每一班车均执行普通车模式。如果车辆的下行起点站为公交场站，则在上行起点站执行上一种情况下行起点站的发车模式，在下行起点站执行上一种情况上行起点站的发车模式。例如高峰期为首班车至8时整(含)，公交场站为上行起点站。在8时后，上下行起点站以同样的、较长的时间间隔发出普通车，为一般运行模式，如下表1所示：
[0127]
表1：公交综合调度发车时刻表(示例)
[0128][0129]
进一步地，本公开方法采用将时间段(比如早高峰时间段)分为有限细分时间段，在每个细分时间段内采用均匀的发车时间间隔。对随后的目标函数模型，变量是每个细分时间段内发车间隔的大小，并对求解结果标准化，即公交车发车间隔标准化。将公交发车间隔的标准化，是指将遗传算法求解出的浮点数时间间隔值按照1/2或1/4或1/6分钟的整倍数进行约化。只有进行标准化之后，才能够在实际运行的过程中，严格按照时刻表进行发车。在一个实施例中，本公开方法采用1/4分钟的整倍数作为发车间隔的标准化基准，即车辆必须在某一分钟的整分、15秒、30秒或45秒发车，发车间隔只能是整数分或整数分与15、
30、45秒。相比并未将发车时刻进行标准化的其他方案，本公开方法产生的结果将更具有实际可行性。
[0130]
在一些实施例中，考虑到减少大部分乘客的等待时间及部分乘客的乘车移动时间，快速地运输客流量大的站点与运行区间，本方法设置了大站快车与区间车。在乘客出行需求矩阵的基础上，判断大站快车与区间车的停靠车站范围。通过对od信息列表的分析，可以求出公交线路上各相邻区间、各车站的客流量。随后，以客流量的相对大小关系为依据制定大站快车与区间车的停靠车站范围。具体包括以下步骤：
[0131]
通过乘客的od信息列表统计出一座车站的客流量。将车站的客流量定义为单位时间内在车站上车或下车的人数，求客流量的方法为将某一计数时间段的上车、下车乘客的人数累计后除以时间段的长度，表达式如下：
[0132][0133]
其中，k
i,k
代表在公交路线的第i座车站，第k个计数时间段的平均客流量，对大站快车的停站范围，使用显著计数值限制的方法进行选取。
[0134]
在进行统计的时间范围，即开行大站快车的时间范围内，如果存在计数时间段编号k，此时第i座车站满足下式：
[0135][0136]
其中，γs代表车站客流量比例系数阈值，即一座车站客流量与全部站点客流平均值的比值超出该阈值时，车站客流量显著计数值 1；im代表公交当前行驶线路方向上车站的总数。
[0137]
在整个统计时间范围内，车站客流量显著计数值大于临界值，则将这一座车站定义为大站快车停靠的车站。为了使大站快车能够从两端的起点站按时刻表发出，规定大站快车必定停靠公交线路任一方向的起点站与终点站。
[0138]
利用相似的方法，通过od信息列表还可以统计出相邻车站间的行驶区间的客流量。将区间的客流量定义为单位时间内乘车通过该区间的人数，求客流量的方法为将某一计数时间段内通过的人数累计后除以时间段的长度，方法的表达式如下：
[0139][0140]
其中，l
i,k
表示第k时间段内第i座车站到第i 1座车站的区间内的平均客流量。
[0141]
在进行统计的时间范围，即开行区间车的时间范围内，寻找满足式下式的i的最大值，以此作为区间车在该站后折返的车站编号，从而得到大站快车、区间车停靠车站的列表，公式如下：
[0142][0143]
其中，γ
p
代表区间客流量比例系数阈值，即区间客流量与全部区间客流平均值的比值超出该阈值时，认为区间车需要在该区间之后折返；i
p
代表公交线路在该方向相邻区间的总数(等于i
m-1)。
[0144]
为了计算乘客在乘车过程中的总等待时间与乘客的总乘车时间，需要解决乘客在车站是否选择乘车与所在车站，到站的公交车的运行模式，与下一班将到站的公交车的运行模式的关系，即乘客选择是否上车的判断模型。
[0145]
在一些实施例中，针对乘客选择是否上车的判断模型，本公开方法建立了乘客乘车的逻辑模型，本班到站的公交(即本班车)与下一班到站公交(即次班车)的逻辑关系分为五种情况，简要信息如表2所示。在考虑区间车返回到公交场站的方向时，由于车辆在折返站之后站站停车，事实上与普通的各站停车车辆没有区别，可以合并进行计算。
[0146]
表2：乘客乘车与本班车，次班车之间的逻辑关系
[0147][0148]
通过乘客出行需求矩阵中的第一矩阵和第二矩阵，经过计算得到乘坐车辆的乘客的比例，一部分乘客将登上公共汽车，另一部分乘客则会由于车辆不在目的地停站或车辆平均速度较慢，而选择留在车站继续等待，分情况描述如下：
[0149]
