CN112085349A - 一种基于乘客出行时间窗约束的需求响应公交调度方法 - Google Patents

Abstract

本发明公开了一种基于乘客出行时间窗约束的需求响应公交调度方法，该方法首先获取乘客需求和公交运行线路并初始化参数后，采用蚁群算法将乘客出行的需求点按照时间窗先后排序并串联，分配到对应的公交运行线路，基于乘客需求，选择公交站点候选点，计算预计服务时间窗，取预计服务时间窗与乘客出行需求的时间窗之间的误差最小值，为最终的目标进行求解，最终得到更切合实际的接驳公交时刻表，该方法在满足乘客时间窗约束的条件下，通过最小化乘客步行接驳距离和总出行时间，设计调度需求响应接驳公交线路与发车时刻，可以与干线公交线路相协调，能够适应现实中各种需求响应接驳公交的复杂调度场景，完成需求响应接驳公交***的实时调度。

Description

一种基于乘客出行时间窗约束的需求响应公交调度方法

技术领域

本发明涉及需求响应型公交调度技术领域，更具体的说是涉及一种基于乘客出行时间窗约束的需求响应公交调度方法。

背景技术

目前，需求响应型接驳公交作为一种个性化灵活的公交运营形式，主要服务于乘客出行起始点和固定线路的城市交通干线之间。乘客通过提前电话预约或网络端发起乘车申请的方式，给出包括出行时间窗和上下车地点的出行偏好，调度中心据此进行最佳运营线路设计，并将车辆预计抵达时间告知乘客，调度接驳公交将乘客从登车点送达干线交通换乘站点，完成接驳服务。

但是，现有技术中，这种复杂的考虑乘客出行偏好的实时公交调度设计方法存在以下不足：

1、现有的公交***设计方法只局限于宏观层次，没有聚焦在微观调度层面；基于假定的乘客分布情况，通过同质化乘客需求简化***设计步骤，这样往往忽略了个性化的乘客需求，乘客个人出行时间窗也无法得到满足；

2、现有考虑乘客时间窗的公交网络设计常基于给定车辆访问站点和路段的假设，由于未对乘客进行合理的引导，需求响应公交无法进行站点位置的选择，需要遍历所有站点，从始发站到终点站过程耗时长；

3、现有需求响应接驳公交调度算法由于规模的限制无法做到实时高效求解，传统的将公交车辆分配到距离最短或行驶时间最短路径上的方法往往会打乱乘客需求点的访问顺序，公交行进重复率高、资源分配不合理。

因此，如何提供一种能够满足乘客个人出行时间窗需求、高效可靠的需求响应型公交调度方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于乘客出行时间窗约束的需求响应公交调度方法，该方法在满足乘客时间窗约束的条件下，高效可靠的实现需求响应型公交的调度任务，解决了现有的需求响应公交调度方式无法满足乘客个人出行时间窗需求、从始发站到终点站过程耗时长、公交行进重复率高、资源分配不合理的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于乘客出行时间窗约束的需求响应公交调度方法，该方法包括：

步骤1：获取乘客出行需求数据和需求响应型公交始发站及换乘枢纽点的位置信息，构建总目标函数，并对总目标函数内的参数进行初始化；

步骤2：以需求响应型公交始发站为起点、以换乘枢纽点为终点，将乘客出行需求数据中乘客出行需求点按照时间窗先后排序并串联，得到多条候选路径；

步骤3：获取各条候选路径上乘客出行需求点对应的公交停靠站点候选集合，从所述公交停靠站点候选集合中选出最佳公交停靠站点，并将乘客出行需求点分配到所述最佳公交停靠站点，生成公交运营线路；

步骤4：获取所述公交运营线路上各个乘客出行需求点对应的最佳乘车时间窗，生成需求响应型接驳公交时刻表。

进一步地，所述总目标函数具体为：

式中，U为总目标函数，其中D为公交场站的集合，即需求响应接驳公交路径起点的集合，M为候选公交停靠站点的集合；MS为换乘枢纽点，即路径终点的集合；

为0或1的变量，当在路径k上从需求响应公交候选停靠点j经过站点m时该变量取值为1，反之如果不经过候选停靠点m取值为0。t_jm为车辆从需求响应公交候选停靠点j行驶到候选停靠点m的行驶时间；

