地铁列车时刻表优化方法、装置、设备及存储介质

1.本发明涉及地铁列车技术领域，尤其涉及一种地铁列车时刻表优化方法、装置、设备及存储介质。


背景技术：

2.由于我国地铁与高铁系统运营管理相对独立，使得地铁线路与高铁线路的列车时刻表在时间接续上存在一定的脱节，从而产生了一系列跨制式旅客换乘不便问题的出现，严重降低了跨制式旅客的运输服务。因此，为解决地铁线路跨制式旅客出行便捷问题，需要对地铁列车时刻表进行优化，编制出一种能够满足跨制式旅客运输服务需求的地铁列车运营时刻表。
3.地铁线路在不同运营时期有着不同的运输需求，因此调度员在编制地铁列车运营时刻表时需要重点考虑各个运输时期面临的主要运输需求进行编制。现有研究主要集中在考虑单一运输目标：能源效率或单制式旅客运输服务提升的列车时刻表优化研究，忽略了跨制式旅客的运输服务。因此，如何在考虑地铁列车能耗和跨制式旅客换乘服务的情况下，有效地对地铁列车时刻表进行优化，成为一个亟待解决的问题。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供了一种地铁列车时刻表优化方法、装置、设备及存储介质，旨在解决如何在考虑地铁列车能耗和跨制式旅客换乘服务的情况下，有效地对地铁列车时刻表进行优化的技术问题。
6.为实现上述目的，本发明提供了一种地铁列车时刻表优化方法，所述地铁列车时刻表优化方法包括以下步骤：
7.根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型；
8.获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型；
9.通过预设非支配排序遗传算法对所述调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。
10.可选地，所述列车时刻表编制综合优化模型包括：列车运行总能耗优化模型和跨制式旅客换乘等待时间优化模型；
11.所述根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型的步骤，具体包括：
12.根据地铁列车运行数据确定列车区间牵引阶段能耗拟合方程和列车区间再生制动回收能源拟合方程；
13.根据所述列车区间牵引阶段能耗拟合方程和所述列车区间再生制动回收能源拟
合方程确定列车区间运行能耗模型；
14.根据所述列车区间运行能耗模型确定所述列车运行总能耗优化模型；
15.根据所述地铁列车运行数据和旅客出行信息数据确定所述跨制式旅客换乘等待时间优化模型。
16.可选地，所述根据地铁列车运行数据确定列车区间牵引阶段能耗拟合方程和列车区间再生制动回收制动能源拟合方程的步骤，具体包括：
17.获取地铁列车运行数据中的在不同列车区间运行时间对应的牵引阶段能耗数据；
18.对所述列车区间运行时间和所述牵引阶段能耗数据进行拟合，获得列车区间牵引阶段能耗拟合方程；
19.获取地铁列车运行数据中的在不同列车追踪间隔时间对应的再生制动回收能源数据；
20.对所述列车追踪间隔时间和所述再生制动回收能源数据进行拟合，获得列车区间再生制动回收制动能源拟合方程。
21.可选地，所述根据所述地铁列车运行数据和旅客出行信息数据确定所述跨制式旅客换乘等待时间优化模型的步骤，具体包括：
22.获取所述地铁列车运行数据中的地铁列车编号、所述旅客出行信息数据中的预设时间段内的目标跨制式旅客编号；
23.根据所述地铁列车编号和所述目标跨制式旅客编号确定所述预设时间段内的跨制式旅客人数；
24.根据所述跨制式旅客人数、跨制式换乘地铁列车编号、跨制式换乘高铁列车编号、所述预设时间段内的地铁列车数量、所述预设时间段内的高铁列车数量、高铁列车发车时刻、换乘行走时间以及地铁列车到达跨制式换乘车站的时刻确定所述跨制式旅客换乘等待时间优化模型。
25.可选地，所述获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型的步骤，具体包括：
26.获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息确定第一权重系数和第二权重系数；
27.根据所述第一权重系数和所述第二权重系数对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型。
28.可选地，所述获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息确定第一权重系数和第二权重系数的步骤，具体包括：
