智能交通動態(tài)調度優(yōu)化模型與評價方法

文章編號：2096-1472（2022）-02-29-09

DOI：10.19644/j.cnki.issn2096-1472.2022.002.008

摘? 要：為了降低大城市市民出行成本，緩解公交企業(yè)運力壓力，提出一種智能交通出行OD（Origin Destination， 出行地和目的地）的公交調度優(yōu)化算法，以公交出行OD客流預測和計劃排班發(fā)車時間間隔為出發(fā)點，運用公交出行OD客流推導理論，構建智能交通出行OD的公交調度優(yōu)化模型。通過獲取個人OD數(shù)據(jù)，利用單條線路公交OD方法，實現(xiàn)全市公交OD矩陣推算。根據(jù)全市公交出行OD推算結果，求解公交調度模型，解決智能交通調度多目標規(guī)劃和公交線網優(yōu)化問題。通過仿真模擬試驗，分析智能公交排班計劃評價指標，計算車輛營運效率占比：自動排班仿真數(shù)據(jù)為79%，實際運營數(shù)據(jù)為73%;統(tǒng)計車輛高峰時段與全天營運車次占比：自動排班仿真數(shù)據(jù)為36.75%，實際運營數(shù)據(jù)為37.37%，滿足智能公交計劃排班評價指標的要求，實例證明模型和算法具有實用性和可靠性。

關鍵詞：智能交通;出行OD;公交調度;客流預測;調度計劃

中圖分類號：TP181? ? ?文獻標識碼：A

Optimization Model and Evaluation Method of Smart?Transportation Dynamic Scheduling

CHEN Shenjin

（School of Electrical and Computer Engineering， Nanfang College Guangzhou， Guangzhou 510970， China）

chenshenjinlg@126.com

Abstract： In order to reduce the travel cost of citizens in big cities and relieve the pressure on the capacity of public transportation enterprises， this paper proposes a bus scheduling optimization algorithm of smart transportation OD （Origin Destination）. Based on the prediction of bus OD passenger flow and the scheduled departure time interval， the derivation theory of bus OD passenger flow is used to construct the bus scheduling optimization model of smart transportation OD. By obtaining personal OD data， using single line bus OD method， city bus OD matrix is calculated. According to the city's public bus travel OD calculation results， the bus scheduling model is solved， and the problems of multi-objective planning and bus network optimization in smart transportation scheduling are solved. Through the simulation test， the evaluation index of smart bus scheduling plan is analysed and the proportion of vehicle operation efficiency is calculated. The simulation data of automatic bus scheduling is 79% and the actual operation data is 73%. Statistics of the vehicle proportion in peak hours and all day operation times are as follows： the simulation data of automatic bus scheduling is 36.75% and the actual operation data is 37.37%. The proposed model meets the requirements of evaluation index for the smart public transportation plan. The real cases prove that the model and algorithm are practical and reliable.

Keywords： smart transportation; travel OD; bus scheduling; passenger flow forecast; scheduling plan

