一种考虑乘客出行选择的时间表优化方法

1.本发明涉及城际多模式交通智慧规划与决策技术领域，尤其涉及一种考虑乘客出行选择的时间表优化方法。


背景技术：

2.城市群需要高度交通一体化，但车站分散、运力不协调以及乘客选择多样性降低了一体化程度，城际多模式出行仍存在协同性低、出行效率低的问题，在同一时间出发的乘客体验不同，有些人面对的是空车，另一些人面对的则是拥挤不堪的车辆，给城际交通方式日常运营以及城际乘客出行带来极大困扰。与此同时，在城际旅行中，乘客很少改变他们的旅行方式，更多是调整行程和出发时间。因此，为了达到在对时间表微调的同时减少乘客出行不便，以实现供需平衡的目的，考虑乘客出行选择协同优化多模式时间表具有重要研究意义。
3.目前，多模式时间表优化主要为单一目标优化研究，像乘客出行时间最小化，同时优化多重目标函数的研究较少，也就意味着大多研究总是会有所侧重有所忽略，可能在减少乘客出行时间的同时增大乘客出行成本。与此同时，在时间表优化研究中，大多研究仅建立在时间表优化这个单一课题中，忽略了乘客行为和时间表之间的影响关系。因此，采用现有的多模式时间表优化模型，难以对多模式时间表协同优化。当然，多目标多模式时间表优化问题属于np-hard问题，其求解难度较大，普通的遗传算法难以求解。


技术实现要素：

4.本发明的实施例提供了一种考虑乘客出行选择的时间表优化方法，以解决现有时间表优化模型难以全面考虑时间表优化实际的问题，以及现有的多目标求解算法难以对多模式时间表进行有效稳定求解的问题。
5.为了实现上述目的，本发明采取了如下技术方案。
6.一种考虑乘客出行选择的时间表优化方法，包括：
7.构建包括在车时间、等待时间、步行时间和出行费用参数的乘客出行广义费用函数，利用乘客出行广义费用函数对乘客在多模式交通方式中的出行选择行为进行刻画；
8.以所述乘客广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，利用离散选择模型将乘客分配到各条路径上，得到各路径的客流数据；
9.基于各路径的客流数据构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型；
10.采用基于多目标非支配排序进化算法对所述多目标混合规划模型迭代求解，得到一个非支配的最优解集，该非支配的最优解集包括所述多目标混合规划模型的各种目标函数值对应的时间表调整方案；
11.通过多准则决策方法根据运营者决策偏好，在所述非支配的最优解集中得到最满足乘客需求的时间表优化结果。
12.优选地，所述的构建包括在车时间、等待时间、步行时间和出行费用参数的乘客出行广义费用函数，利用乘客出行广义费用函数对乘客在多模式交通方式中的出行选择行为进行刻画，包括：
13.根据高铁、动车、普铁、大巴以及私家车5种多模式交通方式，分别定义各种交通方式对应的出行费用构成项，该出行费用构成项包括在车时间、等待时间、步行时间和出行成本；
14.时间价值vot的计算公式为：
15.vot＝i/(w
×d×
60)
16.通过时间价值vot将时间费用转化为成本，实现广义费用的统一，其中i为居民人均年收入，w为一天的法定工作小时数，d为法定工作天数；
17.构建乘客出行广义费用函数为：
[0018][0019]
其中，为不同方式m的在车时间，为不同方式m的等待时间，为不同方式m的步行时间，pm为方式m的出行费用，θ1，θ2，θ3，θ4为设定的权重参数。
[0020]
优选地，所述的以所述乘客广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，利用离散选择模型将乘客分配到各条路径上，得到各路径的客流数据，包括：
[0021]
将所述乘客广义费用函数作为离散选择模型的输入，以量化研究城市间多模式时刻表调整与乘客出行行为之间的影响；
[0022]
构建基于weibull分布的乘客出行方式的离散选择模型multinominal weibit模型为：
[0023][0024]
其中，为联合生成函数的偏导数，为od对ij间方式m的独立weibull分布随机误差项，为方式m的乘客感知成本，为平均感知成本，ζ
ij
为β
ij
为形状参数∈(0,∞)，m
ij
为od对ij间的所有方式集合，ij为所有od(origin to destination，起点到终点)对集合。
[0025]
通过求解上述离散选择模型，得到每条路径的客流分担率，所有路径的客流分担率之和为1，将总客流按照客流分担率计算结果分配在各条路径上，所有路径上的客流量相加之和即为总客流。
