CN112381260B - 基于进站比例的城市轨道交通客流管控优化方法 - Google Patents
基于进站比例的城市轨道交通客流管控优化方法 Download PDFInfo
- Publication number
- CN112381260B CN112381260B CN202010916429.0A CN202010916429A CN112381260B CN 112381260 B CN112381260 B CN 112381260B CN 202010916429 A CN202010916429 A CN 202010916429A CN 112381260 B CN112381260 B CN 112381260B
- Authority
- CN
- China
- Prior art keywords
- train
- passenger flow
- flow control
- proportion
- station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000013459 approach Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 241001652065 Trigonopeltastes delta Species 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于进站比例的城市轨道交通客流管控优化方法。该方法包括：获取城市轨道交通线网数据，根据列车的最小发车间隔设计平行直线列车时刻表；根据平行直线列车时刻表和城市轨道交通线网数据，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型；采用基于启发式分解的近似动态规划算法求解所述基于进站比例的客流管控策略优化模型，得出最优客流控制策略下每辆列车在每个车站的进站量。本发明从乘客进站公平性的角度，提出考虑等比例进站条件下的城市轨道交通站点进站流量优化方法，实现对早晚高峰拥挤情况下的客流精细化管控。
Description
技术领域
本发明涉及列车客流控制技术领域，尤其涉及一种基于进站比例的城市轨道交通客流管控优化方法。
背景技术
为了缓解大城市交通拥堵所带来的出行时间增大、环境污染问题，我国大力发展和建设城市轨道交通。目前，城市轨道交通***依靠自身高可靠性、大容量、低碳环保等特点，承担了主要的城市市内公共交通出行需求。随着出行需求的不断增长，城市轨道交通站点内的乘客聚集现象逐渐显现。尤其是在通勤早晚高峰需求时段，城市轨道交通***的服务能力将不能满足大量的出行需求，车厢和站台乘客的拥挤现象十分突出。城市轨道交通***在客流高峰时段的拥挤问题，对其安全高效运营带来了一定的挑战。拥挤的车厢和站台，不仅影响了乘客的出行体验，严重时还会引发拥挤踩踏等安全事故。
为了解决这一问题，我国各大城市开始对客流拥挤车站采取有效的客流管控措施。通常情况下，车站会采用站外限流的措施，将需要进站乘客控制在站外等待区域，以保证站台和车厢的客流密度处于安全阈值。在客流高峰时期，地铁列车常常处于满员的状态，如果不能对上游车站进行有效的客流控制，下游乘客则需要等待较长时间或者等待多次列车才能上车。上下游车站的客流不均衡性以及服务水平的差异，将会给城市轨道交通客流控制方案的制定带来困难与挑战。如果客流管控策略采取不得当，则会产生上下游客流服务水平的不公平问题。
现有的城市轨道交通车站客流控制策略通常为静态策略，即固定日期和时长，对于客流控制强度，即限制进站的量缺乏量化手段给与精确控制。尤其是对于线网层面的早晚高峰客流拥挤，缺乏有效的动态客流管控策略制定。虽然有部分基于乘客的OD(Originto Destination,起点到终点)对的客流控制策略，但是该方法缺少对乘客进站公平性的考虑，也缺乏对实际操作的运用。
发明内容
本发明的实施例提供了一种基于进站比例的城市轨道交通客流管控优化方法，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种基于进站比例的城市轨道交通客流管控优化方法，包括：
获取城市轨道交通线网数据，根据列车的最小发车间隔设计平行直线列车时刻表；
根据所述平行直线列车时刻表和城市轨道交通线网数据，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型；
采用基于启发式分解的近似动态规划算法求解所述基于进站比例的客流管控策略优化模型，得出最优客流控制策略下每辆列车在每个车站的进站量。
优选地，所述的获取城市轨道交通线网数据，根据列车的最小发车间隔设计平行直线列车时刻表，包括：