当本班车为普通车，次班车为大站快车时(即表2中序号1所示)，乘坐车辆的乘客比例为：
[0150][0151]
其中，r
mode1
代表针对当前情况为表2中序号1(即角标mode1)时的上车乘客占所有乘客的比例；δ
exp
(s)表征大站快车在该方向的第s座车站是否停站的逻辑值，1表示停车，0表示不停车；r
dlocal
(s,k)代表在第k时间段内，车从第s座车站出发行驶到前方下一个停车站的间隔时间中，到达到s下一座要停靠车站的乘客到达人数-时间比率，不是车辆停靠第s座车站现在时刻的乘客到达的人数-时间比率，而不是车辆停站现在时刻的乘客到达人数-时间比率；
[0152]
当本班车为普通车，次班车非大站快车时(即表2中序号2)，乘坐车辆的乘客比例为：
[0153]rmode2
(i,k)＝1
[0154]
其中，r
mode2
(i,k)代表针对当前情况为表2中序号2(即角标mode2)时的上车乘客占所有乘客的比例，此时所有乘客都登上这辆公交；
[0155]
当本班车为区间车，次班车为大站快车时(即表2中序号3)，乘坐车辆的乘客比例为：
[0156]
[0157]
其中，r
mode3
(i,k)代表针对当前情况为表2中序号3(即角标mode3)时的上车乘客占所有乘客的比例；δ
part
(s)代表区间车在当前行驶方向的第s座车站是否停站的逻辑值，1表示停车，0表示不停车；
[0158]
当本班车为区间车，次班车非大站快车时(即表2中序号4)，乘坐车辆的乘客比例为：
[0159][0160]
其中，r
mode4
(i,k)代表针对当前情况为表2中序号4(即角标mode4)时的上车乘客占所有乘客的比例；
[0161]
当本班车为大站快车时(即表2中序号5)，乘坐车辆的乘客比例为：
[0162][0163]
其中，r
mode5
(i,k)代表针对当前情况为表2中序号5(即角标mode5)时的上车乘客占所有乘客的比例，即所有目的地是大站快车的乘客都会登上这辆公交车；δ
exp
(s)代表大站快车在当前行驶方向的第s座车站是否停站的逻辑值，1表示停车，0表示不停车。
[0164]
通过上分析，设立以某特定时段内的发车间隔为变量的多目标优化目标函数。在本公开方法中，目标函数全面地反映乘客作为公交服务的利用者的利益，以及运营公司作为公交服务的提供者的利益，公式如下所示：
[0165]
z＝α1t
wait
α2t
travel
α3(c
o-po) α4pf
γ
α5pf
twmax
α6pf
nmax
[0166]
其中：
[0167]
t
wait
代表所有乘客的总等待时间，其含义为所有车次的所有乘客的期望等待时间的累计，单位为min；
[0168]
t
travel
代表所有乘客的总乘坐时间，单位为min；
[0169]co
代表一段时间段内，总计的运营成本；
[0170]
po代表所有车次上车乘客支付票价的总和；
[0171]co-po代表净收入；
[0172]
pf
γ
，pf
twmax
，pf
nmax
分别代表以满载率、最大候车时间和最大在线车辆数目为约束条件的惩罚函数；
[0173]
α1，α2……
α6均是可以定义的系数，α1，α2，α5具有量纲min-1
，α3，α6具有量纲cny-1
；通过以上系数，使得目标函数综合反映了公交系统对各方的利害关系，进行多目标优化，使得对目标函数的最优解求解代表了对公交系统调度优化问题最优解决方案的寻找，适当地选择α1，α2至α6的值，使得解的演化方向能够与所期望的方向相一致。
[0174]
在一些实施例中，目标函数分为主要优化项与次要优化项两部分，主要优化项包括：
[0175]
(1)所有乘客的总等待时间t
wait
，即所有乘客的等待时间的总和；
[0176]
(2)乘客的总乘车时间t
travel
，即所用乘客从上车到下车的时间的总和；
[0177]
(3)运营公司的运营成本co，即公交车上线运营的燃料成本、人力成本；
[0178]
(4)运营公司的运营收入po，即票价收入。
[0179]
这些数据直接反映了乘客与运营者之间的主要矛盾，因此是本方法优化问题的重点；
[0180]
次要优化项包括车辆运行过程中的最大拥挤度，乘客等待公交车的最大时间，以及由于车辆总数增加需要新增车辆的成本(对应奖惩函数pf
γ
，pf
twmax
，pf
nmax
)等。这些数据主要起到对目标函数求解范围的约束条件的作用。
[0181]
通过确定各项的权重系数，使用遗传算法，优化发车间隔，按照目标函数的综合优化目标，实现相对原发车间隔的目标函数有效降低(》10％)的结果。
[0182]
