城市轨道交通乘务夜早任务搭配模型研究

乘务夜早任务连乘是我国城市轨道交通(以下简为"城轨")乘务普遍采用的轮转策略。编制良好的乘务夜早任务搭配方案可保证乘务员工作的均衡性和安全性。根据城轨乘务夜早任务连乘需求,建立了相应的最优分配模型(NMC模型),设计了夜早连乘任务综合费用函数,并结合传统的匈牙利算法对NMC模型进行了求解。以某地铁线路为例,进行了算例分析。结果表明,NMC模型所编制的夜早连乘方案能够满足现场需求,可提高乘务夜早任务搭配的效率。     

城市轨道交通乘务员精细化配置方法研究

城市轨道交通乘务员配置目前大都采用经验法,缺乏对于乘务员职责及不同分工的精细化思考。针对此问题,细致考虑不同工种乘务员的职责和特点,提出城市轨道交通乘务员精细化配置方法。该方法将乘务员分为正线乘务员、备用乘务员和应急乘务员3类,分析了各类乘务员具体担任的角色和起到的作用,以及需要的配置因素。在此基础上构建各类乘务员配置的具体约束,并给出乘务员优化配置的具体计算方法。最后,以某地铁线路数据为例,通过案例分析了该配置方法的特点。     

地铁快慢车运行计划综合优化模型

为了综合优化地铁快慢车运行计划, 建立了综合求解列车开行方案、停站方案和时刻表的优化模型; 分析了地铁列车停站、区间运行、快慢车运行组织与客流出行等特点, 构建了快慢车运行计划的约束条件, 设计了综合协调优化列车运行时间和运输成本的目标函数, 建立了完整的地铁快慢车运行计划优化模型; 分析了模型特点及其复杂度, 设计了两阶段近似算法求解模型, 第1阶段根据乘客能够忍耐的最大候车时间推算出慢车的开行列数, 同时将其均匀分布在编制时段范围内, 并对初始时刻表进行合理调整, 第2阶段采用CPLEX求解器求解地铁快慢车运行计划; 针对上海地铁16号线, 对其早高峰7:00~9:00下行方向的快慢车运行计划进行编制试验。试验结果表明: 快慢车运行计划中共开行列车30列, 其中快车11列, 慢车19列, 完成9次越行, 87次跨站不停车, 快车全程最大节约时间为628 s, 约降低4.1%, 总旅行时间节约4 450 s; 根据客流需求在1:1~1:2之间灵活安排快慢车开行比例; 根据各车站上下车客流需求灵活安排快车停站方案, 快车之间停站方案不固定; 随着列车规模的增大, 模型求解时间大幅增长, 当规模达到一定程度时, 需设计更为高效的求解算法。      

基于换乘衔接的单线末班车衔接方案优化方法

城市轨道交通网络化运营模式下,网络运营协调成为提高城市轨道交通系统整体服务水平和发挥其总体运输效能的关键,而末班车衔接方案的优化,更是路网协调方案优化的重点。以单线末班车为目标,基于多地点衔接约束,建立了城市轨道交通单线末班车衔接方案优化编制模型(简称SLLTM),并针对模型的全局非连续、局部连续且线性单调的特性,提出了相应的分步分段求解算法。并通过案例进行了验证,结果表明,所提出的模型及算法简单实用,能够为路网末班车衔接方案编制提供一定的依据。     

基于AFC数据的南昌轨道交通车站精细化分类

为满足城市轨道交通车站精细化客运组织需求,对车站进出站客流特性进行有效的分类管理。结合自动售检票系统(auto fare collection,AFC)采集的进出站客流数据,从车站进出站客流总量及时序特性方面入手,提出一种基于K-means算法的双层规划聚类方法对全线所有车站进行聚类并划分车站类型。首先以车站进出站客运总量为特征指标进行上层聚类,得出不同客运规模的车站大类;然后考虑车站进出站客流的时变特征,根据不同时段内的客流变化特点构建特征向量进行下层聚类,识别车站客流的时序分布特性。研究结果表明：利用本算法得到的分类结果与实际高度吻合,不同类别车站在客运规模和时变特性上差异明显。双层K-means聚类分析算法通过把握客运规模和客流时变特征,对车站进行精细划分,为车站的客运组织提供依据。     

