文摘

在本文中,我们提出一个基于实证的蒙特卡罗公交系统(EMB)模型模拟试验的干预策略来克服总线聚束的效率低下。教育统筹局模型是一个基于主体的模型,利用公交车的位置参数和时态数据来自全球定位系统(GPS)构成(1)一组经验速度分布的公共汽车和(2)一组的指数分布interarrival时间的乘客在公交车站。蒙特卡罗采样然后上执行这两个派生的概率分布产生的随机动力学公交车运动和乘客的到来。EMB模型是通用的,可以应用于任何现实世界的总线网络系统。特别是,我们已经验证了模型与南洋理工大学的穿梭巴士系统通过展示其准确性捕捉聚束动力学的班车。此外,我们分析了三种干预策略的有效性:控股,no-boarding, centralized-pulsing,总线聚束通过合并这些策略到模型的规则集。情况下公共汽车有相同的速度,我们发现这三个策略提高乘客的等待和旅行时间。然而,当公共汽车有不同的速度,只有centralized-pulsing方案始终优于控制场景,公交车周期性地堆在一起。

1。介绍

普遍性(1- - - - - -5总线聚束的公共交通系统的一个长期存在的问题。总线聚束发生在两个或两个以上的公交车之间的距离减少至零附近。在交通研究[1- - - - - -4,6- - - - - -25),总线聚束经常检查通过两辆公共汽车之间的进展,即。车辆的前进距离或时间,其主要工具。聚束发生自然结果的公共汽车和乘客之间的交互2,4,5打折后其它交通的影响。当一个领先的汽车不断地花更多的时间比拖着巴士接送旅客,两辆公共汽车之间的距离减少,落后于巴士旅行速度比领先的公共汽车。这导致很多的公共汽车。持续聚束通常导致增加平均interarrival时间之间的巴士和一个开工不足的能力落后于汽车。实际上,当两个或两个以上的公交车很多,搬在一起,他们本质上为一个单一的单位。这就增加了平均interarrival时间之间的公共汽车。

为了提高公交系统的性能,研究人员和交通规划者提出干预方法来缓解总线聚束。在1970年代,参考文献。(1,6,7)形成的第一个理论框架的干预策略克服公车聚束:持有策略。这个策略已经适应在许多研究[8,9,11,14),即使是最近的23]。其他解决方案如停止跳过(12,17),表达了(10),和优先级信号(9)也一直在探索。该干预措施的有效性评估主要通过宏观模型(26)和模拟实验在一个完整的总线系统是极其昂贵而缩小实验不会捕捉的实际动态公交系统。宏观模型通过数学公式是计算有效的宏观状态的交通系统。然后评估干预策略的有效性对模型的宏观状态的影响。

最近,基于主体建模(微观造型的一个子类,适用于自底向上的建模方法)一直是一个受欢迎的手段在各种复杂系统的研究27- - - - - -30.]。通过造型的微观行为系统的各个组件,基于代理模型获取宏观现象,他们走出个人的交互组件。这种地面行动的方法促进逻辑分析的模拟微观行为和结果之间的关系的宏观现象,导致更好的理解系统的动力学。

现实世界的特性转化在大多数基于代理模型通常包含方便模型的噪声。在公交系统的情况下,代理代表公共汽车旅行巡航速度从真正的遵循一个平均值测量系统和测量标准差内的波动,而passenger-agents乘坐公交车出发地和目的地之间的随机决定。一般性的模型是有代价的不明确。而随机旅行时间之间的巴士站可以归因于其他车辆的随机的存在,某些放慢或加快然而不是随机的。交通状况可以特定于一个特定的公交路线,如公共汽车慢下来一直在急转弯,上游路口,红绿灯。同样,虽然有自然波动在乘客的确切数字,通常存在一个特定的时空分布的乘客(31日沿着公交路线)。超过通常,这种特异性扮演着一个很重要的角色,影响系统的动力学的干预不能准确评估通过省略特异性(32- - - - - -34]。当然可以记下,包括所有这些特殊的部分在一个固定的造型公交路线;然而,公交系统的动力学还取决于其他微观细节,如个人的驾驶行为所在地或特定的一次性事件。包含所有这些微小细节增加复杂性为代价的产生从模型中关键的见解。

在本文中,我们探索的应用蒙特卡罗方法基于代理运输模型。蒙特卡洛过程提供了一种替代方法的建模速度的公交车在一个固定的路线。模型中,公共汽车的速度在不同的路线首先收集了从真实世界的系统。公共汽车然后模拟代理速度随机来自这些旅行经验的速度分布的相应部分的路线。这样,集体的影响系统的微观细节捕捉与交通的特性转化。

2。基于经验的蒙特卡罗总线网络(EMB)模型

拟议的蒙特卡罗模型是数据驱动的模型开始数据收集过程的细节的路线和动态感兴趣的运输系统。这里,我们感兴趣的一个闭环巴士服务在一个大学校园,具体地说,南洋理工大学的穿梭巴士系统(NTU-SBS)。在一项决议 ,公共汽车路线映射到一维space-discretized数组的长度 在周期性边界条件下,基于实际NTU-SBS闭环路5.16公里(见图1)。 数组中的细胞为特征的“站”细胞模型的12不均匀间隔的站在校园巴士服务。站的位置 ,99年和667年。我们这些标记为停止1 - 12,分别。

公共汽车沿着路线和停止在每个车站接送旅客。取决于当天的时间,可能会有1到7公交车服务的路线。全球定位系统(GPS)坐标的公交车是收集从2018年8月23日到2018年11月11日通过applet发表在《门户网站:https://baseride.com/maps/public/ntu/。这些原始数据过滤和转换为一维时空轨迹,也就是说, ,内的整数公共汽车的位置在时间 。在这里,数据收集的时间分辨率 。数据处理方法和时空分辨率的细节可以在补充材料。数据从周末和公众假期被排除在外,因为他们反映,他平均每天穿梭巴士的操作。