进一步地，所有乘客的总等待时间t
wait
，其含义为所有车次的所有乘客的期望等待时间的累计，即上车乘客平均等待时间与车站遗留乘客平均等待时间之和，单位为miγ，表达式为：
[0183][0184]
其中，k
max
代表该方向上的车次的总数；n
boarding
(k,s)代表在第s座车站登上第k次公交的乘客人数(k为公交车车次的编号，并不与车次到达某一座车站的先后顺序一致)；n
left
(k,s)代表在第s座车站，第k次公交在时间顺序上的前一次公交驶离车站时车站上剩余的没有上车的乘客数；e(tw)代表在上一车次公交离站之后到达车站乘坐本车次公交的乘客，其到达车站的时刻与登上公交车的时刻之间等待时长的期望值；e(tw')代表对于选择不乘坐上一车次公交，乘坐本车次公交的乘客，其到达车站的时刻与登上公交车的时刻之间等待时长的期望值；其中对于n
boarding
，需要满足：
[0185][0186]
其中，r
mode(k,s)
(i,k)代表上车乘客占所有乘客的比例，通过乘客选择是否上车的判断模型确定；ra(i,k)，rd(i,k)分别代表单位时间上车、下车人数；δt代表该班次公交与时间顺序上的前一次公交到达第s座车站的时间间隔，如果该班次公交是时间上最早到达第s座车站者，则将δt取作第一个细分时间段内的发车间隔值。
[0187]
进一步地，所有乘客的总乘坐时间t
travel
，单位为min，表达式为：
[0188][0189]
其中，td(s,k)代表车次编号为k的公交到达第s座车站的时间，单位为min；n
departing
(k,s)代表在第s座车站，第k次公交车下车乘客的人数，n
departing
(k,s)由以下表达式计算得出：
[0190][0191]
其中，n
passenger
(k,s)代表车次编号为k的公交到达第s座车站时车内的人数，n
passenger
(k,s)由以下表达式计算得出：
[0192][0193]
进一步地，运营公司的运营车辆的运营成本co主要包括车辆的运营燃料成本与人工成本。在本公开方法中，认为一班公交的运营成本与公交线路的路线长度成正比，总计的运营成本如下式：
[0194][0195]
其中，代表公交车辆行驶单位距离所产生的运营成本，其单位为cny/km；l
route
代表公交车辆在该车次行驶方向的总行驶距离，通过实测线路线路可得，其单位为km。
[0196]
进一步地，运营公司的运营收入po包括公交车运行途中的票价收入，车辆广告收入等，本公开方法仅考虑运行过程中的票价收入，即为所有车次上车乘客支付票价的总和，公式如下：
[0197][0198]
其中，c
ticket
代表乘客乘车的票价，单位为cny。
[0199]
进一步地，运营净收入为：
[0200][0201]
在一些实施例中，设置目标函数的约束条件包括：公交运行途中的拥挤度(公交车满载率γ)，乘客理论上需要等待的最大时间t
wmax
和车辆总数n
max
，分别描述如下：
[0202]
pf
γ
代表以满载率为约束条件的惩罚函数，表达式如下：
[0203][0204]
其中，γ代表公交运行途中的拥挤程度用公交车满载率；γ
lim
代表公交车满载率限值；公交满载率指公交车内人数与公交车核载乘客人数的比值，由下式给出：
[0205][0206]
其中，n
max
指公交线路运用车辆的核载乘客数，一旦在运行中的某一个区间γ》γ
lim
(公交车满载率限值γ
lim
，取1.0或其他阈值)，则可以认为车辆过于拥挤，影响到了乘客乘坐的舒适度水平；
[0207]
pf
twmax
代表以最大候车时间为约束条件的惩罚函数，表达式如下：
[0208]
pf
twmax
＝δt
max-δt
lim
[0209]
其中，δt
max
代表最大发车时间间隔，对于不引入大站快车与区间车的公交时刻表的情况而言，δt
max
即所有发车时间间隔中的最大值，对于引入了快车与区间车的公交时刻表的情况而言，δt
max
在部分车站有可能大于公交车的发车时间间隔，比如，在本公开实施例方法中使用的普通车-大站快车-普通车-区间车的循环发车模式中，对于大站快车与区间车均不停站的车站，如果发车间隔都一样，可以认为公交的停站时间间隔为2倍的最大发
车间隔2δt，则理想的最大等待时间同样是2δt；δt
lim
代表公交停站时间间隔限值，理论上理想的间隔限值与发车间隔一致；
[0210]
pf
nmax
代表以最大在线车辆数目为约束条件的惩罚函数，表达式如下：
[0211]
pf
nmax
＝c
add
(n
max-n
lim
)
[0212]
