• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

考虑个性化出行需求的多模式公交路径规划

王志建 刘士杰 周锦瑶 孙健

王志建, 刘士杰, 周锦瑶, 孙健. 考虑个性化出行需求的多模式公交路径规划[J]. 西南交通大学学报, 2022, 57(6): 1319-1325, 1333. doi: 10.3969/j.issn.0258-2724.20210633
引用本文: 王志建, 刘士杰, 周锦瑶, 孙健. 考虑个性化出行需求的多模式公交路径规划[J]. 西南交通大学学报, 2022, 57(6): 1319-1325, 1333. doi: 10.3969/j.issn.0258-2724.20210633
WANG Zhijian, LIU Shijie, ZHOU Jinyao, SUN Jian. Multimodal Public Transportation Route Planning Considering Personalized Travel Demand[J]. Journal of Southwest Jiaotong University, 2022, 57(6): 1319-1325, 1333. doi: 10.3969/j.issn.0258-2724.20210633
Citation: WANG Zhijian, LIU Shijie, ZHOU Jinyao, SUN Jian. Multimodal Public Transportation Route Planning Considering Personalized Travel Demand[J]. Journal of Southwest Jiaotong University, 2022, 57(6): 1319-1325, 1333. doi: 10.3969/j.issn.0258-2724.20210633

考虑个性化出行需求的多模式公交路径规划

doi: 10.3969/j.issn.0258-2724.20210633
基金项目: 国家自然科学基金(72071003);北京市教育委员会科研计划(110052971921/023)
详细信息
    作者简介:

    王志建(1982—),男,教授,博士,研究方向为浮动车技术,E-mail:wzjian0722@163.com

  • 中图分类号: U121

Multimodal Public Transportation Route Planning Considering Personalized Travel Demand

  • 摘要:

    在多模式公交出行中,传统的路径规划方案已无法满足出行者日益增长的出行需求. 为提供基于出行者多种出行需求的个性化路径规划方案,通过IC卡刷卡数据模拟公交时刻表,建立基于模拟时刻表的多模式公交路网模型;采用动态阈值化法建立个性化出行需求评价值模型;设计深度优先搜索-遗传算法(depth first search-genetic algorithm,GA-DFS),并基于此组合算法提出初始种群产生策略和两点变异方法;最后,假设了3种不同出行需求的出行场景,将某市区的多模式公交路网数据应用于模型和求解算法中,并与使用较广的模拟退火-遗传算法(simulated annealing-genetic algorithm,GA-SA)进行对比分析. 仿真结果表明:所提出的算法与模拟退火-遗传算法相比,平均迭代次数减少了42%,寻优能力提高了50%,并且可以提供基于乘客多种出行需求的路径规划方案.

     

  • 图 1  城市多模式交通网络

    Figure 1.  Urban multimodal transit network

    图 2  编码示意

    Figure 2.  Coding schematic

    图 3  交叉操作

    Figure 3.  Cross operation

    图 4  变异操作

    Figure 4.  Mutation operation

    图 5  城市多模式交通网络实例

    Figure 5.  Case of urban multimodal transit network

    图 6  场景一下相同遗传参数的算法对比

    Figure 6.  Comparison of algorithms with the same parameters under scene one

    图 7  场景二下相同遗传参数的算法对比

    Figure 7.  Comparison of algorithms with the same parameters under scene two

    图 8  场景三下相同遗传参数的算法对比

    Figure 8.  Comparison of algorithms with the same parameters under scene three

    表  1  IC卡刷卡数据

    Table  1.   IC card data

    线路编号线路名称交易日期时间
    000382382 路2017-03-13 07:23:08
    000382382 路2017-03-13 07:23:10
    000382382 路2017-03-13 07:23:12
    000382382 路2017-03-13 07:29:44
    000382382 路2017-03-13 07:29:47
    000382382 路2017-03-13 07:29:48
    000382382 路2017-03-13 07:29:52
    000382382 路2017-03-13 07:29:54
    000382382 路2017-03-13 07:29:55
    000382382 路2017-03-13 07:29:56
    下载: 导出CSV

    表  2  传统时刻表和模拟时刻表

    Table  2.   Traditional timetable and simulated timetable

    站台号382 路公交车到站时刻
    传统时刻表模拟时刻表
    3807:22:3207:23:10
    3907:24:2507:29:51
    下载: 导出CSV

    表  3  不同出行场景下的算法对比

    Table  3.   Comparison of algorithms under different scenarios

    遗传 参数场景一场景二场景三
    GA-DFSGA-SAGA-DFSGA-SAGA-DFSGA-SA
    PCPMATC/
    ATN/
    AI/
    ATC/
    ATN/
    AI/
    ATT/
    min
    ATN/
    AI/
    ATT/
    min
    ATN/
    AI/
    AWD/
    m
    ATC/
    AI/
    AWD/
    m
    ATC/
    AI/
    0.9 0.10 0.96 1.2 17.80 1.76 2.2 30.62 39 1.5 18.90 47 1.9 31.85 600 0.96 19.66 900 1.80 28.95
    0.9 0.05 1.24 1.3 21.70 1.88 2.1 32.10 41 1.3 23.60 52 1.9 33.50 650 1.22 24.10 950 1.96 32.70
    0.8 0.10 1.32 1.4 23.20 1.96 2.2 31.43 45 1.5 22.30 54 1.8 33.61 700 1.48 22.71 1000 2.04 30.24
    0.7 0.10 1.60 1.4 25.60 2.16 2.1 33.95 44 1.4 24.80 64 1.8 34.46 700 1.66 24.53 1050 2.12 31.67
    0.6 0.05 1.80 1.9 26.80 2.34 2.2 35.72 50 1.4 27.60 66 1.8 38.73 850 1.88 27.47 1100 2.12 34.81
    下载: 导出CSV