29.获取地铁列车运营需求信息中的第一输入变量，并确定所述第一输入变量为第一预设值时对应的第一列车运行总能耗优化模型和第二列车运行总能耗优化模型；
30.获取地铁列车运营需求信息中的第二输入变量，并确定所述第二输入变量为第二预设值时对应的第一跨制式旅客换乘等待时间优化模型和第二跨制式旅客换乘等待时间优化模型；
31.根据所述第一列车运行总能耗优化模型和所述第二列车运行总能耗优化模型确定决策者对节能效率偏好下的第一权重系数和第二权重系数；
32.根据所述第一跨制式旅客换乘等待时间优化模型和所述第二跨制式旅客换乘等待时间优化模型确定决策者对跨制式旅客运输服务偏好下的第一权重系数和第二权重系数。
33.可选地，所述通过预设非支配排序遗传算法对所述调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表的步骤之前，还包括：
34.在进行非支配排序遗传算法的交叉操作时，引入正态分布算子替代所述非支配排序遗传算法中的模拟二进制交叉算子，获得预设非支配排序遗传算法。
35.此外，为实现上述目的，本发明还提供一种地铁列车时刻表优化装置，所述地铁列车时刻表优化装置包括：
36.模型构建模块，用于根据地铁列车运行数据构建列车时刻表编制综合优化模型；
37.模型调整模块，用于获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型；
38.时刻表优化模块，用于通过预设非支配排序遗传算法对所述调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。
39.此外，为实现上述目的，本发明还提出一种地铁列车时刻表优化设备，所述地铁列车时刻表优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地铁列车时刻表优化程序，所述地铁列车时刻表优化程序配置为实现如上文所述的地铁列车时刻表优化方法的步骤。
40.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有地铁列车时刻表优化程序，所述地铁列车时刻表优化程序被处理器执行时实现如上文所述的地铁列车时刻表优化方法的步骤。
41.本发明通过根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型，然后获取地铁列车运营需求信息，并根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型，再通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。本发明根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，能够根据地铁列车运营的不同需求和偏好有效地对列车时刻表编制综合优化模型进行调整，再通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表，能够提高对列车时刻表编制综合优化模型的处理速度，从而能够在考虑地铁列车能耗和跨制式旅客换乘服务的情况下，有效地对地铁列车时刻表进行优化。
附图说明
42.图1是本发明实施例方案涉及的硬件运行环境的地铁列车时刻表优化设备的结构示意图；
43.图2为本发明地铁列车时刻表优化方法第一实施例的流程示意图；
44.图3为本发明地铁列车时刻表优化方法第二实施例的流程示意图；
45.图4为本发明地铁列车时刻表优化方法第三实施例的流程示意图；
46.图5为本发明得到的列车节能效率最高的地铁列车优化时刻表；
47.图6为本发明得到的跨制式旅客运输服务最佳的地铁列车优化时刻表；
48.图7为本发明地铁列车时刻表优化装置第一实施例的结构框图。
49.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
50.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
51.参照图1，图1为本发明实施例方案涉及的硬件运行环境的地铁列车时刻表优化设备结构示意图。
52.如图1所示，该地铁列车时刻表优化设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
53.本领域技术人员可以理解，图1中示出的结构并不构成对地铁列车时刻表优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