[0026]
优选地，所述的基于各路径的客流数据构建以乘客等待时间最小化、多模式车次
总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型，包括：
[0027]
在多目标混合规划模型中基于各路径的客流数据设置乘客需求层面与交通方式运营服务层面的多个目标函数，该目标函数包括乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数，具体为：
[0028]
乘客等待时间最小化目标函数:
[0029][0030]
车次时刻调整数量最小化目标函数:
[0031][0032]
总调整时间最小化目标函数:
[0033][0034]
乘客总出行费用最小化目标函数:
[0035][0036]
其中，为乘客j在行程i间的等待时间。qi为车次i调整状态,调整则为1,否则为0，即调整时间为0min时。t
iarrival after
为调整后车次i的发车时间，c
ij
为车次i的票价。t
iarrival before
为调整前车次i的发车时间，i为车次i的集合，j为乘客j的集合，为乘客总等待时间，q
total
为车次时刻调整总数量，为所有车次的总调整时间，c
total
为所有乘客总出行费用；
[0037]
设置所述多目标混合规划模型的约束条件，所述约束条件包括发车间隔约束、路径可行性约束、时刻调整幅度约束、容量约束、在车状态约束、时间窗约束和乘客选择约束。
[0038]
优选地，所述的采用基于多目标非支配排序进化算法对所述多目标混合规划模型迭代求解，得到一个非支配的最优解集，该非支配的最优解集包括所述多目标混合规划模型的各种目标函数值对应的时间表调整方案，包括：
[0039]
基于优化的多目标非支配排序遗传算法对所述混合模型迭代求解，得到一个非支配的最优解集，包括以下步骤：
[0040]
s41、种群初始化；
[0041]
s42、产生后代：基于多目标进化算法moea中进化交叉、选择、突变算子产生后代解决方案；
[0042]
s43、解决方案选择：非支配排序，并计算拥挤度，选择临界层部分方案进入解集以选择后代；
[0043]
得到一个非支配的最优解集，该非支配的最优解集包括所述乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数的值，以及每种目标函数值对应的时间表调整方案。
[0044]
优选地，所述的通过多准则决策方法根据运营者决策偏好，在所述非支配的最优
解集中得到最满足乘客需求的时间表优化结果，包括：
[0045]
选用伪权重法作为多准则决策方法的决策方法，计算搜索所述非支配的最优解集中每个非劣解的伪权向量，搜索非劣解集中每个解的最大值f
imax
和最小值f
imin
，通过下式计算非劣解第i个目标函数的权值wi：
[0046][0047]
其中，m为目标个数；
[0048]
决策者输入偏好信息，通过决策函数选择出最接近决策者偏好的权向量所对应的非劣解，所述决策函数定义为：
[0049][0050]
其中，di为解集中第i个解的决策函数值，wm为第i个伪权向量；为第i个决策者偏好的权向量；
[0051]
根据选择的非劣解得到最满足乘客需求的时间表优化结果，该所述时间表优化结果包括：乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数值、多模式交通方式各车次发车时间调整量、多模式时变客流分担率和优化模型评估指标值。
[0052]
由上述本发明的实施例提供的技术方案可以看出，本发明方法充分考虑多种交通方式特性以及乘客与交通方式的相互影响，进行模型构建与求解，有效的提高了多模式时间表优化的收敛性、稳定性、多样性综合性能，实现以最小的调整为乘客提供最大的便利，提高城际出行效率与协同程度，对城际乘客需求与运力均衡提供理论与技术支持。
[0053]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0054]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1为本发明实施例提供的一种考虑乘客出行选择的时间表优化方法的流程示意图。
具体实施方式
[0056]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0057]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措
辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0058]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0059]
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0060]
本发明实施例提供的一种考虑乘客出行选择的时间表优化方法的处理流程图如图1所示，包括如下的处理步骤：
[0061]
步骤s10、构建包括在车时间、等待时间、步行时间和出行费用参数的乘客出行广义费用函数，利用乘客出行广义费用函数对乘客在多模式交通方式中的出行选择行为进行精确刻画；
[0062]
步骤s20、以所述乘客广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，利用离散选择模型将乘客分配到各条路径上，得到各路径的客流数据；
[0063]
步骤s30、基于各路径的客流数据构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型；基于各路径的客流数据对多模式时间表进行优化。
[0064]
步骤s40、采用基于多目标非支配排序进化算法(fhr-nsga-iii)对所述多目标混合规划模型迭代求解，得到一个非支配的最优解集，该非支配的最优解集包括四个目标函数值，以及对应的时间表调整方案。
[0065]
步骤s50、通过伪权重法等多准则决策(multi-criteria decision-making)方法根据运营者决策偏好，在所述非支配的最优解集中得到最满足乘客需求的时间表优化结果。
[0066]
进一步地，所述多模式交通方式包括高铁、动车、普铁、大巴以及私家车；所述多模式时间表中的优化目标包括乘客等待时间最小化、车次时刻总调整数量最小化、总调整时间最小化、乘客出行成本最小化4种。
[0067]
进一步地，步骤s10中的构建所述多模式乘客出行广义费用函数，包括以下步骤：
[0068]
根据所述高铁、动车、普铁、大巴以及私家车5种多模式交通方式，分别定义其对应的出行费用构成项，即在车时间、等待时间、步行时间、出行成本即票价或燃油费，考虑各种影响因素的广义费用函数更能模拟乘客出行感知成本；
[0069]
通过时间价值vot＝i/(w
×d×
60)将时间费用转化为成本，实现广义费用的统一。其中i为居民人均年收入，w为一天的法定工作小时数，d为法定工作天数；
[0070]
构建乘客出行广义费用函数为：
[0071]
[0072]
其中，为不同方式m的在车时间，为不同方式m的等待时间，为不同方式m的步行时间，pm为方式m的出行费用，θ1，θ2，θ3，θ4为权重参数，这里分别取0.53,0.17,0.11,0.19。
[0073]
进一步地，步骤s20中的构建所述乘客出行方式的离散选择模型，包括：
[0074]
将所述乘客广义费用函数作为离散选择模型的输入，以量化研究城市间多模式时刻表调整与乘客出行行为之间的影响；
[0075]
构建基于weibull分布的乘客出行方式的离散选择模型multinominal weibit模型为：
[0076][0077]
其中，为联合生成函数的偏导数，为od对ij间方式m的独立weibull分布随机误差项，为方式m的乘客感知成本，为平均感知成本，ζ
ij
为β
ij
为形状参数∈(0,∞)，m
ij
为od对ij间的所有方式集合，ij为所有od(origin to destination，起点到终点)对集合。
[0078]
通过求解上述离散选择模型，得到每条路径的客流分担率，所有路径的客流分担率之和为1，将总客流按照客流分担率计算结果分配在各条路径上，所有路径上的客流量相加之和即为总客流。
[0079]
进一步地，所述步骤s30中的基于各路径的客流数据构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型，包括：
[0080]
上述多目标混合规划模型通过对各方式的发车时间进行调整，并将乘客方式选择变化考虑入时间表优化模型中，以实现在运营层面总调整最少的同时在服务层面缩短乘客等待总时间。建模前对所要研究的考虑乘客出行选择的时间表优化问题提出多项假设，在刻画所述时间表优化问题的同时减少误差，确定决策变量；
[0081]