获取城市轨道交通线网数据，该数据包括线路的站点信息、站序信息和区间运行时分信息，设车站编号为1，2，...，M，相邻的车站i和车站j之间的区间记作i，j，列车在区间i，j之间的运行时间记作ri，j；
利用城市轨道交通运营的列车时刻表数据，提取列车最小发车间隔Δt，设置列车的客流管控时间段为t∈[1，T]，共计T个时段，每个时段的时间间隔为Δt，总时间为T·Δt；
根据城市轨道交通自动售检票***AFC数据获取历史同期的车站i在时间段t的进站客流qi，t，车站i实际的待进站量为后续时段的所有需求之和 这里t′需要满足t′＝t+wt，wt为t时刻的平均进站等待时间；
采用车辆相对坐标系，假设每个时段有一辆列车，共有N辆列车，设置第一辆列车的所有站出发时刻为时间段0，将后续每辆列车的运行时间减去第一辆车的运行时间间隔n·Δt，则相对坐标系下的列车时刻表为平行直线列车时刻表。
优选地，所述的根据所述平行直线列车时刻表和城市轨道交通线网数据，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型，包括：
设定列车到达时间间隔固定，每个OD的等待时间权重相同，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型；
目标函数为式(1)所示，其中T为总等待时间，ci，j，n为OD对(i，j)的等待时间权重，wi，j，n为第n辆列车驶出后站台的滞留人数；
min T＝∑n∑i∑jci，j，n·wi，j，n (1)
所述约束条件包括：
约束1:去往各个目的地的进站人数与等待人数比例相同
该约束由式(2)表示，wi，j，n是OD对(i，j)的等待人数，即对于列车n车站i的每个OD对(i，j)的实际进站量fi，j，n与总进站量fi，n＝∑jfi，j，n是等比例的：
约束2：上车人数不能超过列车的容量
该约束由式(3)表示，其中β为列车最大满载率，C为列车定额能力
∑i，jfi，j，n≤β·C (3)
约束3：流量守恒约束。
城市轨道交通***中，乘客总量服从总量守恒约束，即站台的滞留人数si，n＝∑jsi，j，n为总等待人数wi，n＝∑jwi，j，n减去上车人数fi，n＝∑jfi，j，n，对于下一辆列车，第n+1辆列车的待进站人数为上一辆列车的滞留人数与当前时刻n+1辆的客流需求之和，该约束由式(4)所示。
si，n＝wi，n-fi，n，wi，n+1＝di，j，n+1+si，j，n (4)
优选地，所述的采用基于启发式分解的近似动态规划算法求解所述基于进站比例的客流管控策略优化模型得出最优客流控制策略下每辆列车在每个车站的进站量，包括：
具体算法流程如下：
步骤1：对于每个列车n，计算真实的进站需求，站台上的所有等待人数为所有OD的队列的剩余人数之和，wijn＝dijn+sijn-1，状态wi，j，n代表站台上的OD对(i，j)的队列的所有等待人数，包括了t时刻新到达的客流dijn，以及上一列车滞留的乘客sijn-1；
步骤2：计算当前车辆的最优客流控制策略，通过求解松弛的线性规划子问题，将站台上的人数设置为上一时刻的最优人数，得到近似的进站人数比例；
将所述基于进站比例的客流管控策略优化模型分解为N个子模型，N为总列车数，将第n辆列车的子模型的最优解作为n+1辆车的输入；
求解客流控制优化模型的动态规划方法中，状态为每个时刻开始时的客流状况；决策为该状态演变到下一个阶段的某种选择，即进站量；决策变量的范围称为允许决策集合，即满足式(2)-(4)的可行域集合；策略为各个阶段的决策组成的序列，即客流管控策略，决策变量fi，j，n为控制的进站人数，状态集和策略集分别为wn和fn，状态转移方程gn(wn，fn)与状态集和策略集有关，
具体表达式如式(5)所示；
在满足策略控制约束的前提下，通过一个最优的策略子序列来最大化收益，如式(6)所示，其中wi，j，1为第一个列车的状态，fi，j，1，…，fi，j，N分别为车辆1到N的进站流量控制策略；
H*(wi，j，1)＝minH(wi，j，1；fi，j，1，...，fi，j，N) (6)
为第n辆车的最优策略子序列，从当前车辆n到决策最终状态，即最后一辆车N，动态规划算法则决策了有限时域的问题/>通过式(7)来进行计算，其中hn(wn，fn)为第n辆车的策略决策函数，/>为第n+1辆车的最优策略子序列，在第i个车站，去目的地车站j：
采用启发式方法进行近似求解，这里将近似取为0，
步骤3：更新流量，根据流量守恒约束，sijn＝wijn-fijn，进行流量更新；
步骤4：客流管控策略分析与评估。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例的方法从乘客进站公平性的角度，提出考虑等比例进站条件下的城市轨道交通站点进站流量优化方法，实现对早晚高峰拥挤情况下的客流精细化管控。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于进站比例的城市轨道交通客流管控优化方法的实现原理示意图；
