CN113269475B - 一种基于遗传算法的公交排班调度方法及*** - Google Patents
一种基于遗传算法的公交排班调度方法及*** Download PDFInfo
- Publication number
- CN113269475B CN113269475B CN202110720010.2A CN202110720010A CN113269475B CN 113269475 B CN113269475 B CN 113269475B CN 202110720010 A CN202110720010 A CN 202110720010A CN 113269475 B CN113269475 B CN 113269475B
- Authority
- CN
- China
- Prior art keywords
- station
- waiting time
- shift
- time
- different
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 49
- 239000000126 substance Substances 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的公交排班调度方法及***,该方法包括以下步骤:S1、按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始发班班次;S2、统计每个站点的刷卡数量,并赋予不同站点不同的权重系数;S3、通过遗传算法不断迭代计算每个站点最小平均候车时间和所有候车时间的标准差,来调整每条线路不同时段的发班次数。有益效果:本发明相比穷举法遍历所有线路的可能结果,采用遗传算法调参能更快的时间获取不同路线的最优的发班次数,从而可以更快计算出更小的候车时间以及候车时间标准差。
Description
技术领域
本发明涉及智能交通技术领域,具体来说,涉及一种基于遗传算法的公交排班调度方法及***。
背景技术
合理的公交调度排班,不仅能减少一天内总的发班班次,同时也能减少乘客的候车时间,增加乘客的乘车意愿。现有的公交调度***大都是调整一天内的发次频次,或是只考虑某个高峰期的情况,又或是只考虑单一的候车时间作为优化指标,并没有考虑站点一天的客流量变化情况。在实际情况下,一天当中的每个站点的客流量有不同的多个非连续高峰期和多个非连续的非高峰期,因此,在发车班次一定的情况下,如何引入多个非连续高峰期或非高峰期作为参考,如何给站点分配不同的计算站点权重,调整不同线路的不同时段的发次频次,以满足乘客的乘车需求,成为一个亟待解决的问题。
发明内容
针对相关技术中的问题,本发明提出一种基于遗传算法的公交排班调度方法及***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于遗传算法的公交排班调度方法,该方法包括以下步骤:
S1、按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次;
S2、统计每个站点的刷卡数量,并赋予不同站点不同的权重系数;比如站点a和站点b的刷卡数量分别为1万和9万,那么总候车时间为:0.1*站点a的平均候车时间+0.9*站点b的平均候车时间,也就是说,想要最小化候车时间,那就尽可能的使站点b的平均候车时间越小,使得站点b的乘客更愿意乘坐公交,而非乘坐其他交通工具,能使公交经济效益最大化。
S3、依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差。
进一步的,所述S1中按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次包括以下步骤:
S11、按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算;
S12、获取交通出行量对之间的所有线路,并根据历史过去7天中每条线路站点的平均刷卡数量将一天分为6个不同时段进行统计;
S13、根据每个时段的刷卡数量,并结合当前线路总的发班班次,得到不同线路的不同时段的初始化班次。
例如:10号线每天总发班班次为50次,在过去7天内,平均每天乘客总刷卡数量为5万,而早上6点到9点的每天平均乘客刷卡数量为2万,则10号线在早上6点到9点的初始发班班次为50*2/5=10次,其他时段的初始发班班次也依次类似计算。
进一步的,所述S13中初始化班次的计算公式如下:
bi j=pi×btotal/ptotal;
其中,pi表示每个时段平均刷卡数量,btotal表示当前线路总的发班班次,ptotal表示当前线路当天总的刷卡量。
进一步的,所述S2中站点的权重系数的计算公式如下:
WSi=pSi/ptotal;
其中,pSi表示站点的刷卡数量,ptotal表示当前线路当天总的刷卡量,Si为表示交通出行量对的上站站点的含义。
进一步的,所述S3中依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差包括以下步骤:
S31、确定互相影响候车时间的上站和下站交通出行量对及对应的线路组,并对互相影响的线路进行分组处理;
S32、依据出发时间,计算每个交通出行量对的到站时间;
S33、计算单个上站和下站交通出行量对的候车时间和候车时间标准差;
