基于站点群体聚集性客流的公交串车调度优化

为提升城市公交准点率、减少延误，解决车辆串车问题，研究基于站点群体聚集性客流的公交调度优化方法。以乘客出行意愿、乘车属性、到站规律等标识公交客流变化特征，以车辆载客限制、站点延误、到达率、下车率等描述串车形成场景。考虑准时性、客流需求、调控策略等约束，采用实时混合控制策略，实现车头时距偏差与乘客总行程时间最小的多目标优化。提出的公交串车调度方法，考虑到乘客到达率的不确定性，并通过调控公交车辆站点驻站时间以及路段平均行驶速度，可满足站点时段性群体聚集公交客流出行需求，防范潜在的公交串车。在模型求解上，考虑到双目标优化视角的差异性，运用超车规则对串车场景下的出站车辆重新排序，设计基于NSGA-II的求解算法，以拥挤距离标定序度关系，以精英策略获取新种群，改进交叉算子，并基于TOPSIS法对获取的Pareto解集择优。最后，以实际公交线路为例进行案例分析，结果表明：基于站点群体聚集性客流的公交串车优化调度模型，系统考虑了乘客乘车属性与车辆载客限制，能够输出最优的车辆滞站与车速调整方案，并且能运算得出车辆离站时间、车头时距偏差、准点率、乘客等待时间以及乘客行程时间等多项运营指标。优化前后对比表...     

基于LightGBM模型的公交线路串车状态识别方法

同1条线路上相邻公交车辆由于受到道路等因素的影响，其实际车头时距与发车间隔相比显著缩短，导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题（即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象）。辨识线路的串车状态（串车运行和非串车运行）是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型，并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素，并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子，构建LightGBM模型用以识别线路串车状态，并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证，对比2种参数寻优方法（贝叶斯优化与随机搜索优化）的效率，并将提出的LightGBM模型与XGBoost、随机森林（RF）、决策树模型（DT）和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离（即车辆在近距离范围内在主道路上行驶过的距离）和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态（包括串车运行和非串车运行）的比率为82.89%，识别性能优于对比模型。      

基于拉格朗日松弛算法的自动驾驶公交调度优化研究

为了解决公交实际运营出现的调度方式单一、车辆配合度较差、串车等问题，降低公交运行中人为因素的影响，提高公交系统的运营效率，提出一种考虑乘客动态需求的调度模型，采用自动驾驶环境下的公交运营方式，结合站点实际乘客需求调配车辆，实现了公交车辆利用程度最大和乘客总体等待时间最小的多目标优化。提出的自动驾驶公交调度方法，获取了乘客个体的实时出行需求，同时实现了对车头时距的调控。在模型求解方面，选取拉格朗日松弛算法，最终获得了多目标优化问题的精确解。以北京公交300路快车作为实际案例进行分析，从公交实际运营数据中提取多项参数作为模型的输入，通过拉格朗日松弛算法的求解，得到自动驾驶条件下公交运行时刻表、乘客等待时间、公交承载量、站点上车乘客人数等多项运营指标。通过与公交实际运营状态的对比，论证了采用自动驾驶公交对于改善公交运营现状的可行性。最后将优化结果与公交实际数据进行了对比分析。结果表明：自动驾驶车辆投入公交运营，能够缓解串车问题，同一线路上公交车的载客量分布更为均衡，在同一断面的客流与车头时距的不均衡程度均有所降低；同时高峰时段发车数量减少了20%，公交车的平均承载量提高了21.7%，车辆平均间隔缩短了29.9%。     

非港湾式公交停车对道路交通流的影响分析

公交车进出站点不仅影响本身,也给其他车辆运行带来很大干扰。文章首先比较全面地分析非港湾式公交停车影响下道路交通流特征,然后借助于EXCEL软件,构建关于公交停车频率、公交停车时间、最大公交停车长度及其存在时间、道路流量的车速和车头时距多元线性模型,并进行了严格的数学检验。该研究为合理分析路段交通流状况、正确计算区间行驶车速与车头时距提供了依据。     

突发事件下公交车辆快速动态滞站调度算法

为解决突发事件导致公交系统服务水平下降的问题,基于均衡公交车辆车头时距的调度思想,提出了能够适应于突发事件的快速动态滞站调度算法,建立了突发事件下的单线路公交动态调度模型.通过建立滞站调度的数理基础,分析了单站车头时距的控制问题,分析了快速滞站调度策略,从而得到了全线车辆的最优滞站调度算法,并对其进行数理分析和仿真验证.结果表明:该方法能均衡全线车辆运行时间间隔,降低乘客平均候车时间,有效提高公交系统运行服务水平.     