公交车的速度计算方程: 。为每个688个细胞,我们收集速度的巴士经过细胞。这给了688经验分布。公共汽车的平均速度巡航的特定段路可以评估每个独特的细胞分布。图1情节的平均速度在不同的位置沿路线。减少在公交车站附近的平均速度和道路连接与我们的启发式的理解系统是一致的。数据2(一个)和2 (b)策划经验速度分布在道路的位置 到61年,反映路段的最高及最低的平均速度,分别。根据我们的分析,公共汽车的平均速度的位置 31公里/小时,这是一个合理的平均速度为校园内公共汽车旅行。收集到的分布使用公交车的速度在蒙特卡洛过程来确定公交车的瞬时速度。巴士从停止停止,集体的特性转化蒙特卡罗随机过程的结果,然而现实的旅行时间的公交车。具体来说,每个时间步 ,公共汽车样品的速度的经验分布对应于公共汽车的位置。占异质性在司机的行为,乘以一个无量纲常数天平汽车的平均速度 。为每一个时间步, ,公共汽车运动的瞬时速度 。系统的推导方法从经验数据NTU-SBS将在部分3。

在我们的模型中,公共汽车路线可以占据同一个位置,允许他们自由超越。当有乘客在公交车站,公交车将停止在公共汽车站,允许乘客登机。当乘客登上一辆公共汽车到达目的地,公共汽车也停止允许降落。如果在公共汽车上没有人想下车,没有乘客在公共汽车站等待董事会,公共汽车将继续走向下一站旅行。为了确保公共汽车离开停止,有消失的概率为零速度经验速度分布的公共汽车在公共汽车站出发。方法的细节也可以发现在补充材料。

通过让公交车占用相同的位置,允许多个总线板乘客同时在一个汽车站。当有两个或更多的公共汽车,乘客负载平均分担了一半的乘客在队列中第一个总线交换到其他总线的队列。这允许最快的寄宿。然而,我们注意到模仿queue-swapping行为之间的不同文学研究(参考文献。(4,20.,35)作为登机的乘客也可以寄宿选择基于可用的车。前者允许快速登机,后者反映了一些乘客在选择的理性低加载总线虽然登机时间长。对总线聚束现象,实现平等的加载方式在总线的发生可能导致夸张聚束作为共享加载将更有可能导致公交车离开一个公车站集中后登机的乘客。

从门户网站收集的数据不包括旅客登机或者降落信息,这些数据必须估计从总线轨迹。假设乘客到达每个汽车站很少(从20多岁到3分钟每位乘客)。因此,旅客的到来将遵循泊松过程,乘客的interarrival时间会率的指数分布它描述了旅客的到来。在我们的蒙特卡罗模型,乘客都注入到每一个公共汽车站泊松过程的意思 。每位旅客注射在汽车站将有一个汽车站随机分配的目的地这样 。注射后,每位旅客仍在各自的公交车站,直到一辆公共汽车的到来。当公共汽车到达时,乘客在公交车站按先来后到的顺序给董事会。当接近汽车站任何机上乘客的目的地,乘客的公共汽车将停止在公共汽车站下车。下车乘客完成旅程。寄宿和降落的速度是由参数决定的我们设定在1 s。登机,下车将同时发生,哪些模型大多数公共汽车有不同的登机门和降落。,补时阶段在一个公共汽车站是除以加载速率屈服登机的乘客的数量。

3所示。模型验证

为了验证我们的模型,我们把一天分成4段和断点在1000 h, h, 1400和2020 h。这种分裂的原因是公共汽车司机在南大航天飞机服务工作转变通常在这些断点开始和结束。这样的分裂也对应着不同的乘客到达率。

的interarrival时间乘客在公交车站 , ,可以推导出时间序列的公共汽车到达在公共汽车站。这需要输入到达时间的公共汽车在公共汽车站 , ,和间接补时阶段 。这辆公共汽车在公共汽车站出发的时间因此, 。类似地,出发的时间之前的公共汽车,公共汽车 ,在公共汽车站是 。假设一个统一的乘客到达率,我们期望 在哪里加载速率和吗乘客登上公共汽车的总数吗 。总线合奏的轨迹,然后我们的经验分布对于每一个公共汽车站的四个时期。我们观察到的经验分布的指数分布。平均乘客到达率是由各自的经验分布为指数分布。结果列在下表中1。

注意,这种方法假设所有公共汽车罢工完全是因为乘客运动,公交车离开所有乘客完成后立即登机和降落。事实上,这不是真的。公交车通常停留在总线海湾,公共汽车需要一个明确的交通的道路上能够继续他们的旅程。同时,我们发现,乘客通常从公交车下车过马路前的静止的公交车,进一步增加其延迟移动。这样,估计登机的乘客的数量根据补时阶段导致的高估 。

派生的乘客到达率进行了分析与启发式NTU-SBS的理解。暂时,乘客到达率的下降在2020 h是一致的与经验观察的大多数学生和员工不驻留在校园。空间,汽车站4似乎一直比其他公交车站有较高的到达率。这个车站位于脊柱北广场,那里是一个聚合的各种设施。值得注意的是,这个汽车站也坐落在南大附近最大的图书馆,和通常有大量的图书馆用户到其关闭在2200 h。这可能会导致一个相对较高的到达率,即使2020 h。最高的记录在早上发生在汽车站12。这个公交车站服务校园最大的住宅的大厅,这就可以解释大量的乘客到达率。