其中，c
add
指在线路中新增加一辆运行车辆所耗费的成本，不包含新增车辆在运营过程中产生的运行成本，单位为cny；n
max
代表同时在道路上行驶的车辆总数的最大值，可以对每一车次利用运动学模型计算出发车时间与对应的到达终点时间，随后以每一分钟为统计时刻，统计出每一时刻同时行驶的车辆数量n，对所有时刻的n取最大值，即为n
max
；n
lim
代表同时在道路上行驶的车辆总数的限值；
[0213]
α1，α2……
α6分别代表相应的系数。
[0214]
本公开方法不涉及对遗传算法过程的改进，也不涉及在某种软硬件环境下，以某种编程语言对遗传算法的实现。由于本公开的重点为公交线路综合调度的模型改进与目标函数设计，因此在整个设计过程中，均直接使用了matlab的optimization工具箱。
[0215]
在完成了目标函数在matlab中的构造后，使用matlab工具箱，合理地设置遗传算法的参数，之后便可以进行最优值求解。需要设置的参数(或选择的选项)如表3所示。
[0216]
在设置完成参数后，等待matlab进行演算，得到最优解个体各个变量的值，随后就可以通过对比最优解与优化前原始发车间隔的目标函数的降低率验证优化效果。同时也可以通过比较目标函数各项的区别，分析最优解相对于原始发车间隔，对乘客与运营公司的各种利害关系的变化。
[0217]
表3：matlab optimization工具箱的遗传算法参数设置表
[0218][0219]
以下为本公开第一方面提供的智慧公交组合调度方法的一个实施例，本实施例针对厦门公交101路，采用本公开提供的智慧公交组合调度方法，包括以下5个步骤：
[0220]
1)对交通流od数据进行处理，得到乘客出行需求矩阵；
[0221]
厦门公交101路线路如图3所示，对od数据进行处理：
[0222]
根据公交线路的长度、车站数量、车站间距，这条线路长度较长，车站间距属于标
准范围，是良好的研究对象。利用百度地图的行车导航功能，测量出各个站点之间的距离，结果见表4。
[0223]
表4：厦门公交101路车站序号、车站名、车站间距表
[0224][0225]
从公交公司接收的od信息列表的每一行代表一次从乘车到下车的移动过程，每一列代表不同信息。每一列od信息的内容、存储格式如表5所示。
[0226]
表5：od数据各列的名称、内容与格式
[0227][0228][0229]
根据原始od数据，首先计算乘客出行需求矩阵。从6时起，以15分钟为统计区间的长度，统计时长为6时至12时之间的6个小时(共24个统计时间段)。同时，由于优化的调度方
案仅限于工作日早高峰执行，因此计入统计的od信息也仅限于工作日的信息。得到乘客的出行需求矩阵如表6，表7所示。
[0230]
表6：乘客出发需求表格(上行，仅部分，单位：min-1)
[0231][0232]
表7：乘客到达需求表格(上行，仅部分，单位：min-1)
[0233][0234]
对有效数据进行筛选，由于od数据中下车车站的来源是通过ic卡用户下次刷卡所在地，否则记为null，因此需要筛选出下车车站缺失的信息；
[0235]
分时段计算单位时间到站候车人数、单位时间下车人数，将总时段分为细分时段(15分钟)，对符合要求的od信息进行计数，求每个细分时段的到站乘客-时间比率；
[0236]
将乘客的上车时间转化为到达车站时间，由于原早高峰发车间隔的平均值约为7分钟，因此采用将所有数据向前移动3.5分钟的方法(理论依据：对乘客到达公交车站在发车时间间隔内的分布，无论采用正态分布还是均匀分布，平均等待时间的期望都是1/2倍发车时间间隔)，将上车时间转化为到达车站的时间；
[0237]
根据od信息得到乘客出行需求矩阵，内容是单位时间到站候车人数，再根据od矩阵内容作出单位时间到站候车人数与时间(如图4所示)、位置关系示意图(如图5所示)。
[0238]
2)建立公交系统运行模型，该运行模型包括车辆行驶运动学模型，公交路线运行模式模型，车站与区间的客流量模型以及乘客选择是否上车的判断模型；
[0239]
将原始od数据代入公交系统运行模型，可以将公交系统运行模型中的部分未确定的参数确定为有效的值。
[0240]
2-1)公交车在站间平均行驶速度，按照理想化模型，代入车辆到达各个车站的时间与车站之间的行驶距离，可以得到该公交线路车辆在车站间匀速行驶段的平均速度。将公交行驶状态分为匀速行驶与停站损失两部分，取停站损失时间为30s，得平均速度
因此直接取
[0241]