54.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及地铁列车时刻表优化程序。
55.在图1所示的地铁列车时刻表优化设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明地铁列车时刻表优化设备中的处理器1001、存储器1005可以设置在地铁列车时刻表优化设备中，所述地铁列车时刻表优化设备通过处理器1001调用存储器1005中存储的地铁列车时刻表优化程序，并执行本发明实施例提供的地铁列车时刻表优化方法。
56.基于上述地铁列车时刻表优化设备，本发明实施例提供了一种地铁列车时刻表优化方法，参照图2，图2为本发明地铁列车时刻表优化方法第一实施例的流程示意图。
57.本实施例中，所述地铁列车时刻表优化方法包括以下步骤：
58.步骤s10：根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型；
59.需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或地铁列车时刻表优化设备。以下以所述地铁列车时刻表优化设备为例，对本实施例及下述各实施例进行说明。
60.可理解的是，地铁列车运行数据可包括以下两个信息模块：1、地铁列车运行状态信息模块，提供所有地铁列车运行到线路任何位置的时刻，包括地铁列车始发站的发车时刻、地铁列车在后续途径车站的到发时刻、地铁列车在终到站的到达时刻；2、地铁列车运营信息模块，提供限制地铁列车在线路安全运行的关键约束，包括区间运行时间约束、车站停
站等待时间约束、区间最大运行速度约束、车站最短发车间隔时间约束、区间最短追踪间隔时间约束、列车最大载客量约束、跨制式旅客运输需求约束、列车始发终到运行时间约束；旅客出行信息数据包括：旅客出行信息模块，提供所有旅客到达车站的刷卡时刻数据以及所有旅客从车站任意出口离开车站的刷卡时刻数据，包括：跨制式旅客到达跨制式换乘车站时离开地铁车站的刷卡时刻和进入高铁车站的刷卡时刻；还可包括其他数据，本实施例对此不做具体限制。
61.应理解的是，跨制式换乘车站是指地铁列车可以向高铁换乘的车站，也就是站点，跨制式旅客是指需要通过地铁列车向高铁进行换乘的旅客。
62.在具体实现中，本实施例可根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型，列车时刻表编制综合优化模型是指可以对地铁列车时刻表进行优化的模型，具体可包括列车运行总能耗优化模型和跨制式旅客换乘等待时间优化模型，列车运行总能耗优化模型是指根据地铁列车在运行过程中的总能耗对地铁列车时刻表进行优化的模型，跨制式旅客换乘等待时间优化模型是指根据跨制式旅客的换乘等待时间对地铁列车时刻表进行优化的模型。
63.步骤s20：获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型；
64.可理解的是，地铁列车运营需求信息是指地铁列车的决策者在不同运营时期对提升节能效率和跨制式旅客运输服务的需求与偏好对应的信息。
65.在具体实现中，本实施例可根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型。
66.步骤s30：通过预设非支配排序遗传算法对所述调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。
67.应理解的是，预设非支配排序遗传算法是指预先设置的对非支配排序遗传算法进行改进的算法。
68.在具体实现中，本实施例可通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表，该地铁列车优化时刻表可包括地铁列车节能效率最高的地铁列车优化时刻表或跨制式旅客运输服务最佳的地铁列车优化时刻表。
69.本实施例通过根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型，然后获取地铁列车运营需求信息，并根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型，再通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。本实施例根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，能够根据地铁列车运营的不同需求和偏好有效地对列车时刻表编制综合优化模型进行调整，再通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表，能够提高对列车时刻表编制综合优化模型的处理速度，从而能够在考虑地铁列车能耗和跨制式旅客换乘服务的情况下，有效地对地铁列车时刻表进行优化。