13周的分段数据,我们选择256套的轨迹开始和结束的公交车在服务结束时其转变或新的总线连接服务。这些轨迹持续30到84分钟,涉及固定数量的范围从2到7的公交车。注意,所有的256套轨迹交叉的断点。这些,我们能够检查的有效性EMB模型条件下当公交车的数量是恒定的,和平均乘客到达率可以被描述为一组 。作为一个例子,一个轨迹发生在9月11日,14:04 h-15: 16 h和三个公共汽车的平均速度19.5,19.7和21.3 km / h(单位)。这些平均速度被用来估计相应的呢通过 ,在哪里平均速度是决定于经验分布在整个路线。的用于模拟轨迹是基于场景的开始时间(在这个例子中,14:04 h)。这是匹配表开始时间1确定相应的乘客到达率被雇佣。

我们使用EMB模型模拟256年的轨迹。每个仿真始于公共汽车在各自的初始位置,没有乘客。也没有在任何的乘客公交车站。初步分析由不同数量的初始乘客发现了类似的模拟结果即使我们开始合理数量的乘客在船上或在公共汽车站。然后我们检查总线聚束现象通过分析之间的相对位置轨迹。在早期研究中(4),我们发现同步振荡的数学理论能够充分捕捉真正的公交系统的本质特征。基于这样的信件,我们调整同步的概念来描述完整的总线聚束现象通过同步的程度(36]: 在哪里是振荡器的角位置 。当应用到我们的公交系统,角位置的公共汽车吗 。这个量值从0到1,包容。的最大 意味着完整的聚束,所有的公共汽车都集中为一个排。另一方面, 描述了一个状态,所有的公共汽车都随机分散在整个公交路线。值得注意的是, 不一定描述总线聚束的缺失。考虑,例如,一群案中,4名公交车成对。如果这两个对占领映位置, 。在这方面, 作为一个条件完整的总线成团,而 可以暗示不成团,或者挤公交车的子集,这些子集。然而,定性对比模拟乘客的总时间和旅行的系统(在部分4)表明,表明公交系统的性能。

在图3,我们绘制模拟轨迹从一个循证模型的实现对相应的实证比较轨迹的9月11日,14:04 h-15: 16 h。如预期的蒙特卡罗模型,模拟轨迹的经验轨迹完全不一致。然而,模拟轨迹捕获一个类似的趋势完全聚束的实证轨迹,这显然说明了模拟和实证 ,分别。

在我们的模型和实验数据之间的比较,我们选择性聚合实证基于最初的 ,也就是说, 。换句话说,我们256年的轨迹为基于他们最初的10个不同的垃圾箱 ,也就是说, 。这样做减少了实证统计波动轨迹和突出了聚束的总趋势不同状态如何随时间而变化的初始值。聚合实验轨迹(表示 )(图4在蓝色)显示的总趋势随着时间的增加,特别是对于低初始 。这说明巴士群的倾向。然而,这一趋势分解的情况下大的初始 。平均而言,轨迹,从公共汽车在一个几乎完全集中式状态往往会随着时间的推移unbunch。

执行一个类似的聚合模拟轨迹,图4比较和轨迹。这些轨迹是量化的统计相似性比较的平均欧氏距离聚合轨迹(定义为 )平均标准偏差的聚合轨迹(表2)[19,37]。异常的 本,远处的聚合轨迹实证层中被发现。这反映了之间的紧密对应经验中发现系统的动态行为,由教育统筹局捕获模型。

4所示。EMB模型作为干预策略的试验台在南大穿梭巴士系统

在本节中,教育统筹局模型作为一个测试床三个类的干预策略,目的是获得洞察其有效性减轻公共汽车上聚束。模拟与公交车equal-headway状态和初始化所有模拟都只以稳定状态,在系统的数据仍然是固定的时间限制。测量包括的公交车,平均等待时间和平均旅行时间(定义为等待时间之和,在公共汽车上所花费的总时间)的乘客。这些测量对控制相比,这是一个类似的系统,不涉及任何干预措施。尽量减少统计变异的影响,同一组乘客到达率在所有使用模拟。

根据乘客到达率公交车的速度,我们考虑四个不同的场景:(1)Lull-same:低乘客到达率和巴士有相同的固有速度(2)Lull-different:低乘客到达率和公共汽车有不同的固有速度(3)Busy-same:高乘客到达率和巴士有相同的固有速度(4)Busy-different:高乘客到达率和公共汽车有不同的固有速度

256年的经验数据集,我们确定3场景匹配上面的描述。注意,由于没有经验场景繁忙的阶段,公共汽车旅行内在相同的速度,busy-different busy-same场景是一个假想的变体的场景中使用的所有参数busy-different场景中,但是所有的公交车有相同的固有速度。四个场景的参数采用列在下表中3。

4.1。战略制定和对速度相同场景的影响

以下4.4.1。干预:Stop-Based控股

简单的持有策略涉及控股公共汽车在指定的控制点集的时间,基于当前的车头时距(26]。作为一个落后于汽车往往对聚束以其领先的公共汽车,这一战略持有落后于总线,使其延伸其进展从领先的公共汽车。这产生一个负面的反馈,反对总线聚束的正反馈机制。天真的进展保持策略,保持时间的公共汽车在时间是由 在哪里是当前的一辆公共汽车和车头时距是一个预定的计划进展。为了减少总线聚束在我们的闭环系统,平等的车头时距国家选为计划在我们的研究进展。这是由 ,在哪里是一辆公共汽车的平均周期循环和公交车的数量。我们注意到调度公共汽车控股战略是一个正在进行的研究领域37,38),使用一个固定的时间间隔 是一种简化。

在大多数持有策略,控制点设置在一些,如果不是全部,公交车站(2,20.,26,39]。在这些策略,计算当前时间的时差总线和最新的起飞时间的汽车站 ,也就是说, ,之前 。在数学上,它是 。通过应用这种测量在天真的策略,一辆公共汽车车站只有当它等于或大于离开进展 ,也就是说, 。作为衡量进展的这种方式是基于公共汽车离开车站时,裁判。19)是指stop-based进展。在这方面,我们将这种持有策略称为stop-based控股战略或掌握。