2-2)通过计算站点与区间客流量大小关系，确定大站快车、区间车停靠车站范围的方法，对于厦门公交101路这一实际问题，如图6取γs＝1.4(车站客流量比例系数阈值)，如图7取γ
p
＝1.6(区间客流量比例系数阈值)，车站客流量显著计数值的临界值为2(总计数值为16)。在确定了以上的模型参数后，经过计算，得到区间车的折返车站i
turn-back
＝21，即区间车在到达松柏站后进行折返。通过直接估计，对车辆进行折返所需要的行驶距离取值l
turn-back
＝500m。大站快车停靠车站的列表如表8所示。
[0242]
表8：大站快车停靠车站序号表
[0243][0244]
2-3)经过对od信息列表中所有发车时间项的统计，以原先的首班车6时15分至7时，7时至8时为两个统计时间段，分别计算上下行的平均发车间隔，利用的算式为：
[0245][0246]
得到的结果如表9所示：
[0247]
表9：厦门公交101路工作日早高峰时段的平均发车间隔
[0248][0249]
2-4)从原始od数据中通过对车辆不同牌照号码的分析，得到该线路运行车队的原有车辆总数为n
max
＝14；
[0250]
2-5)确定乘客上车的判断标准，不考虑通过乘坐大站快车后换乘普通车以节省时间的情形，乘坐快车到相邻车站后直接前往实际目的地的情形及其他类似的情形。每一位乘客都只从实际的起点单次乘坐到实际的终点，班次之间没有越行关系。
[0251]
2-6)发车顺序按照采用固定规律交替发车的运行模式，降低模型复杂度，减少遗传算法变量数。具体发车模式为：如果车辆的上行起点站为公交场站，即区间车从上行起点站发车，则上行首班车为普通车，从首班车起，执行(普通车、快车、普通车、区间车)的循环发车模式，直至发车时间超出早高峰期。在平峰期，每一班车均执行普通车模式。在下行起点站，由于区间车不从始发站出发，从下行首班车起，执行(普通车、快车、普通车)的循环发车模式，直至早高峰期结束。在平峰期，每一班车均执行普通车模式。如果车辆的下行起点站为公交场站，则在上行起点站执行上一种情况下行起点站的发车模式，在下行起点站执行上一种情况上行起点站的发车模式。
[0252]
3)通过多目标优化的方法，设计目标函数并确定参数。
[0253]
目标函数的表达式为：
[0254]
z＝α1t
wait
α2t
travel
α3(c
o-po) α4pf
γ
α5pf
twmax
α6pf
nmax
[0255]
对于本优化问题，由于主要的优化目的是减小乘客的等待时间，因此应当对α1取较大的值。但是由于等待时间的量纲为min，运营成本、运营收入的量纲为cny，直接比较二者的数量大小，则等待时间明显大于运营成本和运营收入。此外，由于最大等待时间是单个数值，而非其他目标函数项为累计值，因此需要对α5取大于其他系数的值。
[0256]
经过试算与对其他同类型研究系数取值的归纳总结，最终取α3＝α6＝1，α1＝0.25，α2＝0.10。对α4与α5采用了多级数值，以帮助遗传算法更好地收束到最优解。
[0257][0258][0259]
对于目标函数，通过综合现有研究以及合理估计，确定了以下量的值，使目标函数完全确定：
[0260]cadd
＝1000.0cny，c
ticket
＝1.00cny。
[0261]
4)以实际公交线路为基础，应用遗传算法工具，得到最优发车间隔。
[0262]
通过对发车间隔作为变量的规定。对工作日，将首班车时间提前到6时整从起点站发车，从6时至8时，每半个小时划分一个统计时间段，总计4个时间段，因此定义x(1)，x(2)，x(3)，x(4)为上行方向在四个时间段内的发车时间间隔，x(5)，x(6)，x(7)，x(8)为下行方向在四个时间段内的发车时间间隔。由于发车间隔有可能无法在30分钟的时间段长度内排出整数班，在这种情况下，将按照前一时间段内的发车时间间隔发车至下一时间段的第一班车，随后按照后一时间段内的发车时间间隔继续间隔发车。
[0263]
使用遗传算法工具时，默认在连续范围中进行求解，得到的结果是浮点数；也可以通过在integer variable indices中列出需要限制的变量序号，使得被列出的变量的结果只能取整数值。通过适当的变换，也可以使变量的取值为1/n的分数值，即结果是离散的。
[0264]
4-1)遗传算法连续变量下的最优解，使用matlab optimization工具箱进行遗传算法计算，不对变量进行限制，得到的发车时间间隔最优解如表10所示。在计算过程中，种群的最佳适应度与平均适应度随迭代的变化过程如图8所示。
[0265]
表10：遗传算法求出的发车时间间隔最优解(连续)
[0266][0267]