1? ?引言（Introduction）

為了解決大城市市民出行成本高、公交企業(yè)運力壓力大的問題，本文以公交OD客流預測和公交調度發(fā)車時間間隔為出發(fā)點，構建智能交通出行OD的公交調度優(yōu)化模型。隨著智能交通系統(tǒng)的快速發(fā)展，我國在公交調度方面的研究取得了相關的成果。宋現(xiàn)敏等為解決多運營商在重疊區(qū)間的公交線路調度問題，提出一種雙層規(guī)劃模型，上層模型為公交乘客總出行時間最小，下層模型為各運營商追求自身利潤最大化。滕靖等研究了單線路的純電動公交車輛運營時刻表和車輛調度計劃的整體優(yōu)化方法。王正武等研究了同時接送模式下響應型接駁公交運行路徑與車輛調度的協(xié)調優(yōu)化問題，考慮乘客出行時間窗的個性化，構建了基于乘客而不是基于途經需求點的車輛路徑表示方法。賴元文等為改善城市常規(guī)公交運營效率，提出基于模擬退火-自適應布谷鳥算法的公交調度優(yōu)化模型。靳文舟等基于需求響應公交（DRT）是一種新型的公共交通服務模式，提出了考慮多種車型和多種運營模式的公交靈活調度方式。陳建凱等基于立體車場公交“早出晚進”的特征，對立體車場調度問題與調度模式進行研究，分析立體車場公交車輛的交織條件。為了解決公交實際運營中出現(xiàn)的調度方式單一、車輛配合度較差、串車等問題，馬曉磊等提出一種考慮乘客動態(tài)需求的調度模型。唐春艷等為了解決純電動公交車因充電錯過最佳接續(xù)發(fā)車班次而使公交車數(shù)量增加的問題，以公交車輛運營總成本最小為目標，構建允許存在誤時發(fā)車的純電動公交車輛柔性調度優(yōu)化模型。俞禮軍等針對具有高異質性出行需求的主支線公交樹網絡，在考慮客流需求和運營約束的前提下，以用戶和運營者的成本最小為目標，提高運營調度執(zhí)行效率。別一鳴等為提高公交調度服務可靠性，減少串車現(xiàn)象的發(fā)生，提出一種基于歷史公交GPS數(shù)據(jù)的公交線路時間控制點優(yōu)選方法。

國外在公交調度方面的研究也取得一定成果。ULUSOY等研究了轉移需求彈性的總體成本最小化的公交調度服務模式和頻率。BRRA-ROJAS等提出了面向區(qū)域網絡的雙目標模型，分別為乘客換乘成功率最大和車輛使用成本最低。CEDER在2011 年設計了交互式的啟發(fā)式算法，求解考慮多車型、兼顧載客均衡和發(fā)車間隔均衡目標的時刻表。CEDER等在2014 年提出了先時刻表后車輛調度計劃的優(yōu)化方法，提高了時刻表和車輛調度計劃的協(xié)同性。WMAKRAND等根據(jù)乘客公交出行目的地、出行時間的需求，與公交動態(tài)調度方法相結合進行模型構建，其乘客等車時間為公交發(fā)車時間間隔的一半。SAHARIDIS等為了解決公交調度中計劃時刻表動態(tài)優(yōu)化問題，以乘客候車時間成本為目標函數(shù)，建立了混合整數(shù)線性模型，采用啟發(fā)式算法來求解該模型。

雖然前面的研究運用了公交調度模型、調度計劃，但無法解決實時公交動態(tài)調度的問題。針對這一問題，本文提出了一種多目標非線性組合優(yōu)化調度模型和方法，解決實時公交動態(tài)調度問題，并以公交公司的運營成本與乘客的滿意度為主要指標，通過對公交調度模型算法的優(yōu)化、改進，提高公交調度執(zhí)行效率，為政府部門提供科學決策。

本文創(chuàng)新之處是提出了一種多目標非線性組合優(yōu)化調度模型，在公交站點和路段斷面的不均衡系數(shù)超過最大閾值時，實施可控車輛到站時間控制，實現(xiàn)可變行車調度作業(yè)計劃，解決智能交通調度多目標規(guī)劃和公交線網優(yōu)化問題。

2? ?基于公交IC卡數(shù)據(jù)的OD矩陣推算（OD matrix calculation based on bus IC card data）

本文研究單條線路公交OD矩陣推算和全市公交OD矩陣推算，為政府提供科學決策?？土鱋D推導以IC卡刷卡數(shù)據(jù)為主要數(shù)據(jù)來源，結合線路運營數(shù)據(jù)、車輛GPS進出站數(shù)據(jù)及客流調查數(shù)據(jù)進行融合，建立模型處理AFC系統(tǒng)中的刷卡交易數(shù)據(jù)，推導獲得出行OD矩陣數(shù)據(jù)。

2.1? ?個人OD推導

提取個人O，取刷卡時間和車輛終端號，在站點間隔表中找對應車輛終端號并取站點間隔數(shù)據(jù)。D值為|刷卡時間-到站時間|+|刷卡時間-離站時間|，找最小值對應的站點為上車點O。