图2为本发明实施例提供的一种基于进站比例的城市轨道交通客流管控优化方法的处理流程图；
图3为本发明实施例提供的一种调整的列车时刻表示意图；
图4为本发明实施例提供的一种基于决策阶段的启发式分解算法示意图；
图5为本发明实施例提供的一种最优客流管控策略下的进站量示意图；
图6为本发明实施例提供的一种最优管控策略下的列车满载率示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例提出了一种基于进站比例的城市轨道交通车站客流控制策略优化方法，主要由客流管控优化模型和启发式近似动态规划算法两部分组成。客流管控优化模型考虑了列车承载力的能力约束，以及乘客在进出站、上下车过程的流量守恒约束；同时，在传统基于OD客流控制模型的基础，引入基于车站的进站比例约束，即允许在站台等待的乘客以等比例的方式上车，从而提高了进站客流控制手段的公平性。由于等比例进站约束为非凸非线性约束，虽然表现为二次型约束，但是其Hessian矩阵非正定，因此求解该问题具有较高的难度和复杂性。针对现实的城市轨道交通网络规模较大，客流控制的决策变量较多的特性，提出了一种启发式动态规划算法，用于快速有效的求解该问题。将该算法与现有的基于OD限流和贪婪算法相比，验证了该算法的有效性。
在本发明的方法中，首先，运用城市轨道交通多源数据，进行场景构建并估算各个时刻待进站的客流；然后，根据实际运营需求，构建约束和优化目标，并建立客流管控策略优化模型；其次，针对模型的动态时空耦合特性，运用近似动态规划方法进行分解，设计求解算法；最后，运用上述方法对模型进行求解，得到优化的客流管控方案，进行效果评估。
本发明实施例提供的一种基于进站比例的城市轨道交通客流管控优化方法实现原理示意图如图1所示，具体处理流程如图2所示，包括如下的处理步骤：
步骤S21，基于多源数据的场景构建与参数设置。
利用城市轨道交通线网数据，获取线路的站点信息、站序信息、区间运行时分等信息。以某单线城市轨道交通线路为例，车站编号为1，2，...，N，相邻车站之间的区间记作i，j，列车在区间i和区间j之间的运行时间记作ri，j。
利用城市轨道交通运营的列车时刻表数据，提取列车最小发车间隔Δt，设置该客流管控时间段为t∈[1，T]。共计T个时段，每个时段的时间间隔为Δt，总时间为T·Δt。根据AFC(Automatic Fare Collection System，指城市轨道交通自动售检票***)数据，获取历史同期的进站客流qi，t。由于该值为实际进站量，包含了乘客的排队等待时间。假设乘客进站服从先进先出原则，则实际的待进站量为后续时段的所有需求之和这里t′需要满足t′＝t+wt，wt为t时刻的平均进站等待时间。
在客流高峰时期列车运行图通常为平行运行图，发车间隔为最小发车间隔。依据这一特性，设计列车运行图的相对坐标系。由于客流高峰期通常采用最小时间间隔追踪运行，为了简便说明，这里采用车辆相对坐标系，假设每个时段有一辆列车，共有N辆列车。设置第一辆列车的所有站出发时刻为时间段0，将后续每辆列车的运行时间减去第一辆车的运行时间间隔n·Δt，则相对坐标系下的列车时刻表为平行直线时刻表。通过该方法的处理可以大大简化优化变量维度。图3为本发明实施例提供的一种转化前后的列车时刻表，图3a)为实际时刻表，分别表示车辆的到发和停站时间；图3b)为转化后的相对坐标系下的平行时刻表，该时刻表简化了车辆的到达与离开时间，只用车辆序号进行代替。将到达车站待上车乘客的到站时间与最近的后续车辆进行匹配，即乘客到站后将选择最近的下一趟列车。如果列车能力不够，则乘客将滞留等待后续有容量的列车。
步骤2，基于进站比例的客流管控策略优化模型
城市轨道交通车站高峰期的客流管控过程的主要目的是在保障乘客公平上车的前提下，最大化的降低乘客的总等待时间。特别的，如果列车到达时间间隔固定，每个OD对的等待时间权重相同，则该问题可以转化为最大化服务人数。基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型，目标函数为式(1)所示，其中T为总等待时间，ci，j，n为OD对(i，j)的等待时间权重，wi，j，n为第n辆列车驶出后站台的滞留人数。一般情况下，ci，j，t可取为常数。
min T＝∑n∑i∑jci，j，n·wi，j，n (1)
同时，城市轨道交通客流管控过程需要满足如下约束：
所述约束条件包括：
约束1:去往各个目的地的进站人数与等待人数比例相同
该约束由式(2)表示，wi，j，n是OD对(i，j)的等待人数，即对于列车n车站i的每个OD对(i，j)的实际进站量fi，j，n与总进站量fi，n＝∑jfi，j，n是等比例的：