在多目标混合规划模型中，设置乘客需求层面与交通方式运营服务层面的多个目标函数，该目标函数包括乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数。具体为：
[0082]
乘客等待时间最小化目标函数:
[0083][0084]
车次时刻调整数量最小化目标函数:
[0085][0086]
总调整时间最小化目标函数:
[0087][0088]
乘客总出行费用最小化目标函数:
[0089][0090]
其中，为乘客j在行程i间的等待时间。qi为车次i调整状态,调整则为1,否则为0，即调整时间为0min时。t
iarrival after
为调整后车次i的发车时间，c
ij
为车次i的票价。t
iarrival before
为调整前车次i的发车时间，i为车次i的集合，j为乘客j的集合，为乘客总等待时间，q
total
为车次时刻调整总数量，为所有车次的总调整时间，c
total
为所有乘客总出行费用。
[0091]
考虑实际情况设置上述多目标混合规划模型的约束条件，所述约束条件包括发车间隔约束、路径可行性约束、时刻调整幅度约束、容量约束、在车状态约束、时间窗约束和乘客选择约束。
[0092]
多模式时间表为上述多目标混合规划模型的求解结果，时间表中各车次的调整量为混合规划模型的决策变量，在解集中有体现，只要求解模型，就能得到多模式时间表优化方案。多模式时间表的优化目的是为了让乘客出行更便捷，比如说费用降低，时间减少等，因此客流数据对于时间表的优化提供了数据支撑，模型设置的第一个与第四个优化目标与客流量息息相关。
[0093]
上述多目标混合规划模型的求解结果是一个最优解集，包括与种群数同等数量的四种优化目标值与对应的时间表优化方案。其中每个解对应着一种优化方案，各个优化方案在客观上没有优劣之分，后面设置的多目标决策中，需要将使用者的主观因素带入，从中选择一个最满足使用者偏好的唯一最优方案。
[0094]
进一步地，所述步骤s40中的多目标非支配排序遗传算法包括以下步骤：
[0095]
①
种群初始化；产生后代：
[0096]
②
基于经典moea(multi-objective evolutionary algorithm，多目标进化算法)中常用的进化交叉、选择、突变算子产生后代解决方案；
[0097]
③
解决方案选择：非支配排序，并计算拥挤度，选择临界层部分方案进入解集以选择后代。
[0098]
进一步地，所述步骤s50中的通过伪权重法等多准则决策(multi-criteria decision-making)方法根据运营者决策偏好，在所述非支配的最优解集中对多模式时间表进行优化，得到最满足乘客需求的时间表优化结果。
[0099]
多准则决策方法为：
[0100]
多准则决策是在相互冲突、不可共度的方案集中进行选择的决策，选用伪权重法作为决策方法，计算搜索到每个非劣解的伪权向量，并选择最接近决策者偏好的权向量所
对应的解；
[0101]
计算伪权向量。搜索非劣解集中每个解的最大值f
imax
和最小值f
imin
，通过下式计算非劣解第i个目标函数的权值wi：
[0102][0103]
其中，m为目标个数；
[0104]
决策者输入偏好信息，选择出最接近的非劣解。决策函数定义为：
[0105][0106]
其中，di为解集中第i个解的决策函数值，wm为第i个伪权向量；为第i个决策者偏好的权向量。
[0107]
所述时间表优化结果包括：乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数值、多模式交通方式各车次发车时间调整量、多模式时变客流分担率、优化模型评估指标值。
[0108]
多模式时间表是优化结果的一部分，多模式时间表包括多模式交通方式各车次发车时间调整量。
[0109]
实施例1
[0110]
本发明的一个具体实施例1，公开了一种考虑乘客出行选择的时间表优化方法，如图1所示，包括：
[0111]
s1、构建包括在车时间、等待时间、步行时间、出行费用参数的乘客出行广义费用函数，对乘客出行选择行为进行精确刻画。
[0112]
实施时，根据所述高铁、动车、普铁、大巴以及私家车5种多模式交通方式，分别定义其对应的出行费用构成项，即在车时间、等待时间、步行时间、出行成本即票价或燃油费，考虑各种影响因素的广义费用函数更能模拟乘客出行感知成本。
[0113]
具体地，通过时间价值vot＝i/(w
×d×
60)将时间费用转化为成本，实现广义费用的统一。其中i为居民人均年收入，w为一天的法定工作小时数，d为法定工作天数。