S34、计算全部上站和下站交通出行量对的带权重的候车时间和候车时间标准差;
S35、对于遗传算法调参互相影响的交通出行量对的所有线路的初始化班次列表的6个时段的发班班次,在保持总班次不变的情况下加上班次偏移列表,得到新的班次列表,并由新的班次列表得到新的带权重的候车时间标准差和带权重的候车时间,同时通过遗传算法不断迭代计算,最小化带权重的候车时间标准差和带权重的候车时间的两个参数;
S36、通过获取的班次偏移列表来构建每条线路最佳的发班班次列表。进一步的,所述S32中到站时间的计算公式如下:
tarrival=tdepartment+r/v;
其中,tdepartment表示发车时间,r表示上站站点距离发车点的线路长度,v表示公交平均时速。
进一步的,所述S33中计算单个上站和下站交通出行量对的候车时间和候车时间标准差包括以下步骤:
S331、设定每个上站和下站的交通出行量对的所有路线的到站时间列表为Tarrival,其中,到站时间列表Tarrival的公式如下:
S332、计算交通出行量对的候车时间,其中,候车时间Twait的计算公式如下:
S333、计算交通出行量对的平均候车时间,其中,平均候车时间tavg-wait的计算公式如下:
S334、计算交通出行量对的候车时间的标准差,其中,候车时间的标准差σavg-wait的计算公式如下:
进一步的,所述S34中计算全部上站和下站交通出行量对的带权重的候车时间和候车时间标准差包括以下步骤:
S341、设定全部上站和下站交通出行量对的带权重的候车时间为tavg-wait-weight,其中,带权重的候车时间tavg-wait-weight的计算公式如下:
S342、计算全部上站和下站交通出行量对的带权重的候车时间标准差σavg-wait-weight,其中,带权重的候车时间标准差σavg-wait-weight的计算公式如下:
进一步的,所述S35中在保持总班次不变的情况下加上班次偏移列表还包括:调试不同的参数值,并采用遗传算法对每个分组的线路依次取值偏移列表进行调整,其中,所述采用遗传算法对每个分组的线路依次取值偏移列表进行调整包括以下步骤:
先对偏移列表取值结果的参数进行二进制编码;
进行遗传算法中的轮盘赌选择操作;
进行交叉、变异操作,通过最小化带权重的候车时间标准差和带权重的候车时间的两个参数作为评价函数,获取更优的班次偏移列表。
根据本发明的另一个方面,提供了一种基于遗传算法的公交排班调度***,该***包括基于时段的发班班次初始化模块、站点权重计算模块、基于遗传算法的站点候车时间及标准差计算模块;
其中,所述基于时段的发班班次初始化模块用于按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次;
所述站点权重计算模块用于统计每个站点的刷卡数量,并赋予不同站点不同的权重系数;
所述基于遗传算法的站点候车时间及标准差计算模块用于依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差。
本发明的有益效果为:
1)、本发明采用基于时段的发班班次初始化模块,将一天划分为6个时段,6个时段的划分更能反应出一天内多个非连续高峰期和多个非连续的非高峰期的客流状况,减少不必要的增发班次的概率。此外,本发明通过采用站点权重计算模块使得乘客越多的站点的平均候车时间越少,乘客更愿意乘坐公交,而非乘坐其他交通工具,能使公交经济效益最大化。
2)、本发明所述的基于遗传算法的站点候车时间以及候车时间标准差计算模块,采用的候车时间以及候车时间标准差这两个指标优化,比单一的采用候车时间的优化要更能增加乘客的乘车意愿。采用了遗传算法进行编码、选择、交叉、变异进行不同时段的发班频次调整,根据候车时间和所有候车时间的标准差这两个评价指标获取最优的参数,相比穷举法遍历所有线路的可能结果,采用遗传算法调参能更快的时间获取不同路线的最优的发班次数,从而更快计算出更小的候车时间以及候车时间标准差。
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是根据本发明实施例的一种基于遗传算法的公交排班调度方法的流程图;
图2是根据本发明实施例的一种基于遗传算法的公交排班调度方法中互相影响候车时间的上站和下站OD对的线路分组的原理示意图;
图3是根据本发明实施例的一种基于遗传算法的公交排班调度方法中遗传算法调参互相影响的OD对的所有线路的初始化班次列表的流程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于遗传算法的公交排班调度方法及***。
现结合附图和具体实施方式对本发明进一步说明,如图1-3所示,根据本发明的一个实施例,提供了一种基于遗传算法的公交排班调度方法,该方法包括以下步骤:
S1、按照客流量数量由高至低引入前n(比如200)的上站和下站的交通出行量(OD)对进行计算及分析,得到不同线路的不同时段的初始化班次;
其中,所述S1中按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次包括以下步骤:
S11、按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算,并将一天分6个不同时段进行统计;例如:早上6点到9点、早上9点到中午12点、中午12点到下午3点、下午3点到下午6点、下午6点到晚上9点、晚上9点到晚上12点。