    表  4  相同参数、不同种群规模在场景一下的算法对比

    Table  4.   Comparison of algorithms with the same parameters and different population sizes under scene one

    种群规模GA-DFSGA-SA
    ATC/元ATN/次ATC/元ATN/次
    600.881.101.041.30
    900.801.000.961.20
    1200.801.000.801.00
    1500.801.000.801.00
    下载: 导出CSV
  • [1] 沈犁,张殿业,向阳,等. 城市地铁-公交复合网络抗毁性与级联失效仿真[J]. 西南交通大学学报,2018,53(1): 156-163,196. doi: 10.3969/j.issn.0258-2724.2018.01.019

    SHEN Li, ZHANG Dianye, XIANG Yang, et al. Simulation on survivability and cascading failure propagation of urban subway-bus compound network[J]. Journal of Southwest Jiaotong University, 2018, 53(1): 156-163,196. doi: 10.3969/j.issn.0258-2724.2018.01.019
    [2] 陈海鹏,刘陪,申铉京,等. 实时环境下多目标的路径选择模型[J]. 哈尔滨工程大学学报,2017,38(8): 1285-1292.

    CHEN Haipeng, LIU Pei, SHEN Xuanjing, et al. Route choice model based on multi-objective in a real-time environment[J]. Journal of Harbin Engineering University, 2017, 38(8): 1285-1292.
    [3] 付旻. 城市多模式公共交通网络计算机模型构建技术研究[D]. 南京: 东南大学, 2018.
    [4] 黄明华,瞿何舟,刘晓波,等. 换乘导向的轨道交通网络发车时间优化研究[J]. 西南交通大学学报,2017,52(2): 326-333. doi: 10.3969/j.issn.0258-2724.2017.02.016

    HUANG Minghua, QU Hezhou, LIU Xiaobo, et al. Transfer-oriented dispatching optimization of rail transit network[J]. Journal of Southwest Jiaotong University, 2017, 52(2): 326-333. doi: 10.3969/j.issn.0258-2724.2017.02.016
    [5] 张瑞兵. 基于多目标优化的城际多模式出行路径规划[D]. 哈尔滨: 哈尔滨工业大学, 2020.
    [6] IDRI A, OUKARFI M, BOULMAKOUL A, et al. A new time-dependent shortest path algorithm for multimodal transportation network[J]. Procedia Computer Science, 2017, 109: 692-697. doi: 10.1016/j.procs.2017.05.379
    [7] DIB O, MOALIC L, MANIER M A, et al. An advanced GA-VNS combination for multicriteria route planning in public transit networks[J]. Expert Systems with Applications, 2017, 72: 67-82. doi: 10.1016/j.eswa.2016.12.009
    [8] 赵婷,彭勇,程真,等. 旅客视角下基于时变的多模式交通网络出行路径[J]. 科学技术与工程,2019,19(26): 369-375. doi: 10.3969/j.issn.1671-1815.2019.26.058

    ZHAO Ting, PENG Yong, CHENG Zhen, et al. The travel path of multi-mode traffic network based on time-dependent from the perspective of passenger[J]. Science Technology and Engineering, 2019, 19(26): 369-375. doi: 10.3969/j.issn.1671-1815.2019.26.058
    [9] 李浩楠,曹成铉,柳雨彤,等. 考虑不确定因素的多模式城市交通网络路径决策[J]. 科学技术与工程,2019,19(12): 319-324. doi: 10.3969/j.issn.1671-1815.2019.12.046

    LI Haonan, CAO Chengxuan, LIU Yutong, et al. Multi-modal urban transportation network route decision based on uncertainties[J]. Science Technology and Engineering, 2019, 19(12): 319-324. doi: 10.3969/j.issn.1671-1815.2019.12.046
    [10] 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(1): 183-189.

    LAI Yuanwen, ZHANG Jie. Urban bus scheduling optimization based on simulated anneal-adaptive cuckoo search algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(1): 183-189.
    [11] 李衬衬,孙锋,孙猛,等. 基于深度优先搜索算法的交通流向供需失衡路径辨识[J]. 科学技术与工程,2021,21(14): 6026-6031. doi: 10.3969/j.issn.1671-1815.2021.14.053

    LI Chenchen, SUN Feng, SUN Meng, et al. Analysis of imbalance between supply and demand of traffic flow based on DFS algorithm and route identification[J]. Science Technology and Engineering, 2021, 21(14): 6026-6031. doi: 10.3969/j.issn.1671-1815.2021.14.053
  • 加载中
图(8) / 表(4)
计量
  • 文章访问数:  604
  • HTML全文浏览量:  277
  • PDF下载量:  58
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-08-09
  • 修回日期:  2022-03-06
  • 网络出版日期:  2022-10-09
  • 刊出日期:  2022-03-18

目录

    /

    返回文章
    返回