该约束由式(2)表示，即对于时间t车站i的每个OD对(i，j)的实际进站量fi，j，n与总进站量fi，n＝∑jfi，j，n是等比例的。例如，车站i出发的乘客有两个OD对，j1，j2，排队等待进站人数分别为40,60。如果只允许进站80人，则OD对(i，j1)的进站人数为人。
去往各个目的地的进站人数与等待人数比例相同，wi，j，n是OD对(i，j)的等待人数，即对于列车n车站i的每个OD对(i，j)的实际进站量fi，j，n与总进站量fi，n＝∑jfi，j，n是等比例的：
a)约束2：上车人数不能超过列车的容量。
由于每辆列车都有容量约束，上车的乘客人数不能超过列车容量。该约束可由式(3)表示，其中β为列车最大满载率，C为列车定额能力。通常情况，β取1.4，车辆能力C取值为70。
∑i，jfi，j，n≤β·C (3)
b)约束3：流量守恒约束。
城市轨道交通***中，乘客总量服从总量守恒约束，即站台的滞留人数si，n＝∑jsi，j，n为总等待人数wi，n＝∑jwi，j，n减去上车人数fi，n＝∑jfi，j，n，对于下一辆列车，第n+1辆列车的待进站人数为上一辆列车的滞留人数与当前时刻n+1辆的客流需求之和，该约束由式(4)所示。
si，n＝wi，n-fi，n，wi，n+1＝di，j，n+1+si，j，n (4)
综上所述，客流管控优化模型由式(1)-(4)组成。该模型通过加入进站比例约束来近似描述进站客流的先进先出过程，能够公平地分配各个OD的进站资源。由于约束(2)为非线性非凸约束，使得该问题在精确求解时较为困难。下面将介绍求解方法。
步骤3：基于启发式分解的近似动态规划算法
城市轨道交通运行过程具有动态性，可以分成若干个互相联系的阶段。每个阶段可看做一辆列车的流量控制过程，通过每个阶段做成决策，从而使整个过程得到优化的效果。当各个阶段决策确定后，也就确定了整个过程的一个决策序列。在城市轨道交通客流的多阶段决策问题中，各个阶段采取的决策依赖于当前的车辆和客流状态，同时由流量守恒约束引起状态的转移，因此该多阶段决策最优化过程可以由动态规划方法进行求解。图4为本发明实施例提供的一种基于决策阶段的启发式分解算法示意图。
由于原问题是非线性非凸问题，二次约束非正定，因此本问题目前没有有效的精确算法进行求解。考虑该优化问题具有时间序列特性，采用动态时间分解的思想，将模型分解为T个子模型(T为总时间段)，将t时刻的子模型的最优解作为t+1时刻的输入，状态wi，j，t代表站台上的所有等待人数，包括了t时刻新到达的客流，以及上一时刻滞留的乘客。
求解客流控制优化模型的动态规划方法中，状态为每个时刻开始时的客流状况；决策为该状态演变到下一个阶段的某种选择，即进站量；决策变量的范围称为允许决策集合，即满足约束(2)-(4)的可行域集合；策略为各个阶段的决策组成的序列，即客流管控策略。
决策变量fi，j，n为控制的进站人数，状态集和策略集分别为wn和fn，状态转移方程gn(wn，fn)与状态集和策略集有关，具体表达式如式(5)所示；
在满足策略控制约束的前提下，通过一个最优的策略子序列来最大化收益，如式(6)所示，其中wi，j，1为第一个列车的状态，fi，j，1，…，fi，j，N分别为车辆1到N的进站流量控制策略；
H*(wi，j，1)＝minH(wi，j，1；fi，j，1，...，fi，j，N) (6)
为第n辆车的最优策略子序列，从当前车辆n到决策最终状态，即最后一辆车N，动态规划算法则决策了有限时域的问题/>通过式(7)来进行计算，其中hn(wn，fn)为第n辆车的策略决策函数，/>为第n+1辆车的最优策略子序列，在第i个车站，去目的地车站j：
由于模型为时空耦合的状态资源约束，在求解时非常复杂。为了进行简便计算，这里采用启发式方法进行近似求解，这里将近似取为0，
具体算法流程如下：
步骤1：对于每个列车n，计算真实的进站需求，站台上的所有等待人数为所有OD的队列的剩余人数之和，wijn＝dijn+sijn-1，状态wi，j，n代表站台上的OD对(i，j)的队列的所有等待人数，包括了t时刻新到达的客流dijn，以及上一列车滞留的乘客sijn-1；
步骤2：计算当前车辆的最优客流控制策略。通过求解松弛的线性规划子问题，将站台上的人数设置为上一时刻的最优人数，得到近似的进站人数比例。
步骤3：更新流量。根据流量守恒约束，sijn＝wijn-fijn，进行流量更新。
步骤4：客流管控策略分析与评估
运用上述启发式近似动态规划算法对客流控制模型进行，可以得出最优客流控制策略下每辆列车在每个车站的进站量，图5为本发明实施例提供的一种最优客流管控策略下的进站量示意图。由于该模型考虑了进站比例约束，因此在该客流控制策略下，每个车站的不同OD对的进站量比例相同。与传统的基于OD的客流控制策略相比，该策略能大大降低不同OD的进站比例差异，有效的提高了客流控制的公平性。