[0114]
基于统一费用构建广义费用函数为：
[0115][0116]
其中，为不同方式m的在车时间，为不同方式m的等待时间，为不同方式m的步行时间，pm为方式m的出行费用，θ1，θ2，θ3，θ4为权重参数，这里分别取0.53,0.17,0.11,0.19。
[0117]
s2、以所述广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，将乘客分配到路上，得到各路径的客流数据，乘客选择的城际出行方式有高铁、动车、普铁、大巴以及私家车。
[0118]
实施时，离散选择模型一般选用logit模型，但由于效用函数的方差在logit模型中是固定的，使得各备选方案的感知误差不变，这与实际情况不符。weibit模型将效用函数
由加法变为乘法，一定程度上解决了logit模型中的异质性问题。
[0119]
具体地，将所述广义费用函数作为离散选择模型的输入，以量化研究城市间多模式时刻表调整与乘客出行行为之间的影响。基于weibull分布的乘客出行方式的multinominal weibit模型为：
[0120][0121]
其中，为联合生成函数的偏导数，为od对ij间方式m的独立weibull分布随机误差项，为方式m的乘客感知成本，为平均感知成本，ζ
ij
为β
ij
为形状参数∈(0,∞)，m
ij
为od对ij间的所有方式集合，ij为所有od对集合。
[0122]
s3、构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型，并基于所述客流数据对多模式时间表进行优化。
[0123]
s31、实施时，建模前对所要研究的考虑乘客出行选择的时间表优化问题提出多项假设，在刻画所述时间表优化问题的同时减少误差，确定决策变量。具体为：
[0124]
乘客模式选择的结果根据离散选择模型得出的概率确定，结果总和为1；
[0125]
路径是固定的，选择某一交通模式的乘客将乘坐同交通方式的下一班列车；
[0126]
列车按照时间表准时出发和到达；
[0127]
一个站点可以同时服务多个行程。一条轨道或车道可以为多辆列车提供服务。
[0128]
s32、设置乘客需求层面与交通方式运营服务层面的多个目标函数，所述优化目标包括乘客等待时间最小化、车次时刻总调整数量最小化、总调整时间最小化、乘客出行成本最小化。具体为：
[0129]
乘客等待时间最小化:
[0130][0131]
车次时刻调整数量最小化:
[0132][0133]
总调整时间最小化:
[0134][0135]
乘客总出行费用最小化:
[0136][0137]
其中，为乘客j在行程i间的等待时间。qi为车次i调整状态,调整则为1,否则为0。t
iarrival after
为调整后车次i的发车时间。c
ij
为车次i的票价。
[0138]
s33、考虑实际情况设置约束条件，所述约束条件包括发车间隔约束、路径可行性约束、时刻调整幅度约束、容量约束、在车状态约束、时间窗约束、乘客选择约束。具体为：
[0139]
同轨道发车间隔约束:
[0140][0141]
同路径发车间隔约束:
[0142][0143]
具体地，合理设置车站的轨道分配以允许超车。不仅在同一轨道上的相邻列车之间，而且在车站之间的区间也应设置必要的到发间隔，以防止列车在短时间内被调度。
[0144]
路径可行性约束:
[0145][0146]
时刻调整阈值约束:
[0147][0148]
列车容量约束:
[0149][0150]
乘客在车状态约束:
[0151][0152]
若乘客j在时间t在列车i上时，b
ijt
＝1，否则为0。
[0153]
乘客上车时间窗约束:
[0154][0155]
等待时间约束:
[0156][0157][0158]
乘客出行选择约束:
[0159][0160]
其中，t
istm
为同一轨道上相邻列车的最小发车间隔，t
iam
为列车i的最大时间调整值，mi为列车i的容量，t
iwm
为列车i的最大等待时间，li为上车i的步行距离。
[0161]
s4、基于优化的多目标非支配排序遗传算法(fhr-nsga-iii算法)对所述混合模型迭代求解，得到一个非支配的最优解集。包括以下步骤：
[0162]
s41、种群初始化；
[0163]
s42、产生后代：基于经典moea中常用的进化交叉、选择、突变算子产生后代解决方案；
[0164]
s43、解决方案选择：非支配排序，并计算拥挤度，选择临界层部分方案进入解集以选择后代。该步骤为对现有的多目标非支配排序遗传算法的优化过程。