基于平均车头时距的城市道路PCE算法

为得到一种反映交通流运行情况,适用于各种交通流状态的车辆换算系数(PCE)计算方法,结合车头时距特性分析结论,基于等效车头时距原理,对车头时距法进行改进.通过分析车头时距数据发现,小型车与大型车跟车状态数量差距较大,路段总流量平均车头时距不能体现路段中与大型车有关车辆的平均车头时距,应分跟车状态统计平均车头时距;同一路段不同交通流状态下,同一跟车状态数量相差较大,应分交通流状态分析路段PC E值.因此,用跟车状态平均车头时距代替路段总流量平均车头时距,对车头时距法进行改进.与经典的容量法对比,所提方法在各交通流状态下计算得出的PC E值与容量法计算得出的PC E值差距最大为6.40%,最小为1.57%,证明所提方法适用于各种交通状态.分析PC E影响因素发现,PC E值与大型车比例呈U型曲线关系;公交专用道路段的PC E值在各个时段均高于未设置公交专用道路段相应时段的PC E值.      

针对站点人流爆发的公交运营策略优化研究（双语出版）

为应对公交大力发展情形下涌现的公交供需不平衡问题，重点关注公交站点爆发性人流问题的解决，考虑供需严重失衡下的公交运营策略改进，以扩充线路公交运力，减轻站点爆发性人流对公交系统的冲击。所提人流爆发站点主要包括大型集会场所、商场及景区周边等具有预知性人流爆发可能的站点。运营策略改进方法主要是通过在原有公交线路基础上，布设区间小线路的方式，与大线路形成协调运营关系，共同完成线路站点的爆发性人流疏散，具体包括公交大线路运营优化、区间小线路规划及前二者的结合3种。为获得研究区域内全面、有效的线路运营策略，以社会福利最大化为目标建立非线性整数规划模型，求解大、小线路最优发车间隔及增配车辆数，并引进系统弹复性指数作为模型求解结果良莠的评价指标。为证明该运营策略优化方法的有效性，以哈尔滨市中心城区为研究区域，解决该区域站点人流爆发问题。通过模型构建、求解及结果评价，发现经策略改进后，区域爆发线路弹复性指数较优化之前提高35%，运营策略改进后的社会福利值较不优化情况提高2倍，所提运营策略优化方法在不同乘客规模及不同限制条件下均能够起到一定的系统维稳作用，运营策略改进方法能够缓解站点爆发性人流。     

公交调度中放车调度模型的研究

以公交线路乘客等待公交车辆总延误成本最小为目标函数，建立了一种放车调度的数学模型，将模型投人实际应用。从结果可以看出，该调度方法可以减少乘客总等车时间，调节了线路车辆的正常运营。     

普通公路车头时距分布特征研究

在对典型一级和二级公路车头时距、车速、车型等调查获得基础数据及车型分类的基础上,将车辆按照小型车-小型车、小型车-大型车、大型车-小型车、大型车-大型车4种行驶模式进行组合,研究了不同行驶模式下车头时距的分布特征、车速差与车头时距的关系特征。结果表明,不同车型组合下车头时距的分布具有不同特征。     

多模式区域公交协调调度模型和算法

考虑公交内部及公交和地铁、长途客运之间的换乘衔接问题,满足最小和最大发车间隔等现实约束因素,建立了一类多目标多模式公交协调时刻表模型,在某时段内分别追求非换乘和换乘出行者在所有站点的等车时间最少和所有车辆到达站点时的泊位数最多.利用约束法将该问题转化为单目标规划问题.根据模型特征,设计求解该问题的改进细菌觅食优化算法,定义解的编码方案,设计产生初始种群的启发式算法,将梯度概念引入移动步长进而改进细菌觅食操作.最后,结合一个简单算例,比较单模式和多模式区域公交协调调度之间的差异,分析了站点通行能力对调度结果的影响,并将该算法与其他智能算法进行了比较分析,从而验证了模型和算法的正确性和有效性.     

Modeling bus bunching using massive location and fare collection data

Bus bunching is a well-known phenomenon for operators, users and regulators of high-frequency bus services. Bus operations are usually affected by increasing differences in the time intervals (headways) between consecutive buses. The effect of this variability is that buses tend to group into bunches of two or more, which severely affects the quality of service and the operational efficiency. The aim of this paper is to analyze which factors are associated to the phenomenon, using massive data from high-frequency services available in Santiago (Chile) and common-route services in Gatineau (Canada). The data is obtained from the bus GPS and AFC systems and are processed to obtain headways between buses. Using data from one week, we develop models to explain the variation of the continuous and discrete indicators of bus bunching as a function of variables related to the operation, variables related to the demand structure, and variables related to the infrastructure. Some of the factors that contribute to increase bus bunching are: stops located toward the end of the route, high scheduled frequency, irregular bus dispatch headways, non-homogeneous fleet, high demand, and high variability of demand. The results are useful for the design of quality indexes to measure bunching in bus operations, and for the design and operation of bus routes, taking into consideration the potential bus bunching problems.     