本发明实施例所提出的方法还可以得到列车在不同时刻的满载率，图6为本发明实施例提供的一种最优管控策略下的列车满载率示意图，由图6可以看出，深色区域为满载率较大的区域，由于该线的客流OD特性，车站2-12为客流拥挤区域，客流控制策略能够有效的降低车辆满载率。
综上所述，本发明实施例的方法从乘客进站公平性的角度，提出考虑等比例进站条件下的城市轨道交通站点进站流量优化方法，实现对早晚高峰拥挤情况下的客流精细化管控。
本发明提供的算法与传统的先到先服务的客流控制方法相比，能够平均降低约6％的乘客总等待时间；与基于OD的客流控制方法相比，能够实现完全的按比例分配客流进站，提高了客流服务的均衡性。同时，本发明提供的客流控制方法为基于车站进站总量的客流控制策略，更易于实际的城市轨道交通客流管理。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于进站比例的城市轨道交通客流管控优化方法，其特征在于，包括：
获取城市轨道交通线网数据，根据列车的最小发车间隔设计平行直线列车时刻表；
根据所述平行直线列车时刻表和城市轨道交通线网数据，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型；
采用基于启发式分解的近似动态规划算法求解所述基于进站比例的客流管控策略优化模型，得出最优客流控制策略下每辆列车在每个车站的进站量；
所述的根据所述平行直线列车时刻表和城市轨道交通线网数据，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型，包括：
设定列车到达时间间隔固定，每个起点到终点OD的等待时间权重相同，基于设定的约束条件和目标函数建立基于进站比例的客流管控策略优化模型；
目标函数为式(1)所示，其中T为总等待时间，相邻的车站i和车站j之间的区间记作i,j，ci,j,n为OD对(i,j)的等待时间权重，wi,j,n为第n辆列车驶出后站台的滞留人数；
min T＝∑n∑i∑jci,j,n·wi,j,n (1)
所述约束条件包括：
约束1:去往各个目的地的进站人数与等待人数比例相同
该约束由式(2)表示，wi,j,n是OD对(i,j)的等待人数，即对于列车n车站i的每个OD对(i,j)的实际进站量fi,j,n与总进站量fi,n＝∑jfi,j,n是等比例的：
约束2：上车人数不能超过列车的容量
该约束由式(3)表示，其中β为列车最大满载率，C为列车定额能力
∑i,jfi,j,n≤β·C (3)
约束3：流量守恒约束
城市轨道交通***中，乘客总量服从总量守恒约束，即站台的滞留人数si,n＝∑jsi,j,n为总等待人数wi,n＝∑jwi,j,n减去上车人数fi,n＝∑jfi,j,n，对于下一辆列车，第n+1辆列车的待进站人数为上一辆列车的滞留人数与当前时刻n+1辆的客流需求之和，该约束由式(4)所示：
si,n＝wi,n-fi,n,wi,n+1＝di,j,n+1+si,j,n (4)
di,j,n+1表示第n+1辆的客流需求；
所述的采用基于启发式分解的近似动态规划算法求解所述基于进站比例的客流管控策略优化模型得出最优客流控制策略下每辆列车在每个车站的进站量，包括：
具体算法流程如下：
步骤1：对于每个列车n，计算真实的进站需求，站台上的所有等待人数为所有OD的队列的剩余人数之和，wijn＝dijn+sijn-1，状态wi,j,n代表站台上的OD对(i,j)的队列的所有等待人数，包括了t时刻新到达的客流dijn，以及上一列车滞留的乘客sijn-1；
步骤2：计算当前车辆的最优客流控制策略，通过求解松弛的线性规划子问题，将站台上的人数设置为上一时刻的最优人数，得到近似的进站人数比例；
将所述基于进站比例的客流管控策略优化模型分解为N个子模型，N为总列车数，将第n辆列车的子模型的最优解作为n+1辆车的输入；
求解客流控制优化模型的动态规划方法中，状态为每个时刻开始时的客流状况；决策为该状态演变到下一个阶段的某种选择，即进站量；决策变量的范围称为允许决策集合，即满足式(2)-(4)的可行域集合；策略为各个阶段的决策组成的序列，即客流管控策略，决策变量fi,j,n为控制的进站人数，状态集和策略集分别为wn和fn，状态转移方程gn(wn,fn)与状态集和策略集有关，具体表达式如式(5)所示；
在满足策略控制约束的前提下，通过一个最优的策略子序列来最大化收益，如式(6)所示，其中wi,j,1为第一个列车的状态，fi,j,1,…,fi,j,N分别为车辆1到N的进站流量控制策略；
H*(wi,j,1)＝min H(wi,j,1；fi,j,1,…,fi,j,N) (6)
为第n辆车的最优策略子序列，从当前车辆n到决策最终状态，即最后一辆车N，动态规划算法则决策了有限时域的问题/>通过式(7)来进行计算，其中hn(wn,fn)为第n辆车的策略决策函数，/>为第n+1辆车的最优策略子序列，在第i个车站，去目的地车站j：
采用启发式方法进行近似求解，这里将近似取为0，
