文摘
本文提出一种改进的模型改善headway-based公交路线服务可靠性在公交车站使用实时预防操作控制,考虑到随机的乘客需求之间的动态交互,随机行驶条件路线段,和车辆载重能力约束。在这个模型中,乘客需求和车辆操作的实时信息涉及预测偏差即将接受的进展,对于一些及时的预防控制策略部署根据给定的控制规则。作为一个案例研究中,一个固定的公交路线与高频服务模拟和不同场景的实时预防操作进行控制。进展的依从性和乘客平均等待时间是用来测量公交服务可靠性。结果表明,改进后的模型更接近真实的公交路线服务,并使用实时信息来预测潜在服务不可靠和触发及时预防控制可以减少总线聚束和避免巨大的差距。
1。介绍
优先发展城市公共交通是成为常见的观点对减少城市交通堵塞和提高城市旅游效率(1]。但它不仅仅是一个政策问题吸引越来越多的人选择旅游交通。政府面临的一个具有挑战性的问题,研究人员和交通部门是如何提供更好的交通服务通过使用最新的技术。
可靠性是最重要的属性之一的运输服务和质量总是最关心问题的乘客和公交公司(2,3]。知觉的乘客,服务不可靠性意味着更多的平均等待时间,由焊接在断言识别更多的常规服务意味着较低的平均等待时间为潜在的乘客,特别是在高频与乘客需求随机的公交线路4]。交通部门,服务延误和中断有一个真正的货币成本降低车辆的利用率和运营商而言,占3 - 5%的操作和车辆成本保守估计(5,6]。在不可靠的原因方面,运行时间可变性和乘客需求波动通常被指出是服务不可靠的重要因素7,8]。此外,最初的进展不规则,初或mid-route,将下游传播,这种传播趋于恶化乘客下游负载波动和导致更糟糕的不可靠性9,10]。
为了提高公交服务可靠性,提供实时信息技术被公认为一个有说服力的策略在越来越多的国家。最近几天,等实时信息技术自动车辆定位(AVL)和自动乘客计数(APC)用于监控服务和旅客需求,在此基础上采用不同的运行控制策略控制总线操作(11- - - - - -15]。从现有的研究中,大多数的控制策略进行了研究,恢复服务中断发生后的可靠性16,17]。考虑实时信息收集的先进的公共交通系统,然而,它预计将预先警告大进展偏离路线的开始服务,立即采取一些预防措施来避免潜在服务不规则(18- - - - - -21]。此外,在一个丰富的信息环境,基于模型的智能车辆系统将帮助司机实现车辆运行控制的有效性(22,23]。在这一点上,一个有效的决策模型使用实时信息实时总线操作控制的关键问题。
在[20.],无视车辆承载能力约束,我们开发了一个仿真模型基于AVL-APC预防固定航线运输服务不可靠数据,其有效性是广泛地展示了在一个圆形的公交路线21]。然而,在现实世界中,车辆负载能力是一个非常重要的因素影响公交服务可靠性从乘客的角度。基于模型的主要框架提出了(20.],本文发展一种改进的模型改善公交服务可靠性通过瞬时预测和预防控制策略在高频公交路线,考虑随机乘客需求之间的动态交互,随机车辆行驶路线段条件和负载能力约束。此外,它提供了一组决策规则的潜在智能调度模块。
这剩下的纸是组织如下。下一节介绍了headway-based公交服务可靠性的措施。节3vehicle-load-capacity-constrained预防模型,开发了基于主模型框架(20.]。部分4提出了嵌入式的蒙特卡罗模拟模型,实时预防控制方法适用于一个简单的固定与高频服务公交路线。结论和未来的工作提供了部分5。
2。Headway-Based公交服务可靠性的措施
2.1。变异系数的进展()
在高频的公交线路,乘客通常到达停止随机无视时间表。因此,进展的依从性是最重要的指标来衡量服务的可靠性。在运输能力和服务质量手册(TCQSM) [24),衡量标准是基于进展的变异系数()运输车辆提供一个固定的路线到达停止并计算如下:
对于固定线路高频巴士服务,服务水平(LOS)分类根据进展的变异系数(见表1)。
2.2。乘客平均等待时间
焊接的乘客平均等待时间也广泛用于测量headway-based公交服务可靠性,这是一个函数的均值和方差的进展3]:
在(2.2),是预期的乘客等待时间,是预期的进展,的方差是进展。根据(2.2),当是一个常数,较小的意味着更少的乘客平均等待时间。
3所示。模型开发
为了提高公交服务可靠性、静态的预防控制策略包括路线规划、调度和舰队和劳动管理(25]。动态总线操作控制,及时预防策略可以用来避免偏差大进展之前即将总线聚束或差距,这需要实时总线服务信息及时决策的操作控制。headway-based预防控制而言,预计将保持Var在(2.2)尽可能接近于零。因此,当在(20.),潜在的预测和预警服务违规使用实时信息和立即采取行动防止进展偏离太多是这个改进模型的基本原理。
制定改进预防模型之前,我们使用一个固定的公交路线描述。一般假设和下面列出本文中使用的符号。(一)车辆到达每一站频繁(例如,进展5分钟),使其适当的假设随机在每个站乘客人数。此外,到达率和在给定站下车分数不会改变的观察时间。(b)当车辆到达停止,登机和下车的乘客可以同时发生(通常为车辆提供寄宿的前门和后门下车)。平均每个旅客的登机时间和降落时间常数为简单起见。(c)车辆的停留时间在给定站是最大的登机时间和降落时间。(d)车辆在两个站之间的运行时间是随机的,但仍在一定程度上预测和控制。(e)考虑到乘客需求的实时信息和车辆操作,当车辆离开当前的公共汽车站,停留时间和运行时间的前面的车辆,以及自己的主要进展和机上乘客数量,以预防控制策略的决策。(f)考虑车辆负载能力,这些乘客是不能乘坐当前满载不得不等待下一辆公车。车辆不允许超过对方预防性控制。
一组变量将被用于描述车辆和乘客之间的相互作用在这个固定的公交路线。 =离开车辆的进展离开停止; =车辆的运行时间从停止停止; =车辆的停留时间乘客登机,降落在停止服务; =随机数的乘客登机在停止; =乘客的数量不能够上了车在停止由于它的容量约束和完整的加载; =乘客下车的随机数在停止; =机上乘客的车辆的数量离开的时候停止; =乘客到达率每分钟(乘客)停止; =机上乘客的乘客下车分数在停止; =每个乘客的平均降落时间; =平均每位旅客登机时间; =车辆负载能力。
3.1。乘客和车辆之间的动态交互
route-level总线服务系统是一个典型的离散动态系统。乘客和车辆之间的动态交互将基于主模型描述框架提出了(20.]。运输车辆上花时间旅行在停止和住宅之间停止服务乘客的寄宿和降落。的居住时间在停止决定的最大乘客的下车和登机。根据假设(b),将会决定
不顾车辆负载能力,和将计算或预测的(3所示。2)
考虑车辆负载能力的约束,这些乘客是不能上了车在停止必须等车吗。因此我们会有,,在(3所示。3),
当车辆离开停止,机上乘客的数量可以观察到的实时信息。因此,它是适当的预测的最小基于观察到的车辆必须住在停止至少总降落时间可以贺(3所示。4)。
登机时间将取决于进展吗与给定的和;虽然进展取决于交通车辆的轨迹。一个迭代步骤如下: 在哪里总线之间的区别是在运行时间和它前面的巴士当他们到达停止;总线之间的停顿时间的差异吗和它前面的巴士当他们住在停止。
的动态迭代计算进展如下: 特别是,我们,迭代将开始从开始停止当前的停止那么,
从(3所示。8)和(3所示。9),进展取决于之前的进展,累计运行时间差异和停留时间差异,提出一个理论证明,最初的进展不规则,初或mid-route,下游传播。这种传播是由乘客和车辆之间的动态交互,和恶化车辆负载波动会导致更糟糕的不可靠性下游,反之亦然。