S12、获取交通出行量对之间的所有线路,并根据历史过去7天中每条线路站点的平均刷卡数量将一天分为6个不同时段进行统计;
S13、根据每个时段的刷卡数量,并结合当前线路总的发班班次,得到不同线路的不同时段的初始化班次。
具体的,所述初始化班次通过每个时段的刷卡数量pi与该线路当天总的刷卡量ptotal之比,并乘以当前线路总的发班班次btotal得到,其计算公式如下:
其中,pi表示每个时段平均刷卡数量,btotal表示当前线路总的发班班次,ptotal表示当前线路当天总的刷卡量。
例如:10号线每天总发班班次为50次,在过去7天内,平均每天乘客总刷卡数量为5万,而早上6点到9点的每天平均乘客刷卡数量为2万,则10号线在早上6点到9点的初始发班班次为50*2/5=10次,其他时段的初始发班班次也依次类似计算,线路j的不同时段的初始化班次列表Bj可用下式表示:
S3、基于遗传算法的站点候车时间以及标准差计算模块。先是确定每个上站和下站的交通出行量对的所有可通达的互相构成候车时间的线路,通过所有线路调整后,根据出发时间,估算每个交通出行量对的到站时间,从而计算出每个上站和下站交通出行量对的最小平均候车时间和所有候车时间的标准差,能精确的反馈出乘客是否乘坐公交的意愿,能将公交经济效益最大化。采用的遗传算法进行编码、选择、交叉、变异,对不同时段的发班频次调整,根据候车时间和所有候车时间的标准差这两个评价指标获取最优的参数。
其中,所述S3包括以下步骤:
S31、确定互相影响候车时间的上站和下站交通出行量对及对应的线路组L=[l1,l2,…,li],并对互相影响的线路进行分组处理;如图2所示,站点a到站点b的OD对有1号线l1和2号线l2,站点c到站点d的OD对有2号线l2和3号线l3,站点e到站点f的OD对有4号线l4和5号线l5。因为站点a到站点b的OD与站点c到站点d的OD有共同2号线l2,所以分为一组[l1,l2,l3],而站点e到站点f的OD的线路与之前的没有交集,不会影响到第一组的候车时间,所以独自构成了一组[l4,l5],那么总的互相影响候车时间的线路组[[l1,l2,l3],[l4,l5]],所以总的互相影响候车时间的线路组,可用下式表示:
Lgroup=[[li1,…,lin],…,[lj1,…,ljn]];
其中,lin和ljn互相之间表示不同线路,分组的优点是每个分组互相之间可以独立计算,互不影响,减少后续计算中的的排列组合数量。
S32、依据出发时间,计算每个交通出行量对的到站时间,假如1号线,在6点到9点这个时段发班18次,也就是初始化班次列表Bj中的发班时间是6点整,那么发车时间tdepartment依次是6:00,6:10,6:20...8:50,9:00;
具体的,所述S32中到站时间的计算公式如下:
tarrival=tdepartment+r/v;
其中,tdepartment表示发车时间,r表示上站站点距离发车点的线路长度,v表示公交平均时速。
其他线路获取其他时段也是类似计算得到到站时间。
S33、计算单个上站和下站交通出行量对的候车时间和候车时间标准差;
具体的,所述S33中计算单个上站和下站交通出行量对的候车时间和候车时间标准差包括以下步骤:
S331、设定每个上站和下站的交通出行量对的所有路线的到站时间列表为Tarrival,其中,到站时间列表Tarrival的公式如下:
S332、计算交通出行量对的候车时间,其中,候车时间Twait的计算公式如下:
S333、计算交通出行量对的平均候车时间,其中,平均候车时间tavg-wait的计算公式如下:
S334、计算交通出行量对的候车时间的标准差,其中,候车时间的标准差σavg-wait的计算公式如下:
S34、计算全部上站和下站交通出行量对的带权重的候车时间和候车时间标准差;
具体的,所述S34中计算全部上站和下站交通出行量对的带权重的候车时间和候车时间标准差包括以下步骤:
S341、设定全部上站和下站交通出行量对的带权重的候车时间为tavg-wait-weight,其中,带权重的候车时间tavg-wait-weight的计算公式如下:
S342、计算全部上站和下站交通出行量对的带权重的候车时间标准差σavg-wait-weight,其中,带权重的候车时间标准差σavg-wait-weight的计算公式如下:
S35、遗传算法调参互相影响的OD对的所有线路的初始化班次列表Bj的6个时段的发班班次,在保持总班次不变的情况下,6个时段的发班班次都可以加上班次偏移列表[n1,n2,n3,n4,n5,n6],由此可以得到新的班次列表Bj,比如6个时段的发班班次列表为[30,20,10,10,20,30],经过取值班次偏移列表[n1,n2,n3,n4,n5,n6]调整后,得到新的班次列表[32,18,6,14,29,31],由新的班次列表可以得到新的带权重的候车时间标准差σavg-wait-weight和带权重的候车时间tavg-wait-weight,通过遗传算法不断迭代计算,最小化带权重的候车时间标准差σavg-wait-weight和带权重的候车时间tavg-wait-weight这两个参数;这两个最小化目标函数可以表示为:
minσavg-wait-weight,mintavg-wait-weight;
约束条件为:
n1,n2,n3,n4,n5,n6∈[-5,-4,-3,-2,-1,0,1,2,3,4,5,]
n1+n2+n3+n4+n5+n6=0。