为路径k上预计驶离公交停靠站点候选点j的时间，

为路径k上预计到达公交停靠站点候选点j的时间；D_i为需求点i的乘客数量，d_ij为从乘客从需求点i到候选公交站点j的步行距离，x_ij为0或1变量，当乘客i分配到公交停靠站点候选点j时取值为1，反之取0。W_s为乘客平均步行速度；

和

分别为乘客偏好时间窗与公交运行时刻表偏差值的上下界。

总目标函数式中前两项之和为需求响应公交总体运行时间，包括行驶时间和站点停靠时间两部分，第三项为乘客总步行时间，第四项为各公交停靠站点处预计服务时间窗与乘客偏好时间窗的总偏差值。

所述步骤1中，初始化的参数包括蚁群中蚂蚁总数N、路径总量R、最大迭代次数iter_max、任一对需求点i和需求响应公交停靠站点候选点j间的路径信息素因子τ_ij、信息素变化量Δτ_ij；分别初始化路径信息素因子τ_ij(0)及对应的信息素挥发因子Δτ_ij(0)为0，当前迭代次数置为0。

进一步地，所述步骤2中，采用蚁群算法获取多条候选路径，具体包括：

步骤2.1：按照所述乘客出行需求数据中乘客出行时间窗上界和下界的中间值，对乘客出行需求点进行排序，并将N只蚂蚁个体置于乘客出行时间窗的序列初始点。

步骤2.2：生成蚁群候选路径集allowed，具体为：

其中，i为选择需求响应型接驳公交出行的乘客需求点，K为所有路径的集合，ψ(k)为路径k上紧邻需求点i的下一个候选站点，e_ψ(k)和l_ψ(k)分别为候选站点对应的时间窗的上界和下界，t_ψ(k)i代表候选站点和需求点i之间的出行时耗，e_i和l_i分别为需求点i对应的时间窗的上界和下界。

步骤2.3：基于候选路径集allowed，确定蚂蚁个体转移路径。

步骤2.4：返回步骤2.2，直至所有乘客出行需求点均被分配到从公交始发站到换乘枢纽点的线路上，得到多条候选路径。

进一步地，所述步骤2.3中，采用伪随机比例规则确定蚂蚁个体转移路径，具体为：

取伪随机数为q，预设参数为q₀；

若q≤q₀，则蚂蚁个体选择令参数τ_iψ(k)(t)[η_iψ(k)]^β的值最大的第k条路径作为下一步的转移路径；

若q＞q₀，则计算概率值

蚂蚁个体选择路径集合中概率值最大的第k条路径作为下一步的转移路径；

其中，m∈MS；q₀为预设参数，q₀∈(0，1]；η_iψ(k)为第k条路径上需求点i与下一个点ψ(k)之间的启发式因子；τ_iψ(k)(t)为在t时刻第k条路径上紧邻需求点i的下一个站点与需求点i之间的路径信息素因子，α为信息素相对影响程度因子，β为启发式因子相对影响程度因子。

进一步地，上述的启发式因子与路径信息素因子之间存在如下关系：

η_iψ(k)＝1/(t_ψ(k)i+0.01)

进一步地，所述步骤3具体包括：

步骤3.1：采用回溯法，选取一个换乘枢纽点m作为候选路径k的终点，从所述终点出发，根据两个站点间的公交行驶时间以及乘客走到站点候选点的步行时间之和，构建时间成本目标函数f_k(i)；

其中，

表示从当前公交停靠站点候选点j到下一个需求点i+1对应的公交停靠站点候选点的车辆行驶时间，s_ij表示需求点i到公交停靠站点候选点j的距离，W_s指乘客平均步行速度。

步骤3.2：将待求乘客出行需求点i对应的目标函数的初始值设为0，即f_k(i)＝0，并生成候选路径k上待求乘客出行需求点i对应的公交停靠站点候选点集合J_k(i)。

步骤3.3：基于所述公交停靠站点候选点集合J_k(i)，进行公交停靠站点选址，选取最佳公交停靠站点。

步骤3.4：将所有的乘客出行需求点都被分配到对应的最佳公交停靠站点，生成公交运营线路。

在上述步骤3中，在当前需求点i对应的公交停靠站点候选点集合J_k(i)中找到可以使出行时间最短的站点，作为第k条路径上的最优公交停靠站点选址结果，直至第k条路径被回溯至起点为止，生成车辆最优行驶路线k，并以此取代之前的路径。