3.2。实时预防总线操作控制
在预防模型中,理想的进展会永远将计划进展密切停止停止(沿着公交路线)。数学上,保存在间隔决定了吗加或减一个允许偏差()由于随机操作环境
用给定的车辆负载能力和最初的进展,进展将主要取决于总运行时间之间的差异和总停留时间差异和当前第一站停吗。当涉及到操作控制策略、控制策略的两个选项将决定。一种选择是公交控股战略控制车辆停留时间;另一个选项是总线速度调节控制车辆运行时间。总线速度调整战略优先于高频公交路线有两个方面的考虑。一方面,公共汽车控股策略适用于提高服务的可靠性,但是它有一些缺点:浪费时间的机上乘客,占领拾音器位置在公车站,延迟到达目的地等等(24]。另一方面,公共汽车速度调整是可以接受和操作,这是受益于实时交通信息技术。决定如何使用两种策略将预防控制问题的关键问题。
为了说明这个问题很明显,一个简单的例子使用公交路线(见图1)。在这样一个固定的公交路线,公共汽车离开当前停止停止;观察到的,,,(根据假设(e)),我们需要预测和建议一个合理的运行时间和为总线保持一个可接受的。确定一种自适应控制策略将遵循下面的步骤。
步骤1。预计停留时间决定。正如上面所讨论的,最小停留时间降落时间,可以计算(3所示。4);且仅当登机时间大于降落时间,停留时间将等于登机时间。在这里,我们使用一个虚拟变量确定预计停留时间计算的
在哪里
车辆的预期的进展吗。
正如上面所讨论的,车辆速度控制策略将首先采用然后将持有的策略。因此,下一步就是决定一个合理的运行时间。
步骤2。决定一个合理的运行时间。一个合理的运行时间是共同决定的可行的运行时间和运行时间可接受的。转让(3所示。5),一个可接受的运行时间给出如下:
一个可行的运行时间之间的实时交通状况决定停止和停止。随着智能交通技术的发展,它将很容易得到实时道路交通信息,如当前交通量和速度。我们仍在使用的预测方法决定可行的运行时间。它是可以接受的预测的基础上或统计平均运行时间和标准偏差分别
在(3.14),和都是非负的百分比分数。在(3.15),和非负参数用来调整偏差和反映实时交通状况。考虑的组合(3.13)和(3.14)或(和)(3.15),一个合理的将位于区间共同决定的和:
这些值在时间间隔(3.16)建议车辆运行时间去阻止。从理论上讲,间隔可能无效,这意味着接受可以不满意,因为最低大于最大可行的运行时间或者因为最大小于最小。在实践中,前者由于无限的原因是不可能的;那么公共汽车将运行在任何建议。后者情况通常意味着糟糕的交通状况,和公共汽车将要求运行在最大可行的速度,防止差距。通过理论分析,我们做出一些决策规则的合理运行时间如下:(1)如果然后;(2)如果和和,然后;(3)如果和然后;(4)如果和然后;(5)如果和和然后;(6)如果然后。
4所示。仿真和结果
4.1。参数描述
为了阐明这个模型中,公交路线在图的例子1也用于案例研究。这个公交路线11站是分散在一个相当统一的运行时间,公共汽车被派遣在5分钟停止0停止10进展。车辆负载容量是80人()。
每个总线将运行在两个连续的停在3分钟(),导致总期望运行时间从30分钟停止0停止10在一个方向上。在每一站停留时间取决于乘客的需求。通常在高频公交路线,乘客到达每个站是一个泊松过程和在每个站下车的乘客数量的二项概率分布基于当前客运车辆上的负载(6,13]。这里的乘客需求的特点是泊松乘客到达率二项概率的乘客下车分数。此外,每位乘客登机时间和降落时间是假定为3.6秒和1.8秒。表2给出了参数的操作条件示例公交路线。
4.2。模拟的场景
为了更好地说明,在一个模拟时期30巴士停止0停止10是观察和共有20模拟运行时执行了四例。
案例1。运行时间是波动的和= 60秒。