对于步骤S35中涉及到的6个时段的发班班次都可以加上的班次偏移列表。需要调试不同的参数值,才能获取最优的结果,本发明采用遗传算法对每个分组的线路依次取值偏移列表进行调整,如图3所示:
先对偏移列表取值结果的参数进行二进制编码;
进行遗传算法中的轮盘赌选择操作;
进行交叉、变异操作,通过最小化带权重的候车时间标准差σavg-wait-weight和带权重的候车时间tavg-wait-weight的两个参数作为评价函数,获取更优的班次偏移列表[n1,n2,n3,n4,n5,n6]。
S36、通过获取的班次偏移列表构建每条线路最佳的发班班次列表。
根据本发明的另一个实施例,提供了一种基于遗传算法的公交排班调度***,该***包括基于时段的发班班次初始化模块、站点权重计算模块、基于遗传算法的站点候车时间及标准差计算模块;
其中,所述基于时段的发班班次初始化模块用于按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次;
所述站点权重计算模块用于统计每个站点的刷卡数量,并赋予不同站点不同的权重系数;
所述基于遗传算法的站点候车时间及标准差计算模块用于依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差。
综上所述,借助于本发明的上述技术方案,本发明采用基于时段的发班班次初始化模块,将一天划分为6个时段,6个时段的划分更能反应出一天内多个非连续高峰期和多个非连续的非高峰期的客流状况,减少不必要的增发班次的概率。此外,本发明通过采用站点权重计算模块使得乘客越多的站点的平均候车时间越少,乘客更愿意乘坐公交,而非乘坐其他交通工具,能使公交经济效益最大化。
此外,本发明所述的基于遗传算法的站点候车时间以及候车时间标准差计算模块,采用的候车时间以及候车时间标准差这两个指标优化,比单一的采用候车时间的优化要更能增加乘客的乘车意愿。采用了遗传算法进行编码、选择、交叉、变异进行不同时段的发班频次调整,根据候车时间和所有候车时间的标准差这两个评价指标获取最优的参数,相比穷举法遍历所有线路的可能结果,采用遗传算法调参能更快的时间获取不同路线的最优的发班次数,从而更快计算出更小的候车时间以及候车时间标准差。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于遗传算法的公交排班调度方法,其特征在于,该方法包括以下步骤:
S1、按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次;
S2、统计每个站点的刷卡数量,并赋予不同站点不同的权重系数;
S3、依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差;
其中,所述S1中按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次包括以下步骤:
S11、按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算;
S12、获取交通出行量对之间的所有线路,并根据历史过去7天中每条线路站点的平均刷卡数量将一天分为6个不同时段进行统计;
S13、根据每个时段的刷卡数量,并结合当前线路总的发班班次,得到不同线路的不同时段的初始化班次;
所述S13中初始化班次的计算公式如下:
所述S3中依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差包括以下步骤:
S31、确定互相影响候车时间的上站和下站交通出行量对及对应的线路组,并对互相影响的线路进行分组处理;
S32、依据出发时间,计算每个交通出行量对的到站时间;
S33、计算单个上站和下站交通出行量对的候车时间和候车时间标准差;
S34、计算全部上站和下站交通出行量对的带权重的候车时间和候车时间标准差;
S35、对于遗传算法调参互相影响的交通出行量对的所有线路的初始化班次列表的6个时段的发班班次,在保持总班次不变的情况下加上班次偏移列表,得到新的班次列表,并由新的班次列表得到新的带权重的候车时间标准差和带权重的候车时间,同时通过遗传算法不断迭代计算,最小化带权重的候车时间标准差和带权重的候车时间的两个参数;
S36、通过获取的班次偏移列表构建每条线路最佳的发班班次列表;
所述S34中计算全部上站和下站交通出行量对的带权重的候车时间和候车时间标准差包括以下步骤:
4.根据权利要求1所述的一种基于遗传算法的公交排班调度方法,其特征在于,所述S33中计算单个上站和下站交通出行量对的候车时间和候车时间标准差包括以下步骤:
其中,N1表示到达上站站点的时间的个数,表示为第i个班次的到站时间。
5.根据权利要求1所述的一种基于遗传算法的公交排班调度方法,其特征在于,所述S35中在保持总班次不变的情况下加上班次偏移列表还包括:调试不同的参数值,并采用遗传算法对每个分组的线路依次取值偏移列表进行调整,其中,所述采用遗传算法对每个分组的线路依次取值偏移列表进行调整包括以下步骤:
先对偏移列表取值结果的参数进行二进制编码;
进行遗传算法中的轮盘赌选择操作;
进行交叉、变异操作,通过最小化带权重的候车时间标准差和带权重的候车时间的两个参数作为评价函数,获取更优的班次偏移列表。
