城市轨道交通时刻表优化技术框架及关键技术环节*

汪 林 张 宁 邵家玉 王宏博

(1.东南大学自动化学院,210018,南京; 2.东南大学智能运输系统研究中心,210018,南京;3.北京城建设计发展集团股份有限公司,100045,北京//第一作者,硕士研究生)



城市轨道交通时刻表优化技术框架及关键技术环节*

汪 林1张 宁2邵家玉1王宏博3

(1.东南大学自动化学院,210018,南京; 2.东南大学智能运输系统研究中心,210018,南京;3.北京城建设计发展集团股份有限公司,100045,北京//第一作者,硕士研究生)

时刻表优化技术是城市轨道交通运营管理所涉及的一项关键技术,其实施好坏直接影响到城市轨道交通运营的各个环节。针对当前实际运营过程中,列车时刻表的优化调整显著受制于断面客流预估精度的现状,借助城市轨道交通AFC(自动售检票)系统采集的乘客交易信息,提出了一种基于客流信息的城市轨道交通时刻表优化技术框架,并对其核心模块功能实现的关键技术环节进行了阐述,探讨了基于客流特性参数的发车模型。

城市轨道交通; 时刻表优化; 有序样本聚类; 混合遗传算法

First-author′s address School of Automation,Southeast University,210018,Nanjing,China

随着城市轨道交通的迅猛发展,其路网结构日趋复杂,客流量日益增大。城市轨道交通系统能否正常、高效地运营,最大限度地发挥其骨干作用,不仅取决于轨道和车辆等基础设施条件,更有赖于运营管理及其技术手段的先进性。

在城市轨道交通系统中,编制运营调度计划是运营管理的基础。运营调度计划的核心是列车时刻表。列车时刻表是运营公司组织列车运营的具体作业计划,指导着城市轨道交通运营的全过程,其设计的好坏直接影响到线上列车的调度,进而影响乘客的出行和运营公司的效益。因此,系统地构建基于客流信息的城市轨道交通时刻表优化技术具有如下现实意义:①可利用当前(近期)同类特征日的客流数据对现行时刻表进行合理优化,为城市轨道交通日常调度调整提供了新思路、新方法;②可与短时客流预测技术相结合,为未来一定时期内行车计划时刻表的制定提供技术支撑。

1 时刻表优化技术框架构建及核心模块解析

本文所构建的城市轨道交通时刻表优化技术框架主要由客流数据提取/预处理模块、站间客流分配律提取模块、站台乘客到达率提取模块、调度模型构建/解析模块、优化结果输出/验证模块组成。各模块功能界定如下:客流数据提取/预处理模块负责对原始客流数据进行预处理,提取后续环节所需的有效乘客交易信息;站间客流分配律提取模块、站台乘客到达率提取模块以预先提取的有效乘客交易信息、视频监测器采集的通道(楼梯)客流量/乘客步速数据、站厅平面布置图标注的通道(楼梯)尺寸/乘客进站路径作为模块输入,转换得到后续建模所需的客流特性参数;调度模型构建/解析模块作为本框架的核心,承担了基于客流特性参数的调度模型建立以及优化求解功能;优化结果输出/验证模块能够将调度模型的求解结果转换为相应的列车时刻表,以供运营调度部门参考。本体系框架及各模块间耦合关系如图1所示。

图1 城市轨道交通时刻表优化技术应用框架

1.1 客流数据提取/预处理模块

该模块的输入数据来源于城市轨道交通自动售检票(AFC)系统采集的历史上某线路完整的乘客交易信息。由于该交易记录过于庞大且对本文研究有所冗余,故须编写程序对所需信息(单向出站交易记录及有效数据项)进行提取,并进行有效性验证。

1.2 站间客流分配规律提取模块

该模块的主要功能是根据不同时段内城市轨道交通进站客流在出站站点间分布规律的差异。将一个完整的运营日划分为若干个前后相继的运营时段,并确定各运营时段内的站间客流分配规律。其实现环节包括:

(1) 以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入,计算单位时间间隔ΔT(拟选取10 min)内站间客流OD(起讫点)分配矩阵序列S。S={s1,s2,…,sk,…}(其中(sk)ij表示对应时间间隔内从第i站进站的乘客在第j站出站的分配率)。

(2) 将当前较流行的Fisher有序样品聚类分析方法推广到多维情形,根据单位时间间隔内站间客流OD分配矩阵的聚类特性将运营日全天划分为K个统计时段,并依此确定各时段时长Tk及对应的站间客流OD分配矩阵Ak(k= 1,2,…,K;K为划分的运营时段数;(Ak)ij表示第k时段内从第i站进站的乘客在第j站出站的分配率)。

1.3 站台乘客到达率提取模块

该模块的主要功能是计算乘客通过闸机进站的站点到达率,并在此基础上考虑乘客站内走行时间的影响,提取乘客到达站台的规律。其实现环节包括:

(1) 以客流数据提取及预处理模块提供的有效乘客交易信息作为模块输入,统计各站点给定时间间隔(拟选取15 min)内乘客通过闸机进站的平均到达率序列Lj。Lj={lj1,lj2,…,ljk,…}(j= 1,2,…,J;J为单线站点总数目;ljk表示对应时间间隔内乘客通过闸机进入站点j的平均到达率)。

(2) 选取工程中广泛使用的三次样条插值函数对离散序列Lj进行拟合,得到随时间连续变化的乘客站点到达率rj(t)。

(3) 以视频监测器采集的通道(楼梯)客流量/乘客步速数据、站厅平面布置图标注的通道(楼梯)基本尺寸/乘客进站路径作为模块输入,计算乘客在各站点内的平均走行时间δj;结合站内走行时间的影响对站点到达率函数进行修正,得出乘客站台到达率函数Rj(t),近似有如下关系为Rj(t)=rj(t-δj)。

1.4 调度模型构建/解析模块

以站间客流分配律提取模块和站台乘客到达率提取模块提供的客流特性参数(K、Tk、Ak、Rj(t))作为模块输入,构建列车调度优化模型并给出求解方程。其实现环节包括:

(2) 根据实际运营情况,选取平均满载率θ和最大、最小发车间隔作为约束条件。

(4) 采用混合遗传算法求解模型,得出优化的分时发车间隔。

1.5 优化结果输出/验证模块

该模块的主要功能是将优化模型求解所得的分时发车间隔转换为列车时刻表,并可通过计算环节实现与现行发车时刻表各项指标间的对比验证。其实现环节包括:

(1) 以调度模型构建/解析模块计算得出的分时发车间隔作为模块输入,按下式输出各运营时段的发车时刻表:ti，k=tk+(i-1)×Δtk(其中i= 1,2,…,mk)。其中,ti,k表示第k时段的第i次车的发车时刻;tk表示第k时段的起始时刻,也是第k时段首班车的发车时刻;Δtk表示第k运营时段的发车间隔;mk表示第k时段总的发车次数。

(2) 将现行发车时刻表输入该模块,经计算环节处理,得到优化后的时刻表与现行发车时刻表各项指标(如乘客平均候车时间、车内实时平均乘客数、列车满载率等)间的对比验证。

2 实现核心模块功能涉及的关键技术环节

2.1 有效乘客交易信息提取

乘客交易原始数据的采集要求全面、充分、准确。能否在数量庞大、种类繁多的乘客交易数据中提取出所需信息,对后续模块的功能实现有着至关重要的影响。

当乘客通过闸机进出站点时,城市轨道交通检票设备自动生成相应的交易记录,记载本次交易的交易类型、站点编号、设备编号、交易时间、本次出行进入轨道交通系统的时间和站点等一系列当前交易的相关信息,并将其上传到城市轨道交通AFC系统的实时数据库中[1]。考虑到乘客出站交易记录中包含了进站站点的相关信息,故可根据交易类型关键字对所有出站交易记录进行提取待用;其次,由于本文研究只涉及城市轨道交通线路某一个开行方向,故需根据站间OD矢量方向对所有出站交易记录进行上、下行分流;最后,鉴于出站交易记录的数据项对本文研究有所冗余,可编制数据处理程序对交易记录中的有效数据项进行提取,以减轻后续模块数据处理的负担。

2.2 运营日统计时段划分

从城市轨道交通实际运营效果来看,分时段等间隔发车方式体现了调度管理的灵活性和可操作性的统一,是城市轨道交通运营部门广为采用的一种发车模式。通常的调度策略是在客流高峰期缩短发车间隔,以提高发车频率的方式来满足客流需求;在客流低谷期延长发车间隔,通过减少发车次数以节约运营成本。交通调度优化方面的研究大多借鉴了这一发车模式,以分时发车间隔为决策变量,依据不同的优化目的构建相应的目标函数,通过模型求解得出优化的发车方案[2-4]。

较常见的运营时段划分方法,是根据交通线路特征区间断面客流在时域内的变化特征将运营日全天划分为客流高峰时段、正常时段、低谷时段、过渡时段等若干运营时段[5]。鉴于断面客流数据无法由历史交易信息直接统计而只能借助站台—列车交互模型进行估算[6],本文根据单位时间间隔内站间客流OD分配矩阵的聚类特性来进行运营时段的划分,体现了线路上各站点区域客流吸引能力的时空分布。值得注意的是,在提取单位时间间隔内站间客流OD分配矩阵序列时,单位时间间隔ΔT的选取可采取“试凑法”,即根据聚类分析的结果选择使得类内相似度较大而类间差异较明显的待选方案,并依此计算各运营时段起讫及相应的站间客流OD分配矩阵Ak。