文献[13)修改了天真的进展的方法通过持有时间乘以一个常数为了弥补动态发现在现实世界中不稳定的进展。,占用时间的公共汽车在时间将 在哪里是一个无量纲的常数。虽然[13)使用这个参数作为一个实时控制策略的一部分,其中是一个动态变量,基于当前的需求变化,我们将限制研究静态值的范围 。一个控股战略 过度到目前的进展,例如,如果 ,公交车是1分钟落后于计划的进展将为2分钟。相反, 模型一个不够有力的进展。在 限制,公共汽车没有反应其进展和不保持任何时间。在这种情况下,系统的行为的控制,在没有干预。在个人层面上,持有策略增加旅客的旅行时间举行总线。然而,在系统层面上,负面反馈将使总线系统接近equal-headway状态,这将导致更低的平均旅行时间。

lull-same场景图的结果5(一个)表明,掌握策略能够减少乘客的平均等待和旅行时间。在没有干预措施 ,的显示了巴士维持一个完全集中状态,导致长每位乘客等待时间约12分钟。作为增加,完成聚束的状态随等待和旅行时间,等待时间减少到50%,旅行时间减少20%。节省等待时间和旅行时间之间的差异可以归因于持有策略的机制。被一辆公共汽车时,乘客的公共汽车上花的时间也在不断增加。然而,这种机制并不直接增加乘客的等待时间在任何公共汽车站。实际上,它只会降低,平均而言,公共汽车更均匀地分散。

掌握策略增加一些乘客的旅行时间,也许有人会认为,过度的扶着大可能导致系统效率下降。有趣的是,掌握执行超过一个大范围的 。通过调查系统的动力学 ,我们发现过度占用时间也导致大量扩展总线的进展。作为掌握战略只有触发器在公共汽车上小的进展,与大型公共汽车获得很大进展津贴,从而导致更罕见。这更长更罕见的控股之间的权衡的结果在系统中维护范围的平均旅行时间 。然而,这种关系失败的极值 ,其中一个总线是持有一段时间长于其他总线的有效期内。这个值代表一个完全不切实际的策略,它不被认为是在我们的研究中。而更大的值做生产的平均旅行时间的改善,交通规划者需要考虑长期持有一辆公共汽车的实用性,特别是当它影响旅客的情绪。考虑,我们建议最小的公共汽车不群。

另一方面,数字5 (b)阴谋的结果掌握策略在繁忙的阶段。从控制的情况 ,公交车用同样的速度表现出完整的聚束平衡,类似于间歇阶段。然而,对于 ,乘客的等待时间线性增长 ,代表一个完整的掌握战略的失败。此外,对比的不确定性之间的 和 突出了边际成团的程度的增加 。这表明,而不是减轻总线成团,掌握策略在繁忙的阶段可能促使公共汽车很多更多。这种现象将进一步讨论的部分4.2的影响,当我们看掌握在busy-different场景。

4.1.2。干预:连续时间举行

在前面stop-based控股战略,车头时距计算时差利用公交车站的起飞时间。可以说,这不是唯一的方法来定义车辆的车头时距。事实上,车头时距的概念(或任何车辆进展)不是定义良好的文献中。在这方面,安德烈斯和奈尔19)提出了另一个定义车辆的车头时距的时间达到领先的车辆的当前位置。这是被称为连续时间车头时距。

使用连续的车头时距的错综复杂,需要预测车辆的轨迹。因此,它没有被作为一个可行的测量对于大多数研究持有策略。安德烈斯和奈尔19)测试了四种不同的进展预测方法连续时间的持股策略,寻找相似的性能结果之间的线性回归和外推,内核回归和外推法、人工神经网络和自回归模型。在这项研究中,我们提出了另一个进展预测方法对连续时间持有策略,基于输入参数(即。教育统筹局模型的经验分布)。不包括公交车站,公交车所花费的平均时间遍历一个网站可以从网站的平均速度的倒数。这可以很容易地从经验分布计算。在公交车站,时间就等于补时阶段由于乘客下车和登机。乘客在公交车站的数量取决于它的进展,通过假设所有的公交车都在一个平等的车头时距的状态,也就是说, ,在汽车站的补时阶段是由 我们已经使用 和 。请注意,公共汽车的固有周期,路线的长度,是公共汽车的平均固有速度推导经验速度分布。同时,回想一下, NTU-SBS公交车站。

,图6图遍历每个站点的时间系统中不同数量的公共汽车。基于当前的位置离开公共汽车和其主要巴士,人物6可用于确定所花费的时间离开巴士到达当前位置领先的公共汽车。与掌握,合成进展是用于计算的持有时间总线基于方程(4)。当这个策略使用连续时间的车头时距,它将被称为连续时间持有策略,或简称为c-holding。

图7情节的影响c-holding战略lull-same和busy-same场景。在这两种场景中,我们看到,c-holding执行比掌握的策略。掌握战略值得注意的是,最大的改进是c-holding策略是能够保持公交车unbunched繁忙的阶段。两者之间的主要区别持有策略的进展测量c-holding因素的具体动态公交系统(旅客的到来和总线速度)。这表明,一个有效的持有策略已占公共汽车的具体动态,掌握缺席的策略。这个假设将进一步分析比较后的影响持有策略busy-different场景的部分4.2。

4.1.3。干预:No-Boarding

与控股战略,有效地减缓巴士靠得太近的时候领先的公共汽车,no-boarding策略有助于加快公共汽车,他们落后于公交车太近(40),即。,的backward headway(或落后于公共汽车的 )很小。《登机的乘客需要公共汽车停下来住在公交车站,他们可以“加速”不是在公交车站的乘客登机。虽然这些公共汽车仍将停止为乘客下车,这一策略减少了额外的停留时间由于乘客登机,从而允许总线摆脱总线。在接下来的分析中,“加速”的概念的公交车no-boarding战略和“减速”巴士的持有策略很重要。