[0165]
具体地，超体积指标是帕累托解集与坐标轴之间构成的面积或体积，是衡量解集收敛性、均匀性质量的综合性指标，超体积值越大，说明算法的效果越好，解集的质量越高。对于基于指标的多目标进化算法来说，降低复杂度是关键问题。
[0166]
实施时，对于一个已经求解完毕的两目标问题，其解集为s＝{a,b,c,d,e}，五个点分布在帕累托前沿上，参考集为r＝{r}。解集的超体积定义为hv(s,r)，即r与a,b,c,d,e围起来的体积。单个解比如解b的超体积贡献定义为hv
att
(b,s,r)，其公式为：
[0167]
hv
att
(b,s,r)＝hv(s,r)-hv(s-b,r)
[0168]
具体地，定义一个劣解函数：
[0169]
w＝nondominated-worse(b,s-b)
[0170]
具体地，w1,w2,w3和w4分别是在ba,bc,bd and be之间的劣解。w＝nondominated({w1,w2,w3,w4})＝{w1,w3}，其中w2,w4分别被w1,w3,支配。hv
att
(b,s,r)的计算方法为：
[0171]
hv
att
(b,s,r)＝hv(b,r)-hv(w,r)
[0172]
这种优化的计算方法结合到基于指标的多目标进化算法中，定义为fh-moea算法，但这种算法计算结果收敛性较强分布性较差，而另一种基于参考点的r-nsga-iii算法搜索得到的解是均匀分布的。为了提高解集的多样性和收敛性，提出了一种fhr-nsga-iii算法，将fh-moea与r-nsgaiiii相结合，该算法能获得具有更好收敛性的种群，然后将其用作初始种群，以进一步迭代优化其分布和多样性。
[0173]
s5、基于伪权重法这一多准则决策(multi-criteria decision-making)方法根据运营者决策偏好，在所述解集中得到最满足乘客需求的多模式时间表。
[0174]
多准则决策(mcdm)是一种在冲突和非可公度解之间进行选择的决策方法。伪权重法计算每个非支配解的伪权重向量，并选择与最接近决策者偏好的权重向量相对应的解。决策者的偏好是主观的，需要根据他们的需求进行调整。伪权重方法能根据偏好找到相应的最优解。
[0175]
具体地，计算伪权向量。搜索非劣解集中每个解的最大值f
imax
和最小值f
imin
，通过下式计算非劣解第i个目标函数的权值wi：
[0176][0177]
其中，m为目标个数；
[0178]
决策者输入偏好信息，选择出最接近的非劣解。决策函数定义：
[0179]
[0180]
其中，di为解集中第i个解的决策函数值，wm为第i个伪权向量；为第i个决策者偏好的权向量。
[0181]
实施例2
[0182]
为验证本发明实施例1中模型的有效性，本发明的具体实施例2实验使用了联想pc，core(tm)i7-10700cpu@2.90ghz，ram为16gb。操作系统是基于x64处理器的64位操作系统windows 10enterprise edition。软件版本为pycharm 2020.3.2，程序操作基于pymoo平台。为了测试所提算法的效率和综合性能，本实施例在北京和张家口、成都和重庆、广州和清远三个不同城市群内的城市间综合交通网络上开展实验，还选取了hv-moea、age-moea、age2-moea、sms-emoa、reva、c-taea、nsga-ii和r-nsgaiii进行对比分析。所有算法均在相同条件下独立运行10次。其中初始种群大小为40，迭代次数为2000，对real和int类型使用模拟二进制交叉以及多项式突变，对bool类型使用半均匀交叉与位翻转突变，交叉率为0.8，突变率为0.2。
[0183]
实验结果表明：
[0184]
(1)fhr-nsga-iii算法获得可行解的效率在所有算法中表现极为优秀，其综合指标虽然不是最好的，但相比于一些算法在某个路网上表现优秀但另个路网上表现不佳的情况，本实施例所提算法在三个路网上都变现优秀且稳定发挥，显示出更好的综合性能，这意味着该算法在三个数据集下是快速、优秀和稳定的。
[0185]
(2)由于计算机性能不稳定，设置每个算法运行10次，每个算法的运行时间都有较小波动。然而，除了c-taea和rvea两种算法的运行时间长之外，其他算法的运行时基本上没有差距。就平均运行时间而言，nsga-ii、age-moea、age2-moea和fhr-nsga-iii具有最佳性能。
[0186]
