本發(fā)明涉及公交線路規(guī)劃方法，特別地涉及一種用于緩解軌道交通客流壓力的分流定制公交規(guī)劃方法。

背景技術(shù)：

1、由于大型城市職住分布的分離，高峰時期通勤乘客成為城市軌道交通網(wǎng)絡(luò)的客流主體，并且呈現(xiàn)流量大、出行路徑和時間集中的特點(diǎn)，導(dǎo)致出行需求與軌道交通供給失去平衡，列車站臺、車廂人群聚集，擁擠問題愈發(fā)突出。分流定制公交作用在軌道交通客流出行高峰時期，是吸引客流、緩解軌道交通擁擠的有效方法。分流定制公交往往只在起點(diǎn)區(qū)域和終點(diǎn)區(qū)域設(shè)站，中途不?？炕蛘咧型就？空竞苌伲跃哂锌焖?、便捷和舒適的特點(diǎn)，是一種“點(diǎn)到點(diǎn)”式的公交系統(tǒng)。

2、目前，面向軌道交通客流壓力分擔(dān)的公交線路開設(shè)研究主要從兩個角度進(jìn)行。一些研究從客流分布辨識的角度入手，采用數(shù)據(jù)驅(qū)動的方式，首先按照一定規(guī)則確定需要分流的站點(diǎn)，然后篩選出分流站點(diǎn)的大客流起點(diǎn)站點(diǎn)對-終點(diǎn)站點(diǎn)對，根據(jù)人工選擇出行成本最小的路線作為擬定的分流公交線路。一些研究從客流控制的角度，采用優(yōu)化建模的方式進(jìn)行研究，主要分為兩個階段進(jìn)行：首先決策在哪些站點(diǎn)需要對客流進(jìn)行控制，并決策需要控制的客流數(shù)量；下一階段再決策如何設(shè)計公交線路對這些乘客進(jìn)行運(yùn)輸。

3、這兩類方法均未考慮現(xiàn)實場景下的乘客出行路徑的選擇行為，對于軌道交通乘客的轉(zhuǎn)移意愿假設(shè)較為理想，實際應(yīng)用中可能存在差距。并且，已有研究技術(shù)主要針對單條軌道交通線路展開，然而對于大型城市的軌道交通系統(tǒng)，網(wǎng)絡(luò)中局部區(qū)段的擁擠成因復(fù)雜，在網(wǎng)絡(luò)層面考慮分流定制公交線路的接入，更具有實際意義。此外，構(gòu)建的分流定制公交線路規(guī)劃模型通常具有多個約束條件，涉及多目標(biāo)組合優(yōu)化，是一個np-hard問題，難以高效求得全局較優(yōu)解，大型城市軌道交通網(wǎng)絡(luò)的復(fù)雜性更加劇了模型的求解難度。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：為克服現(xiàn)有技術(shù)存在的缺陷，本發(fā)明的目的是提供一種分流定制公交雙層規(guī)劃模型構(gòu)建與求解方法。

2、技術(shù)方案：本發(fā)明所述的分流定制公交雙層規(guī)劃模型構(gòu)建與求解方法，包括以下步驟：

3、s1、確定定制公交候選分流線路集合；

4、s2、以軌道交通區(qū)間擁擠程度最小化為目標(biāo)構(gòu)建上層模型，用于從候選分流線路集合中，決策合適的分流線路；

5、s3、根據(jù)上層模型決策出的分流線路，構(gòu)建下層模型及其求解方法；

6、s4、構(gòu)建ml-op算法求解雙層模型：把上層模型的目標(biāo)函數(shù)替換為一個代理目標(biāo)函數(shù)，通過機(jī)器學(xué)習(xí)訓(xùn)練代理目標(biāo)函數(shù)，將上層模型轉(zhuǎn)化為整數(shù)線性規(guī)劃問題，結(jié)合初始樣本生成、迭代求解與收斂條件判斷，高效求解雙層模型，得到較優(yōu)的分流定制公交線路組合開設(shè)方案。

