CN117556570A - 公交专用道优化设计方法、装置、设备及其存储介质 - Google Patents
公交专用道优化设计方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN117556570A CN117556570A CN202311273650.9A CN202311273650A CN117556570A CN 117556570 A CN117556570 A CN 117556570A CN 202311273650 A CN202311273650 A CN 202311273650A CN 117556570 A CN117556570 A CN 117556570A
- Authority
- CN
- China
- Prior art keywords
- bus
- lane
- design
- road network
- time
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 274
- 238000005457 optimization Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 38
- 238000002922 simulated annealing Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 9
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001334134 Rugopharynx epsilon Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种公交专用道优化设计方法、装置、设备及其存储介质,该方法包括:获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;获取路网参数、出行需求;将每个公交专用道设计方案、路网参数、出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间;从至少一个路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。也即,通过分时段优化公交车专用道的设计,提高公交专用道的利用率,保障道路稳定、顺畅运行,并解决公交专用道布设方案与道路实际需求不匹配的问题。
Description
技术领域
本发明涉及城市公共交通技术领域,尤其涉及一种公交专用道优化设计方法、装置、设备及其存储介质。
背景技术
公交专用道的设计对于提高城市公共交通的服务水平和吸引力等具有重要作用,有利于推行城市绿色发展的政策导向,但是也存在公交专用道利用效率较低,对于路网整体运行效率影响较大的矛盾。
研究表明,在城市路网中布设公交专用道时,当路网上的出行需求足够大时,公交专用道才能发挥其应有的作用。即公交专用道只有设置在拥挤道路上时才能带来路网运行效率的提升,而在非拥挤的路网上,公交专用道的设置反而可能导致路网运行效率的降低。
而在实际的城市交通路网中,一天内各OD间的出行需求是随着时间不断波动的,路网的拥挤程度也是随着时间不断变化的,在这种情况下,单纯在空间上划分路权(即指定某些车道为公交专用道,其他车辆在任何时间都不可占用)便有可能带来一定的弊端,如公交专用道的设置使非高峰时段路网的运行效率降低。因而,要实现路网运行效率的最优化,在满足公共交通在高峰时期的出行需求,并且减少其余时段对于其他交通参与者的影响是及其重要的。
发明内容
本发明提供一种公交专用道优化设计方法、装置、设备及其存储介质,用以解决现有技术中公交专用道布设方案与道路实际需求不匹配,导致公交专用道利用率低的问题,实现通过分时段优化公交车专用道的设计,提高公交专用道的利用率,保障道路稳定、顺畅运行。
本发明提供一种公交专用道优化设计方法,所述方法包括:
获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;
获取路网参数、出行需求;
将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;
从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
根据本发明提供的一种公交专用道优化设计方法,所述获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案的步骤,包括:
基于所述路网参数和所述出行需求,对交通路网进行分时段的划分处理,得到至少一个公交专用道设计方案。
根据本发明提供的一种公交专用道优化设计方法,所述中观仿真模型包括出行生成模块、路径选择模块、车辆行驶模块、公交客流更新模块、出行时间统计模块;
所述出行生成模块根据给定的时变出行需求生成所述交通路网内的小汽车流和公交客流;
所述路径选择模块测算出当前时刻所述交通路网中各个路段的出行时间;
所述车辆行驶模块根据当前步长下所述交通路网的车流状态确定下一步长开始时所述交通路网内的车流状态;
所述公交客流更新模块根据所述交通路网中各个公交车的位置变化,得出当前步长内经过各个公交车站的公交车集合,更新各个公交车站的等车乘客链表和公交车乘客集合,以供所述路径选择模块确定公交出行策略;
所述出行时间统计模块统计每个仿真步长内各个路段的车流和客流出行时间。
根据本发明提供的一种公交专用道优化设计方法,所述公交专用道优化设计模型的约束条件包括预算约束、道路条件约束、设置时段约束。
所述基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,包括:
采用遗传模拟退火算法获得分时段的公交专用道设计方案,基于中观仿真模型得到每个所述公交专用道设计方案对应的路网总出行时间,在求解过程中,遗传模拟退火算法在每次迭代的交叉和变异操作之后对每个个体进行状态的扰动和接受,以更新后的结果进入下次迭代或作为结果输出。
根据本发明提供的一种公交专用道优化设计方法,所述遗传模拟退火算法根据编码方式设计、适应度函数设计、初始种群生成、遗传操作设计、扰动函数设计、状态接受准则和降温函数设计确定。
本发明还提供一种公交专用道优化设计装置,包括:
第一获取模块,用于获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;
第二获取模块,用于路网参数、出行需求;
方案优化模块,用于将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;
方案确定模块,用于从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
本发明还提供一种公交专用道优化设计设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述公交专用道优化设计方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述公交专用道优化设计方法。
本发明提供的公交专用道优化设计方法、装置、设备及其存储介质,获取至少一个公交专用道设计方案、路网参数、出行需求;将每个公交专用道设计方案、路网参数、出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间;从至少一个路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。也即,通过分时段优化公交车专用道的设计,提高公交专用道的利用率,保障道路稳定、顺畅运行。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的公交专用道优化设计方法的流程示意图之一;
图2是本发明提供的公交专用道优化设计方法中路段车流的描述方法示意图;
图3是本发明提供的公交专用道优化设计方法的中观仿真模型的总体框架示意图;
图4是本发明提供的公交专用道优化设计方法中交通单元划分示意图;
图5是本发明提供的公交专用道优化设计方法中遗传模拟退火算法流程示意图;
图6是本发明提供的公交专用道优化设计设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1-图6描述本发明的公交专用道优化设计方法,参照图1,所述公交专用道优化设计方法包括:
步骤S100,获取公交专用道设计方案集合,集合中包括至少一个公交专用道设计方案;
步骤S200,获取路网参数、出行需求;
步骤S300,将每个公交专用道设计方案、路网参数和出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对分时段公交专用道优化设计模型进行求解,计算出每个公交专用道设计方案对应的路网总出行时间,分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;
步骤S400,从至少一个路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
本实施例旨在:通过预设的公交专用道优化设计模型对每一种可能的公交专用道设计方案进行路网总出行时间计算,确定出用时最短的公交专用道设计方案作为最优设计方案,贴合时变的出行需求,提高了公交专用道的利用率。
在本实施例中,针对的具体应用场景是:
在城市路网中布设公交专用道时,当路网上的出行需求足够大时,公交专用道才能发挥其应有的作用。即公交专用道只有设置在拥挤道路上时才能带来路网运行效率的提升,而在非拥挤的路网上,公交专用道的设置反而可能导致路网运行效率的降低。
而在实际的城市交通路网中,一天内各OD间的出行需求是随着时间不断波动的,路网的拥挤程度也是随着时间不断变化的,在这种情况下,单纯在空间上划分路权(即指定某些车道为公交专用道,其他车辆在任何时间都不可占用)便有可能带来一定的弊端,如公交专用道的设置使非高峰时段路网的运行效率降低。因而,要实现路网运行效率的最优化,在满足公共交通在高峰时期的出行需求,并且减少其余时段对于其他交通参与者的影响是及其重要的。
作为一种示例,公交专用道优化设计方法可以应用于公交专用道优化设计***,所述公交专用道优化设计***应用于安装在一个处理设备中。
作为一种示例,本实施例假定交通路网内只存在小汽车和公交车两种交通方式,用户通过比较这两种交通方式的效用来确定以出行方式,但用户对交通方式效用的感知存在一定的误差,且误差项服从独立的Gumble分布(耿贝尔分布)。
具体步骤如下:
步骤S100,获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案。
作为一种示例,基于交通路网中小汽车路线、公交路线的设定,以及公交线路上公交专用道的设置情况,确定出至少一个公交专用道设计方案,由每个所述公交专用道设计方案、路网参数和出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对分时段公交专用道优化设计模型进行求解,计算出每个公交专用道设计方案对应的路网总出行时间,从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案,以解决公交专用道布设方案与道路实际需求不匹配的问题。
作为一种示例,所述获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案的步骤,包括:
步骤S110,获取路网参数和出行需求;
步骤S120,基于路网参数和出行需求,对交通路网进行分时段的划分处理,得到至少一个公交专用道设计方案。
作为一种示例,获取交通路网基础信息,交通路网基础信息包括交通路网内的路段信息、路段数、公交路线、小汽车路线等。具体的,设定交通路网内路段的集合为E,路段的编号为e,公交线路的集合为L,公交线路的编号为l。将一天划分为H个时段,并规定同一时段交通路网内公交专用道的设置状态应保持一致,以0-1变量表示第h个时段路段e上公交专用道的设置情况,则交通路网内分时段公交专用道的设计方案Φ便可由|E|×H维0-1向量来描述。
也即,具体用来描述。需要说明的是,公交专用道优化设计的目的在于指定最优的分时段公交专用道设计方案Φ,使规划时间内路网总出行时间最小。
步骤S200,获取路网参数、出行需求。
作为一种示例,给定一个城市交通路网,路网内OD对(起止交通量)的集合为W,各OD对出行需求的到达强度随时间不断变化,其中,t时刻OD对w间出行需求的到达强度为即/>其所对应的公交专用道优化设计模型则需要对这种时变出行需求下交通路网状态的动态变化进行合理的描述。