进一步地，所述步骤4具体包括：

步骤4.1：计算公交车通过公交运营线路中某条线路到达目标换乘枢纽点的预计到达时间，例如，对第k条公交路线，计算通过该路径到达换乘枢纽点m的预计到达时间

计算公式为：

其中，

为预计到达时间，P_con为换乘枢纽点m处的干线交通发车时间，T_con为需求响应公交到达换乘枢纽点m与换乘枢纽点m发车时间之间所允许的最小时间差。

步骤4.2：计算公交停靠站点候选点j处的公交车预计离站时间，该时间为

其中，t_jm为步骤3中所选择最佳公交停靠站点到换乘枢纽点m的公交行驶时间。

步骤4.3：根据所述预计到达时间和所述预计离站时间，生成每一个最佳公交停靠站点的车辆预计到达时间区间[l_i-TD_max，l_i+TD_max]；

其中，l_i为最佳公交停靠站点所服务的乘客出行需求点i的乘客出行时间窗上界，TD_max为公交预计离开公交停靠站点候选点j的时间与乘客出行时间窗的上界之间所允许的最大差值。

步骤4.4：遍历所有最佳公交停靠站点的公交车预计到达时间区间，将最接近乘客偏好时间窗的结果，作为最终的分配结果。

步骤4.5：若所有的乘客出行需求点的乘客偏好时间窗都被满足，则形成需求响应型接驳公交时刻表，否则重复上述步骤4.3。

由于根据上述步骤得到的需求响应型接驳公交时刻表、乘客路线选择和公交站点选址方案，虽然能够实现较为理想的完成公交调度工作，但不能保证调度结果最优，因此需要进行多次迭代计算找到最佳方案，所以上述的步骤4还可以包括：

步骤4.6：确定各条公交运营线路上的信息素挥发量。

步骤4.7：基于所述信息素挥发量，更新所述总目标函数的值和局部路径上的信息素因子。

步骤4.8：判断当前总目标函数的值是否为所有总目标函数的值中的最小值，若当前总目标函数的值不是所有总目标函数的值中的最小值，返回所述步骤2中的步骤2.2，若当前总目标函数的值是所有总目标函数的值中的最小值，进行下一步。

步骤4.9：更新全局路径上的信息素因子，判断是否为所有迭代次数中的最优解，若不是所有迭代次数中的最优解，则迭代次数加1，返回上述步骤2.1进行新一轮迭代，若是所有迭代次数中的最优解，则将当前解作为全局最优解，优化需求响应型接驳公交的行驶路径。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于乘客出行时间窗约束的需求响应公交调度方法，该方法首先获取乘客需求和公交运行线路并初始化参数后，采用蚁群算法将乘客出行的需求点按照时间窗先后排序并串联，分配到对应的公交运行线路，基于乘客需求，选择公交站点候选点，计算预计服务时间窗，取预计服务时间窗与乘客出行需求的时间窗之间的误差最小值，为最终的目标进行求解，最终得到更切合实际的接驳公交时刻表，该方法在满足乘客时间窗约束的条件下，通过最小化乘客步行接驳距离和总出行时间，设计调度需求响应接驳公交线路与发车时刻，可以与干线公交线路相协调，能够适应现实中各种需求响应接驳公交的复杂调度场景，完成需求响应接驳公交***的实时调度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于乘客出行时间窗约束的需求响应公交调度方法的流程示意图；

图2为本发明实施例中蚁群算法的三阶段启发式算法的实现流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见附图1，本发明实施例公开了一种基于乘客出行时间窗约束的需求响应公交调度方法，包括以下步骤：

S1：获取乘客需求和需求响应公交始发站及换乘枢纽点的位置信息，构建模型总目标函数，初始化参数；定义模型总目标函数为：

其中，D为公交场站的集合，即需求响应接驳公交路径起点的集合，M为候选公交停靠站点的集合；MS为换乘枢纽点，即路径终点的集合；

为0或1的变量，当在路径k上从公交停靠站点候选点j经过站点m时该变量取值为1，反之如果不经过站点m取值为0。t_jm为车辆从公交停靠站点候选点j行驶到点m的行驶时间；

