[0046] 以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0047] 本发明的目的是针对现有技术的缺陷，提供了一种基于遗传算法的公交发车与车速调整优化方法及系统。
[0048] 如图1所示，在一条单线公交运营示意图上，虚线右边是已发车辆，从始发站到终点站的路线上总共有P辆公交车，对已发车辆调整其实时车速。虚线左侧是待发车辆，有M辆车辆待发，动态调整待发车辆的发车间隔。在整条单线上有P+M辆相同的公交车。本发明通过调整代发车辆的发车间隔和已发车辆的站间车速来最小化整条公交线路上乘客的总等车时间。
[0049] 本发明以物联网环境下实时信息为基础，分析包括上下游站点客流变化、运营线路的路况变化、天气变化、交叉口信号灯变化等时变信息的对调度的影响，提出解决单线路动态发车和车速优化问题的方法，解决了有限公交资源的合理分配问题。使用本发明可以运营更适应城市交通环境，提高公交出行的吸引力。
[0050] 实施例一
[0051] 本实施例提供一种基于遗传算法的公交发车与车速调整优化方法，如图 10所示，包括：
[0052] S11.获取与公交单线路相关的数据信息；
[0053] S12.根据获取到的数据信息预测客流量随时间变化的信息，并确定建立优化模型时所需的参数；
[0054] S13.根据所述确定的参数建立公交动态发车以及站间时速调整的优化模型；
[0055] S14.通过遗产算法对所述建立的优化模型进行求解，得到公交车待发车辆的发车间隔和行驶车辆的站间速度的调度方案。
[0056] 在步骤S11中，获取与公交单线路相关的数据信息。
[0057] 在规划周期起始时刻之前需要采集相关数据。数据的种类主要包括路线和站点数据和公交车数据。路线与站点信息主要包括线路总长度，单线上设置的站点数量，以及相邻站点间的距离。公交车信息主要包括单线上公交车的最大载客量。
[0058] 在步骤S12中，根据获取到的数据信息预测客流量随时间变化的信息，并确定建立优化模型时所需的参数。
[0059] 根据历史数据和预测得到客流量随时间变化的信息，并在规划周期起始时刻确定模型计算所需要的参数；所述参数包括待发车辆数量、车辆在站点停车由于加速减速所需要的缓冲时间、乘客上下车所需的平均时间、车辆到达站点后乘客的下车比率、站点距离、公交公司要求的最大发车间隔和最小发车间隔以及三种情景客流发生的情况。
[0060] 在步骤S13中，根据所述确定的参数建立公交动态发车以及站间时速调整的优化模型。
[0061] 考虑在单条线路上情景客流不同的情况下，以最小化乘客总等车时间为目标函数，建立基于物联网背景的公交动态发车以及站间时速调整的优化模型。
[0062] 步骤S13的公交单线路动态发车与车速调整优化模型的细节描述如下：
[0063] S131.模型假设条件如下：
[0064] 参与决策的公交车辆车型一致；公车运行过程中没有突发事故，道路畅通；车辆在任意相邻候乘站点之间运行车速保持不变，即匀速行驶；物联网环境下，通过候乘站点的监控系统，可以对任意候乘站的客流变化情况予以预测，并且能够给出任意候乘站点的乘客到达率变化函数；公交运营调度中心可以利用车载设备随时与线路上行驶的车辆驾驶员进行调整信息的沟通；公车运营过程中不采用站点控制策略，运营线路上的所有站点都会进行停靠，停靠时间为公车进站出站时间与乘客上下公车的时间之和。
[0065] S132.模型中已知符号和变量说明如下：
[0066] 模型索引：i为公车的编号；j是线路候乘站点的编号。
[0067] 模型参数：J是线路候乘站点总数；M为始发站待规划车辆的总数；P表示规划初始时刻线路上正在行驶的车辆数；Vmin表示道路畅通情况下，公交车规定行驶的车速下限；Vmax表示道路畅通情况下，公交车规定行驶的车速上限； Cmax是运营车型的最大容量；Hmax表示始发站待规划公交车辆发车所允许最大间隔时刻；Hmin表示始发站待规划公交车辆发车所允许最小间隔时刻；σ为公交车进出站以及乘客上下车所需的时间和；Dj表示候乘站j与候乘站j+1之间的距离大小；LTmin是待发车辆在首站的最小停靠时间。
[0068] 模型变量： 是编号为i的公车到达始发站时刻；twa是经统计后乘客的平均等车之间，是常数；fj(t)为候乘站j在t时刻的乘客到达率函数；t0是研究初始时刻，即当前时刻；τi为t0时刻，正在线路上行驶的公交车i经过的上个候乘站点编号；Di为t0时刻，行驶中的公交i距刚经过的上个候乘站距离； 为编号为i的公车在候乘站j的停留时间，包括进出站和乘客上下车两部分时间之和； 为编号为i的公车离开候乘站j的时刻； 为编号为i的公车到达候乘站j时公车内乘客数； 为编号为i的公车到达候乘站j后的下车乘客数；
为编号为i的公车到达候乘站j后上车的乘客数； 为编号为i 的公车到达候乘站j时，公交车载客数量达到车容量上限，滞留的乘客数； 是在j候乘站点等待编号i公车的总乘客数。
[0069] S133.模型中决策变量说明如下：
[0070] 决策分为两部分，第一个决策变量是针对始发站的待发公交车辆，对其进行发车时间的决策，确定发车间隔；第二个决策变量是对所有公车的站间车速进行决策。
[0071] Ti,1:编号为i的待发车辆在始发站的离站时间,其中i＝P+1....P+M。
[0072] vi,j:编号为的公交车在候乘站点j与j+1之间的运行车速,其中 i＝P+1...P+M，j＝1...J‑1。
[0073] S134.模型中需要计算的中间变量的说明及计算公式如下：
[0074] 线路上运行车辆到达下游站点和后续站点后，公车进站，载客，再出站后离站时间的计算公式：
[0075]
[0076] 剩余车辆的离站时间计算公式：
[0077]
[0078] 线路上运行的公车中任意相邻的两辆公车的车头时距计算公式，即根据相邻公车通过同一候乘站点的时间差：
[0079]
[0080] 站点等车乘客数为上车乘客与滞留乘客之和：
[0081]
[0082] 线路上公交到站时，站点等车人数为起始时刻站点已有乘客数或前车滞留乘客数与新增乘客数之和：
[0083]
[0084]
[0085] 候乘站点上车乘客数由车内剩余容量和等车乘客数二者决定，并取较小值：
[0086]
[0087] S135.目标函数建模过程如下：
[0088] 本实施例通过站点乘客总等车时间来衡量乘客的乘车体验，在公交车队规模固定的条件下，合理的调配公交资源，在面对不同强度的客流分布时，无需加派车辆的情况下，最小化乘客的等车时间，较好的完成乘客运载工作。考虑公车容量限制的条件，将候乘站点乘客的总等车时间Twait细分为Tfirst和Tafter两部分，其中Tfirst是候乘站点乘客等待第一辆到站公车的总等车时间；Tafter是指由于第一辆到站公交车满员，滞留下来的乘客等待后续公交车辆的总时间。
[0089] 第一部分是乘客等待第一辆到达该站点的车辆的等车时间：
[0090]
[0091] 第二部分指的是滞留乘客等待后续车辆的总等车时间：
[0092]
[0093] 综合上述两式，得出单线发车与车速调节的目标函数，即最小化线路上站点所有乘客的总等车时间：
[0094]
[0095] S135.模型约束条件为：
[0096] 车载乘客数量的限制：
[0097]
[0098] 任意候乘站点离站时的乘客数量不大于该车型车辆的最大载客量的限制：
[0099]
[0100] 相邻待发车辆在始发站的发车间隔，需要控制在最小与最大发车间隔的范围内：
[0101] Hmin≤Hi,1≤Hmax i＝p+1...p+m
[0102] 从车场发出的公车到达首站后要停留一段时间，以供始发站的乘客上车：
[0103]
[0104] 线路上正在运行的公交车辆，应保证相邻公交车辆的车头时距始终在规定的最小与最大车头时距范围内，通过车速的调整保证线路上的公交车辆不会发生公车聚集现象。
[0105]
[0106] 在步骤S14中，通过遗产算法对所述建立的优化模型进行求解，得到公交车待发车辆的发车间隔和行驶车辆的站间速度的调度方案。
[0107] 如图2所示，具体为：
[0108] S141.种群初始化；在编码时，将发车时刻表转化为发车间隔，降低编码的难度，即编码后染色体的基因位由发车间隔和站间车速两部分组成。染色体结构示意图如图3所示。初始化时，表示发车间隔的基因位，Ti,1的值应在规定的最小到最大的发车间隔范围内随机生成。表示公车在候乘站间运行车速的基因位，即vi,j的值应保证在规定的行驶车速范围内生成。特别需要注意的是生成染色体时，代表发车间隔的基因位数值之和应等于规划时长，例如优化时间为早高峰的7:00‑9：00时间段内，该时间段内的最后一辆规划车辆的发车时间应正好是9点钟整。
[0109] S142.在本发明中，将目标函数作为适应值函数，即染色体的适值等于所有候乘站点乘客的总等车时间。但这与轮盘赌选择时适应度函数值大的被选中的概率大相反，于是对适应值函数进行转化，转化公式如下：
[0110]
[0111] 式中Fmax表示适值最大的个体适应值，Fmin表示适值最小的个体适应值，η表示一个极小的数， 表示某条染色体转换前的适应值。
[0112] 转换后，每条个体被选中的概率公式： 累计概率公式：
[0113] 在进行轮盘赌选择时，在(0,1)之间随机产生一个小数x,将x与式3.20 计算得出的积累概率相比较，当x符合 时的，选择其中对应的个体i即可，连续重复上述过程便可以完成染色体的挑选工作。
[0114] S143.交叉算子采用改进后的交叉算子方法；
[0115] 本发明提出一种适合本文染色体编码规则下的交叉算子：即针对发车间隔对应的基因位采用多点交叉、均匀交叉与算数交叉三者相结合的方式。使用算数交叉时本文给出新的线性组合公式：
[0116]
[0117]
[0118]
[0119]
[0120] 针对站间车速对应的基因位仅采用均匀交叉，在使用算数交叉时本文给出新的线性组合公式。具体的交叉过程见图4。新的交叉算子在对站间车速(黑色基因位)基因位进行交叉时，仅使用了均匀交叉；对于发车间隔(红色基因位)基因位部分，图中将父代染色体一的基因位(12,9)看做一对，将父代染色体二的基因位(7,8)看做一对，利用式3.21到3.24进行线性组合计算，生成了新的子代染色体对应基因位(10,11)，新的子代染色体二的对应基因位 (9,6)，新生成的子代染色体发车间隔总时长保持不变，父代染色体的规划时长为30，子代染色体的规划时长也为30，采用本小节提出的混合交叉方式进行染色体基因位交叉，很好的解决了交叉后代染色体合格率低的问题。
[0121] S144.变异算子的设计：
[0122] 对于染色体中行驶车速部分的基因位，如果该位发生变异，根据公式进行计算，a为(Vmin‑10,Vmax‑10)中非零的随机数，变异后的车速 是当前车速Vi,j与a的和。针对染色体中对应发车间隔部分的基因位，若该位基因位确定发生变异，则将该基因位的值加1，然后再代表发车间隔的基因位中随机抽取位，将其值减1，通过这种方式使规划时长保持不变。具体变异过程示意图如图5所示。确定变异的基因位共三位，其中一位对应发车间隔为12min，另两位对应车速为8km/h和11km/h,通过对变异后的子代基因位值分析可知，用于车速变异的随机数a分别为3和‑2。对于发车间隔基因位的变异，则是随机选取了对应发车间隔为9基因位与其进行计算，前者发车间隔降低一分钟，后者则增大一分钟，变异后，仍能保证规划时间段长度不变。
[0123] S145.停止准则：本方法通过设定最大迭代次数的方式来定义停止条件，即当迭代代数大于设定的阈值时，遗传算法停止搜索并输出当前种群中的最优解作为最终求解结果。
[0124] 与现有技术相比，本实施例从发车间隔和站间时速的角度来考虑我国的公交动态调度问题，解决了在物联网背景下的公交动态调度问题，减少单线上所有乘客的总等车时间，提高了居民出行的满意度，同时可以降低公交实际运营中的潜在风险，增加公交资源的利用率，对现实中的公交调度具有很好的指导意义。
[0125] 实施例二
[0126] 本实施例提供的一种基于遗传算法的公交发车与车速调整优化方法与实施例仪的不同之处在于：
[0127] 本实施例通过具体实验案例进行说明：
[0128] 实验公交线路共包含24个候乘站点，线路全长16.8km，各候乘站点间距离均为0.7km，规划的公交车车型保持一致，每辆公交车的最大承载人数为40 人，公交车辆运行车速在5km/h到15km/h之间，单位乘客上下车的平均时间为5s左右，车辆减速进站和加速出站的平均缓冲时间为30s左右。
[0129] 研究平缓型客流下的调度情况，规划时间为白天10点到12点这段时间，分别考虑高、中、低三种平型客流分布情况进行实验，各时段对应的乘客到达率：
[0130]
[0131] 表1
[0132] 由该表1可以得到不同时间段的客流分布图如图6所示。利用遗传算法进行求解，实验中交叉算子的交叉率设置为0.8，变异算子变异率设置为0.3，初始种群规模大小设置为70，算法的最大迭代次数设置为500次，规划车队的规模是8辆公交车，即需要对8辆车中的七个发车间隔进行优化。默认的调度方案为实际生活中公交运营管理部门最常使用的时刻表均匀发车调度。假设该线路发车时刻表的发车间隔为10min，即每隔10分钟发出一辆公交车，候乘站点间行驶车速默认为10km/h。得到发车间隔结果表如表2所示：
[0133]
[0134] 表2
[0135] 模型中另一个决策变量vi,j(站间车速)的优化结果如图6、7、8、9所示：由于规划车队车辆(8辆)和站点总数(24站)较大，不能给出每一辆车的优化结果，因此给出随机选取的某公交车分别在高、中、低三种客流分布下的车速优化结果，图中给出了车辆站间车速的数据标签。经过决策后公车在面对不同强度的客流分布时，便可以采用与之相适应的车速来行驶。
[0136] 实施例三
[0137] 本实施例提供一种基于遗传算法的公交发车与车速调整优化系统，如图 10所示，包括：
[0138] 获取模块11，用于获取与公交单线路相关的数据信息；
[0139] 确定模块12，用于根据获取到的数据信息预测客流量随时间变化的信息，并确定建立优化模型时所需的参数；
[0140] 建立模块13，用于根据所述确定的参数建立公交动态发车以及站间时速调整的优化模型；
[0141] 求解模块14，用于通过遗产算法对所述建立的优化模型进行求解，得到公交车待发车辆的发车间隔和行驶车辆的站间速度的调度方案。
[0142] 进一步的，所述获取模块中获取的数据信息包括路线与站点数据、公交车数据；所述路线与站点数据包括线路总长度、单线上设置的站点数量、相邻站点间的距离；所述公交车数据包括单线上公交车的最大载客量。
[0143] 进一步的，所述确定模块中建立优化模型时所需的参数包括待发车辆数量、车辆在站点停车由于加速减速所需要的缓冲时间、乘客上下车所需的平均时间、车辆到达站点后乘客的下车比率、站点距离、公交公司要求的最大发车间隔和最小发车间隔、不同情景客流发生的情况。
[0144] 进一步的，所述建立模块是通过最小化乘客总等车时间为目标函数，建立的优化模型。
[0145] 需要说明的是，本实施例提供的一种基于遗传算法的公交发车与车速调整优化系统与实施例一类似，在此不多做赘述。
[0146] 与现有技术相比，本实施例从发车间隔和站间时速的角度来考虑我国的公交动态调度问题，解决了在物联网背景下的公交动态调度问题，减少单线上所有乘客的总等车时间，提高了居民出行的满意度，同时可以降低公交实际运营中的潜在风险，增加公交资源的利用率，对现实中的公交调度具有很好的指导意义。
[0147] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