作为一种示例,交通路网上的基础信息包括路网参数,如路网地图、路段信息、行驶状态参数、交通流量、公交专用道设置情况等,还包括出行需求,需要说明的是,在分时段的公交专道优化设计中,出行需求是时变的,因此,公交专用道优化设计问题的决策变量为|E|×H维0-1向量,即路段在不同时段的公交专用道的设置情况为决策条件,且同一时段内各路段上公交专用道的设置情况须保持一致。且所需出行需求应是每个时刻各OD之间出行需求到达强度,即其所对应的优化模型则需要对这种时变出行需求下路网状态的动态变化进行合理的描述。
步骤S300,将每个公交专用道设计方案、路网参数和出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对分时段公交专用道优化设计模型进行求解,计算出每个公交专用道设计方案对应的路网总出行时间,分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建。
作为一种示例,公交专用道优化设计模型所要解决的是“规划时间内各条路段在哪些时段需要设置公交专用道”的问题,故其对应的决策变量为|E|×H维的0-1向量其中H为规划时间包含的时段的数量,时段为公交专用道设置的基本时间单元,同一时段内各路段上公交专用道的设置情况须保持一致,向量的分量/>表示在第t的时段路段e上是否设置公交专用道。因此,在将每个所述公交专用道设计方案与所述交通路网基础信息输入至预设的公交专用道优化设计模型中,通过遗传模拟退火算法实现对公交专用道优化设计模型的求解,得到每个公交专用道设计方案的路网总出行时间,用于后续选择最优设计方案。需要说明的是,在本实施例中,设定规划实际内用户的路网总出行时间最小为判断最优设计方案条件。
作为一种示例,基础的中观仿真模型是指交通仿真平台SIMLAB中的中观交通模拟器(Mesoscopic Traffic Simulator,MesoTS)对交通流描述的方法模型。因为模拟器无法模拟实际路网中多车道通行的情况,因此需要通过这个计算方法将多车道的车辆转化为单车道(就是一列车队)再进行模拟。而计算车辆长度和最小车头时距就是转换使用的规则,让转换前后的影响最小。
本实施例假设每个路段的车流均为一个独立的车辆队列,忽略车辆的换道和超车行为,车辆位置按车头所在的位置计,车辆的长度和最小车头时距均可转化为实际值与路段车道数之商。参照图2,将实际路网中的车流转换为仿真模型中的车流。作为一种示例,例如图2中车辆6和车辆7的车辆长度均为5米,两者车头的距离为8米,两车当前在两个车道上行驶,现在将要其转化为一条车道,则8/2=4米,转化为单条车道后,两车长度均变为2.5米,车头距离则变为了4米。需要说明的是,如果该路段原本就只有一条车道,则转换前后是一样的。
因此,在本实施例中,运用中观仿真模型描述时变出行需求下路网状态的动态变化,基于中观仿真模型计算设计方案路网总出行时间,构建公交专用道优化设计模型,最终选择合理的遗传模拟退火算法实现对公交专用道优化设计模型的求解,以确定当前城市交通路网中公交专用道的最优设计方案,使得最优设计方案对应的公交专用道的利用率最高。
作为一种示例,所述中观仿真模型包括出行生成模块、路径选择模块、车辆行驶模块、公交客流更新模块、出行时间统计模块;
所述出行生成模块根据给定的时变出行需求生成所述交通路网内的小汽车流和公交客流;
所述路径选择模块测算出当前时刻所述交通路网中各个路段的出行时间;
所述车辆行驶模块根据当前步长下所述交通路网的车流状态确定下一步长开始时所述交通路网内的车流状态;
所述公交客流更新模块根据所述交通路网中各个公交车的位置变化,得出当前步长内经过各个公交车站的公交车集合,更新各个公交车站的等车乘客链表和公交车乘客集合,以供所述路径选择模块确定公交出行策略;
所述出行时间统计模块统计每个仿真步长内各个路段的车流和客流出行时间。
作为一种示例,中观仿真模型参照图3,中观仿真模型提供相应的输入接口,以分时段公交专用道设计方案、时变的出行需求以及路网参数为输入,能够对不同的分时段公交专用道设计方案进行比选,统计并输出路网总出行时间以辅助分时段公交专用道优化设计方案进行决策,模拟出不同的城市交通网络和需求条件下最优设计方案。
作为一种示例,本实施例中构建的中观仿真模型能够合理的体现路段上车流量对车辆行驶速度的影响、出行者对路网状态信息的了解,以及对出行方式、路径的选择。
具体的,中观仿真模型包括上述五个模块,其工作方法如下:
出行生成模块根据给定的时段出行需求生成交通路网内小汽车流和公交客流。
假定交通路网内各个OD对间出行者的到达均服从泊松分布,则出行者到达的间隔时间服从负指数分布,即有:
P(Δt<t)=1-eλt
其中,Δt为前后两个出行者到达的间隔时间,λ为出行者到达的强度,P(Δt<t)为间隔时间Δt小于时间t的概率。
采用累积分布函数反函数法来生成前后出行者的到达间隔,即:
式中,r为(0,1)间均匀分布的随机数,Δt为前后两个出行者到达的间隔时间,λ为出行者到达的强度。
以此为基础,便可根据输入的时变出行需求生成当前仿真步长内各个OD对间到达的出行者以及相应的出发时刻,再结合路径选择模块确定的各OD对间最短的物理路径与公交出行超路径对应的出行时间来确定各个出行者的出行方式,并更新相应交叉口和公交车站的排队链表,具体流程如下:
Step 0:时刻T,令w=1。
Step 1:从输入的时变出行需求读取当前时刻OD对w间的出行发生强度进而可得到当前步长内此OD对产生的出行者链表,后续对出行者链表进行更新,可以模拟路网出行的状况,最后可以用于计算路网的运行时间。出行者链表如下:
也即,
式中,为时刻T对应的仿真步长内OD对w间第n个出行者到达的时刻,且N为此仿真步长内OD对w间到达的出行者的总数,满足/>且/>(SS为仿真步长)。
Step 2:通过路径选择模块得到T时刻OD对w间最短的物理路径和公交超路径所需的时间分别为和/>则根据Logit模型即可得到当前步长内OD对w间始发的出行者的出行方式选择概率:
其中,和/>分别为当前步长内OD对w间始发的出行者选择小汽车和公交车的概率,/>θ为时间的成本换算系数;/>和/>则分别为OD对w间选择小汽车和公交车出行的其他费用的期望值。在此基础上,对当前步长此OD对内始发的每一个出行者,随机产生一个随机数ε∈(0,1),若/>则出行者选择小汽车出行,并更新对应交叉口相应方向的始发小汽车出行者链表;若否,则出行者选择公交车出行,并更新对应公交车站的公交等车乘客链表。