(3)fhr-nsga-iii在解集质量方面不是最优越的，特别是在北京到张家口、成都到重庆的路网上，其求解结果与sms-emoa、age-moea、age2-moea和c-taea的结果相似，但它的胜利在于稳定。它能在三个不同的数据集下稳定求解，并表现出良好的收敛性和分布性。总之，fhr-nsga-iii是在较小的时刻调整下减少乘客总等待时间和出行费用的最佳选择。
[0187]
综上所述，fhr-nsga-iii在多模式时间表协同优化上效果更好。
[0188]
综上所述，本发明实施例提供的一种考虑乘客出行选择的时间表优化方法，首先构建包括在车时间、等待时间、步行时间、出行费用参数的乘客出行广义费用函数，对乘客出行选择行为进行精确刻画。其次，以所述广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，将乘客分配到路上，得到各路径的客流数据。然后，构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型，并基于所述客流数据对多模式时间表进行优化。最后，基于融合多目标进化算法(fhr-nsga-iii)与伪权重法，根据运营者决策偏好，得到最满足乘客需求的多模式时间表。
[0189]
本发明方法充分考虑了多种交通方式特性以及乘客与交通方式的相互影响，进行模型构建与求解，有效的提高了多模式时间表优化的收敛性、稳定性、多样性综合性能，实现以最小的调整为乘客提供最大的便利，提高城际出行效率与协同程度，对城际乘客需求与运力均衡提供理论与技术支持。
[0190]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或
流程并不一定是实施本发明所必须的。
[0191]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0192]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0193]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种考虑乘客出行选择的时间表优化方法，其特征在于，包括：构建包括在车时间、等待时间、步行时间和出行费用参数的乘客出行广义费用函数，利用乘客出行广义费用函数对乘客在多模式交通方式中的出行选择行为进行刻画；以所述乘客广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，利用离散选择模型将乘客分配到各条路径上，得到各路径的客流数据；基于各路径的客流数据构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型；采用基于多目标非支配排序进化算法对所述多目标混合规划模型迭代求解，得到一个非支配的最优解集，该非支配的最优解集包括所述多目标混合规划模型的各种目标函数值对应的时间表调整方案；通过多准则决策方法根据运营者决策偏好，在所述非支配的最优解集中得到最满足乘客需求的时间表优化结果。2.根据权利要求1所述的方法，其特征在于，所述的构建包括在车时间、等待时间、步行时间和出行费用参数的乘客出行广义费用函数，利用乘客出行广义费用函数对乘客在多模式交通方式中的出行选择行为进行刻画，包括：根据高铁、动车、普铁、大巴以及私家车5种多模式交通方式，分别定义各种交通方式对应的出行费用构成项，该出行费用构成项包括在车时间、等待时间、步行时间和出行成本；时间价值vot的计算公式为：vot＝i/(w
×
d
×
60)通过时间价值vot将时间费用转化为成本，实现广义费用的统一，其中i为居民人均年收入，w为一天的法定工作小时数，d为法定工作天数；构建乘客出行广义费用函数为：其中，为不同方式m的在车时间，为不同方式m的等待时间，为不同方式m的步行时间，p
m
为方式m的出行费用，θ1，θ2，θ3，θ4为设定的权重参数。3.根据权利要求2所述的方法，其特征在于，所述的以所述乘客广义费用函数为输入，构建基于weibull分布的乘客出行方式的离散选择模型，利用离散选择模型将乘客分配到各条路径上，得到各路径的客流数据，包括：将所述乘客广义费用函数作为离散选择模型的输入，以量化研究城市间多模式时刻表调整与乘客出行行为之间的影响；构建基于weibull分布的乘客出行方式的离散选择模型multinominal weibit模型为：
其中，为联合生成函数的偏导数，为od对ij间方式m的独立weibull分布随机误差项，为方式m的乘客感知成本，为平均感知成本，ζ