70.参考图3，图3为本发明地铁列车时刻表优化方法第二实施例的流程示意图。
71.基于上述第一实施例，在本实施例中，所述步骤s10包括：
72.步骤s101：根据地铁列车运行数据确定列车区间牵引阶段能耗拟合方程和列车区间再生制动回收能源拟合方程；
73.进一步地，为了精确确定列车区间牵引阶段能耗拟合方程和列车区间再生制动回收能源拟合方程，在本实施例中，所述步骤s101包括：获取地铁列车运行数据中的在不同列车区间运行时间对应的牵引阶段能耗数据；对所述列车区间运行时间和所述牵引阶段能耗数据进行拟合，获得列车区间牵引阶段能耗拟合方程；获取地铁列车运行数据中的在不同列车追踪间隔时间对应的再生制动回收能源数据；对所述列车追踪间隔时间和所述再生制动回收能源数据进行拟合，获得列车区间再生制动回收能源拟合方程。
74.可理解的是，列车区间运行时间ti是指地铁列车在任意相邻两个站点的运行时间，i表示地铁列车区间编号，牵引阶段能耗数据是指地铁列车在从某一个站点启动时所需的牵引力对应的能耗，对列车区间运行时间ti和牵引阶段能耗数据进行拟合，即可得到列车区间牵引阶段能耗拟合方程，也就是说，列车区间牵引阶段能耗拟合方程反映列车区间运行时间ti和牵引阶段能耗数据之间的对应关系。
75.应理解的是，列车追踪间隔时间h
k,k 1
是指上一辆地铁列车与下一辆地铁列车之间的间隔时间，k表示地铁列车开行编号，再生制动回收能源数据是指地铁列车在进行制动时所消耗的能量，对列车追踪间隔时间h
k,k 1
和再生制动回收能源数据进行拟合，即可得到列车区间再生制动回收能源拟合方程，也就是说，列车区间再生制动回收能源拟合方程反映列车追踪间隔时间h
k,k 1
和再生制动回收能源数据之间的对应关系。
76.步骤s102：根据所述列车区间牵引阶段能耗拟合方程和所述列车区间再生制动回收能源拟合方程确定列车区间运行能耗模型；
77.在具体实现中，本实施例中的列车区间运行能耗模型为列车区间牵引阶段能耗拟合方程减去列车区间再生制动回收能源拟合方程，即ei表示列车区间运行能耗模型，表示列车区间牵引阶段能耗拟合方程，表示列车区间再生制动回收能源拟合方程。
78.步骤s103：根据所述列车区间运行能耗模型确定所述列车运行总能耗优化模型；
79.可理解的是，本实施例中的列车运行总能耗优化模型其中，i表示地铁列车区间数量，k表示地铁列车总数量。
80.步骤s104：根据所述地铁列车运行数据和旅客出行信息数据确定所述跨制式旅客换乘等待时间优化模型。
81.进一步地，为了精确确定跨制式旅客换乘等待时间优化模型，在本实施例中，所述步骤s104包括：获取所述地铁列车运行数据中的地铁列车编号、所述旅客出行信息数据中的预设时间段内的目标跨制式旅客编号；根据所述地铁列车编号和所述目标跨制式旅客编号确定所述预设时间段内的跨制式旅客人数；根据所述跨制式旅客人数、跨制式换乘地铁列车编号、跨制式换乘高铁列车编号、所述预设时间段内的地铁列车数量、所述预设时间段
内的高铁列车数量、高铁列车发车时刻、换乘行走时间以及地铁列车到达跨制式换乘车站的时刻确定所述跨制式旅客换乘等待时间优化模型。
82.可理解的是，本实施例可通过历史售票大数据系统搜集相同运营时期(工作日、双休日、节假日)同一运营时间段下跨制式旅客到达跨制式换乘车站时离开地铁车站的刷卡时刻和进入高铁车站换乘的刷卡时刻，挖掘出相同运营时期同一运营时间段下跨制式旅客的出行信息，包括跨制式旅客出行总人数和跨制式旅客在不同地铁车站的刷卡进站时刻；对挖掘到的相同运营时期同一运营时间段下跨制式旅客的出行信息进行分析，利用大数据分析方法得到相同运营时期同一运营时间段下跨制式旅客的出行时空分布特征，包括：跨制式旅客刷卡进入各个地铁车站的时间范围及人数。
83.应理解的是，预设时间段为上述同一运营时间段，具体时间段可根据实际情况自行设置，本实施例对此不做具体限制。预设时间段内的跨制式旅客人数为其中，s表示地铁车站的编号，表示在地铁车站s乘坐地铁列车k到达跨制式换乘车站s
transfer
后换乘高铁列车kr的最后一个跨制式旅客编号，表示在地铁车站s乘坐地铁列车k到达跨制式换乘车站s
transfer
后换乘高铁列车kr的第一个跨制式旅客编号。
84.在具体实现中，本实施例中的跨制式旅客换乘等待时间优化模型为k,kr分别表示跨制式换乘地铁列车编号和跨制式换乘高铁列车编号，k,kr分别表示预设时间段内的地铁列车数量、和预设时间段内的高铁列车数量，表示高铁列车发车时刻，t