Step 3:判断w是否等于|W|,若是,则计算结束;若否,则令w=w+1并返回Step 1。
所述车辆行驶模块根据当前步长下所述交通路网的车流状态确定下一步长开始时所述交通路网内的车流状态,其中,交通路网的车流状态包括各路段的行驶车辆链表、各交叉口车辆排队链表和始发小汽车用户排队链表、路网内行驶车辆的位置。
根据检测器和公交刷卡数据反推得到出行者的数据,并获得各个起止点的出行量,基于交通路网中不同时段的出行需求或出行分布,计算交通路网的交通状况,进而计算出行者在初始状态选择不同出行方式的数量,获得出行者链表。根据车辆通过各个路段的时间,更新车辆在路段中的位置。因此,车辆行驶模块在根据当前步长下交通路网的车流状态确定下一步长开始时交通路网内的车流状态的整个过程分为两个阶段。
第一阶段,对各个路段行驶车辆链表中车辆的状态(在路段中的位置,运行速度等)进行更新,更新过程逐路段进行。
对于每一条路段内行驶的车辆进行聚类,聚类过程采用MesoTS所提出的交通单元(Traffic Cell)方法:预先给定一个前后车距离的阈值d0,当路段内前后两车的距离小于阈值d0时,则将这两辆车划入一个交通单元内;而当前后两车的距离大于阈值d0时,则将两辆车划入不同的交通单元内,其中,阈值d0为经验值。参照图4,图4给出了图2所示的路段交通流的车辆聚类方法,可以看出,只有车辆5与6之间的间隔大于阈值,故此路段上的车流被划分为两个交通单元。
在车辆聚类的基础上,可运用一个简化的跟驰模型以及宏观模型常用的速度-密度模型来确定各个行驶车辆的速度,具体如下:
①单元跟驰模型。此模型用于确定每个交通单元头车的速度:预先给定一个间隔的阈值ds,计算路段内各个交通单元i的头车与前一个交通单元i-1的尾车的距离(对于路段上的第一个交通单元,/>表示其头车与路段尽头的距离),则此交通单元头车的速度可计算如下:
式中,即为交通单元i的头车的速度;Vfree为相应车辆的自由行驶速度;/>为前一个交通单元i-1的尾车的速度,而对于路段内的第一个交通单元,其对应的前一个交通单元的尾车速度/>Vmin为预先规定的路段最小行驶速度;σi为/>与ds的比值。需要注意的是,一个交通单元并不是只有一个头车,头车的数量应与所在路段的车道数m相等。
②速度-密度模型。此模型用于确定各交通单元内头车以外其余车辆的速度:对于交通单元i,其第j(j>m)辆车的速度可以表示为:
式中,Ki.j为交通单元i第j辆车之前部分的密度;Kjam为路段的阻塞密度;α和β为参数;即为交通单元i的头车的速度;Vfree为相应车辆的自由行驶速度。在以往的研究中,路段的阻塞密度Kjam通常取为210辆/km,优选的,相应的参数α=1.8,β=5.0。
式中,lenj-1为交通单元中第j-1辆车的长度,Pj则为第j辆车的位置。
在得到车辆行驶速度的基础上,便可不断计算并更新车辆的位置:基于仿真步长和当前的行驶速度,将两者相乘得出本步长内车辆的位移,再通过与原位置相加得到本步长结束时车辆的位置。而对于更新后位置在所在路段之外的车辆,则依据由路径选择模块得出的运行路径将其添加至路段终止交叉口的相应排队车辆链表之中,并记录其进入交叉口排队的时刻。
对于设置有公交专用道的路段,则需要对小汽车队列和公交车队列分别进行更新,更新的过程同上。作为一种示例,将小汽车路段和公交专用道进行区分,分别执行上述过程,计算小汽车、公交车的车辆速度,更新各个路段行驶的小汽车链表中小汽车的状态,以及各个路段行驶的公交车链表中公交车的状态,具体实施过程与上述未设置有公交专用道路段的实施过程基本相同,在此不再赘述。
第二阶段,在更新完所有行驶车辆的状态后,进一步对各个交叉口的排队链表进行更新,将链表中的用户和车辆合理地加载到相应的路段上。此更新过程也是逐路段进行,对每一条路段的更新则又分两步进行。
Step 1:(链表整合)提取起始交叉口中与本路段对应的始发小汽车用户排队链表和通过车辆排队链表,逐一计算这些链表中各个车辆(或用户)到达本路段的时刻:对于始发小汽车用户排队链表中的用户,其到达本路段的时刻即为其开始排队的时刻;对于通过车辆排队链表中的车辆,其到达本路段的时刻则等于其开始排队的时刻与相应方向通过能力的倒数之和,即:
式中,e为当前路段的编号,s(e)为路段e的起始交叉口,为车辆j到达本路段e的时刻,/>为车辆j在本路段起始交叉口s(e)处开始排队的时刻,Qj,s(e)为交叉口s(e)内车辆j所在方向的通过能力。在此基础上,将在当前步长内能够到达本路段的始发小汽车用户和通过车辆按照计算得到的到达时刻统一排序,从而得到新的始发小汽车用户排队链表和通过车辆排队链表;
Step 2:(车辆加载)将整合后的链表中的始发小汽车用户和通过车辆逐一加载到路段上,并确定本步长结束时所有加载车辆的具***置:对于链表中的每一辆车,先计算出其到达本路段时前方车辆所处的位置,然后根据单元跟驰模型中计算交通单元头车速度的计算公式计算出本车的速度,再以此速度乘以到本步长结束剩余的时间便可得出车辆的具***置。若车辆加载至路段的起始点但链表中仍存在车辆,则将剩余的车辆返回其所对应的排队链表,并将其到达排队的时间更新为本步长的结束时刻,可以理解,在当前步长中未通行完的车辆被加载至交叉口的排队链表中,以供下一步长继续加载。
对于设置有公交专用道的路段,则需按照上述方法将小汽车和公交车分别加载到路段的不同队列中,在此不再赘述。
所述路径选择模块能够有效地测算出当前时刻所述交通路网中各个路段的出行时间。
本实施例在此基础上根据最短小汽车出行路径计算方法,计算出各个交叉口之间的最短物理路径以供车辆行驶模块为各交叉口处行驶至路段尽头的车辆确定接下来的行驶路径并将其分配至对应的排队链表中。在此基础上计算出各个OD间最短的公交出行超路径(即公交出行策略),以供出行生成模块确定当前步长各个OD间出行的方式选择率。
作为一种示例,最短路算法原理如下:小汽车出行路径的定义与传统路径定义相同,因而,一个超网络中的最短小汽车出行路径可以通过一些传统的最短路算法(如Dijkstra算法、Floyed-Warshall算法等)在小汽车交通子网络中进行搜索。
最短公交出行超路径计算方法如下:
公交出行超路径的定义与传统的路径定义有一定的差异,此类最短路问题无法运用传统的最短路算法来解决。本发明采用公交网络出行策略理论的计算方法,对超网络中两节点间最短公交出行超路径的搜索算法进行了设计。