7、作為優(yōu)選的技術(shù)方案，s1中確定定制公交候選分流線路集合的具體過程為：已知軌道交通網(wǎng)絡(luò)中乘客出行起始站點(diǎn)-終點(diǎn)站點(diǎn)對的信息，提取站點(diǎn)對間的路徑長度大于預(yù)先設(shè)定的路徑長度閾值，并且站點(diǎn)對間的出行客流量大于預(yù)先設(shè)定的流量閾值，并且站點(diǎn)對在道路網(wǎng)絡(luò)中的最快出行用時除以在軌道交通網(wǎng)絡(luò)中的最快出行用時小于預(yù)先設(shè)定的時間比閾值的站點(diǎn)對集合為候選分流線路集合。

8、作為優(yōu)選的技術(shù)方案，s2中以軌道交通區(qū)間擁擠程度最小化為目標(biāo)構(gòu)建上層模型，用于從候選分流線路集合中，決策合適的分流線路，具體過程為：

9、s21、以軌道交通區(qū)間擁擠程度最小化為目標(biāo)構(gòu)建目標(biāo)函數(shù)為：

10、；

11、；

12、其中， ω e= x e /c e，表示軌道交通區(qū)間 e的客流滿載率； x e為軌道交通區(qū)間 e的客流量； c e為軌道交通區(qū)間 e在給定時段內(nèi)的限制流量； l e為軌道交通區(qū)間 e的長度；為區(qū)間客流滿載率的連續(xù)函數(shù)，為預(yù)先設(shè)定的車廂開始擁擠的滿載率閾值，為預(yù)先設(shè)定的大于0的調(diào)節(jié)參數(shù)；

13、s22、設(shè)置約束條件，限制選定的分流定制公交線路的個數(shù)不能超過一個預(yù)先設(shè)定的個數(shù)閾值 p：

14、；

15、其中，是上層模型的決策變量，為離散0-1變量，表示某條候選分流線路是否被選擇，為1則選擇，為0則不選擇；表示候選分流線路集合； p為預(yù)先設(shè)定的個數(shù)閾值。

16、作為優(yōu)選的技術(shù)方案，s3中根據(jù)上層模型決策出的分流線路，構(gòu)建下層模型及其求解方法；下層模型用于將軌道交通網(wǎng)絡(luò)中所有乘客出行起始站點(diǎn)-終點(diǎn)站點(diǎn)對（o-d對）合理地加載到連接各起終點(diǎn)之間的區(qū)間上，是一個多路徑客流均衡分配模型，通過msa方法求解，具體過程為：

17、s31、基于復(fù)雜網(wǎng)絡(luò)理論中的space-l方法，構(gòu)建軌道交通網(wǎng)絡(luò)：定義有向網(wǎng)絡(luò)，其中，表示軌道交通站點(diǎn)集；表示軌道交通區(qū)間，包括軌道交通線路相鄰站點(diǎn)間的軌道交通行車區(qū)間，和不同線路間的換乘步行區(qū)間；

18、設(shè)置軌道交通行車區(qū)間的阻抗：

19、；

20、；

21、；

22、其中，表示行車區(qū)間的實際運(yùn)行時間； ω e =x e /c e，表示軌道交通區(qū)間 e的客流滿載率， x e為軌道交通區(qū)間 e的客流量， c e為軌道交通區(qū)間 e在給定時段內(nèi)的限制流量；表示乘客均有座位情況下的滿載率； μ和 γ是預(yù)先設(shè)定的調(diào)整參數(shù)；