在最近的一份工作,看到和咀嚼。(40]研究no-boarding的影响广泛的模拟和分析提供计算no-boarding的影响下的平均等待时间。纸,no-boarding策略是参数化的阈值距离,这样公共汽车停止登机的乘客,当他们落后距离进展低于某一阈值 。为 ,no-boarding从来没有被激活,允许它被用作控制。作者发现阈值,这样当一个上界大于阈值,等待和旅客的旅行时间大大增加。考虑系统中的no-boarding策略2的公交车。如果 与整个路线的距离,寄宿将在至少一个永久性残疾的公交车不管他们的配置。事实上,如果公交车在一个equal-headway状态,公共汽车都将无法登机的乘客。一般来说,阈值的上界是严格小于 。在此基础上,我们限制参数 在我们的模拟研究。

随着距离的进展没有考虑的时间穿越道路的不同部分(图中描述1),使用距离进展可能会引入重大错误no-boarding策略。更准确的方法可能是使用公共汽车的车头时距。类似于基于距离的方法,基于时间的no-boarding战略将禁用寄宿在公共汽车上,有一个向后的车头时距小于 。设置上限 在哪里平均的周期是公共汽车。

通过比较两种策略的结果(数据8(一个)和9;也在表4),没有发现显著差异之间的基于距离和基于时间的no-boarding策略。类似的观察是在比较这些策略时速度是不一样的场景,在桌子上5前一节。这否定我们的假设将会有重大的错误提出利用距离进展。在我们的模拟方法,参数研究了不同步骤大小的吗 。基于距离和车头时距图之间的关系6,路上异质性所产生的错误 ,小于仿真步长。这是微不足道的错误比参数的步长,从而导致产生的两种策略之间的相似性。在此基础上,进一步的研究将只关注基于距离的no-boarding no-boarding策略。

图8(一个)情节的影响no-boarding战略lull-same场景。从根本上讲,no-boarding能够保持公交车交错配置(所描述的 在图8(一个))。尽管如此,如果太大(如阈值进展 ),no-boarding过于频繁,结果是一个更大的等待时间,即使公交车交错。旅行时间最小值出现在阈值的进展 ,节省了33%的平均等待时间和平均旅行时间节省了20%。

另一方面,busy-same阶段在图8 (b)显示类似的动力学的间歇阶段,这样no-boarding策略能够提高旅客的等待和旅行时间。结果是一个有趣的特性是改善(控制)和旅客的旅行时间等待 。这表明,阈值的上限大于理论上预测 。

随后的分析模拟轨迹显示,始终有一定程度的本地化超过理论上界时聚束。作为一个例子,我们有公共汽车1和2 7公交车的本地集中在角位置和巴士3 - 7 , , , ,和 ,分别。有7公交车,阈值进展(度) 。因为公交车3 - 7落后的进展超过了阈值,它们能够董事会乘客大部分时间和维护他们的进展通过执行no-boarding当他们落后于公交车拉得太近。由于存在特性转化,公交车1和2会不会在相同的位置。的情况下公共汽车1之前巴士2小的距离,巴士1将有一个向后进展约0和公交2将有一个向后的进展(参照巴士3)。因此,当公共汽车1将无法接任何乘客,公交2。这导致总线1和总线2表现为一个单一的公共汽车,从而导致系统有6活跃的公共汽车,维护共同的进展(距离) no-boarding策略阈值调制的进展吗 。这将导致一个更高效的系统相比,控制(不干预策略),所有7公交车最终将堆成一个排。

这一发现并不矛盾裁判提出的理论工作。40),基于公共汽车拥有相同的恒定速度。如果两辆公共汽车相同的恒定速度隆起,公交车都有(不断维护)向后进展的零。这将导致两个公交车no-boarding不断。因此,这两个巴士将赶上前面的巴士,在最小化进展原因巴士也no-boarding执行。一个循环的圆不断重复着与所有其他公共汽车,直到所有的公交车都寄宿。特性转化的存在在我们的模拟研究允许系统继续存在于一个局部隆起状态,允许高阈值no-boarding策略执行比否则预测。这是一个系统特异性扮演重要的角色在决定系统动力学。

4.1.4。干预:Centralized-Pulsing

理论的同步,可以同步self-oscillators周期性脉冲(41]。作为一个例子,这些天时钟不需要昂贵的准确。相反,高精度的集中式时钟可以定期发送电磁波更便宜无线电控制时钟定期乘火车,这样后者的精度是由前同步。这个例子表明“夹带”的想法的公交车一个周期力量阻止他们成群在一起(4]。

新策略是主题的公共汽车系统周期性驱动力,使它们交错配置。尽管前两个策略处理巴士的与乘客互动,这种干预涉及到内在的行为的巴士。类似于变速控制42)或计划恢复(21)计划,策略涉及到驱动每个总线加快或放慢速度,根据其当前进展。具体来说,每个总线与落后的车头时距大于等于车头时距的状态 将被迫放慢速度,和公共汽车 将会加快。类似于self-oscillators的夹带,这个驱动设置定期,在每一个时间步长,使得分析的功效是不同的参数 。与前面的两种策略,这种效应作为一个负面的反馈对于公共汽车保持同等的车头时距的状态。

在我们的模型中,加速通过限制抽样进行相应的实证上的速度值站点公共汽车的速度分布。相反,公共汽车慢下来只涉及到采样速度低于中位数的分布。

通过改变参数在这个机制,我们能够改变干预策略的影响。与其他策略是一致的, 代表一个控制,公交车从来都不是推动移动快慢。的最大 代表了公共汽车驱动移动高于/低于平均速度只有1%的时间。相反, 模型汽车加速/减速所有的时间。这将是下面讨论的实用性。