6.一种基于遗传算法的公交排班调度***,用于实现权利要求1-5中任一所述的基于遗传算法的公交排班调度方法的步骤,其特征在于,该***包括基于时段的发班班次初始化模块、站点权重计算模块、基于遗传算法的站点候车时间及标准差计算模块;
其中,所述基于时段的发班班次初始化模块用于按照客流量数量由高至低引入预设数量的上站和下站的交通出行量对进行计算及分析,得到不同线路的不同时段的初始化班次;
所述站点权重计算模块用于统计每个站点的刷卡数量,并赋予不同站点不同的权重系数;
所述基于遗传算法的站点候车时间及标准差计算模块用于依据每条线路不同时段进行不同的发班次数调整,并通过遗传算法计算每个站点最小平均候车时间和所有候车时间的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720010.2A CN113269475B (zh) | 2021-06-28 | 2021-06-28 | 一种基于遗传算法的公交排班调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720010.2A CN113269475B (zh) | 2021-06-28 | 2021-06-28 | 一种基于遗传算法的公交排班调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269475A CN113269475A (zh) | 2021-08-17 |
CN113269475B true CN113269475B (zh) | 2022-01-18 |
Family
ID=77236074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720010.2A Active CN113269475B (zh) | 2021-06-28 | 2021-06-28 | 一种基于遗传算法的公交排班调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269475B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293519A (zh) * | 2022-07-14 | 2022-11-04 | 深圳云天励飞技术股份有限公司 | 公交线路排班的处理方法、装置、设备及可读存储介质 |
CN115392535A (zh) * | 2022-07-14 | 2022-11-25 | 深圳云天励飞技术股份有限公司 | 多条公交线路的排班表优化方法、装置及相关设备 |
CN116597638B (zh) * | 2023-07-18 | 2023-09-29 | 山东华夏高科信息股份有限公司 | 一种基于大数据的智慧交通监测调度*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239484A (zh) * | 2014-09-05 | 2014-12-24 | 浙江工业大学 | 一种基于多模式公交组合调度的时刻表编制方法 |
CN111582750A (zh) * | 2020-05-18 | 2020-08-25 | 北京交通大学 | 一种轨道交通反向乘客识别及乘车班次确定方法及*** |
CN111695225A (zh) * | 2020-06-23 | 2020-09-22 | 青岛大学 | 一种公交复合复杂网络模型及其公交调度优化方法 |
CN111785015A (zh) * | 2019-12-30 | 2020-10-16 | 石家庄铁道大学 | 公交实时调控信息***以及基于遗传算法的调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737356B (zh) * | 2012-06-13 | 2016-01-20 | 西安理工大学 | 智能公交调度排班计算方法 |
US9183742B2 (en) * | 2012-10-26 | 2015-11-10 | Xerox Corporation | Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms |
US20150294430A1 (en) * | 2014-04-15 | 2015-10-15 | Tomorrow's Transportation Today | Dynamic dispatching and schedule management methods for an intelligent transit system with electronic guided buses |
CN105046379A (zh) * | 2015-09-09 | 2015-11-11 | 东南大学 | 一种城市公交发车时刻表优化方法 |
CN105760594A (zh) * | 2016-02-05 | 2016-07-13 | 北京交通大学 | 基于发车间隔的乘客候车时间应用模型及模型构建方法 |
CN106448233B (zh) * | 2016-08-19 | 2017-12-05 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
-
2021