23、設(shè)置換乘步行區(qū)間的阻抗：

24、；

25、其中，是區(qū)間 e的步行換乘時間；是預(yù)先設(shè)定的調(diào)整參數(shù)，表征換乘感知時間要大于實際換乘所需時間；

26、s32、根據(jù)上層模型決策出的分流線路，在軌道交通網(wǎng)絡(luò)的基礎(chǔ)上，構(gòu)建軌道和分流定制公交融合網(wǎng)絡(luò)：分流定制公交的起終點(diǎn)在軌道交通站點(diǎn)上，對于每條選定的分流定制公交線路，在原軌道交通網(wǎng)絡(luò)相應(yīng)的節(jié)點(diǎn)間，增加一條分流定制公交區(qū)間，得到融合網(wǎng)絡(luò)，其中，表示軌道交通站點(diǎn)集；表示軌道和分流定制公交融合網(wǎng)絡(luò)的區(qū)間集合，表示軌道交通區(qū)間；表示分流定制公交區(qū)間；

27、設(shè)置分流定制公交區(qū)間的阻抗：

28、；

29、其中，表示該分流定制公交區(qū)間在道路網(wǎng)絡(luò)中的行程時間；

30、s33、初始化：令迭代次數(shù) n=1；令軌道和分流定制公交融合網(wǎng)絡(luò)中各個區(qū)間的流量為0，使用dial算法在軌道和分流定制公交融合網(wǎng)絡(luò)中搜索得到各個乘客出行o-d對間的阻抗最小路徑，使用全有全無分配法執(zhí)行客流加載，得到第1次迭代的區(qū)間流量；

31、s34、更新路徑阻抗：根據(jù)當(dāng)前區(qū)間流量，更新軌道交通行車區(qū)間的阻抗；

32、s35、加載客流：根據(jù)當(dāng)前區(qū)間阻抗，使用dial算法在軌道和分流定制公交融合網(wǎng)絡(luò)中搜索得到各個乘客出行o-d對間的阻抗最小路徑，使用全有全無分配法執(zhí)行客流加載，得到輔助區(qū)間流量；

33、s36、更新第 n+1次迭代的區(qū)間流量：

34、；

35、s36、檢查收斂：收斂條件為：

36、；

37、其中，為預(yù)設(shè)的一個充分小的正數(shù)；如果不滿足收斂條件，則令，繼續(xù)步驟s34；如果滿足收斂條件，則停止算法，得到軌道和分流定制公交融合網(wǎng)絡(luò)中各個區(qū)間的客流量。

38、作為優(yōu)選的技術(shù)方案，s4中構(gòu)建ml-op算法求解雙層模型：把上層模型的目標(biāo)函數(shù)替換為一個代理目標(biāo)函數(shù)，通過機(jī)器學(xué)習(xí)訓(xùn)練代理目標(biāo)函數(shù)，將上層模型轉(zhuǎn)化為整數(shù)線性規(guī)劃問題，結(jié)合初始樣本生成、迭代求解與收斂條件判斷，高效求解雙層模型，得到較優(yōu)的分流定制公交線路組合開設(shè)方案；具體過程為：

39、s41、生成初始樣本：對于上層模型的一組決策變量，生成包含| bc|+2組初始決策變量集：

40、；

41、其中，是第 k組上層模型的決策變量，為離散0-1變量，表示某條候選分流線路是否被選擇，為1則選擇，為0則不選擇；表示候選分流線路集合；

42、該初始決策變量集包含了| bc|個只有1個變量為1的決策變量組合，和全0及全1兩個組合；

43、對每組上層模型的初始決策變量，構(gòu)建并求解下層模型，得到軌道和分流定制公交融合網(wǎng)絡(luò)中各個區(qū)間的客流量數(shù)據(jù)，并將該數(shù)據(jù)代入上層模型，計算上層模型的目標(biāo)函數(shù) z，得到了包含| bc|+2個決策變量組合與目標(biāo)函數(shù)對的初始樣本集合：

44、；

45、令迭代次數(shù) i=0；令由迭代產(chǎn)生的樣本的集合。總樣本集合；

46、s42、訓(xùn)練機(jī)器學(xué)習(xí)：基于當(dāng)前 n組（）決策變量組合與目標(biāo)函數(shù)對的樣本集合，訓(xùn)練一個多元線性回歸模型，得到一個關(guān)于變量的代理目標(biāo)函數(shù)，即對目標(biāo)函數(shù)z的近似函數(shù)：