为路径k上预计驶离公交停靠站点候选点j的时间，

为路径k上预计到达需求响应公交停靠站点候选点j的时间；D_i为需求点i的乘客数量，d_ij为从乘客需求点i到公交停靠站点候选点j的步行距离，x_ij为0或1的变量，当乘客i分配到公交停靠站点候选点j时取值为1，反之取0。W_s为乘客平均步行速度；

和

分别为乘客偏好时间窗与公交运行时刻表偏差值的上下界。

总目标函数式中前两项之和为需求响应公交总体运行时间，包括行驶时间和站点停靠时间两部分，第三项为乘客总步行时间，第四项为各公交停靠站点处预计服务时间窗与乘客偏好时间窗的总偏差值。

上述的步骤S1中，提到的需要初始化的参数包括：

蚁群中蚂蚁总数N、路径总量R、最大迭代次数iter_max、任一对需求点i和需求响应公交停靠站点候选点j间的路径信息素因子τ_ij、信息素变化量Δτ_ij；分别初始化路径信息素因子τ_ij(0)及对应的信息素挥发因子Δτ_ij(0)为0，当前迭代次数置为0。

S2：采用蚁群算法，以需求响应公交始发站为起点、以换乘枢纽点为终点，将乘客出行的需求点按照时间窗先后排序并串联。

上述的步骤S2具体包括以下步骤：

步骤2.1：按照乘客出行时间窗上界和下界的中间值对乘客出行需求点进行排序，将N只蚂蚁个体置于时间窗的序列的初始点；

步骤2.2：生成蚁群候选路径集allowed，具体为：

其中：i为选择需求响应接驳公交出行的乘客需求点，K为所有路径的集合，ψ(k)为路径k上紧接着需求点i的下一个站点，e_ψ(k)和l_ψ(k)分别为此站点对应的时间窗的上界和下界，t_ψ(k)i代表候选站点和需求点i之间的出行时耗，e_i和l_i分别为需求点i对应的时间窗的上界和下界。

步骤2.3：基于候选路径集allowed确定蚂蚁个体转移路径；

上述的步骤2.3中，采用伪随机比例规则，取伪随机数q；

若q≤q₀，则蚂蚁选择令参数τ_iψ(k)(t)[η_iψ(k)]^β值为最大的第k条路径作为下一步的转移路径；

若q＞q₀，则计算概率值

具体为：

蚂蚁将选择路径集合allowed中概率值最大的第k条路径作为下一步的转移路径；

其中，m∈MS，MS为换乘枢纽点，即路径终点的集合，q₀为预设参数，q₀∈(0，1]；η_iψ(k)为第k条路径上需求点i与下一个点ψ(k)之间的启发式因子，η_iψ(k)＝1/(t_ψ(k)i+0.01)；τ_iψ(k)(t)为在t时刻第k条路径上紧接着需求点i的下一个站点与需求点i之间的路径信息素因子，α为信息素相对影响程度因子，β为启发式因子相对影响程度因子。

步骤2.4：返回步骤2.2，直至所有需求点都被分配到从公交始发站到换乘枢纽点的线路上。

在本发明实施例中，通过allowed的生成规则判断某蚂蚁个体是否会选择第k条路径作为出行路线，该规则表示只有在出行时间得到节省时，蚂蚁才会选择第k条路径转移到下一位置。

在伪随机数q与预设参数q₀的比较过程中，当k是能够使得参数τ_iψ(k)(t)[η_iψ(k)]^β值达到最大的路径标号时，则蚂蚁将会选择第k条路径，η_ik作为启发式因子、表示第k条路径对蚂蚁的吸引程度；否则，以概率值

选择路径集合allowed中概率值最大的第k条路径作为下一步的转移路径。

S3：从需求点对应的公交停靠站点候选集合中选择最佳公交停靠站点，并将需求分配到公交停靠站点，进而生成公交运营线路。

上述的步骤S3包括以下步骤：

步骤3.1：采用回溯法，将换乘枢纽点m作为路径k的终点，从该点出发，以表示两相邻站点间的公交行驶时间以及乘客走到公交停靠站点候选点的步行时间之和为步骤3中的目标函数(即时间成本目标函数)，将需求点i对应的目标函数f_k(i)的初始值设为0。