2.3 调度优化模型构建

城市轨道交通属于城市公共交通的范畴,与道路公交存在相似之处。因此,国内外学者通常借鉴道路公交调度优化的研究方法对城市轨道交通调度问题进行研究。由于道路公交并非封闭的交通运输系统,难以全面、精确地对实时客流数据进行统计,道路公交调度模型通常是基于某种假定的客流到达规律(如符合均匀分布、泊松分布等)来计算统计时段内的上车人数;下车人数同样需要根据某种事先约定的下车方案(如正比于车内实时乘客数等)来确定。现有的城市轨道交通研究大多沿用了此类方法,并取得了一些研究成果[7-9]。随着城市轨道交通AFC系统的普遍采用,乘客交易数据的全面采集和客流特征的准确提取成为可能,故本文借助预先提取的客流特征参数来统计各站台乘降人数、计算站台乘客的总等待时间;同时,在建模过程中充分考虑了客流的滞后效应,即根据每班次列车抵达各站台的时间来确定相匹配的客流特征参数,使模型构建更为精确。

2.3.1 基于客流特性参数的发车模型构建

2.3.1.1 模型假设及运营条件简化

实际运营过程中,城市轨道交通列车运行所处环境复杂多变,在给定客流需求的前提下,仍然受到诸多不确定因素的影响。因此,在将实际情况抽象为数学模型时,需结合运营调度的实际状况,作如下几点假设:

(1) 本文研究基于单条无换乘城市轨道交通线路,并认为其运营调度具有独立性,与其他线路运营状况无关;

(2) 在同一条城市轨道交通线路上开行的列车车型一致;

(3) 在同一时间段内,相邻两列列车发车时间间隔相等;

(4) 各站点乘客站台到达率Rj(t)及各时段内站间客流OD矩阵Ak均为已知;

(5) 列车按时刻表准时从首站发车,车速恒定,途中没有意外事故发生,而且列车在各站点的停站时间相同;

(6) 每趟列车经过车站后,站台上时不会滞留有乘客,即在站台等待的乘客均会乘上最近一趟列车;

(7) 在站台等待的乘客在上车前不会从站台离开。

2.3.1.2 参数定义及耦合关系解析

ξ为与εiL，k相对应的运营时段编号；ωij，k表示在第k时段从首站发出的第i次列车在离开车站j时车内实时乘客数。

2.3.2 约束条件选取

(2) 最大、最小发车间隔约束(任意相邻两车之间的发车间隔要满足最大、最小发车时间间隔约束):Tmin≤Δtk≤Tmax,Tmax表示相邻两列列车之间的最大发车间隔;Tmin表示相邻两列列车之间的最小发车间隔。

2.3.3 优化目标函数设计

目标函数中的权值系数应根据优化目标的侧重灵活选取,加权系数α、β分别反映乘客利益和运营公司利益在调度目标中的地位。若调度首要考虑的是运营公司利益,那么应使α<β;从公共服务的社会效益来看,应更注重乘客的候车时间花费和乘车体验,因此本文建议模型中一般应选用α>β。

3 结语

本文在充分吸收国内外交通调度优化研究成果的基础上,借助城市轨道交通AFC系统采集的乘客交易信息,构建城市轨道交通时刻表优化技术框架,并对其核心模块及功能实现进行了具体阐述,以期为城市轨道交通运营调度提供参考。

[1] 王健,高朝晖,张宁,等. 南京轨道交通线网AFC系统的数据传输[J].都市快轨交通,2008,21(5):85.

[2] Andréde P,ROBIN L. Optimal timetables for public transportation [J].Transportation Research Part B,2001(35):789.

[3] 孙芙灵.公交调度中发车间隔的确定方法的探讨[J].西安公路交通大学学报,1997,17(28):44.

[4] 童刚.遗传算法在公交调度中的应用研究[J].计算机工程,2005,31(13):29.

[5] 陈茜,牛学勤,陈学武,等. 公交线路发车频率优化模型[J].公路交通科技,2004,21(2):103.

[6] 徐永实,徐瑞华. 城市轨道交通线路客流分布的实时预测方法[J].同济大学学报(自然科学版),2011,39(6):857.

[7] 章优仕,金炜东. 基于遗传算法的单线列车运行调整体系[J].西南交通大学学报(自然科学版),2005,40(2):147.

[8] 任苹.混沌粒子群算法在高速旅客列车优化调度中的应用[C].2006 中国控制与决策学术年会论文集.沈阳:东北大学出版社,2006,895-898.

[9] 牛惠民,陈明明,张明辉. 城市轨道交通列车开行方案的优化理论及方法[J].中国铁道科学,2011,32(4):128.

Technical Framework and Key Modules for Urban Rail Transit Timetable Optimization

WANG Lin, ZHANG Ning, SHAO Jiayu, WANG Hongbo

Timetable optimization technology is a key technology in urban rail transit operation and management, its implementation has direct impact on all aspects of rail transit operation. In the process of actual operation, optimization adjustment of train timetable is significantly limited by accurate prediction of the section passenger flow. With the collected passenger transaction information from urban rail transit AFC system, a technique application framework for optimization of rail transit timetable based on flow information is proposed, in which the core modules and function realization are discussed in detail. Various departure models based on passenger flow parameters are discussed.

urban rail transit; time table optimization; clustering of ordinal samples; hybrid genetic algorithm

*交通运输部建设科技项目(2015318J33080);江苏省科技厅产学研联合创新资金项目(BY2012197);南京地铁专项科技项目(8550140042)

U 292.4

10.16037/j.1007-869x.2016.09.014

2014-10-31)