找固定乘車規(guī)律的個人OD流程，根據(jù)車輛終端號建立班次表，找對應線路編碼和方向標識。選擇刷卡時間和線路開始時間差最小的線路編碼，此線路為所找的線路。

對每條線路兩個方向上的數(shù)據(jù)進行處理，統(tǒng)計各時段乘車次數(shù)，在站點間隔表中找對應車輛終端號、線路編碼和方向的記錄，取站點間隔數(shù)據(jù)。比較|刷卡時間-到站時間|+|刷卡時間-離站時間|，值最小的對應站點為乘客上車點。根據(jù)乘客出行線路上車點推導下車點原理，如圖1所示。

設此條線路上、下行上車點為O1、O2，上、下行下車點為D1、D2。由兩個上車點在站點表找到對應的所屬站臺編號，根據(jù)站臺編號在站臺表中找此站臺對應的站臺坐標，重復找此線路相反方向上的各站點對應的站臺坐標。在該站臺中找最近的站臺，作為對應的下車點，推導得到個人OD。

2.2? ?單條線路公交OD矩陣推算

在公交出行OD過程中，需獲取全部公交出行個人OD數(shù)據(jù)，分析全部公交出行OD客流，利用推導方法對個人OD進行修正，獲取全部公交出行OD矩陣。

（1）線路公交出行總量設定

從AFC系統(tǒng)獲取線路刷卡金額、線路收入金額，推導公交出行總量，s1為線路刷卡金額，s為線路收入金額，為刷卡優(yōu)惠金額。計算持IC卡乘客占線路公交出行量的比率，其中為公交出行量比率，如式（1）所示。

3? 公交動態(tài)調度優(yōu)化模型（Optimization model of bus dynamic scheduling）

3.1? ?問題分析

公交客流OD矩陣是公交規(guī)劃和運營調度管理的基礎，公交線路OD矩陣是公交客流OD矩陣的基本單元。在傳統(tǒng)公交線路OD矩陣估計的基礎上，分析公交乘客出行行為特性，根據(jù)公交出行OD客流獲取全市公交OD矩陣，對研究市區(qū)公交站點布局合理性、線路可達性、服務調度具有重要的現(xiàn)實意義，為市民提供公交出行服務，為政府提供科學決策。根據(jù)客流特性，規(guī)劃公交調度模型，優(yōu)化公交線網，合理規(guī)劃公交線路、站點。

3.2? ?模型參數(shù)

根據(jù)公交線路特性和實際運營情況，設置調度計劃的參數(shù)指標，如表4所示。

根據(jù)線路客流特性、不同時間段設置滿載率、停站時長指標，通過調度算法得到各時段需發(fā)班車次、配車數(shù)等指標，如圖6所示。每時段最少設置時長15 min，時段不連續(xù)時系統(tǒng)提醒報錯，無法保存參數(shù)。

設置公交調度計劃參數(shù)后，根據(jù)歷史數(shù)據(jù)預測各時段的周轉時間，結合OD客流數(shù)據(jù)，運用公交調度算法自動生成線路調度計劃，如表5所示。

根據(jù)調度計劃生成線路車位圖，圖形化直觀展示各車次行車時間，便于排查計劃設定是否異常，判斷是否符合設定預期，如圖7所示。

建立公交調度仿真系統(tǒng)，如圖8所示。根據(jù)系統(tǒng)生成的調度時刻表模擬線路全天執(zhí)行計劃情況，通過可視化界面直觀校驗調度計劃。

因公交出行OD客流推算過程存在偏差，很難在短期內得到解決，為了使客流預測更精準，需安裝客流檢測儀，輔助修正客流預測。

4.2? ?智能公交運行評價

根據(jù)城市公交出行潮汐性分析，對廣州市2019 年8 月20 日OD同一公交站點早高峰對向上下行上車量的客流進行月度統(tǒng)計，發(fā)現(xiàn)同一站點的上行站點早高峰客流明顯大于下行站點早高峰客流，符合城市公交出行OD客流的規(guī)律，即早上市民上班往市中心方向的客流劇增，如圖9所示。