已知节点r为超网络中公交车子网络的一个节点,子网络中其他节点n到此点的距离为disn,r,超网络中任意弧a的频率值已知为ga,则超网络中任意节点到节点r的距离可按照如下的流程来进行计算:
Step 0:初始化。令disn,r=∞,disr,r=0;gn=0,/>S=A;其中,S为交通路网中某一路段,A为所有公交通行的路段集合。
Step 1:若则算法终止,输出所有节点至节点r的最短公
交出行超路径;若则在当前集合S中寻找弧a∈(i,j),使其满足disj,r+ta≤disj′,r+ta′,/>并令S=S-{a}。
Step 2:对于弧a,若disi≥disj+ta,则根据式(10)更新disi,并令gi=gi+ga,P=P+{a},返回Step 1。
所述公交客流更新模块根据所述交通路网中各个公交车的位置变化,得出当前步长内经过各个公交车站的公交车集合,更新各个公交车站的等车乘客链表和公交车乘客集合,以供所述路径选择模块确定公交出行策略。
所述出行时间统计模块统计每个仿真步长内各个路段的车流和客流出行时间,即对每个仿真步长内路段车流更新模块和公交客流更新模块给出的终到车流和客流的出行时间进行统计。
作为一种示例,所述公交专用道优化设计模型的约束条件包括预算约束、道路条件约束、设置时段约束。
在本实施例提出以整点时刻作为公交专用道的起止时刻,决策变量为路段在不同时段的公交专用道的设置情况,以预算、道路条件、设置时段作为约束,构建基于仿真的分时段公交专用道优化设计模型。模型约束如下:
(1)预算约束。若在路网中一条路段上设置公交专用道所需的费用为B,总预算为Bp,则分时段公交专用道的设计应满足:
式中,Γ(x)为分段函数:
(2)在没有公交车经过或者只有一条车道的路段不能设置公交专用道,即:
式中,le为路段e上车道的数量;λe,l为0-1参数,当公交线路l经过路段e时为1,否则为0。
(3)设置时段约束。公交专用道的设置时间不能太过零散。通常认为,每天每条路段上连续设置公交专用道的时段数量不能超过最优经验数量,如2个,即:
运用本实施例提出的中观仿真模型,可以对分时段公交专用道设计方案Φ的实施效果进行评价。在路网参数和需求参数给定的情况下,将分时段公交专用道的设置方案输入仿真模型便可得到该方案实施后的路网总出行时间,即分时段公交专用道设计方案Φ与路网总出行时间z间的函数关系z=F(Φ)可通过仿真模型来描述。
因此,采用中观仿真模型对每一种公交专用道设计方案进行模拟,构建每一种公交专用道设计方案对应的公交专用道优化设计模型,如下:
minz=F(Φ)
或1
所述基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,包括:
步骤S310,采用遗传模拟退火算法获得分时段的公交专用道设计方案,基于中观仿真模型得到每个所述公交专用道设计方案对应的路网总出行时间,在求解过程中,遗传模拟退火算法在每次迭代的交叉和变异操作之后对每个个体进行状态的扰动和接受,以更新后的结果进入下次迭代或作为结果输出。
算法的整体流程图参照图5。
遗传模拟退火算法含有内外两个循环,内循环主要包含状态扰动和接受操作,外循环包含适应度计算、遗传操作和降温,两个循环均是以达到预定的迭代长度为终止条件。算法的控制参数有:种群大小P、交叉概率pc、变异概率pm、外循环长度Kmax、初始温度T0、内循环长度L,这些参数要根据具体问题的特点和规模来确定。
作为一种示例,本实施例以7个要素进行遗传模拟算法设计,包括编码方式设计、适应度函数设计、初始种群生成、遗传操作设计、扰动函数设计、状态接受准则和降温函数设计。
(1)编码方式设计
鉴于TOU-BLD模型的决策变量本身即为0-1向量,算法可采用直接编码:每一条染色体为TOU-BLD模型的一个可行解Φ,表示一种可行的分时段公交专用道设计方案,其中的每一个基因则为一个0-1变量表示第h个小时路段e上公交专用道的设置情况。
(2)适应度函数设计
一般来说,个体的适应度越大越好,也越容易在选择操作中被选中。考虑到TOU-BLD是一个最小化问题,适应度函数取为目标函数的倒数,即:
式中,F(Φ)为模型的目标函数,即由仿真模型得到的路网总出行时间。
(3)初始种群生成
初始种群的生成过程中需注意个体的可行性,即每个个体都应满足TOU-BLD模型的约束条件。故这里结合各约束条件的特点,对初始种群生成过程设计如下:
Step 0:初始化,令i=0,计算路网内能够设置公交专用道的最大路段数:
式中,[x]为取整函数。
Step 1:令i=i+1。
Step 2:随机选择路网中的M个路段,对每个路段再随机生成一个数字r∈[0,1],然后:对于r∈[0,1/3)的路段e,则任何时段都不设置公交专用道,即对于r∈[1/3,2/3)的路段e,则随机生成两个整数a,b∈[0,24]且a<b,并在时段[a,b]内设置公交专用道,即/> 对于r∈[2/3,1]的路段e,则随机生成四个整数a,b,c,d∈[0,24]且a<b<c<d,并在时段[a,b]和[c,d]内设置公交专用道,即
Step 3:判断i是否等于种群大小P:若否,则返回Step 1;若是,则算法终止,输出初始种群。
(4)遗传操作设计
遗传操作包括选择、交叉和变异三项,每一项的设计如下:
①选择操作采用最常用的轮盘赌选择,即依据适应度来确定每个个体被选中的概率。
②交叉操作采用线***叉。将选择操作得出的种群中的染色体配对,然后根据交叉概率随机选择染色体的一个位置将两个染色体此位置之后的部分互换。
③变异操作采用均匀变异,即根据变异概率判断是否更改各条染色体的各个基因值。
(5)扰动函数设计
扰动的目的在于通过微调现有可行解,获得新的可行解,以增加算法的局部搜索能力,扰动的过程中需要保证新解的可行性。本算法设计了两种扰动方法:
①设置路段的扰动:随机选择染色体中设置有公交专用道的路段和一条没有设置公交专用道的路段,将两者的公交专用道设置情况互换;
②设置时间的扰动:随机选择染色体中设置有公交专用道的路段,随机地更改其公交专用道的起始或终止时刻。
具体计算过程中,随机选择一种扰动方法对种群中的染色体进行扰动。
(6)状态接受准则
这里,状态接受准则采用Metropolis准则,即接受扰动后新解的概率为:
式中,Φ和Φ'分别是扰动前后的解,fitness(Φ)和fitness(Φ')分别相应的适应度,Tk则为第k次外循环时的温度。