步骤3：更新流量，根据流量守恒约束，sijn＝wijn-fijn，进行流量更新；
步骤4：客流管控策略分析与评估。
2.根据权利要求1所述的方法，其特征在于，所述的获取城市轨道交通线网数据，根据列车的最小发车间隔设计平行直线列车时刻表，包括：
获取城市轨道交通线网数据，该数据包括线路的站点信息、站序信息和区间运行时分信息，设车站编号为1,2,…,M，列车在区间i,j之间的运行时间记作ri,j；
利用城市轨道交通运营的列车时刻表数据，提取列车最小发车间隔Δt，设置列车的客流管控时间段为t∈[1,T]，共计T个时段，每个时段的时间间隔为Δt，总时间为T·Δt；
根据城市轨道交通自动售检票***AFC数据获取历史同期的车站i在时间段t的进站客流qi,t，车站i实际的待进站量为后续时段的所有需求之和 这里t′需要满足t′＝t+wt，wt为t时刻的平均进站等待时间；
采用车辆相对坐标系，假设每个时段有一辆列车，共有N辆列车，设置第一辆列车的所有站出发时刻为时间段0，将后续每辆列车的运行时间减去第一辆车的运行时间间隔n·Δt，则相对坐标系下的列车时刻表为平行直线列车时刻表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010916429.0A CN112381260B (zh) | 2020-09-03 | 2020-09-03 | 基于进站比例的城市轨道交通客流管控优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010916429.0A CN112381260B (zh) | 2020-09-03 | 2020-09-03 | 基于进站比例的城市轨道交通客流管控优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381260A CN112381260A (zh) | 2021-02-19 |
| CN112381260B true CN112381260B (zh) | 2023-11-17 |
Family
ID=74586162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010916429.0A Active CN112381260B (zh) | 2020-09-03 | 2020-09-03 | 基于进站比例的城市轨道交通客流管控优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381260B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408859B (zh) * | 2021-05-26 | 2022-05-20 | 上海工程技术大学 | 一种考虑客流管控措施的城市轨道交通线路客流与列车匹配方法 |
| CN113379222B (zh) * | 2021-06-04 | 2024-02-27 | 大连海事大学 | 一种基于实时需求信息的城市轨道交通客流控制方法 |
| CN114021796B (zh) * | 2021-10-27 | 2023-09-12 | 北京轨道交通路网管理有限公司 | 城市轨道交通控流方法、装置及非易失性存储介质 |
| CN116756808B (zh) * | 2023-05-23 | 2024-04-23 | 济青高速铁路有限公司 | 一种铁路线形优化方法、装置、电子设备及存储介质 |
| CN116757400B (zh) * | 2023-05-25 | 2023-12-22 | 北京交通大学 | 城市轨道交通车站限流方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010018221A (ja) * | 2008-07-14 | 2010-01-28 | Railway Technical Res Inst | プログラム、旅客流動推定装置、運転整理案作成装置、旅客流動推定方法及び運転整理案作成方法 |
| CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及*** |
| CN106875314A (zh) * | 2017-01-31 | 2017-06-20 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
| WO2017169068A1 (ja) * | 2016-03-30 | 2017-10-05 | 株式会社日立製作所 | 列車降車人数予測システム、混雑可視化・評価システム、および乗車可能人数算出システム |
| CN107705039A (zh) * | 2017-10-27 | 2018-02-16 | 华东交通大学 | 基于客流需求的城市轨道交通客流精细化控制方法及*** |
