城市公交枢纽布局与运营调度方法研究

论文摘要

随着城市化进程的推进,城市公交系统不断向立体、多元化方向发展。城市公交枢纽作为各种交通方式衔接的物理载体,其布局和运营效率是否合理直接关系到整个线网是否通畅。因此,本文从枢纽的衔接角度出发,对枢纽的空间布局及运营调度优化进行了较为深入的探讨。本文的主要内容如下：（1）城市公交枢纽的空间布局优化研究。合理的空间布局是发挥枢纽功能和作用的基础,以最低的空间消耗提高整个网络的运输效率。由于公交枢纽空间布局优化问题是非线性优化模型,是一个NP-hard问题,如果备选枢纽数量较大将很难求解出合理的布局方案。为了提高模型的求解精度和减少计算时间,根据枢纽布局的主要影响因素,建立了基于魅力度的备选枢纽筛选模型以缩小枢纽优化的解空间。然后,在备选枢纽筛选的基础上,分别提出单枢纽布局优化模型和多枢纽布局优化模型。由于多枢纽布局优化模型是一个多目标优化模型,本论文开发了基于排序法的多目标遗传算法对其进行求解。最后通过大连市主城区的数据对模型和算法进行了检验。结果显示,基于魅力度的备选枢纽模型得到的备选枢纽非常符合大连市主城区的实际情况。同时,多枢纽优化结果表明,对于公交换乘乘客来说,枢纽间的组合效用最大,可以提供更顺畅的的公交服务。（2）城市公交枢纽时刻表优化研究。公交枢纽静态调度是公交运营者主要的日常工作。时刻表优化是静态调度中最重要的组成部分,其直接或间接决定了车辆排班、司机调度等工作。因此,本文针对枢纽内的公交线路的运营特点,以枢纽内对等待时间影响最大的线路（例如,轨道线路或大间隔的公交线路等）作为基准线路,使其他线路与基准线路之间实现最大同步换乘。考虑到公交车辆（列车）运行的随机性,特别是常规公交车辆,本文引入一个松弛时间来完善枢纽内公交线路的衔接程度。然后,从优化单枢纽时刻表入手,拓展到多枢纽的时刻表优化研究,并开发基于启发式算法———SCE-UA的求解算法对枢纽内公交线路的时刻表进行了优化。最后,基于仿真分析对模型和算法进行了检验,结果显示,多枢纽联合优化的效果优于每个枢纽的单独优化,而且,增加松弛时间的优化模型的鲁棒性要更好。（3）城市公交枢纽的动态调度决策研究。公交车辆的运营环境非常复杂,经常会受到很多随机因素的干扰。通过采取有效实时调度措施,减弱由于干扰带来的影响,从而恢复枢纽内公交线路的正常运营。本文针对动态调度对车辆运行信息的实时性要求高的特点,提出公交车辆运行时间预测模型,并通过衰减因子来提高模型的预测精度。同时考虑到公交车辆运行状况是动态的,准确预测最佳的松驰时间可以减少乘客的等待时间,因此,本文提出松驰时间预测模型。然后基于车辆运行实时信息基础上,分析基于枢纽的动态调度的特点,提出以最小化乘客等待时间为目标的动态调度模型。考虑到动态调度模型是一个复杂问题,采用遗传算法对模型进行了求解。最后通过实例对模型和算法进行了验证。本文在枢纽布局优化、时刻表优化以及动态调度等方面有一定的创新,对城市交通规划的研究和实践具有一定的借鉴意义。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 选题背景
• 1.2 问题提出
• 1.3 国内外的研究现状
• 1.3.1 城市公交枢纽布局优化研究现状
• 1.3.2 城市公交枢纽时刻表衔接优化研究现状
• 1.3.3 城市公交枢纽动态调度决策研究现状
• 1.4 研究目的和意义
• 1.5 研究思路
• 1.6 研究内容及章节安排
• 1.7 本章小结
• 第2章 城市公交枢纽布局优化研究
• 2.1 基于魅力度的备选枢纽筛选模型
• 2.1.1 影响因素分析
• 2.1.2 综合评价法
• 2.2 城市公交枢纽空间布局优化模型
• 2.2.1 单枢纽布局优化模型
• 2.2.2 多枢纽布局优化模型
• 2.3 应用多目标遗传算法求解枢纽布局优化问题
• 2.3.1 染色体编码
• 2.3.2 种群初始化
• 2.3.3 适应度
• 2.3.4 选择操作
• 2.3.5 交叉算子
• 2.3.6 变异算子
• 2.3.7 最优保存策略
• 2.3.8 收敛判断
• 2.4 实例研究
• 2.4.1 数据分析
• 2.4.2 实例分析
• 2.5 本章小结
• 第3章 城市公交枢纽时刻表优化研究
• 3.1 单枢纽的时刻表优化模型
• 3.1.1 最大同步换乘的单枢纽时刻表优化模型
• 3.1.2 基于松驰时间的单枢纽最大同步换乘的时刻表优化模型
• 3.2 多枢纽的时刻表优化模型
• 3.2.1 最大同步换乘的多枢纽时刻表优化模型
• 3.2.2 基于松驰时间的最大同步换乘的多枢纽时刻表优化模型
• 3.3 SCE-UA算法
• 3.3.1 SCE-UA算法原理及描述
• 3.3.2 基于SCE-UA算法的粗粒度实施
• 3.4 实例研究
• 3.4.1 枢纽简介
• 3.4.2 松弛时间的确定
• 3.4.3 单枢纽时刻表优化模型的实例分析
• 3.4.4 多枢纽时刻表优化模型的实例分析
• 3.5 本章小结
• 第4章 城市公交枢纽动态调度决策研究
• 4.1 公交车辆运行时间预测方法
• 4.1.1 支持向量机（SVM）基本原理
• 4.1.2 带有衰减因子的SVM车辆到站时间预测模型（SVMDF）
• 4.1.3 基于SVM的松弛时间预测模型
• 4.1.4 带有松驰时间的车辆到站时间预测模型的框架
• 4.2 城市公交枢纽动态调度优化模型
• 4.2.1 未实施调度下车辆m的预计发车时间
• 4.2.2 在车辆m进行调度控制过程中预计的上车乘客数
• 4.2.3 错失车辆m的乘客数
• 4.2.4 车辆m留剩的乘客数
• 4.2.5 城市公交枢纽动态调度优化模型
• 4.3 应用遗传算法求解动态调度问题
• 4.3.1 编码策略
• 4.3.2 选择操作
• 4.3.3 交叉操作
• 4.3.4 变异操作
• 4.3.5 收敛判断
• 4.4 实例研究
• 4.4.1 运行时间预测模型的实例分析
• 4.4.2 动态调度优化模型的实例分析
• 4.5 本章小结
• 第5章 结论与展望
• 5.1 结论
• 5.2 研究展望
• 参考文献
• 作者简历
• 学位论文数据集