以安全为导向的地铁过饱和线路跳站停车策略优化模型

为缓解高峰时段地铁过饱和线路的客流极端拥挤情况，从安全角度出发，以降低线路客流聚集风险和乘客总等待时间为目的，研究了地铁跳站停车策略优化问题。考虑随时间变化的动态客流需求，通过构建列车跳停、追踪运行、乘客动态加载等约束，推算出跳站停车策略下各车站乘客的动态聚集人数，并设计了独特的客流聚集风险评估函数。在传统只考虑乘客等待时间的列车跳停策略优化模型的基础上，将客流聚集风险纳入到模型的目标函数中，构建了以安全为导向的地铁跳站停车策略优化模型。考虑到模型的非线性特性，设计了适用于问题的可变邻域搜索算法(VNS)，提出了3类邻域新解的产生方式，并设置违反约束的惩罚函数，以提高求解效率。以北京地铁八通线为例，对其早高峰和部分平峰时段(07:00—10:40)下行方向42趟开行列车的停站策略进行了优化实验。结果表明:所提出的模型可在5 min内求解出高质量的列车跳停方案，能有效缓解极端拥堵，提升客运服务质量。对比发现，相对于传统站站停策略，列车跳停策略下，车站最大等待人数由5 299人减少到2 495人，客流聚集风险降低了98.7%。在客运服务水平方面，乘客的平均等待时间由9.49 min降低到9.15 min，降低了3.6%。      

以安全为导向的地铁高峰时段多车站客流协同控制模型

传统的客流控制大都以减少乘客等待时间或者客运周转量最大为目标,缺乏对于安全性的考虑.保证乘客等待时间在可接受范围以内,以客流聚集预警值最小为目标,提出了以安全为导向的地铁高峰时段多车站客流协同控制模型,并成功将其转化为单目标线性整数规划模型,借助CPLEX优化器可直接进行求解.以某地铁线路高峰客流数据为例,通过计算得出,相对于以乘客等待时间最小为目标的客流控制方法,本文方法在保证乘客总等待时间仅增长1%的情况下,能够将所有车站客流聚集控制在安全范围以内,大大提高了客运组织安全性,为实际客流控制提供了很好的依据.     

过饱和地铁线路的列车容量分配策略及优化模型

为缓解过饱和地铁线路的局部车站极端拥挤问题，提出一种新颖的车厢容量分配策略及优化方法，即通过预留和分配车厢的方式，将列车运力合理分配到各个车站，从而确保各车站乘客(特别是拥堵车站)均能得到公平服务，缓解极端拥堵。基于上述策略，以线路各车站所有乘客总等待时间最小为目标，以各列车在各车站的预留车厢数量为决策变量，构建关于车厢容量分配问题的线性整数规划模型。针对北京地铁八通线，对其工作日早高峰7:00-10:40下行方向的车厢容量分配进行数值实验。实验仿真结果表明，线路内各车站最大乘客聚集人数均降到安全范围内，其中最大聚集乘客数量由3642人降低至1345人，约降低63%。而全线乘客的总等待时间仅由418027 min增加至420099 min，增加0.5%。上述结果表明，列车容量分配的方法有效缓解了过饱和地铁线路内极度拥挤问题，实现各车站客流聚集均衡，在线路层面提高了总体运营安全性， 同时保证了客运服务质量。     

疫情防控背景下的地铁多车站客流协同控制模型及算法

基于各车站在各时段客流进站速率的协同优化，考虑客流控制和客流承载过程中的各种约束，以列车车厢内客流聚集总风险最低和乘客在车站总等待时间最短为双目标，构建疫情防控背景下的多车站地铁客流协同控制模型。针对模型的非线性特点，设计基于变邻域搜索的启发式算法进行求解。依托南昌地铁1号线实际客流数据构建算例进行验证。结果表明：实施客流协同控制后，研究时段内全部23列列车的满载率均未超过满载率阈值0.5，且客流聚集总风险值较控制前下降65.41%，乘客平均等待时间仅为3.87 min；随着列车最大满载率阈值的增加，乘客的等待时间呈指数下降趋势，而客流聚集风险则呈线性增长；缩短发车间隔时间能够有效降低列车满载率，但列车运行成本也会急剧增加；按实际发车间隔时间（10 min）实施客流协同控制后，所有列车的满载率均低于0.5，客流聚集总风险值下降22.36%，而乘客平均等待时间仅增加0.6 min，验证了模型及算法能更加高效地降低列车满载率。