| CN110245806A (zh) * | 2019-06-24 | 2019-09-17 | 北京交通大学 | 一种城市轨道交通客流管控方法与*** |
| WO2019184724A1 (zh) * | 2018-03-30 | 2019-10-03 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整***及方法 |
| CN111353639A (zh) * | 2020-02-26 | 2020-06-30 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
-
2020
- 2020-09-03 CN CN202010916429.0A patent/CN112381260B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010018221A (ja) * | 2008-07-14 | 2010-01-28 | Railway Technical Res Inst | プログラム、旅客流動推定装置、運転整理案作成装置、旅客流動推定方法及び運転整理案作成方法 |
| CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及*** |
| WO2017169068A1 (ja) * | 2016-03-30 | 2017-10-05 | 株式会社日立製作所 | 列車降車人数予測システム、混雑可視化・評価システム、および乗車可能人数算出システム |
| CN106875314A (zh) * | 2017-01-31 | 2017-06-20 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
| CN107705039A (zh) * | 2017-10-27 | 2018-02-16 | 华东交通大学 | 基于客流需求的城市轨道交通客流精细化控制方法及*** |
| WO2019184724A1 (zh) * | 2018-03-30 | 2019-10-03 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整***及方法 |
| CN110245806A (zh) * | 2019-06-24 | 2019-09-17 | 北京交通大学 | 一种城市轨道交通客流管控方法与*** |
| CN111353639A (zh) * | 2020-02-26 | 2020-06-30 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
Non-Patent Citations (5)
| Title |
|---|
| Haodong Yin,Jianjun Wu,Zhiyuan Liu.Optimizing the release of passenger flow guidance information in urban rail transit network via agent-based simulation.Applied Mathematical Modelling.2019,第72卷全文. * |
| Urban Rail Timetable Optimization to Improve Operational Efficiency with Flexible Routing Plans: A Nonlinear Integer Programming Model;Qiuchi Xue, Xin Yang, Jianjun Wu;Sustainability;第11卷(第13期);全文 * |
| 城市轨道交通路网运输能力分析与计算方法研究;党彤彤;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;全文 * |
| 城市轨道交通高峰线路客流协同控制方法;***, 彭其渊, 鲁工圆 等;交通运输***工程与信息;第19卷(第06期);全文 * |
| 运营中断条件下城市轨道交通乘客出行行为建模与客流诱导优化研究;尹浩东;中国博士学位论文全文数据库工程科技Ⅱ辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381260A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381260B (zh) | 基于进站比例的城市轨道交通客流管控优化方法 | |