结果呈现在图10同意我们的直觉,在更高的工作频率,公共汽车保持unbunched。相应地,大型的干预措施没有影响的或等待/旅行时间。之间也有类似的动力学速度相同和不同速度情况下,centralized-pulsing策略的详细分析结果将在下一节中。

表4总结了所有5干预策略的结果,通过代表每个策略参数值导致最低的时间旅行。,等待和旅行时间以及平均水平每个策略。

4.2。干预策略对不同速度的影响情况

看到et al。4),在讨论lull-different场景中,公共汽车展览周期性聚束。这是快速公交的情况定期赶上公共汽车和越慢,因此,公共汽车是不能维持持续的聚束。初步分析发现,公交系统表现出周期性的聚束是一种相对高效的系统。这个本节的仿真结果中可以看到,在没有干预策略(从表5),乘客平均等待时间是7分钟时相比,12分钟公共汽车速度是相同的(在表4)。

另一方面,与lull-different场景中,乘客到达率高busy-different场景会导致某种程度的持续的聚束。然而,由于速度差异,动态既不完全持续聚束也不定期聚束。系统需要一个复杂的动态的公交车聚束在小排,排波动的大小和数量。一个重要特征是这些“公共汽车排”是沿着公交路线呈随机分布。较低的价值(没有干预busy-different的表5)是一个排的集中式总线跨越公共汽车路线,并不意味着没有完整的总线聚束。这是一个例子 不能被解释为一个equal-headway状态时 。然而,这种复杂的动力学状态作为更高效的状态比完全集中状态,平均等待时间为4分钟,而不是10分钟(表4)。

4.2.1。准备干预:掌握

通过调用掌握战略的公交系统定期聚束状态(由于公共汽车有不同的速度在间歇阶段),该策略与控制执行比任何适得其反 。在稳定状态,只有更快的移动总线将有一个小的进展,因为它关闭对较慢的公交车。因此,只有公共汽车越快会控股持有的策略。在平衡时,持有策略有效地减缓了速度总线通过每轮固定数量,根据数量 。用小 ,控股战略减缓了速度巴士每一轮,但不足以防止定期聚束。由于没有影响聚束的状态,唯一的影响持有策略是增加乘客的等待和旅行时间。最高效的系统存在的时候足够大的有效速度更快的汽车比赛的慢的公交车。公共汽车拥有相同的有效速度,聚束接管机制,导致公交车的方法集中状态( ,见图11)。这导致的等待和旅行时间的最大值。11分钟的平均等待时间与完全集中式状态中 的图5(一个)。

通过研究这两个和稳态动力学,持有策略能够完全取消周期的机制与大型聚束 ,导致公共汽车维护一个交错配置。这种状态的等待时间与控制,这表明定期聚束状态和交错配置都是同样有效的保持低乘客的等待时间。然而,旅行时间是略微比控制。这可以归因于增加旅行时间飞机上乘客的公交车。类似的研究结果发表在文献[43]在那里等待时间的改善控股总线匹配慢总线的速度越快,尽管平均总旅行时间的增加为代价的。

busy-different表所示的结果5——详细的仿真结果(图11)显示系统的等待时间增加parameter-represent系统的彻底失败。的不干预动力学busy-different平均一个场景 ,很明显,掌握战略与旅客的到来导致更大程度的增加公交聚束。而发病的机理holding-induced聚束尚不清楚,之间的单调关系和等待时间可以解释的稳态动力学挤公交车。

聚束动力学开始与所有7公交车完全集中在一个单一的汽车站(也所描述的 )。没有其他乘客登机时,领先的公共汽车(不)离开车站,另一公共汽车控股持有的策略。领先的公共汽车旅行对和停止在第二个汽车站去接乘客。所有剩下的6个公交车都集中到一个排它落后于领先的公共汽车,这之间的时间领先的公共汽车的到来和前面的巴士的离开是非常大的。这导致大量的登机的乘客在这第二个汽车站。因此,主要公交乘客向董事会报告需要很长时间。在我们的模拟研究中,其他公交车的保持时间低于所花费的时间主要总线板所有乘客。因此,其他6辆公共汽车会完成控股在前面的汽车站,然后到达第二个汽车站之前的主要总线完成所有乘客登机。同时与7公交车寄宿,所有的乘客会登上一辆公共汽车和领先的公共汽车将启程前往下一站。这个动态的巴士前往下一站,后剩下的公交车后重复在每一个汽车站。排的速度是依赖于保持时间,这是依赖 ,乘客的等待和旅行时间的增加单调 。相同的一组动力学发生在busy-same和busy-different场景。

虽然任何持有策略的规则将提供一个负面的反馈到总线的聚束行为,掌握战略在繁忙的阶段在一个特殊的结果holding-induced聚束。掌握战略的控制方程和简单的计划进展,我们猜想holding-induced聚束可以归因于其简单化自然没有考虑公交系统的重要属性。在接下来的部分,我们提出一个更动态持有策略,考虑乘客到达率和总线速度。我们不仅将证明它达到一个更高效的公交系统还阐述了如何这些属性将与一家控股战略未能占他们可能导致holding-induced聚束。

4.2.2。干预:C-Holding

lull-different情况下,低价值的动力 是一样的掌握,c-holding策略并不保持公交车交错配置。与掌握策略,c-holding策略表的结果5显示了一个边际改善效率,减少等待时间,14%符合相似的作品中发现裁判。14,26,43]。

对于busy-different场景与c-holding策略,在图12表明,公共汽车是完整的聚束的保持在一个较小的程度上。然而,这种轻微的改善聚束的状态不会导致系统的改善,平均旅行时间略有增加增加。掌握策略,这意味着一个改进效率的下降表明c-holding策略不完全实现其功能时,公共汽车有不同的固有速度在一个繁忙的阶段。

c-holding策略的改进掌握可以归因于前的简单化的方法。随着stop-based车头时距测量的差异连续两个公交车的起飞时间,只有确保公共汽车离开后每个公交车站或计划的进展。然而,它并不考虑如何保持时间后进展的变化。有两种机制,可以使公共汽车的进展变化:包括公共汽车速度和另一个涉及旅客的到来。

