智能交通动态调度优化模型与评价方法

文章编号：2096-1472（2022）-02-29-09

DOI：10.19644/j.cnki.issn2096-1472.2022.002.008

摘  要：为了降低大城市市民出行成本，缓解公交企业运力压力，提出一种智能交通出行OD（Origin Destination， 出行地和目的地）的公交调度优化算法，以公交出行OD客流预测和计划排班发车时间间隔为出发点，运用公交出行OD客流推导理论，构建智能交通出行OD的公交调度优化模型。通过获取个人OD数据，利用单条线路公交OD方法，实现全市公交OD矩阵推算。根据全市公交出行OD推算结果，求解公交调度模型，解决智能交通调度多目标规划和公交线网优化问题。通过仿真模拟试验，分析智能公交排班计划评价指标，计算车辆营运效率占比：自动排班仿真数据为79%，实际运营数据为73%;统计车辆高峰时段与全天营运车次占比：自动排班仿真数据为36.75%，实际运营数据为37.37%，满足智能公交计划排班评价指标的要求，实例证明模型和算法具有实用性和可靠性。

关键词：智能交通;出行OD;公交调度;客流预测;调度计划

中图分类号：TP181     文献标识码：A

Optimization Model and Evaluation Method of Smart Transportation Dynamic Scheduling

CHEN Shenjin

（School of Electrical and Computer Engineering， Nanfang College Guangzhou， Guangzhou 510970， China）

chenshenjinlg@126.com

Abstract： In order to reduce the travel cost of citizens in big cities and relieve the pressure on the capacity of public transportation enterprises， this paper proposes a bus scheduling optimization algorithm of smart transportation OD （Origin Destination）. Based on the prediction of bus OD passenger flow and the scheduled departure time interval， the derivation theory of bus OD passenger flow is used to construct the bus scheduling optimization model of smart transportation OD. By obtaining personal OD data， using single line bus OD method， city bus OD matrix is calculated. According to the city's public bus travel OD calculation results， the bus scheduling model is solved， and the problems of multi-objective planning and bus network optimization in smart transportation scheduling are solved. Through the simulation test， the evaluation index of smart bus scheduling plan is analysed and the proportion of vehicle operation efficiency is calculated. The simulation data of automatic bus scheduling is 79% and the actual operation data is 73%. Statistics of the vehicle proportion in peak hours and all day operation times are as follows： the simulation data of automatic bus scheduling is 36.75% and the actual operation data is 37.37%. The proposed model meets the requirements of evaluation index for the smart public transportation plan. The real cases prove that the model and algorithm are practical and reliable.

Keywords： smart transportation; travel OD; bus scheduling; passenger flow forecast; scheduling plan

1   引言（Introduction）

為了解决大城市市民出行成本高、公交企业运力压力大的问题，本文以公交OD客流预测和公交调度发车时间间隔为出发点，构建智能交通出行OD的公交调度优化模型。随着智能交通系统的快速发展，我国在公交调度方面的研究取得了相关的成果。宋现敏等为解决多运营商在重叠区间的公交线路调度问题，提出一种双层规划模型，上层模型为公交乘客总出行时间最小，下层模型为各运营商追求自身利润最大化。滕靖等研究了单线路的纯电动公交车辆运营时刻表和车辆调度计划的整体优化方法。王正武等研究了同时接送模式下响应型接驳公交运行路径与车辆调度的协调优化问题，考虑乘客出行时间窗的个性化，构建了基于乘客而不是基于途经需求点的车辆路径表示方法。赖元文等为改善城市常规公交运营效率，提出基于模拟退火-自适应布谷鸟算法的公交调度优化模型。靳文舟等基于需求响应公交（DRT）是一种新型的公共交通服务模式，提出了考虑多种车型和多种运营模式的公交灵活调度方式。陈建凯等基于立体车场公交“早出晚进”的特征，对立体车场调度问题与调度模式进行研究，分析立体车场公交车辆的交织条件。为了解决公交实际运营中出现的调度方式单一、车辆配合度较差、串车等问题，马晓磊等提出一种考虑乘客动态需求的调度模型。唐春艳等为了解决纯电动公交车因充电错过最佳接续发车班次而使公交车数量增加的问题，以公交车辆运营总成本最小为目标，构建允许存在误时发车的纯电动公交车辆柔性调度优化模型。俞礼军等针对具有高异质性出行需求的主支线公交树网络，在考虑客流需求和运营约束的前提下，以用户和运营者的成本最小为目标，提高运营调度执行效率。别一鸣等为提高公交调度服务可靠性，减少串车现象的发生，提出一种基于历史公交GPS数据的公交线路时间控制点优选方法。