将精确到0.001分钟的发车时间间隔代入目标函数，得到此时理论最优目标函数值z＝14607.4。而将原始发车间隔代入计算，得到z
original
＝16888.0。目标函数值的理论最大减小率为但此时发车间隔并不能构成可以实际使用的发车时刻表。以1/4分钟为单位进行发车间隔的标准化，得到的标准化发车间隔如表11所示。
[0268]
表11：按1/4分钟标准化后的时间间隔
[0269][0270]
此时目标函数值增大到z2＝15878.3，目标函数值相比原始间隔时的减小率为结果与理论值相比存在明显的不足。因此转而寻求使用离散变量求最优解。
[0271]
4-2)遗传算法离散变量下的最优解，为了直接得到能够在标准化后维持最优特性的发车时间间隔，将x(1)至x(8)的四倍限制为整数，并代入遗传算法求解，使结果保持是1/4分钟的倍数。得到的发车时间间隔最优解如表12所示。在计算过程中，种群的最佳适应度与平均适应度随迭代的变化过程如图9所示。
[0272]
表12：遗传算法求出的发车时间间隔最优解(离散)
[0273][0274][0275]
图9上的最优解为x(1)至x(8)的四倍的结果。
[0276]
此时的目标函数值为z＝14794.4，目标函数值相比原始间隔时的减小率为由于该结果明显优于连续变量标准化的结果，因此采用该结果作为发车时间间隔求解的最终结果。
[0277]
5)标准化发车间隔，制定发车时刻表
[0278]
接下来分析原始发车间隔与优化发车间隔在目标函数各项上的区别(各项均取带有权重系数的值)，如表13所示。
[0279]
表13：原发车间隔、优化发车间隔下目标函数各项的变化量与变化率
[0280][0281]
从结果可以看出，优化后的发车时间间隔确实降低了总等待时间，降低率达到10.9％，且总乘坐时间降低了5.37％。考虑到售票收入降低了4.87％，平均单人乘坐时间仍
比原发车间隔的情况低。除此之外，优化后方案较原始方案，满载率偏离合理范围的约束函数降低了37.5％，最大时间间隔的约束函数降低了56.0％。不足是运营成本高于原始方案，且售票收入低，运营方的净支出增加。但总体来说，按照目标函数的综合优化目标，本结果较好地完成优化目标，说明遗传函数优化模型的各个参数的选取，以及选取离散变量均比较合理。
[0282]
按照优化后的发车间隔，按照步骤2-6)提出的发车间隔安排方法，可以为101路公交制定新的时刻表，如表14和表15所示。而在非工作日早高峰的时间段内，可以采用与原时刻表相同，采取10至12分钟的均匀间隔，全部发普通车的调度形式。
[0283]
表14：101路工作日早高峰发车时刻表(上行，改进后)
[0284][0285][0286]
表15：101路工作日早高峰发车时刻表(下行，改进后)
[0287][0288]
本公开第二方面实施例提出的智慧公交组合调度装置，包括：
[0289]
乘客出行需求矩阵建立模块，用于通过对实际公交线路乘客od数据的导入和筛选，建立乘客出行需求随时间、空间变化的矩阵模型，将所述矩阵模型定义为乘客出行需求矩阵，所述乘客出行需求矩阵包含的元素为某一车站在设定时段内，单位时间内到达该某一车站候车的乘客人数与单位时间内乘坐车辆从该某一车站下车的人数，并对上下行两个方向分开计数；
[0290]
公交系统运行模型建立模块，根据所述乘客出行需求矩阵中车辆到达各个车站的时间建立车辆行驶运动学模型，得出车辆运营成本；通过所述乘客出行需求矩阵，判断车站行驶区间的乘客数量，作为判断大站快车停靠车站与区间车折返车站的依据，确定大站快车与区间车的停站范围；根据所述大站快车与区间车的停站范围，制定从双向起点站驶出的公交车次的时刻、车次的性质和发车间隔，得出大站快车和区间车停靠车站的列表；根据所述大站快车和区间车停靠车站的列表建立乘客选择是否上车的乘客乘车判断模型，得出乘客出行成本；
[0291]
优化求解模块，用于通过对所述车辆运营成本和所述乘客成本的分析，设立以某设定时段内的发车间隔为变量的多目标优化的目标函数，并确定所述目标函数中的各个参数，使用遗传算法多各个所述参数进行优化，得到具备最优性质的变量解集，即发车间隔序列，然后通过时间的标准化得到发车时刻表，实现公交的组合调度。
[0292]
为了实现上述实施例，本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，用于执行上述实施例的智慧公交调度方法。
[0293]