transfer
表示旅客换乘行走时间，表示地铁列车k到达跨制式换乘车站s
transfer
的时刻。
85.本实施例通过根据地铁列车运行数据确定列车区间牵引阶段能耗拟合方程和列车区间再生制动回收制动能源拟合方程，然后根据列车区间牵引阶段能耗拟合方程和列车区间再生制动回收制动能源拟合方程确定列车区间运行能耗模型，然后根据列车区间运行能耗模型确定列车运行总能耗优化模型，再根据地铁列车运行数据和旅客出行信息数据确定跨制式旅客换乘等待时间优化模型。本实施例能够通过收集大量实际测量数据并对数据进行数据拟合，得到列车区间牵引阶段能耗拟合方程和列车区间再生制动回收能源拟合方程，再根据列车区间牵引阶段能耗拟合方程和列车区间再生制动回收能源拟合方程确定列车运行总能耗优化模型，从而能够精确确定列车运行总能耗优化模型和跨制式旅客换乘等待时间优化模型。
86.参考图4，图4为本发明地铁列车时刻表优化方法第三实施例的流程示意图。
87.基于上述各实施例，在本实施例中，所述步骤s20包括：
88.步骤s201：获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息确定第一权重系数和第二权重系数；
89.需要说明的是，第一权重系数是指列车运行总能耗优化模型对应的权重系数，并且第一权重系数包括决策者对节能效率偏好下和跨制式旅客运输服务偏好下的第一权重系数，第二权重系数是指跨制式旅客换乘等待时间优化模型对应的权重系数，并且第二权重系数也包括决策者对节能效率偏好下和跨制式旅客运输服务偏好下的第二权重系数。具
体的权重系数的值可根据地铁列车运营需求信息进行确定。
90.进一步地，为了精确确定第一权重系数和第二权重系数，在本实施例中，所述步骤s201包括：获取地铁列车运营需求信息中的第一输入变量，并确定所述第一输入变量为第一预设值时对应的第一列车运行总能耗优化模型和第二列车运行总能耗优化模型；获取地铁列车运营需求信息中的第二输入变量，并确定所述第二输入变量为第二预设值时对应的第一跨制式旅客换乘等待时间优化模型和第二跨制式旅客换乘等待时间优化模型；根据所述第一列车运行总能耗优化模型和所述第二列车运行总能耗优化模型确定决策者对节能效率偏好下的第一权重系数和第二权重系数；根据所述第一跨制式旅客换乘等待时间优化模型和所述第二跨制式旅客换乘等待时间优化模型确定决策者对跨制式旅客运输服务偏好下的第一权重系数和第二权重系数。
91.需要说明的是，本实施例中假设第一权重系数为λe，第二权重系数为λw，第一输入变量δ表示λe/λw，第二输入变量φ表示λw/λe。
92.可理解的是，令δ＝1和φ＝1，利用预设非支配排序遗传算法分别计算δ＝1时的的值和δ＝δ 1时的的值以及φ＝1时的的值和φ＝φ 1时的的值，上述第一预设值是指δ＝1和δ＝δ 1，表示第一列车运行总能耗优化模型，表示第二列车运行总能耗优化模型，第二预设值是指φ＝1和φ＝φ 1，表示第一跨制式旅客换乘等待时间优化模型，表示第二跨制式旅客换乘等待时间优化模型。
93.应理解的是，假设本实施例中存在一个趋近于0的正数ε，使得或返回δ或φ此时的取值，定义为δ
end
或φ
end
，循环中止，其中δ
end
或φ
end
分别表示能够体现决策者对节能效率或跨制式旅客运输服务偏好下的最佳权重系数比，否则，令δ＝δ 1或φ＝φ 1，继续重复上述步骤，最终得到的δ
end
表示第一权重系数λe和第二权重系数λw的比值，φ
end
表示第二权重系数λw和第一权重系数λe的比值，即可得到第一权重系数和第二权重系数。
94.在具体实现中，假设正数ε为0.01，则需要依次计算在具体实现中，假设正数ε为0.01，则需要依次计算
……
的值，直至小于等于0.01，此时可以确定δ
end
，也可以确定决策者对节能效率偏好下的第一权重系数和第二权重系数的比值，即可确定决策者对节能效率偏好下的第一权重系数和第二权重系数。同理也可确定决策者对跨制式旅客运输服务偏好下的第一权重系数和第二权重系数。
95.步骤s202：根据所述第一权重系数和所述第二权重系数对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型。
96.在具体实现中，当决策者希望得到提升节能效率的优化时刻表时，列车时刻表编制综合优化模型调整为：δ
end
×etotal
，w
transfer