對廣州市2019 年8 月20 日OD同一公交站點上車量的客流進行月度統(tǒng)計，發(fā)現(xiàn)同一站點的晚高峰客流明顯大于早高峰客流，如圖10所示。

對廣州市2019 年8 月20 日OD同一公交站點晚高峰對向上下行上車量的客流進行月度統(tǒng)計，發(fā)現(xiàn)同一站點的上行站點晚高峰客流明顯小于下行站點晚高峰客流，符合城市公交出行OD客流的規(guī)律，晚上市民下班往城鄉(xiāng)接合部方向的客流劇增，如圖11所示。

對廣州市20 條線路公交OD對換乘系數(shù)進行月度排名：1.07136<換乘系數(shù)<1.2601。換乘系數(shù)呈現(xiàn)下降的趨勢，表明公交客流換乘人數(shù)在逐步減少，滿足公交換乘的要求，如圖12所示。

對2019 年8 月20 日14：00—15：00廣州20 條公交線路站點OD對進行客流預測，顯示客流變化呈現(xiàn)動態(tài)變化趨勢，預測精度為90%—99%，如圖13所示。

4.3? ?智能公交調度評價

為評估調度系統(tǒng)合理性，確立調度系統(tǒng)評價體系，選取5 個關鍵指標評價調度計劃質量，通過公交調度仿真模擬獲取關鍵指標：車輛營運效率、高峰期運力投放質量、車輛營運時長、滿載率、正點率，與實際運營數(shù)據(jù)對比，檢驗公交調度計劃質量。這些指標來源于2019 年5 月13 日、15 日、18 日公交調度模擬數(shù)據(jù)及實際運營數(shù)據(jù)。

（1）車輛營運效率評價

評價車輛營運效率，統(tǒng)計每輛車的行車時間、停站時間、營運時間，計算行車時間占營運時間的比重。評價結果：公交調度仿真數(shù)據(jù)占比為79%，實際運營數(shù)據(jù)占比為73%。

（2）高峰車次占比評價

評價高峰期運力投放質量，統(tǒng)計車輛高峰時段與全天營運車次占比。評價結果：2019 年5 月13 日公交調度仿真數(shù)據(jù)占比為36.75%，實際運營數(shù)據(jù)占比為37.37%，如圖14所示。

（3）車輛營運時長評價

評價調度計劃合理性，查找營運時長最長或最短車輛，對駕駛員工時、疲勞駕駛進行分析。評價結果：系統(tǒng)生成計劃對比實際偏差值，如表6所示。

（4）滿載率評價

評價公交調度實施前后的運力投放合理性，計算高峰期線路各方向的各班次車輛在各站點的滿載率，分析線路高斷面的車輛平均滿載率、每個班次的平均滿載率。

（5）正點率評價

評價公交調度系統(tǒng)的時間預測能力，對比每個班次的周轉時間預測值與實際值，以±3 min為正點，統(tǒng)計正點率。

因前期擴樣客流與實際客流偏差未解決，下階段擬對部分試點線路的車輛安裝客流檢測儀，增加原始客流OD數(shù)據(jù)的采集精度，同時優(yōu)化擴樣算法，提高系統(tǒng)預測客流與實際客流的匹配度，如表7所示。

5? ?結論（Conclusion）

本文運用公交出行OD客流推導理論，構建出行OD的公交調度優(yōu)化模型，獲取個人OD數(shù)據(jù)，利用單條線路公交OD方法，實現(xiàn)全市公交OD矩陣推算。根據(jù)全市公交出行OD推算結果，優(yōu)化公交調度模型，解決智能交通調度多目標規(guī)劃和公交線網優(yōu)化問題。仿真結果表明：比較智能公交調度計劃評價指標，發(fā)現(xiàn)公交調度仿真數(shù)據(jù)與實際運營數(shù)據(jù)趨于相同，滿足智能公交調度實際要求，具有可行性，為優(yōu)化公交線網、布局公交站點提供更加全面的決策支持。智能公交調度是一個優(yōu)化、規(guī)劃類問題，既要滿足市民出行的利益，又要滿足公交企業(yè)的利益，兩者之間的利益不一致，是互為矛盾的統(tǒng)一體。因此，通過公交調度控制方法，構建智能交通出行OD的公交調度優(yōu)化模型，實現(xiàn)公交調度多目標最優(yōu)的規(guī)劃策略。