下面参考图10，其示出了适于用来实现本公开实施例的电子设备100的结构示意图。其中，需要说明的是，本公开实施例中的电子设备100可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机、服务器等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和
使用范围带来任何限制。
[0294]
如图10所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(rom)102中的程序或者从存储装置108加载到随机访问存储器(ram)103中的程序而执行各种适当的动作和处理。在ram 103中，还存储有电子设备100操作所需的各种程序和数据。处理装置101、rom 102以及ram103通过总线104彼此相连。输入/输出(i/o)接口105也连接至总线104。
[0295]
通常，以下装置可以连接至i/o接口105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0296]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从rom 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
[0297]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0298]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0299]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过对实际公交线路乘客od数据的导入和筛选，建立乘客出行需求随时间、空间变化的矩阵模型，将所述矩阵模型定义为乘客出行需求矩阵，所述乘客出行需求矩阵包含的元素为某一车站在设定时段内，单位时间内到达该某一车站候车的
乘客人数与单位时间内乘坐车辆从该某一车站下车的人数，并对上下行两个方向分开计数；根据所述乘客出行需求矩阵中车辆到达各个车站的时间建立车辆行驶运动学模型，得出车辆运营成本；通过所述乘客出行需求矩阵，判断车站行驶区间的乘客数量，作为判断大站快车停靠车站与区间车折返车站的依据，确定大站快车与区间车的停站范围；根据所述大站快车与区间车的停站范围，制定从双向起点站驶出的公交车次的时刻、车次的性质和发车间隔，得出大站快车和区间车停靠车站的列表；根据所述大站快车和区间车停靠车站的列表建立乘客选择是否上车的乘客乘车判断模型，得出乘客出行成本；通过对所述车辆运营成本和所述乘客成本的分析，设立以某设定时段内的发车间隔为变量的多目标优化的目标函数，并确定所述目标函数中的各个参数，使用遗传算法对各个所述参数进行优化，得到具备最优性质的变量解集，即发车间隔序列，然后通过时间的标准化得到发车时刻表，实现公交的组合调度。
[0300]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c 、python，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0301]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0302]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0303]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0304]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设
备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0305]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0306]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤，可以通过程序来指令相关的硬件完成，所开发的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0307]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0308]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。