步骤3.2：对于第k条路径上的需求点i，生成对应的公交停靠站点候选点集合J_k(i)。

步骤3.3：基于公交停靠站点候选点集合J_k(i)进行公交停靠站点选址；

具体地，在步骤3.3中，设置状态转移方程(即时间成本目标函数)为：

计算通过路径k满足需求点i的时间成本；其中，

指从当前公交停靠站点候选点j到下一个需求点i+1对应的公交停靠站点候选点的车辆行驶时间，d_ij指需求点i到公交停靠站点候选点j的距离，W_s指平均步行速度。

在当前需求点i对应的公交停靠站点候选点集合J_k(i)中找到可以使出行时间最短的站点，作为第k条路径上的最优公交停靠站点选址结果，直至第k条路径被回溯至起点为止，生成车辆最优行驶路线k，并以此取代之前的路径。

步骤3.4：若所有的乘客出行需求点都被分配到最佳的公交停靠站点，则进行步骤S4，否则，重复步骤3.2。

在本实施例中，步骤S3是将各个需求点分配到公交站点的选址点上，以此来确定需求响应式接驳公交***的公交行驶路径；通过动态规划方法实现公交站点候选点的选址和需求点的分配，从终点换乘站开始，以乘客的最短出行时间为目标进行回溯，进而找到最优的公交站点选址点。

步骤4：计算公交站点服务时间窗，取公交车辆预计响应时间与乘客出行需求时间窗之间的误差最小值，以总误差值最小为步骤S4的目标函数进行求解,得到接驳公交时刻表。

上述的步骤S4具体包括：

步骤4.1：对第k条公交路线，计算通过该路径到达换乘枢纽点m的预计到达时间

具体为：

其中，P_con指换乘枢纽点m处的干线交通发车时间；T_con指需求响应公交到达换乘枢纽点m与换乘枢纽点m发车时间之间所允许的最小时间差；

步骤4.2：计算公交停靠站点候选点j的公交车辆预计离站时间为

其中，t_jm为步骤S3中所选择需求响应公交停靠站点候选点j到换乘枢纽点m的公交行驶时间；

步骤4.3：生成每一个需求响应公交停靠站点的车辆预计到达时间区间[l_i-TD_maxl_i+TD_max]，其中，l_i为最佳公交停靠站点所服务的乘客出行需求点i的乘客出行时间窗上界，TD_max为公交预计离开公交停靠站点候选点j的时间与乘客出行时间窗的上界之间所允许的最大差值；；

步骤4.4：遍历所有公交停靠站点候选点j的车辆到达时间，将最接近乘客偏好时间窗的结果作为最终的算法分配结果；由于该步骤采用遍历所有需求点的方式，因此具有多项式时间复杂度特性；

步骤4.5：若所有的乘客出行需求点的乘客偏好时间窗窗都被满足，则形成需求响应接驳公交时刻表；否则重复上述步骤4.3。

形成需求响应接驳公交时刻表后，为了对方案进一步优化，还可以设置如下步骤：

步骤4.6：确定各条路径上信息素挥发量Δτ_ij，具体为：

其中，

表示本次迭代中第s只蚂蚁在边(i，j)上留下的信息素变化量，为常数；

步骤4.7：基于得到的信息素挥发量，更新总目标函数值和局部路径上的信息素因子τ_ij(t+Δt)，具体为：

τ_ij(t+Δt)＝(1-ρ)τ_ij(t)+Δτ_ij

其中，ρ为路径上信息素的蒸发系数，0＜ρ＜1；

步骤4.8：存储当前总目标函数值和分配方案，判断是否为当前蚁群中最优解，即所有目标函数值中的最小值，若不是，则返回上述的步骤2.2，进行下一只蚂蚁的计算，否则，进行下一步；