例2。运行时间是波动的和= 90秒。
例3。运行时间是波动的和= 60秒。
例4。运行时间是波动的和= 90秒。
每个单一的模拟运行的初始条件包括:每个总线叶子停止0正是在其给定的进展,和第一巴士应该运行在连续两站之间的精确与3分钟。预防策略将由以下步骤检查实时条件1和2节3所示。2。
4.3。结果与讨论
节中描述的两个指标2是用来衡量服务的可靠性。第一个是观察到的平均进展和进展的变异系数(在每一站)。表3给出了观测平均进展(Avg hdw),进展的标准差(std hdw)和进展的变异系数(为每种情况)。
根据表3下面的4例,平均进展6分钟和进展的变异系数都在0.2以下。它也表明,在所有四个病例中,最大的系数的变化进展出现在停止5由于乘客登机和下车的概率最高。route-level改变进展进一步的变异系数如图2。相比之下,结果在26),这些结果表明良好的服务不可靠的预防。
比较例1与2运行时间波动是一样的,计划运行时间的40%,但允许进展偏差是不同的。从仿真如图2变异系数的进展在每一站的情况1小于的情况2,这意味着更好的服务不可靠预防取得1。同样的情况出现在比较情况3与4。这些结果表明,强硬的要求保持进展坚持承诺更好的总线操作控制。实际的原因可能是司机可能更加关注改善公交服务可靠性在严格的性能评估。
比较例1与3进展,允许偏差是相同的一分钟,但运行时间波动是不同的。以防3,运行时间的下限波动的一半1。变异系数的进展在每一站的情况3更小比1。同样的情况也出现在比较情况2与4。结果表明,要求保持同样的进展允许偏差,运行时间的较小的下限波动规律更有可能导致更好的进展。
另一个指标是平均乘客等待时间。图3在每一站的乘客平均等待时间显示4例。
如图3在每一站,乘客平均等待时间控制在一个水平的不到3分钟在所有四个病例中,但它仍有不断增长的趋势。最好的预防效果,以防出现1,最严重的情况4。相比route-level变异系数的变化发展,乘客平均等待时间的增长趋势是一个有趣的发现。这是值得注意的,直觉从先前的研究表明,控制车辆只有指其前面的车辆可能会有一个时间滞后的旅行时间。
5。结论和未来的工作
提出了一种改进的预防改善headway-based公交服务可靠性模型在公交车站,考虑车辆负载能力的约束,以及乘客需求随机的动态特性和随机道路交通条件。站在这一点上,这个模型代表一个更实际的方法来描述route-level公交服务系统,利用实时信息实时决策上下文。仿真例子表明,使用一些运行时间的概率分布和常旅客登机时间,降落时间,模型和预防控制策略是有效的。
通过使用基于仿真的方法,本文主要提出的模型提出了一种如何遵循的步骤和决策规则,利用实时信息做出更好的决定。然而,一个更实际的决策支持系统或更多的智能决策模块将更强大的和有用的在真实的应用程序中。在这个意义上,这个模型可以直接嵌入到先进的公共交通系统,协助调度中心和运营商利用实时信息包括车辆运行时间、速度、保压时间,乘客需求,和其他不可靠导致瞬间预测预警评估偏差大进展的高频公交线路,在此基础上可以进行更好的决策有关的预防控制策略的使用。这个工作已经成为我们正在进行的工作,一个真正的公交路线将选择在中国株洲的城市测试真正的有效性。与真正的应用程序和测试,提出的改进方法可以承诺。更广泛地说,在预防控制策略方面,route-level multivehicle协作控制基于同步仿真优化是未来的另一个重要工作。
确认
这项工作是由中国国家自然科学基金支持的(国家自然科学基金委)拨款61203162和61203162号。这项工作的部分也支持由中南大学的博士后科学基金会,中南大学的自由探索项目(批准号721500036),中央大学的基础研究基金(批准号2010 qzzd021)。