，即仅需要对列车运行总能耗优化模型进行调整，不需要对跨制式旅客换乘等待时间优化模型进行调整；当决策者希望得到提升跨制式旅客运输服务的优化时刻表时，列车时刻表编制综合优化模型调整为：e
total
，φ
end
×wtransfer
，即仅需要对跨制式旅客换乘等待时间优化模型进行调整，不需要对列车运行总能
耗优化模型进行调整。
97.进一步地，在本实施例中，所述步骤s30之前，还包括：在进行非支配排序遗传算法的交叉操作时，引入正态分布算子替代所述非支配排序遗传算法中的模拟二进制交叉算子，获得预设非支配排序遗传算法。
98.可理解的是，本实施例可在进行非支配排序遗传算法的交叉操作时，引入正态分布算子替代传统的非支配排序遗传算法中的模拟二进制交叉算子，其他操作过程不变，获得预设非支配排序遗传算法，从而能够加快预设非支配排序遗传算法的求解速度和提高解的质量。
99.在具体实现中，上述步骤s30可包括：将已知变量(例如上述列车始发站的发车时刻、列车在后续途径车站的到发时刻、列车在终到站的到达时刻等)和参数的初始数据输入到上述调整后的列车时刻表编制综合优化模型和相关约束中，然后对预设非支配排序遗传算法的主要参数进行设置：种群大小为500，最优个体系数为0.3，迭代代数为200，交叉概率为0.5，变异概率为0.002，允许误差为0.01，该设置方式仅仅只是举例说明，参数值还可以设置为其他数值，本实施例对此不做具体限制。
100.然后，通过实数编码方式随机产生500组初始解，也就是某一个城市内所有跨制式地铁列车和跨制式高铁列车的时刻表，并利用随机产生的初始解对调整后的列车时刻表编制综合优化模型中的决策变量进行赋值，这些赋值后的决策变量被视作父代种群p1＝{c1,...cn,...cn}，cn表示决策变量，n表示种群的大小。
101.然后对父代种群p1进行选择、交叉和变异操作，产生与父种种群大小相同的子代种群o1，将产生的父代种群p1和子代种群o1合并，形成一个全新的种群z1，然后使用快速非支配排序方法对种群z1中的个体进行排序；选择种群z1中排序等级较高的个体组成新的父代种群p2，不足的部分通过计算剩余个体的拥挤度，从中选择拥挤度较高的个体进行补足，使得新产生的父代种群p2的种群大小也为500；重复本段中的步骤，直到迭代代数满足设定的要求200时，输出此时得到的父代种群p
200
，迭代次数可根据实际需求自行设置，本实施例对此不做具体限制。
102.最后，利用p
200
中能够使调整后的列车时刻表编制综合优化模型中e
total
或w
transfer
的值最小的一组解对决策变量进行赋值，然后根据这些决策变量的取值绘制相应的列车时刻表，该时刻表即为地铁列车节能效率最高或跨制式旅客运输服务最佳的列车优化时刻表。具体可参照图5和图6，图5为本发明得到的列车节能效率最高的地铁列车优化时刻表，图6为本发明得到的跨制式旅客运输服务最佳的地铁列车优化时刻表，图5和图6存在11辆地铁列车，3辆高铁列车，横坐标表示时间，纵坐标表示跨制式换乘车站，图5和图6中的数值大小仅为举例说明，对于具体的数值大小需根据各实施例提供的方法步骤进行确定。
103.本实施例通过获取地铁列车运营需求信息，并根据地铁列车运营需求信息确定第一权重系数和第二权重系数，然后根据根据第一权重系数和第二权重系数对列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型。本实施例根据地铁列车运营需求信息确定第一权重系数和第二权重系数，从而能够根据地铁列车运营的不同需求和偏好有效地对列车时刻表编制综合优化模型进行调整，以满足实际地铁运营要求。
104.参照图7，图7为本发明地铁列车时刻表优化装置第一实施例的结构框图。
105.如图7所示，本发明实施例提出的地铁列车时刻表优化装置包括：
106.模型构建模块10，用于根据地铁列车运行数据和旅客出行信息数据构建列车时刻表编制综合优化模型；
107.模型调整模块20，用于获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型；
108.时刻表优化模块30，用于通过预设非支配排序遗传算法对所述调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。
109.本实施例通过根据地铁列车运行数据构建列车时刻表编制综合优化模型，然后获取地铁列车运营需求信息，并根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型，再通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表。本实施例根据地铁列车运营需求信息对列车时刻表编制综合优化模型进行调整，能够根据地铁列车运营的不同需求和偏好有效地对列车时刻表编制综合优化模型进行调整，再通过预设非支配排序遗传算法对调整后的列车时刻表编制综合优化模型进行处理，获得地铁列车优化时刻表，能够提高对列车时刻表编制综合优化模型的处理速度，从而有效地对地铁列车时刻表进行优化。