基于多目标优化的公交车调度问题的模型与算法

针对1条公交线路上的公交车调度方案,综合考虑公交公司和乘客的利益,利用多目标优化的方法建立了公交车调度的数学模型,给出了载客满意度函数和乘客等待时间满意度函数,采用了高性能的遗传优化算法对全天公交车运营的状况进行了数值模拟。仿真结果表明,选择采用将全天发车策略细分18个时段的模型,可得到最优的发车时刻策略。该模型可有效地改善公交车辆运营调度优化效果,提高公交车辆的运营效率,为城市公交车辆调度管理提供了合理、有效的调度方法。     

考虑电动公交在途特性的电池状态梯次划分

电动公交电池容量衰减造成里程焦虑增加、服务可靠性降低、电池资源浪费等问题。因此,评估和发现电动公交实际运营过程中影响电池健康状态的关键因素并划分电池状态尤为重要。基于电动公交长时间实际行驶过程中的充放电数据,结合安时积分法与最小二乘拟合建立电池容量估计模型,并据此计算各充放电片段的电池健康状态。进一步考虑电动公交在途特性,从电池组充放电属性、车辆行驶工况、公交营运状态3个角度提取可能影响电池健康状态的相关因素,并采用因子分析法将影响因素组合为12个影响因子,使用随机森林回归构建电池健康状态预测模型,从而根据预测结果的准确性反推获得各影响因子的重要度。最后考虑不同影响因素的重要度,利用加权聚类算法梯次划分电动公交电池健康状态为4个类别,下降梯度分别为-0.013 6、-0.011 9、-0.003 4、-0.002 8,并通过对比研究发现了同一条线路不同梯次的车辆电池组在放电深度、速度标准差、最大加速度和刹车次数等影响因素上的差异。研究结果表明:车辆荷载、电池电流释放情况、车辆行驶中速度的变化、电池的使用时间、线路拥挤状况以及电池充电深度大小对于电池健康状态的影响程度较大,而在公交营运状态相同条件下,驾驶人的行为对电池健康状态衰减程度有着较大影响。     

考虑绿灯延长的干线公交绿波优化控制模型

针对绿灯延长控制策略使公交车辆在交叉口实际可通行时间大于社会车辆的事实，研究了考虑绿灯延长的干线信号协调优化控制模型。在MAXBAND模型考虑公交车运行速度和站点停靠时间的基础上，选择以绿灯起点作为绝对相位差的计算依据，结合最大延长绿灯时间改进对公交车辆的绿波带宽约束和时间-距离的几何关系约束，并使用Matlab求解改进模型相关参数。选取平均排队长度、社会车辆平均延误、公交车平均延误、平均停车次数和人均延误作为模型的评价指标，并使用Vissim软件对其仿真实验。实验结果表明，在无公交专用道且不考虑车辆排队影响的情况下，改进模型相较于在MAXBAND基础上考虑公交车行驶速度和靠站停车时间模型而言，5个评价指标均至少提升了2.87%;相较于MAXBAND模型而言，由于改进模型未考虑交叉口车辆排队情况，公交车平均延误增加了1.87%，但其他4个指标均至少提升了1.71%。      

考虑出行时间窗的定制公交线路车辆调度方法

为提高定制公交系统的运行效率,研究了带乘客出行时间窗约束的多条定制公交线路车辆调度方法。给出了乘客出行站点合并方法,将公交车早到、晚到站点所造成的乘客损失转变为当量运营里程,以多辆公交车总运营里程最小为目标,考虑乘客的站点约束、公交车容量约束以及乘客的出行时间窗,建立了定制公交车辆调度优化模型。其次分析了乘客出行起点、终点对模型求解的影响,通过提出虚拟源站点,将多辆定制公交车的调度问题转换为多旅行商问题;基于后向推导原则设计贪心算法求得模型的可行解;之后基于遗传算法,采用自然数编码机制,将每个站点作为基因位,按照访问次序排列成染色体对应问题的解;最后给出了贪心算法和遗传算法的流程。在理论研究的基础上以定制公交线路为例对建模过程和模型的求解过程进行了阐述。研究结果表明：所建立的优化模型能够输出合理的多条定制公交线路车辆调度方案,不仅可以给出每辆定制公交的途经站点、运营里程,还可以给出每个站点的准点程度以及由于公交早到、晚到折算得到的当量运营里程;在求解算法质量方面,与可行解相比,相对最优解输出的方案能够使综合运营里程降低10.4%;模型求解时间为30.3 s,可以满足定制公交企业的实时性需求。     

基于马尔科夫链的公交站间行程时间预测算法

公交站间行程时间具有明显的时段分布特征,且公交车辆是典型的时空过程对象,其运行具有状态转移性。为了准确预测公交站间行程时间,在应用马尔科夫链预测公交站间行程时间基础上提出其改进算法。通过大量公交GPS数据构造不同时段下具体线路站间行程时间的马尔科夫状态转移矩阵,并对站间行程时间进行状态推导,采用移动误差补偿法对马尔科夫预测值进行动态修正,改进原有的马尔科夫预测算法。以广州市BRT线路B1的实际运行数据对算法进行了验证,结果表明,移动误差补偿改进算法优于基本马尔科夫算法及 BP模型,同时该改进算法还具有实现过程较简单。