步骤4.9：更新全局路径上的信息素因子，判断是否为所有迭代次数中的最优解，若不是，则迭代次数加1，返回步骤2.1进行新一轮迭代，否则，为全局最优解。

本发明实施例公开的基于乘客出行时间窗约束的需求响应公交调度方法以基于蚁群算法的三阶段启发式算法进行求解，参见附图2，具体包括：

第一阶段，采用蚁群算法，设计蚁群生成和转移规则，将随机的乘客出行需求分配到各条从公交始发站到主干线换乘终点站的线路上，生成候选线路；

第二阶段，针对每一条候选的公交线路，采用动态规划算法将隶属于该条路线的乘客需求分配到路线上的各个公交站点，为每个需求点完成其站点选址；

第三阶段，通过多项式算法为每条线路上的每个需求点设计最佳的乘车时间窗，完成调度。

本发明实施例中，完成一轮三阶段计算后，存储当前目标函数值和分配方案，更新各条路径上的信息素，同时当迭代次数小于最大迭代次数时，将当前迭代次数加一进入下一轮计算。

在本实施例中，乘客出行需求点和公交候选站点均为离散随机分布，只有线路的起点和终点是固定的，分别为公交始发站及换乘枢纽点。其中，公交始发站及换乘枢纽点为城市干线公共交通站点，包括但不限于地铁站点、BRT站点和干线普通公交站点。

不难发现，本实施例提供的方法高效解决了NP-hard问题，在满足乘客时间窗约束的条件下，通过最小化乘客步行接驳距离和***总出行时间，设计调度需求响应接驳公交线路与发车时刻并实现与干线公交线路相协调，增加对公交站点的选择过程来反映实际需求响应接驳公交运营状态，以基于蚁群算法框架的三阶段启发式算法嵌入动态规划与多项式算法，求解近似最优解，最终实现现实中各种需求响应接驳公交的复杂调度场景，完成需求响应接驳公交***的实时调度。

综上所述，本发明实施例提供的需求响应型接驳公交调度方法，与现有技术相比，具有以下优势：

1、将现有研究中需求响应公交线网独立的三个阶段集成在同一个算法框架内，适用于变化复杂的现实调度情况；

2、对传统的蚁群算法进行了改进，融合动态规划算法和多项式算法，使得算法能够在有限的内存和时间资源内更准确地找寻最优解；

3、对硬件配置要求较低，且具有较高求解效率，算法在不同测试场景中均表现出较好的收敛性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，包括：

步骤1：获取乘客出行需求数据和需求响应型公交始发站及换乘枢纽点的位置信息，构建总目标函数，并对总目标函数内的参数进行初始化；

步骤2：以需求响应型公交始发站为起点、以换乘枢纽点为终点，将乘客出行需求数据中乘客出行需求点按照时间窗先后排序并串联，得到多条候选路径；

步骤3：获取各条候选路径上乘客出行需求点对应的公交停靠站点候选集合，从所述公交停靠站点候选集合中选出最佳公交停靠站点，并将乘客出行需求点分配到所述最佳公交停靠站点，生成公交运营线路；

步骤4：获取所述公交运营线路上各个乘客出行需求点对应的最佳乘车时间窗，生成需求响应型接驳公交时刻表。

2.根据权利要求1所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述总目标函数具体为：

式中，U为总目标函数，D为需求响应型接驳公交路径起点的集合，M为候选公交停靠站点的集合，MS为换乘枢纽点，即路径终点的集合，

为取值为0或1的变量，t_jm为车辆从公交停靠站点候选点j行驶到点m的行驶时间，

为路径k上预计驶离公交停靠站点候选点j的时间，

为路径k上预计到达公交停靠站点候选点j的时间，D_i为需求点i的乘客数量，d_ij为乘客从需求点i到公交停靠站点候选点j的步行距离，x_ij为取值为0或1的变量，W_s为乘客平均步行速度，

和

分别为乘客偏好时间窗与公交运行时刻表偏差值的上下界。

3.根据权利要求1所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述步骤2中，采用蚁群算法获取多条候选路径，具体包括：

步骤2.1：按照所述乘客出行需求数据中乘客出行时间窗上界和下界的中间值，对乘客出行需求点进行排序，并将N只蚂蚁个体置于乘客出行时间窗的序列初始点；

步骤2.2：根据排序后的乘客出行需求点与紧邻的候选站点，生成蚁群候选路径集；

步骤2.3：基于候选路径集，确定蚂蚁个体转移路径；

步骤2.4：直至所有乘客出行需求点均被分配到从公交始发站到换乘枢纽点的线路上，得到多条候选路径。

4.根据权利要求3所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述蚁群候选路径集具体为：

其中，allowed为蚁群候选路径集，i为选择需求响应型接驳公交出行的乘客需求点，K为所有路径的集合，ψ(k)为路径k上紧邻需求点i的下一个候选站点，e_ψ(k)和l_ψ(k)分别为候选站点对应的时间窗的上界和下界，t_ψ(k)i代表候选站点和需求点i之间的出行时耗，e_i和l_i分别为需求点i对应的时间窗的上界和下界。