国外在公交调度方面的研究也取得一定成果。ULUSOY等研究了转移需求弹性的总体成本最小化的公交调度服务模式和频率。BRRA-ROJAS等提出了面向区域网络的双目标模型，分别为乘客换乘成功率最大和车辆使用成本最低。CEDER在2011 年设计了交互式的启发式算法，求解考虑多车型、兼顾载客均衡和发车间隔均衡目标的时刻表。CEDER等在2014 年提出了先时刻表后车辆调度计划的优化方法，提高了时刻表和车辆调度计划的协同性。WMAKRAND等根据乘客公交出行目的地、出行时间的需求，与公交动态调度方法相结合进行模型构建，其乘客等车时间为公交发车时间间隔的一半。SAHARIDIS等为了解决公交调度中计划时刻表动态优化问题，以乘客候车时间成本为目标函数，建立了混合整数线性模型，采用启发式算法来求解该模型。

虽然前面的研究运用了公交调度模型、调度计划，但无法解决实时公交动态调度的问题。针对这一问题，本文提出了一种多目标非线性组合优化调度模型和方法，解决实时公交动态调度问题，并以公交公司的运营成本与乘客的满意度为主要指标，通过对公交调度模型算法的优化、改进，提高公交调度执行效率，为政府部门提供科学决策。

本文创新之处是提出了一种多目标非线性组合优化调度模型，在公交站点和路段断面的不均衡系数超过最大阈值时，实施可控车辆到站时间控制，实现可变行车调度作业计划，解决智能交通调度多目标规划和公交线网优化问题。

2   基于公交IC卡数据的OD矩阵推算（OD matrix calculation based on bus IC card data）

本文研究单条线路公交OD矩阵推算和全市公交OD矩阵推算，为政府提供科学决策。客流OD推导以IC卡刷卡数据为主要数据来源，结合线路运营数据、车辆GPS进出站数据及客流调查数据进行融合，建立模型处理AFC系统中的刷卡交易数据，推导获得出行OD矩阵数据。

2.1   个人OD推导

提取个人O，取刷卡时间和车辆终端号，在站点间隔表中找对应车辆终端号并取站点间隔数据。D值为|刷卡时间-到站时间|+|刷卡时间-离站时间|，找最小值对应的站点为上车点O。

找固定乘车规律的个人OD流程，根据车辆终端号建立班次表，找对应线路编码和方向标识。选择刷卡时间和线路开始时间差最小的线路编码，此线路为所找的线路。

对每条线路两个方向上的数据进行处理，统计各时段乘车次数，在站点间隔表中找对应车辆终端号、线路编码和方向的记录，取站点间隔数据。比较|刷卡时间-到站时间|+|刷卡时间-离站时间|，值最小的对应站点为乘客上车点。根据乘客出行线路上车点推导下车点原理，如图1所示。

设此条线路上、下行上车点为O1、O2，上、下行下车点为D1、D2。由两个上车点在站点表找到对应的所属站台编号，根据站台编号在站台表中找此站台对应的站台坐标，重复找此线路相反方向上的各站点对应的站台坐标。在该站台中找最近的站台，作为对应的下车点，推导得到个人OD。

2.2   单条线路公交OD矩阵推算

在公交出行OD过程中，需获取全部公交出行個人OD数据，分析全部公交出行OD客流，利用推导方法对个人OD进行修正，获取全部公交出行OD矩阵。

（1）线路公交出行总量设定

从AFC系统获取线路刷卡金额、线路收入金额，推导公交出行总量，s1为线路刷卡金额，s为线路收入金额，为刷卡优惠金额。计算持IC卡乘客占线路公交出行量的比率，其中为公交出行量比率，如式（1）所示。