(7)降温函数设计
算法采用线性的降温函数,即:
Tk+1=θTk
式中,θ为冷却系数,一般在区间[0.85,1]取值。
步骤S400,从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
采用遗传模拟退火算法求解公交专用道优化设计模型,得到每个所述公交专用道设计方案对应的路网总出行时间后,对多个路网总出行时间进行排序,选择数值最小的路网总出行时间对应的公交专用道设计方案,该公交专用道设计方案作为最优设计方案输出。可以理解,最优设计方案对应的交通路网中公交专用道的利用率最大,能够在保障道路稳定、顺畅运行的同时,解决公交专用道布设方案与道路实际需求不匹配的问题,提高了公交专用道布设方案的科学性。
本发明提供一种公交专用道优化设计方法、装置、设备及其存储介质,与目前公交专用道布设方案与道路实际需求不匹配,导致公交专用道利用率低相比,在本发明中,获取至少一个公交专用道设计方案、路网参数、出行需求;将每个公交专用道设计方案、路网参数、出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间;从至少一个路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。也即,通过分时段优化公交车专用道的设计,提高公交专用道的利用率,保障道路稳定、顺畅运行。
下面对本发明提供的公交专用道优化设计装置进行描述,下文描述的公交专用道优化设计装置与上文描述的公交专用道优化设计方法可相互对应参照。
本发明还提供一种公交专用道优化设计装置,所述装置包括:
第一获取模块,用于获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;
第二获取模块,用于获取路网参数、出行需求;
方案优化模块,用于将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;
方案确定模块,用于从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
和/或,所述第一获取模块还包括:
第一获取子模块,用于获取路网参数和所述出行需求;
方案设计子模块,用于基于所述路网参数和所述出行需求,对交通路网进行分时段的划分处理,得到至少一个公交专用道设计方案。
所述方案优化模块还包括:
第二获取子模块,用于获取基础的中观仿真模型;所述中观仿真模型包括出行生成模块、路径选择模块、车辆行驶模块、公交客流更新模块、出行时间统计模块;所述出行生成模块根据给定的时变出行需求生成所述交通路网内的小汽车流和公交客流;所述路径选择模块测算出当前时刻所述交通路网中各个路段的出行时间;所述车辆行驶模块根据当前步长下所述交通路网的车流状态确定下一步长开始时所述交通路网内的车流状态;所述公交客流更新模块根据所述交通路网中各个公交车的位置变化,得出当前步长内经过各个公交车站的公交车集合,更新各个公交车站的等车乘客链表和公交车乘客集合,以供所述路径选择模块确定公交出行策略;所述出行时间统计模块统计每个仿真步长内各个路段的车流和客流出行时间。
模型创建子模块,用于采用中观仿真模型对每一种公交专用道设计方案进行模拟,构建公交专用道优化设计模型;所述公交专用道优化设计模型的约束条件包括预算约束、道路条件约束、设置时段约束;
方案优化子模块,用于将所述交通路网基础信息输入至所述公交专用道优化设计模型中,基于遗传模拟退火算法计算出每个所述公交专用道设计方案对应的路网总出行时间。
所述遗传模拟退火算法根据编码方式设计、适应度函数设计、初始种群生成、遗传操作设计、扰动函数设计、状态接受准则和降温函数设计确定。
图6示例了一种公交专用道优化设计设备的实体结构示意图,如图6所示,该公交专用道优化设计设备可以包括:处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行公交专用道优化设计方法,该方法包括:获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;获取路网参数、出行需求;将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的公交专用道优化设计方法,该方法包括:获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;获取路网参数、出行需求;将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的公交专用道优化设计方法,该方法包括:获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;获取路网参数、出行需求;将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
以上所描述的装置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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种公交专用道优化设计方法,其特征在于,所述方法包括:
获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;
获取路网参数、出行需求;
将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;
从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
2.根据权利要求1所述的公交专用道优化设计方法,其特征在于,所述获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案的步骤,包括:
基于所述路网参数和所述出行需求,对交通路网进行分时段的划分处理,得到至少一个公交专用道设计方案。
3.根据权利要求1所述的公交专用道优化设计方法,其特征在于,所述中观仿真模型包括出行生成模块、路径选择模块、车辆行驶模块、公交客流更新模块、出行时间统计模块;
所述出行生成模块根据给定的时变出行需求生成所述交通路网内的小汽车流和公交客流;