ij
为位置参数β
ij
为形状参数∈(0,∞)，m
ij
为od对ij间的所有方式集合，ij为所有od(origin to destination，起点到终点)对集合。通过求解上述离散选择模型，得到每条路径的客流分担率，所有路径的客流分担率之和为1，将总客流按照客流分担率计算结果分配在各条路径上，所有路径上的客流量相加之和即为总客流。4.根据权利要求3所述的方法，其特征在于，所述的基于各路径的客流数据构建以乘客等待时间最小化、多模式车次总调整数量与时间最小化、乘客出行成本最小化为目标的多目标混合规划模型，包括：在多目标混合规划模型中基于各路径的客流数据设置乘客需求层面与交通方式运营服务层面的多个目标函数，该目标函数包括乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数，具体为：乘客等待时间最小化目标函数:车次时刻调整数量最小化目标函数:总调整时间最小化目标函数:乘客总出行费用最小化目标函数:其中，为乘客j在行程i间的等待时间。q
i
为车次i调整状态,调整则为1,否则为0，即调整时间为0min时。t
iarrival after
为调整后车次i的发车时间，c
ij
为车次i的票价。t
iarrival before
为调整前车次i的发车时间，i为车次i的集合，j为乘客j的集合，为乘客总等待时
间，q
total
为车次时刻调整总数量，为所有车次的总调整时间，c
total
为所有乘客总出行费用；设置所述多目标混合规划模型的约束条件，所述约束条件包括发车间隔约束、路径可行性约束、时刻调整幅度约束、容量约束、在车状态约束、时间窗约束和乘客选择约束。5.根据权利要求4所述的方法，其特征在于，所述的采用基于多目标非支配排序进化算法对所述多目标混合规划模型迭代求解，得到一个非支配的最优解集，该非支配的最优解集包括所述多目标混合规划模型的各种目标函数值对应的时间表调整方案，包括：基于优化的多目标非支配排序遗传算法对所述混合模型迭代求解，得到一个非支配的最优解集，包括以下步骤：s41、种群初始化；s42、产生后代：基于多目标进化算法moea中进化交叉、选择、突变算子产生后代解决方案；s43、解决方案选择：非支配排序，并计算拥挤度，选择临界层部分方案进入解集以选择后代；得到一个非支配的最优解集，该非支配的最优解集包括所述乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数的值，以及每种目标函数值对应的时间表调整方案。6.根据权利要求5所述的方法，其特征在于，所述的通过多准则决策方法根据运营者决策偏好，在所述非支配的最优解集中得到最满足乘客需求的时间表优化结果，包括：选用伪权重法作为多准则决策方法的决策方法，计算搜索所述非支配的最优解集中每个非劣解的伪权向量，搜索非劣解集中每个解的最大值f
imax
和最小值f
imin
，通过下式计算非劣解第i个目标函数的权值w
i
：其中，m为目标个数；决策者输入偏好信息，通过决策函数选择出最接近决策者偏好的权向量所对应的非劣解，所述决策函数定义为：其中，d
i
为解集中第i个解的决策函数值，w
m
为第i个伪权向量；为第i个决策者偏好的权向量；根据选择的非劣解得到最满足乘客需求的时间表优化结果，该所述时间表优化结果包括：乘客等待时间最小化目标函数、车次时刻总调整数量最小化目标函数、总调整时间最小化目标函数和乘客出行成本最小化目标函数值、多模式交通方式各车次发车时间调整量、多模式时变客流分担率和优化模型评估指标值。

技术总结
本发明提供了一种考虑乘客出行选择的时间表优化方法。该方法包括：构建包括在车时间、等待时间、步行时间和出行费用参数的乘客出行广义费用函数，对乘客在多模式交通方式中的出行选择行为进行刻画；以乘客广义费用函数为输入，构建乘客出行方式的离散选择模型，利用离散选择模型得到各路径的客流数据；基于各路径的客流数据构建多目标混合规划模型；采用基于多目标非支配排序进化算法对多目标混合规划模型迭代求解，得到非支配的最优解集，通过多准则决策方法根据运营者决策偏好，得到最满足乘客需求的时间表优化结果。本发明方法解决了城市间交通服务频率较低且多方式频率不一导致的多种交通方式协同性欠缺、乘客出行效率低问题。问题。问题。


技术研发人员：赵建东 冯迎紫 李一贤 杨欣 屈云超 吴建军 高自友
受保护的技术使用者：北京交通大学
技术研发日：2023.03.07
技术公布日：2023/6/7