- 2021-06-28 CN CN202110720010.2A patent/CN113269475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239484A (zh) * | 2014-09-05 | 2014-12-24 | 浙江工业大学 | 一种基于多模式公交组合调度的时刻表编制方法 |
CN111785015A (zh) * | 2019-12-30 | 2020-10-16 | 石家庄铁道大学 | 公交实时调控信息***以及基于遗传算法的调度方法 |
CN111582750A (zh) * | 2020-05-18 | 2020-08-25 | 北京交通大学 | 一种轨道交通反向乘客识别及乘车班次确定方法及*** |
CN111695225A (zh) * | 2020-06-23 | 2020-09-22 | 青岛大学 | 一种公交复合复杂网络模型及其公交调度优化方法 |
Non-Patent Citations (1)
Title |
---|
Application of optimized genetic algorithm based on big data in bus dynamic scheduling;Wang, Xiaoqiang;《Cluster Computing》;20191231;第22卷(第6期);第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269475A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269475B (zh) | 一种基于遗传算法的公交排班调度方法及*** | |
CN109961162B (zh) | 路径规划方法和路径规划装置 | |
Tsubouchi et al. | Innovative on-demand bus system in Japan | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
Hamdouch et al. | Schedule-based transit assignment model with vehicle capacity and seat availability | |
CN108876035B (zh) | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 | |
Wang et al. | Car4Pac: Last mile parcel delivery through intelligent car trip sharing | |
CN110046777A (zh) | 一种柔性作业车间持续重构调度方法及装置 | |
CN112183815B (zh) | 基于规则推荐算法的精准短时客流预测模型 | |
CN109919532A (zh) | 一种物流节点确定方法及装置 | |
CN112418514B (zh) | 一种运用蚁群***优化校园公交线路规划的方法 | |
Yan et al. | An integrated framework for intercity bus scheduling under stochastic bus travel times | |
Hu et al. | DeeprETA: An ETA post-processing system at scale | |
CN115689412A (zh) | 一种多周期运费定价和物流网络规划方法 | |
CN113781787B (zh) | 公交发车时刻表生成方法及*** | |
Karbassi Yazdi et al. | A binary differential evolution algorithm for airline revenue management: a case study | |
CN101231718A (zh) | 轨道交通换乘的票务清分方法 | |
Li et al. | Timetable optimization for single bus line involving fuzzy travel time | |
Nie et al. | Weekly line planning to improve the match between rail supply and passenger demand | |
Florian et al. | Transportation systems analysis: illustrations and extensions of a conceptual framework | |
CN110276499A (zh) | 一种垃圾清运路线优化计算方法 | |
CN113947894A (zh) | 考虑用户异质时间价值与拥堵费预算的交通分配方法 | |
CN113420926A (zh) | 一种城市枢纽间多交通方式运力协同优化方案编制方法 | |
CN110674967A (zh) | 一种不确定行车时间下快递车辆路径鲁棒优化方法 | |
CN112330001A (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 |
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 |