5.根据权利要求4所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述步骤2.3中，采用伪随机比例规则确定蚂蚁个体转移路径，具体为：

取伪随机数为q，预设参数为q₀；

若q≤q₀，则蚂蚁个体选择令参数τ_iψ(k)(t)[η_iψ(k)]^β的值最大的第k条路径作为下一步的转移路径；

若q＞q₀，则计算概率值

蚂蚁个体选择路径集合中概率值最大的第k条路径作为下一步的转移路径；

其中，m∈MS；q₀为预设参数，q₀∈(0，1]；η_iψ(k)为第k条路径上需求点i与下一个点ψ(k)之间的启发式因子；τ_iψ(k)(t)为在t时刻第k条路径上紧邻需求点i的下一个站点与需求点i之间的路径信息素因子；α为信息素相对影响程度因子；β为启发式因子相对影响程度因子。

6.根据权利要求1所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述步骤3具体包括：

步骤3.1：采用回溯法，选取一个换乘枢纽点作为候选路径的终点，从所述终点出发，根据两个站点间的公交行驶时间以及乘客走到站点候选点的步行时间之和，构建时间成本目标函数；

步骤3.2：将待求乘客出行需求点对应的时间成本目标函数的初始值设为0，并生成候选路径上待求乘客出行需求点对应的公交停靠站点候选点集合；

步骤3.3：基于所述公交停靠站点候选点集合，进行公交停靠站点选址，选取最佳公交停靠站点；

步骤3.4：将所有的乘客出行需求点分配到对应的最佳公交停靠站点，生成公交运营线路。

7.根据权利要求6所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述时间成本目标函数为：

其中，

表示从当前公交停靠站点候选点j到下一个需求点i+1对应的公交停靠站点候选点的车辆行驶时间，d_ij表示需求点i到公交停靠站点候选点j的距离，W_s指乘客平均步行速度。

8.根据权利要求1所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述步骤4具体包括：

步骤4.1：计算公交车通过公交运营线路中某条线路到达目标换乘枢纽点的预计到达时间；

步骤4.2：计算公交停靠站点候选点处的公交车预计离站时间；

步骤4.3：根据所述预计到达时间和所述预计离站时间，生成每一个公交停靠站点候选点的车辆预计到达时间区间[l_i-TD_max，l_i+TD_max]；

其中，l_i为最佳公交停靠站点所服务的乘客出行需求点i的乘客出行时间窗上界，TD_max为公交预计离开公交停靠站点候选点j的时间与乘客出行时间窗的上界之间所允许的最大差值；

步骤4.4：遍历所有公交停靠站点候选点的公交车预计到达时间区间，将最接近乘客偏好时间窗的结果，作为最终的分配结果；

步骤4.5：若所有的乘客出行需求点的乘客偏好时间窗都被满足，则形成需求响应型接驳公交时刻表。

9.根据权利要求8所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述到达目标换乘枢纽点的预计到达时间的计算公式为：

其中，

为预计到达时间，P_con为换乘枢纽点m处的干线交通发车时间，T_con为需求响应公交到达换乘枢纽点m与换乘枢纽点m发车时间之间所允许的最小时间差。

10.根据权利要求8所述的一种基于乘客出行时间窗约束的需求响应公交调度方法，其特征在于，所述步骤4还包括：

步骤4.6：确定各条公交运营线路上的信息素挥发量；

步骤4.7：基于所述信息素挥发量，更新所述总目标函数的值和局部路径上的信息素因子；

步骤4.8：判断当前总目标函数的值是否为所有总目标函数的值中的最小值，若当前总目标函数的值不是所有总目标函数的值中的最小值，返回所述步骤2，若当前总目标函数的值是所有总目标函数的值中的最小值，进行下一步；

步骤4.9：更新全局路径上的信息素因子，判断是否为所有迭代次数中的最优解，若不是所有迭代次数中的最优解，则迭代次数加1，返回所述步骤2，若是所有迭代次数中的最优解，则将当前解作为全局最优解，优化需求响应型接驳公交的行驶路径。

Images