47、；

48、其中，表示回歸模型中的偏置項估計值；表示關(guān)于的回歸系數(shù)估計值，實際上代表了分流線路 b在目標(biāo)函數(shù)中的權(quán)值，越小，表示分流線路 b越有可能被選中；

49、s43、建立并求解代理上層模型：通過使用線性的代理上層目標(biāo)函數(shù)，使上層模型將轉(zhuǎn)變?yōu)橐粋€整數(shù)線性規(guī)劃模型；為該整數(shù)線性規(guī)劃模型增加約束條件，以在迭代中得到新的解，并限制生成與已有樣本中的解不同的解；代理上層模型被建立為：

50、；

51、；

52、其中， m表示由迭代產(chǎn)生的樣本的數(shù)量,?；和分別表示第 k個樣本中，決策變量取1和決策變量取0的個數(shù)；使用用于求解整數(shù)線性規(guī)劃問題的經(jīng)典算法或求解器，如分支定界法，割平面法，cplex求解器，gurobi求解器，或glpk求解器，求解該代理上層模型，得到一個與已有樣本中的解不同的新解，得到分流線路組合；

53、s44、求解下層模型并更新樣本集：將代理上層模型求解得到的分流線路組合輸入至下層模型，求解下層模型，得到軌道和分流定制公交融合網(wǎng)絡(luò)中各個區(qū)間的客流量數(shù)據(jù)，提取其中屬于軌道交通區(qū)間的客流量，其中，表示軌道和分流定制公交融合網(wǎng)絡(luò)中的軌道交通區(qū)間；計算實際上層目標(biāo)函數(shù)，得到一組新的決策變量向量與目標(biāo)函數(shù)組合；更新樣本數(shù)據(jù)集合為：

54、；

55、；

56、s45、判斷是否達(dá)到終止條件：設(shè)置迭代的終止條件為，迭代次數(shù) i達(dá)到預(yù)先設(shè)定的最大迭代次數(shù) i max，則結(jié)束迭代，并返回樣本集 d中最小的目標(biāo)函數(shù)所對應(yīng)的解，即：

57、；

58、也就是得到一個較優(yōu)的分流定制公交線路組合開設(shè)方案；

59、如果 i<i max，則令 i=i+1，返回步驟s42，并繼續(xù)迭代。

60、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

61、1、本發(fā)明建立分流定制公交雙層規(guī)劃模型，以軌道與分流定制公交融合網(wǎng)絡(luò)中多路徑客流均衡分配模型作為下層模型，上層模型最小化一個軌道交通區(qū)間擁擠程度的目標(biāo)函數(shù)。這使得本發(fā)明能夠?qū)嶋H考慮乘客出行路徑的選擇行為，使得決策出的分流公交線路組合開設(shè)方案更為合理。本發(fā)明的模型涉及了軌道交通、乘客和定制公交三個主體，使得相關(guān)利益均在分流線路規(guī)劃方法中得到考慮：軌道交通運(yùn)營壓力得以緩解；乘客乘車舒適性得以提高；定制公交滿足開設(shè)的流量條件。

62、2、本發(fā)明定制化地設(shè)計了ml-op方法用以求解np-hard的雙層規(guī)劃模型：把上層模型的目標(biāo)函數(shù)替換為一個代理目標(biāo)函數(shù)，通過機(jī)器學(xué)習(xí)訓(xùn)練代理目標(biāo)函數(shù)，將上層模型轉(zhuǎn)化為整數(shù)線性規(guī)劃問題，結(jié)合初始樣本生成、迭代求解與收斂條件判斷，最終得到較優(yōu)的分流定制公交線路組合開設(shè)方案。相比傳統(tǒng)方法，比如遺傳算法，本發(fā)明設(shè)計的ml-op方法能夠得到更優(yōu)質(zhì)的解，使得模型的求解效率更高，并且沒有隨機(jī)因素，能夠穩(wěn)定輸出模型結(jié)果。