參考文獻（References）

[1] 宋現(xiàn)敏，張明業(yè)，姜景玲.考慮區(qū)間重疊的多運營商公交調度優(yōu)化[J].交通運輸系統(tǒng)工程與信息，2020，20（05）：142-147.

[2] 滕靖，林琳，陳童.純電動公交時刻表和車輛排班計劃整體優(yōu)化[J].同濟大學學報（自然科學版），2019，47（12）：1749-1755.

[3] 王正武，陳濤，宋名群.同時接送模式下響應型接駁公交運行路徑與調度的協(xié)調優(yōu)化[J].交通運輸工程學報，2019，19（05）：139-149.

[4] 賴元文，張杰.基于模擬退火-自適應布谷鳥算法的城市公交調度優(yōu)化研究[J].交通運輸系統(tǒng)工程與信息，2021，21（01）：183-189.

[5] 靳文舟，胡為洋，鄧嘉怡，等.基于混合算法的需求響應公交靈活調度模型[J].華南理工大學學報（自然科學版），2021，49（01）：123-133.

[6] 陳建凱，肖亮，覃鵬，等.基于交織的立體綜合車場公交調度優(yōu)化模型研究[J].交通運輸系統(tǒng)工程與信息，2020，20（03）：169-173.

[7] 馬曉磊，沈宣良，張釗，等.基于拉格朗日松弛算法的自動駕駛公交調度優(yōu)化研究[J].中國公路學報，2019，32（12）：10-24.

[8] 唐春艷，楊凱強，鄔娜.單線純電動公交車輛柔性調度優(yōu)化[J].交通運輸系統(tǒng)工程與信息，2020，20（03）：156-162.

[9] 俞禮軍，朱一洲，余志強，等.考慮異質性出行需求的主支線公交樹網絡優(yōu)化設計[J].中國公路學報，2021，34（01）：139-156.

[10] 別一鳴，熊昕宇，成衛(wèi).城市公交線路的時間控制點選擇算法[J].哈爾濱工業(yè)大學學報，2019，51（03）：68-72.

[11] ULUSOY Y Y， CHIEN I J， WEI C H. Optimal all-stop， short-turn， and express transit services under heterogeneous demand[J]. Transportation Research Record， 2010， 2197（1）：8-18.

[12] BRRA-ROJAS O J， GIESEN R， RIOS-SOLIS Y A. An integrated approach for timetabling and vehicle scheduling problems to analyze the trade-off between level of service and operating costs of transit networks[J]. Transportation Research Part B Methodological， 2014， 70（7）：35-46.

[13] CEDER A. Optimal multi-vehicle type transit timetabling and vehicle scheduling[J]. Procedia-Social and Behavioral Sciences， 2011， 20：19-30.

[14] CEDER A， PHILIBERT L. Transit timetables resulting in even maximum load on individual vehicles[J]. Transactions on Intelligent Transportation Systems， 2014， 15（6）：2605-2614.

[15] WMAKRAND W， AJIT P S， ASHOKEK S， et al. Real-time optimal bus scheduling for a city using a dtr model [J]. Procedia-Social and Behavioral Sciences， 2013， 104（12）：845-854.

[16] SAHARIDIS G K D， DIMITROPOULOS C， SKORDILIS E. Minimizing waiting times at transitions nodes for public bus transportations in Green[J]. Operation Research， 2013， 14 （3）：1-19.

作者簡介：

陳深進（1970-），男，博士，講師.研究領域：智能交通，機器學習，云計算.

基金項目：廣東省應用型科技研發(fā)重大專項資金項目（2015B010131004）.

1470500520285