如前所述,当有不同的总线速度,该策略仅拥有高速的总线。公交车的速度越快,它总是赶上公共汽车的控股。它的速度追上了取决于两辆公共汽车之间的速度差异。保持公交车正好equal-headway状态,一个大速度差异需要持有时间超过一个小速度不同。通过考虑公共汽车的速度,c-holding策略能够让公共汽车非常接近equal-headway状态,提出了平均的价值 在 。

同时,持有策略具有固有self-accentuating效应依赖于乘客到达率。手里拿着一个总线扩展其距离领先的公共汽车,有效地增加其车头时距。增加额外的乘客到达下一站的车头时距的结果,进而导致停工时间更长。与速度的考虑,保持公共汽车正好equal-headway状态需要较短的控股时候乘客到达率高和更长的时间到达率很低。的连续时间测量c-holding战略考虑公交车的速度和不同的到达率在不同的公交车站,它能够不断调整对最优公共汽车持有时间收敛到equal-headway状态。相反,因为掌握不占公共汽车速度和到达率的影响,它是无效的在维护公共汽车在一个equal-headway状态,最终导致公交车聚束在一起。

与持有策略,lull-different no-boarding策略适得其反的场景。然而,有一个根本区别控股和no-boarding策略。持有的策略,公共汽车是调制的进展公共汽车通过举办“放缓”。的参数确定每个总线多长时间举行,这可以有效地扩展量公共汽车放慢了策略。相比之下,参数只会影响调用no-boarding的点,但不影响多少公共汽车“加速”。no-boarding策略,公共汽车是加快取决于乘客到达率,即,乘客的数量就越高不捡起,公共汽车会越快相对于落后于汽车。因此,在参数范围内,no-boarding战略像一个持有策略的低这样的策略增加定期聚束的时期,但没有调整巴士足以实现交错配置(图13)。这就是从较慢的平衡动态公交被公共汽车的速度越快,定期超越与no-boarding引发后者在其阈值时进展。作为唯一的变化动态的频率no-boarding采取的较慢的公交车,乘客的等待和旅行时间的增加单调 。

结果在表busy-different no-boarding的场景5显示边际改善乘客的等待时间。这是符合理论提出了(40),更多的旅客的到来将导致更大程度的让公交车unbunched所需速度调制。虽然我们的模拟研究只抓住了边际改善等待时间,裁判。40]显示显著节省乘客等待时间(平均到达率更高 ,在哪里 )。这个结果符合我们的分析和支持,no-boarding一个可行的策略,是一个非常繁忙的公交系统,即使有公共汽车以不同的速度旅行。

4.2.3。干预:Centralized-Pulsing

从结果centralized-pulsing策略在所有4个场景(见表4和5;数据10和14),数据可以看出centralized-pulsing的影响在所有四个场景非常相似。一个潜在的重要的发现是一把锋利的存在之间的过渡完全unbunched完全集中式/定期集中状态,一直在发生 。

进一步分析是通过研究系统完成的 。如前所述,我们的方法包括初始化系统equal-headway状态和测量系统只有在稳定状态。通过调查中的瞬态lull-same场景中,发现centralized-pulsing 维护初始equal-headway状态很长一段时间急剧过渡到集中的状态。这聚束坚持长时间限制。这组展示一阶相变动力学相似物理系统,系统展示亚稳度在一个特定范围的参数值(44- - - - - -48]。在这个范围内,系统可能存在的亚稳相了很长一段时间。然而,任何扰动会导致系统经历一个阶段过渡到稳定阶段。在这种情况下,equal-headway状态类似于亚稳状态和成束的状态是稳定的状态。

虽然centralized-pulsing似乎是一个非常有前途的干预策略,实现的可行性必须仔细考虑。作为类似于“interactuation时间。” 模型汽车一贯严格高于或低于平均水平的速度移动基于当前的进展。总线的固有速度缓慢,它必须高于其平均速度移动在任何时候。基于道路或者交通条件,这可能并不总是可能的。事实上,问题驱动频率与回self-oscillators夹带的理论。讨论(41),同步的发病周期驱动力是依赖和驱动力的大小。在这个模拟研究中,设定的频率和“力量”的大小是由速度建模的选择规则。然而,这些价值观可能不对应于真实的世界。事实上,合理推动频率和“力量”的大小不仅会被缓存,也依赖于空间,即,会有段路的司机可以选择开快一点或慢。收集足够的信息来完善我们的实现成为现实和实用centralized-pulsing策略,实验研究测量总线速度,促使司机应该进行加速和减速。

4.3。比较不同的干预策略

有模拟四种不同干预策略,表6汇总每个策略的有效性的部分节省等待时间和旅行时间控制。类似的工作在文献中发现节省等待时间(从5%到80%不等8- - - - - -11,16,22,40,43),这与我们的研究结果一致。三个类的策略,一个反复出现的发现是,centralized-pulsing是表现最好的策略。与这种情况发生在所有情况下,控股之间的比较和no-boarding策略将首先被提出。

在间歇阶段,这两种策略通常只在工作时,公交车也有类似的固有速度。而持有策略优于no-boarding策略在lull-same场景中,这个边际表现(对测量的不确定性)并不代表任何重大利益选择持有策略在no-boarding对于这个场景。在lull-different场景中,没有一个策略(centralized-pulsing除外)提供系统中的显著改善,与c-holding战略执行略微比控制的情况。通过比较控制lull-same和lull-different场景,公共汽车以不同的速度生产平均等待和旅行时间与no-boarding策略。这意味着,与持续的聚束,定期聚束相对高效的公交系统。方便,迫使公共汽车旅行以不同速度在间歇阶段可能是另一种干预策略是由公共汽车运营商。或者,当小巴士倾向于移动速度比大巴士,巴士运营商也可以使用公共汽车大小不同的周期性的聚束的增加趋势。