所述路径选择模块测算出当前时刻所述交通路网中各个路段的出行时间;
所述车辆行驶模块根据当前步长下所述交通路网的车流状态确定下一步长开始时所述交通路网内的车流状态;
所述公交客流更新模块根据所述交通路网中各个公交车的位置变化,得出当前步长内经过各个公交车站的公交车集合,更新各个公交车站的等车乘客链表和公交车乘客集合,以供所述路径选择模块确定公交出行策略;
所述出行时间统计模块统计每个仿真步长内各个路段的车流和客流出行时间。
4.根据权利要求3所述的公交专用道优化设计方法,其特征在于,所述公交专用道优化设计模型的约束条件包括预算约束、道路条件约束、设置时段约束。
5.根据权利要求1所述的公交专用道优化设计方法,其特征在于,所述基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,包括:
采用遗传模拟退火算法获得分时段的公交专用道设计方案,基于中观仿真模型得到每个所述公交专用道设计方案对应的路网总出行时间,在求解过程中,遗传模拟退火算法在每次迭代的交叉和变异操作之后对每个个体进行状态的扰动和接受,以更新后的结果进入下次迭代或作为结果输出。
6.根据权利要求5所述的公交专用道优化设计方法,其特征在于,所述遗传模拟退火算法根据编码方式设计、适应度函数设计、初始种群生成、遗传操作设计、扰动函数设计、状态接受准则和降温函数设计确定。
7.一种公交专用道优化设计装置,其特征在于,所述装置包括:
第一获取模块,用于获取公交专用道设计方案集合,所述集合中包括至少一个公交专用道设计方案;
第二获取模块,用于路网参数、出行需求;
方案优化模块,用于将每个所述公交专用道设计方案、所述路网参数和所述出行需求输入至预设的分时段公交专用道优化设计模型中,基于遗传模拟退火算法对所述分时段公交专用道优化设计模型进行求解,计算出每个所述公交专用道设计方案对应的路网总出行时间,所述分时段公交专用道优化设计模型基于中观仿真模型对所述公交专用道设计方案与路网总出行时间进行模拟训练构建;
方案确定模块,用于从至少一个所述路网总出行时间中选择数值最小的公交专用道设计方案作为最优设计方案。
8.一种公交专用道优化设计设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述公交专用道优化设计方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述公交专用道优化设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273650.9A CN117556570A (zh) | 2023-09-28 | 2023-09-28 | 公交专用道优化设计方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273650.9A CN117556570A (zh) | 2023-09-28 | 2023-09-28 | 公交专用道优化设计方法、装置、设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556570A true CN117556570A (zh) | 2024-02-13 |
Family
ID=89815469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311273650.9A Pending CN117556570A (zh) | 2023-09-28 | 2023-09-28 | 公交专用道优化设计方法、装置、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556570A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 |
CN104499393A (zh) * | 2014-12-11 | 2015-04-08 | 大连理工大学 | 均衡公交车乘客和私家车出行成本的公交专用道规划方法 |
CN115049156A (zh) * | 2022-08-11 | 2022-09-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通线网运行图衔接优化方法、电子设备及存储介质 |
CN115146524A (zh) * | 2021-09-18 | 2022-10-04 | 交通运输部科学研究院 | 一种基于代理辅助进化算法的公交专用道仿真优化方法 |
CN115294773A (zh) * | 2022-09-29 | 2022-11-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公交专用道优化配置方法、电子设备及存储介质 |
US20230115110A1 (en) * | 2021-04-19 | 2023-04-13 | Tencent Technology (Shenzhen) Company Limited | Traffic simulation method and apparatus, computer device, and storage medium |
-
2023
- 2023-09-28 CN CN202311273650.9A patent/CN117556570A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 |
CN104499393A (zh) * | 2014-12-11 | 2015-04-08 | 大连理工大学 | 均衡公交车乘客和私家车出行成本的公交专用道规划方法 |
US20230115110A1 (en) * | 2021-04-19 | 2023-04-13 | Tencent Technology (Shenzhen) Company Limited | Traffic simulation method and apparatus, computer device, and storage medium |
CN115146524A (zh) * | 2021-09-18 | 2022-10-04 | 交通运输部科学研究院 | 一种基于代理辅助进化算法的公交专用道仿真优化方法 |