3  公交动态调度优化模型（Optimization model of bus dynamic scheduling）

3.1   问题分析

公交客流OD矩阵是公交规划和运营调度管理的基础，公交线路OD矩阵是公交客流OD矩阵的基本单元。在传统公交线路OD矩阵估计的基础上，分析公交乘客出行行为特性，根据公交出行OD客流获取全市公交OD矩阵，对研究市区公交站点布局合理性、线路可达性、服务调度具有重要的现实意义，为市民提供公交出行服务，为政府提供科学决策。根据客流特性，规划公交调度模型，优化公交线网，合理规划公交线路、站点。

3.2   模型参数

根据公交线路特性和实际运营情况，设置调度计划的参数指标，如表4所示。

根据线路客流特性、不同时间段设置满载率、停站时长指标，通过调度算法得到各时段需发班车次、配车数等指标，如图6所示。每时段最少设置时长15 min，时段不连续时系统提醒报错，无法保存参数。

设置公交调度计划参数后，根据历史数据预测各时段的周转时间，结合OD客流数据，运用公交调度算法自动生成线路调度计划，如表5所示。

根据调度计划生成线路车位图，图形化直观展示各车次行车时间，便于排查计划设定是否异常，判断是否符合设定预期，如图7所示。

建立公交调度仿真系统，如图8所示。根据系统生成的调度时刻表模拟线路全天执行计划情况，通过可视化界面直观校验调度计划。

因公交出行OD客流推算过程存在偏差，很难在短期内得到解决，为了使客流预测更精准，需安装客流检测仪，辅助修正客流预测。

4.2   智能公交运行评价

根据城市公交出行潮汐性分析，对广州市2019 年8 月20 日OD同一公交站点早高峰对向上下行上车量的客流进行月度统计，发现同一站点的上行站点早高峰客流明显大于下行站点早高峰客流，符合城市公交出行OD客流的规律，即早上市民上班往市中心方向的客流剧增，如图9所示。

对广州市2019 年8 月20 日OD同一公交站点上车量的客流进行月度统计，发现同一站点的晚高峰客流明显大于早高峰客流，如图10所示。

对广州市2019 年8 月20 日OD同一公交站点晚高峰对向上下行上车量的客流进行月度统计，发现同一站点的上行站点晚高峰客流明显小于下行站点晚高峰客流，符合城市公交出行OD客流的规律，晚上市民下班往城乡接合部方向的客流剧增，如图11所示。

对广州市20 条线路公交OD对换乘系数进行月度排名：1.07136<换乘系数<1.2601。换乘系数呈现下降的趋势，表明公交客流换乘人数在逐步减少，满足公交换乘的要求，如图12所示。

对2019 年8 月20 日14：00—15：00广州20 条公交线路站点OD对进行客流预测，显示客流变化呈现动态变化趋势，预测精度为90%—99%，如图13所示。

4.3   智能公交调度评价

为评估调度系统合理性，确立调度系统评价体系，选取5 个关键指标评价调度计划质量，通过公交调度仿真模拟获取关键指标：车辆营运效率、高峰期运力投放质量、车辆营运时长、满载率、正点率，与实际运营数据对比，检验公交调度计划质量。这些指标来源于2019 年5 月13 日、15 日、18 日公交调度模拟数据及实际运营数据。

（1）车辆营运效率评价

评价车辆营运效率，统计每辆车的行车时间、停站时间、营运时间，计算行车时间占营运时间的比重。评价结果：公交调度仿真数据占比为79%，实际运营数据占比为73%。

（2）高峰车次占比评价

评价高峰期运力投放质量，统计车辆高峰时段与全天营运车次占比。评价结果：2019 年5 月13 日公交调度仿真数据占比为36.75%，实际运营数据占比为37.37%，如图14所示。

（3）车辆营运时长评价

评价调度计划合理性，查找营运时长最长或最短车辆，对驾驶员工时、疲劳驾驶进行分析。评价结果：系统生成计划对比实际偏差值，如表6所示。

（4）满载率评价

评价公交调度实施前后的运力投放合理性，计算高峰期线路各方向的各班次车辆在各站点的满载率，分析线路高断面的车辆平均满载率、每个班次的平均满载率。

（5）正点率评价

评价公交调度系统的时间预测能力，对比每个班次的周转时间预测值与实际值，以±3 min为正点，统计正点率。

因前期扩样客流与实际客流偏差未解决，下阶段拟对部分试点线路的车辆安装客流检测仪，增加原始客流OD数据的采集精度，同时优化扩样算法，提高系统预测客流与实际客流的匹配度，如表7所示。

