[发明专利]一种基于混合启发式算法的智能公交调度方法

说明书

技术领域

本发明属于城市智能公共交通系统技术领域，涉及一种基于混合启发式算法的智能公交调度方法，特别是一种对快速公交的发车计划进行调度的方法。

背景技术

随着城市的快速发展，城市人口不断增加，私家车的数量也随着大量增长，造成了交通拥堵和环境污染问题日益严峻。充分发挥城市公共交通系统的作用，能够缓解这些问题。但是目前公共交通也有乘客等待时间较长和乘客满意度较低的问题。如何有效的解决现有的问题，是增加公共交通吸引力的关键。公交调度是公交企业日常运营活动的中心，它直接影响到运营成本和乘客满意度。符合客流规律的公交调度方案能够根据客流量的变化调整发车间隔，加强了公交服务的针对性，减少了乘客的等车时间，提高了公交服务质量，增加公共交通的吸引力。

公交调度的目的就是在满足乘客出行需求的情况下，尽量节省运营成本。这两个相互矛盾的要求导致这是一个多目标优化问题。同时，公交调度要受到公交企业运营成本、车队规模等多方面的约束。怎样在同时满足客流量需求和约束条件下，找到合适的方法在合理的时间内确定公交调度方案，是实现智能化公交调度的关键。公交调度分为静态调度和动态调度两个部分，静态调度主要是指制订每条线路的发车时刻表，动态调度主要完成当出现车辆、客流等突发情况时对已有的发车时刻表进行调整。在日常运营中，静态调度为主，动态调度为辅。本发明主要涉及如何使用改进的混合启发式算法来解决快速公交的静态调度问题。

目前，国内外在此领域的研究有很多，但是每个城市公交系统的具体情况都不同，没有一种较为通用的能够结合历史运营数据进行公交调度的方法。在这些研究中有很多人使用遗传算法等启发式算法，或者它们的改进算法用于公交调度的优化。遗传算法能够在合理的时间内找到公交调度问题的最优解或者近似最优解，这也是许多研究者使用它来解决公交调度的原因。但是遗传算法存在容易过早收敛，效率低等缺点。

发明内容

本发明的目的是为了克服遗传算法自身的不足，并提出了一种新颖的方法来解决乘客和公交运营企业之间的利益冲突。本发明涉及的方法将模拟退火算法和遗传算法结合在一起，并且加入精英保留策略和适应度拉伸函数。将每一代种群中适应度最大的个体直接保留到下一代，避免它被交叉和变异操作破坏。适应度拉伸函数在算法的初期阶段，削减个体之间的差异，从而增加种群的多样性，避免遗传算法陷入局部最优解；在算法的后期阶段，增大个体间的差异，从而增加优秀个体被选择的概率，加快收敛速度。模拟退火算法能够增加遗传算法的局部搜索能力，从而加快遗传算法的收敛速度。

本发明的方法的具体步骤如下：

步骤(1)读取乘客的刷卡记录，统计每天乘车总人数和每个时间段I内的人数，获取每天的历史天气状况和节假日情况；使用层次聚类方法，对获取的历史数据进行聚类分析；即将一天当中的乘车总人数、不同时间段内的乘车人数、天气情况和节假日情况组合成一个向量，然后对该向量进行归一化操作，使用系统聚类算法中的Ward法进行聚类操作，根据聚类的结果提取每个类别的特征；

所述的刷卡记录包括上车刷卡时间、上车站点、下车刷卡时间和下车站点；

所述的获取的历史数据包括乘客的刷卡记录、历史天气状况和节假日情况；

步骤(2)根据第二天的天气预报信息和节假日情况，从步骤1的聚类结果中匹配到一个类，并从该类中抽取一个向量作为预测值；

步骤(3)根据预测值，结合公交企业期望的满载率，两者相除，得到第二天的总发车班次；

步骤(4)随机生成N个向量，向量的维度与总发车班次相等；每个分量代表对应班次的发车时间，发车时间以分钟为单位，设定第一个分量等于0，最后一个分量等于末班车发车时间与首班车发车时间之间的分钟数；向量中的分量按从小到大的顺序排列，这N个向量组成初始解的集合P₀，并设定迭代次数g为0；其中N为偶数；

步骤(5)建立公交调度的数学模型，以乘客的等待时间最短为目标设定适应度函数，计算每个初始解的适应度，然后通过混合启发式算法进行求解；

5-1.使用适应度拉伸函数进行适应度拉伸操作，用拉伸后的值替换掉原来的适应度；

5-2.按照轮盘赌选择策略从集合P_g中选择任意两个解，按照设定的交叉概率进行交叉操作，即随机选择一个交叉位置，交换两个解交叉点前后的部分，得到两个交叉后的解；然后对两个交叉后解进行模拟退火操作：计算交叉后的解的适应度，如果适应度增大，接受新的解，否则以当前的接受概率接受新的解；从而获取两个新的解；