CN115049156A (zh) * | 2022-08-11 | 2022-09-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通线网运行图衔接优化方法、电子设备及存储介质 |
CN115294773A (zh) * | 2022-09-29 | 2022-11-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公交专用道优化配置方法、电子设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
NURUL NASUHA NOR AZLAN: "Overview Of Application Of Traffic Simulation Model", OVERVIEW OF APPLICATION OF TRAFFIC SIMULATION MODEL, 1 January 2018 (2018-01-01) * |
卢小林;潘述亮;邹难;: "考虑时间维的城市公交专用道布局优化模型", 华南理工大学学报(自然科学版), no. 04, 15 April 2017 (2017-04-15) * |
孙煦: "基于多方式城市交通网络的公交专用道效益评价 方法", 交通工程, 30 June 2023 (2023-06-30) * |
满英: "基于改进的模拟退火遗传算法的公交线网优化", 四川理工学院学报(自然科学版), vol. 21, no. 1, 15 February 2008 (2008-02-15), pages 1 - 3 * |
王庆荣: "基于改进遗传—模拟退火算法的公交排班优化研究", 计算机应用研究, 31 July 2012 (2012-07-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779190B (zh) | 一种城市轨道交通乘客出行路径建议方法及*** | |
CN109409560B (zh) | 基于多智能体仿真的城市轨道交通客流诱导方法 | |
Hamdouch et al. | Schedule-based transit assignment model with vehicle capacity and seat availability | |
CN110598942A (zh) | 一种考虑区域全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 | |
CN113867354B (zh) | 一种自动驾驶多车智能协同的区域交通流导引方法 | |
CN111260128B (zh) | 车辆路径规划方法以及*** | |
Duran et al. | Transit network design with pollution minimization | |
Pineda et al. | Integrated traffic-transit stochastic equilibrium model with park-and-ride facilities | |
Aragon-Gómez et al. | Traffic-signal control reinforcement learning approach for continuous-time Markov games | |
CN112418514A (zh) | 一种运用蚁群***优化校园公交线路规划的方法 | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
CN113516277A (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN115048576A (zh) | 一种空港旅客群体出行方式柔性推荐方法 | |
Bayrak et al. | Optimization of dedicated bus lane location on a transportation network while accounting for traffic dynamics | |
CN113191028B (zh) | 交通仿真方法、***、程序及介质 | |
Tian et al. | Service operation design in a transit network with congested common lines | |
CN112330054B (zh) | 基于决策树的动态旅行商问题求解方法、***及存储介质 | |
Zhang et al. | Timetable synchronization of the last several trains at night in an urban rail transit network | |
Pop et al. | Multiple Lane Road Car-Following model using bayesian reasoning for lane change behavior estimation: A smart approach for smart mobility | |
CN111861279B (zh) | 一种考虑换乘的多目标高速收费站班车调度方法 | |
CN116702389B (zh) | 一种针对混合交通流的嵌套流量计算方法 | |
Lees-Miller | Empty vehicle redistribution for personal rapid transit | |
Khakbaz et al. | Urban bus fleet routing in transportation network equipped with park-and-ride: a case study of Babol, Iran | |
CN117556570A (zh) | 公交专用道优化设计方法、装置、设备及其存储介质 | |
CN112070275A (zh) | 一种轨道交通路网协同限流的方法和装置及设备 |
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 |