5   结论（Conclusion）

本文运用公交出行OD客流推导理论，构建出行OD的公交调度优化模型，获取个人OD数据，利用单条线路公交OD方法，实现全市公交OD矩阵推算。根据全市公交出行OD推算结果，优化公交调度模型，解决智能交通调度多目标规划和公交线网优化问题。仿真结果表明：比较智能公交调度计划评价指标，发现公交调度仿真数据与实际运营数据趋于相同，满足智能公交调度实际要求，具有可行性，为优化公交线网、布局公交站点提供更加全面的决策支持。智能公交调度是一个优化、规划类问题，既要满足市民出行的利益，又要满足公交企業的利益，两者之间的利益不一致，是互为矛盾的统一体。因此，通过公交调度控制方法，构建智能交通出行OD的公交调度优化模型，实现公交调度多目标最优的规划策略。

参考文献（References）

[1] 宋现敏，张明业，姜景玲.考虑区间重叠的多运营商公交调度优化[J].交通运输系统工程与信息，2020，20（05）：142-147.

[2] 滕靖，林琳，陈童.纯电动公交时刻表和车辆排班计划整体优化[J].同济大学学报（自然科学版），2019，47（12）：1749-1755.

[3] 王正武，陈涛，宋名群.同时接送模式下响应型接驳公交运行路径与调度的协调优化[J].交通运输工程学报，2019，19（05）：139-149.

[4] 赖元文，张杰.基于模拟退火-自适应布谷鸟算法的城市公交调度优化研究[J].交通运输系统工程与信息，2021，21（01）：183-189.

[5] 靳文舟，胡为洋，邓嘉怡，等.基于混合算法的需求响应公交灵活调度模型[J].华南理工大学学报（自然科学版），2021，49（01）：123-133.

[6] 陈建凯，肖亮，覃鹏，等.基于交织的立体综合车场公交调度优化模型研究[J].交通运输系统工程与信息，2020，20（03）：169-173.

[7] 马晓磊，沈宣良，张钊，等.基于拉格朗日松弛算法的自动驾驶公交调度优化研究[J].中国公路学报，2019，32（12）：10-24.

[8] 唐春艳，杨凯强，邬娜.单线纯电动公交车辆柔性调度优化[J].交通运输系统工程与信息，2020，20（03）：156-162.

[9] 俞礼军，朱一洲，余志强，等.考虑异质性出行需求的主支线公交树网络优化设计[J].中国公路学报，2021，34（01）：139-156.

[10] 别一鸣，熊昕宇，成卫.城市公交线路的时间控制点选择算法[J].哈尔滨工业大学学报，2019，51（03）：68-72.

[11] ULUSOY Y Y， CHIEN I J， WEI C H. Optimal all-stop， short-turn， and express transit services under heterogeneous demand[J]. Transportation Research Record， 2010， 2197（1）：8-18.

[12] BRRA-ROJAS O J， GIESEN R， RIOS-SOLIS Y A. An integrated approach for timetabling and vehicle scheduling problems to analyze the trade-off between level of service and operating costs of transit networks[J]. Transportation Research Part B Methodological， 2014， 70（7）：35-46.

[13] CEDER A. Optimal multi-vehicle type transit timetabling and vehicle scheduling[J]. Procedia-Social and Behavioral Sciences， 2011， 20：19-30.

[14] CEDER A， PHILIBERT L. Transit timetables resulting in even maximum load on individual vehicles[J]. Transactions on Intelligent Transportation Systems， 2014， 15（6）：2605-2614.

[15] WMAKRAND W， AJIT P S， ASHOKEK S， et al. Real-time optimal bus scheduling for a city using a dtr model [J]. Procedia-Social and Behavioral Sciences， 2013， 104（12）：845-854.

[16] SAHARIDIS G K D， DIMITROPOULOS C， SKORDILIS E. Minimizing waiting times at transitions nodes for public bus transportations in Green[J]. Operation Research， 2013， 14 （3）：1-19.

作者簡介：

陈深进（1970-），男，博士，讲师.研究领域：智能交通，机器学习，云计算.

基金项目：广东省应用型科技研发重大专项资金项目（2015B010131004）.

1470500520285