在繁忙的阶段,在大多数情况下持有策略适得其反。而c-holding可以降低聚束busy-same场景中,它需要一个相对较长的占用时间(大所暗示的 ),这将影响其实用性。相比之下,no-boarding策略的有效性与乘客的数量增加;在busy-same场景中,等待时间减少了70%。当我们找到no-boarding策略更有效,那里是一个大型的公共汽车的变化的速度,这是讨论裁判。40],改善效率busy-different场景发生在乘客到达率要高得多。这表明no-boarding战略是一个潜在的有效的策略在繁忙的阶段。在最近发表的作品中,裁判。49)还发现,即使选择乘客对no-boarding规则缺陷,no-boarding策略仍然是一个可行的策略,以减少总线聚束。

5。结论

在本文中,我们提出了基于经验的,蒙特卡罗公交系统(EMB)模型,这是一个实验基于代理模型设计为一个测试床上潜在的干预策略以减少公交聚束。通过,我们学习了三个类的干预策略。发现传统的干预策略(控股和no-boarding)只有在特定场景中表现良好。尽管如此,no-boarding策略似乎是可行的,当乘客到达率高。的五个策略进行了研究,centralized-pulsing策略似乎是最有前途的战略,因为它被发现是有效的在所有不同的场景。

作为我们的理论研究已经发现潜在解决方案策略改进各自的系统,未来的工作应该努力实现模拟环境的解决方案。虽然EMB模型的应用提出了专门NTU-SBS,制定是通用的,可以应用于其他公交系统。有两个好处的建模框架应用到其他经验系统。显示,使用EMB模型建模实证系统允许用户研究和获得关于系统的见解,促进发展的干预策略。应用建模框架,更重要的是,其他经验总线系统可以促进循证模型的不断发展。作为一个例子,之间的互动公共汽车和其他车辆在路上没有被认为是在当前配方,由于明显较慢的车辆交通在南大的校园。然而,如果EMB模型是用来模拟一个繁忙的公交路线,例如,一个贯穿市中心,公交车和汽车之间的交互变得非常重要在确定公共汽车的动力学系统。具有附加功能,教育统筹局模型甚至可能产生新的见解建模框架和总线聚束现象。

附录

表7说明了列表收集的原始数据https://baseride.com/maps/public/ntu/。这包括一个日期/时间戳、车辆登记号码,和每个总线的经度/纬度沿着指定路线。尽管数据只更新每一个9 - 12 s,该脚本将在3秒钟间隔记录数据。这种冗余导致约60%的重复数据适时适当地处理和删除显示如下。总线的二维纬度和经度在时间被定义为 。公共汽车只有沿着一个固定的周期路线,职位将被映射到离散一维数组,在哪里是一个整数,描述了公共汽车沿途的位置。下面的段落将描述转换的方法 以及后续的滤波应用到数据。

空间分辨率的下限是首先通过计算确定最低 ,在哪里 为 ,从所有个人在整个采样周期轨迹。GPS数据的空间分辨率是由这个最小值 ,这是7.9年的长度。因为通常使用7.5米的空间分辨率离散空间交通模型(50- - - - - -52)反映的长度平均车辆与车辆之间的相互作用距离,我们使用7.5米的空间分辨率(而不是经验7.9米),以便未来模块化的模拟,特别是当模拟扩大到包括车辆间相互作用的影响。

所有样本时期收集的空间坐标绘制散点,如图15。平滑的曲线沿着分散安装坐标跟踪公交路线。这条线然后分段定期相当于7.5米的指定的空间分辨率,导致路径由688个均匀分布的点。这些点是用来改变二维空间坐标,到一个一维路径。

对收集到的数据的初步研究发现在公共汽车的实时更新位置不准确,即使在12秒的间隔。图16情节的发生罢工,即 ,在哪里 ,沿着公交路线。而中断的概率达到道路路口和公交车站预计,中位数停工的概率是0.2。这个值对应于公共汽车是静止不动的20%的时间,即使穿越一个看似不间断。经验观察现场工作期间发现,这并不反映汽车的平均运动。进一步检查单个网站的速度分布(图中观察到16)也显示了不切实际的倾向的零速度发生在很长的一段路。一个合理的解释人工制品是定位数据发送的公交车被打断过很长一段时间当公共汽车在运动。这样,有可能收集到的总线位置可能不能反映实际的实时位置的公交车。

我们假设这个人工制品的零速度影响网站而不是公交车站的路。图17说明了消除这些错误的过程中出现的零速路站点。单总线的数据点轨迹包含大量重复的位置数据(图(17日))。这个结果从(1)公交车是静止不动的,(2)公交车经历中断更新他们的生活立场,和(3)抽样门户网站在更高的频率比其刷新率。无论如何,所有位置重复数据删除(图17 (b)),只保留数据反映出当公交车搬。其余位置数据的时间间隔是线性插值 年代,基于假设公交车每个位置之间移动以均匀的速度更新(图17 (c))[53]。这些更新的轨迹在预定的时间分辨率 (图17日(d))。删除相应的零速度,图18说明了修正停止频率和速度分布相同的两个网站的图16。

罢工在公交车站站点都是区别对待的。如前所述,我们假设所有停工在公交车站由于与乘客互动,即。,登机和降落,一个时间延迟用于计算(见方程(1))。建设的经验速度分布在公交车站,唯一的非零速度离开汽车站的公交车。这可以确保公共汽车离开时没有其他或下车的乘客登机。

数据可用性

在这项研究中使用的数据是公开的数据,从网站获得https://baseride.com/maps/public/ntu/。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的联合黄蜂/南大方案(项目号M4082189)和(电子邮件保护)格兰特(项目号M4082418)。