110.需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
111.另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的地铁列车时刻表优化方法，此处不再赘述。
112.基于本发明上述地铁列车时刻表优化装置第一实施例，提出本发明地铁列车时刻表优化装置的第二实施例。
113.在本实施例中，所述列车时刻表编制综合优化模型包括：列车运行总能耗优化模型和跨制式旅客换乘等待时间优化模型；所述模型构建模块10，还用于根据地铁列车运行数据确定列车区间牵引阶段能耗拟合方程和列车区间再生制动回收制动能源拟合方程；根据所述列车区间牵引阶段能耗拟合方程和所述列车区间再生制动回收能源拟合方程确定列车区间运行能耗模型；根据所述列车区间运行能耗模型确定所述列车运行总能耗优化模型；根据所述地铁列车运行数据和旅客出行信息数据确定所述跨制式旅客换乘等待时间优化模型。
114.进一步地，所述模型构建模块10，还用于获取地铁列车运行数据中的在不同列车区间运行时间对应的牵引阶段能耗数据；对所述列车区间运行时间和所述牵引阶段能耗数据进行拟合，获得列车区间牵引阶段能耗拟合方程；获取地铁列车运行数据中的在不同列车追踪间隔时间对应的再生制动回收能源数据；对所述列车追踪间隔时间和所述再生制动回收能源数据进行拟合，获得列车区间再生制动回收能源拟合方程。
115.进一步地，所述模型构建模块10，还用于获取所述地铁列车运行数据中的地铁列车编号、所述旅客出行信息数据中的预设时间段内的目标跨制式旅客编号；根据所述地铁列车编号和所述目标跨制式旅客编号确定所述预设时间段内的跨制式旅客人数；根据所述
跨制式旅客人数、跨制式换乘地铁列车编号、跨制式换乘高铁列车编号、所述预设时间段内的地铁列车数量、所述预设时间段内的高铁列车数量、高铁列车发车时刻、换乘行走时间以及地铁列车到达跨制式换乘车站的时刻确定所述跨制式旅客换乘等待时间优化模型。
116.进一步地，所述模型调整模块20，还用于获取地铁列车运营需求信息，并根据所述地铁列车运营需求信息确定第一权重系数和第二权重系数；根据所述第一权重系数和所述第二权重系数对所述列车时刻表编制综合优化模型进行调整，获得调整后的列车时刻表编制综合优化模型。
117.进一步地，所述模型调整模块20，还用于获取地铁列车运营需求信息中的第一输入变量，并确定所述第一输入变量为第一预设值时对应的第一列车运行总能耗优化模型和第二列车运行总能耗优化模型；获取地铁列车运营需求信息中的第二输入变量，并确定所述第二输入变量为第二预设值时对应的第一跨制式旅客换乘等待时间优化模型和第二跨制式旅客换乘等待时间优化模型；根据所述第一列车运行总能耗优化模型和所述第二列车运行总能耗优化模型确定决策者对节能效率偏好下的第一权重系数和第二权重系数；根据所述第一跨制式旅客换乘等待时间优化模型和所述第二跨制式旅客换乘等待时间优化模型确定决策者对跨制式旅客运输服务偏好下的第一权重系数和第二权重系数。
118.进一步地，所述时刻表优化模块30，还用于在进行非支配排序遗传算法的交叉操作时，引入正态分布算子替代所述非支配排序遗传算法中的模拟二进制交叉算子，获得预设非支配排序遗传算法。
119.本发明地铁列车时刻表优化装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
120.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有地铁列车时刻表优化程序，所述地铁列车时刻表优化程序被处理器执行时实现如上文所述的地铁列车时刻表优化方法的步骤。
121.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
122.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
123.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
124.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。