| Su et al. | Design of running grades for energy-efficient train regulation: a case study for beijing yizhuang line | |
| Yuan et al. | Passenger flow control strategies for urban rail transit networks | |
| CN109859459B (zh) | 一种自动驾驶公交调度优化方法 | |
| Wang et al. | Train scheduling and circulation planning in urban rail transit lines | |
| WO2021083232A1 (zh) | 一种网联公交车到站停靠管理优化方法 | |
| CN105488751A (zh) | 一种地铁站客流微观统计与调度方法 | |
| CN112214873B (zh) | 一种轨道交通故障下的客流分布仿真评估方法及*** | |
| D’Acierno et al. | Defining reserve times for metro systems: An analytical approach | |
| Li et al. | Comprehensive optimization of a metro timetable considering passenger waiting time and energy efficiency | |
| CN111859718B (zh) | 一种区域多制式轨道交通车站拥挤系数计算方法及*** | |
| CN106379379B (zh) | 一种城市轨道交通乘客上下车时间的预测方法 | |
| CN108876028A (zh) | 一种基于生存分析的公共交通周转时间预测方法及装置 | |
| Zhou et al. | Metro scheduling to minimize travel time and operating cost considering spatial and temporal constraints on passenger boarding | |
| Wang et al. | A simulation-based metro train scheduling optimization incorporating multimodal coordination and flexible routing plans | |
| Shi et al. | Safety-oriented train timetabling and stop planning with time-varying and elastic demand on overcrowded commuter metro lines | |
| Zhang et al. | A multistage decision optimization approach for train timetable rescheduling under uncertain disruptions in a high-speed railway network | |
| Zhang et al. | A general metro timetable rescheduling approach for the minimisation of the capacity loss after random line disruption | |
| CN112200372A (zh) | 一种大型空港枢纽陆侧综合交通优化乘客分担率计算及乘客引导方法 | |
| CN112784204B (zh) | 面向不确定需求的列车时刻表与客流控制鲁棒优化方法 | |
| Liu et al. | Spatiotemporal synchronous coupling algorithm for urban rail transit timetables design under dynamic passenger demand | |
| CN111859717B (zh) | 最小化区域多制式轨道交通旅客拥挤系数的方法及*** | |
| CN114298385A (zh) | 考虑客流影响和再生制动能利用的地铁列车延误调整方法 | |
| CN111931386A (zh) | 一种区域多制式轨道交通区间拥挤系数计算方法及*** | |
| Lu et al. | Train Timetable Optimization for Metro Lines Connecting to Airport |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |