需求响应式公交协同组合调度研究

发布时间：2020-07-06 19:07

【摘要】：随着人民群众对出行效率和出行体验的要求日益提升,人们的出行需求更加趋于多元化和个性化,城市公共交通传统单一的服务供给模式,难以有效满足差异化的出行需求。需求响应式公交(DRT)系统是一种多元化的城市公共交通服务模式的,可以满足人们日益美好的出行需求。现有的需求响应式公交的理论研究中,往往有着比较严格的边界条件设定,如车型单一、服务单一、车辆调度形式单一等,很少进行组合优化调度,并且很少有考虑组合调度时刻表协同设计。基于以上研究背景,本文提出了需求响应式公交协同组合调度研究。本文从需求响应式公交和车辆路径两个方面进行国内外研究现状综述。在此基础上,首先介绍DRT协同组合调度系统组成和工作过程,并从长线大车路径问题描述、长线大车站点聚类方法、长线大车站点发车时刻表确定、乘客需求点筛选机制、接驳小车路径问题描述、接驳小车发车时刻表确定和乘客需求点时间窗七个方面重点分析了DRT协调组合调度的关键问题。其次构建了DRT单点协同组合调度模型,采用混合粒子群算法进行模型求解,并将DRT单点协同组合调度问题拓展延伸成DRT多点协同组合调度问题,提出了多点协同组合调度模型的求解思路。针对DRT单点协同组合调度模型中的接驳小车路径模型(多车场车辆路径问题)采用改进了传统的混合粒子群算法进行求解;改进算法增加路径降维和基因突变粒子更新步骤,并用控制变量的方法进行粒子更新步骤对算法性能影响分析,得出带路径降维和基因突变更新步骤的混合粒子群算法优化幅度增幅比原代码提高20.45%。最后以汕尾东部地区至火车站为例,验证DRT协同组合调度模型的可操作性和科学性。结果表明,在需求不集中地区采用DRT协同组合调度模型可以较快地求解出合理的大小车组合调度作业形式,从而达到企业成本最优。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491.17
【图文】：

长线,大车,接驳,乘客

统可以有效地提供空间全覆盖和时间全覆盖。DRT 协同组合调度[41] [42] [43] [44] [45]主要是根据预约乘客的需求，按照一定的规划进行优化以达到在低乘客需求区域的集约化运输。在此系统中，本文将从一体化的角度去考量大小车组合最优的经济费用，达到组合调度目的。本文的创新点之一是在 DRT 组合调度问题上，考虑了大小车的协同调度。协同调度的含义是指长线大车和接驳小车的发车时刻表协同设计的。每当长线大车确定一个发班时间时，此系统能根据筛选后的乘客需求来精确计算出接驳小车的发车时间和路径。如图 2-1 所示，长线大车有 4 个中途停靠站点 T1、T2、T3、T4，每个中途站点存在一个长线大车服务发车时刻n n[ ]T TE ，L，DRT 长线大车路径为：长线大车车场—T1—T2—T3—T4—目的地。接驳小车有三个固定车场 Y1、Y2、Y3，系统将所有乘客需求点一次接送生成如下的两条接驳路径：Y1—T1，Y2—T3，同时生成大小车协同发车时刻表。

示意图,长线,问题,乘客

图2-4 DRT 长线大车路径问题示意图2.3.2 长线大车站点聚类方法2.3.2.1 K-means 聚类法K-means 聚类法又称 K 均值聚类法，它的基本思想是把所有预约乘客的需求点 D 划分到 K 个聚类（簇）中，并且使得每个乘客需求点都属于离它最近的均值（即长线大车中途站点 T）所对应的聚类（簇）。已知所有预约乘客的需求点 Di，其坐标为[ , ]i ix y，簇中心 Tn，其坐标为[ , ]T Tn nx y。K-means 聚类法的基本步骤：① 任意选择 K 个对象作为初始簇中心 Tj（j=1,2,3,…,n）；② 计算所有乘客需求点 Di与各个簇中心 Tj的欧氏距离( , )i i jd D T，将每个乘客需求点赋给最近的簇中心 Tj，形成 K 个聚类区域：

系列图,聚类法,系列图

Step③ Step④图2-8 K-medoids 聚类法示意系列图2.3.2.3 两种聚类方法的适用性K-means 聚类法的优点：当簇的结果是密集的，且簇与簇之间存在明显的区别时其聚类的效果较好。K-means 聚类法的缺点：需要预先指定簇的数目 k，对个体数据极端情况很敏感因为具有特别大的值的对象可能显著地影响数据平均值的分布。对于数据集规模较大样本聚类的效果比较好，但不能很好地适用于数据集规模较小的样本。K-medoids 聚类法的优点：当存在个体数据较极端的情况时，K-medoids 的鲁棒比 K-means 更好，这是因为中心点不像平均值那么容易被极端的个体数据所影响。K-medoids 聚类法的缺点：对于数据集规模较小的样本聚类的效果比较好，但不很好地适用于数据集规模较大的样本。

【参考文献】