文摘
在当前的城市轨道交通系统中,近15%的乘客noncommuter旅行者使用单程票卡(卡)的机票。因此,门票卡的有效管理是非常重要的。本文建议一个时间序列模型用于预测门票卡存储特点的基础上收集的门票卡自动售检票(AFC)系统。周期分布、车站类型和分布的每个车站也决定。然后,利用小包裹运输可行性理论,生产和需求之间的不平衡分布模型(不平衡分配模型),以及混合分布模型的加载和卸载(混合分布模型),建立了。应用这些模型对北京地铁系统是用于验证这种混合分布模型的效率和可行性。分析和结果提供洞察使用模式的城市轨道交通票卡片,为相对决策过程提供了确凿的证据。
1。介绍
一个明显的障碍门票卡的有效管理是地理上的不平衡卡存储在地铁车站的票。票后卡销售的AFC系统,他们收集的自动闸机(AGM)乘客离开车站。然而,确定乘客流动必然导致地理失衡门票卡。此外,在每个车站票存储容量管理是基于假设“越多越好。“灵活分配门票卡基于每个车站的具体情况迄今为止很少受到调查。然而,目前的方法来管理票牌不足以有效应对日益增长的交通需求。为了应对这些问题,本文提出了一套积极的管理方法对预测和动态分配门票卡站,以减少对门票卡存储空间需求,提高门票卡周转率,确保更好的为乘客旅行经历。
准确的短期预测旅客流是决定配送周期的基础,分布体积,卡片和其他基本统计信息的机票。许多现有的研究探索短期客流预测。盒子和詹金斯(后1]提出了一种系统化的方法识别、分析和预测时间序列,其他一些研究人员改进他们的时间序列模型2,3)、应用更广泛(4]。近年来,大数据的出现改善了稳定性和时间序列模型的适用性。随着收集的数据变得复杂,许多数据挖掘方法补充操作符用于典型的ARIMA模型,处理不稳定的智能卡数据。混合模型也用来预测短期旅客流。常见的应用包括ARIMA-Kalman过滤模式5],ARIMA-ANN模型[6],ARIMA-SVM模型[7],ARIMA-GA模型[8],EMD-BPN [9)模型。因此,时间序列模型已经被证明是一种有效的方法来预测短期乘客流在城市交通系统。本文运用经典的时间序列预测模型,根据亚足联记录,建立存储预测模型。
第二,虽然门票卡分布是很少在文献中解决,分布本身已经被广泛的研究,尤其是在与地面交通时间和节约成本。许多物流模型介绍了有关商品的交付来解决问题。然而,研究了动态分布在地铁环境主要是因为卡很少回收和单程票,因为潜在的成本节约与分布模型低估了决策者和地铁公司。解决分配问题在地铁环境中,需要物流模型,反映了特定约束对应于每个站的实际情况。本文主要介绍两种分布模型,不平衡的分布模型和混合分布模型,基于两种物流模式:不平衡的产品营销问题,同时皮卡和交付的车辆路径问题(VRPSDP)。混合分布模型提供了更多的节省成本比不平衡分布模型通过考虑“皮卡”和“交付”的要求同时,从而节省时间和人力。卡片收集和分发的上下文中,“皮卡”是指盈余的收集卡片站,“交付”盈余卡站的运输有信用卡赤字。从本质上讲,这可以被认为是VRPSDP的延伸。
克拉克和赖特10)提出了旅行商问题(TSP), VRPSDP的一个特例。分钟(11)首先从实际问题抽象VRPSDP模型的书在图书馆和使用遗传算法解决它。此后,VRPSDP模型逐步改进的适用于不同的做法,包括通过添加时间窗口(12),允许多个车辆(13),和重复服务预订14]。除了改进约束,其目标是越来越普遍从距离(14)和时间(12广义成本节约,比如通过人力安排完成分布(13]。目前的解决方法VRPSDP包括主要原型算法(15)和启发式算法。而不是提供最好的解决方案,启发式算法更适应大数据发话——比如,禁忌研究[16),旅游分区启发式算法(17)、遗传算法(18),模拟退火(19),和蚁群系统(20.]。提高算法的效率,避免单一方法的局限性,混合算法被广泛接受为禁忌研究与指导当地研究[21),蚁群系统与禁忌研究[22),和metaheuristic算法的结合23)等,已经成为一个主流研究的焦点。遗传算法是特别强大的使用时VRPSDP物流模型。它已被用于解决某些类型的车辆路径问题在最近几十年,经常与其他算法相结合来提高其有效性。然而,现有的研究主要集中在应用道路交通问题,很少有集中分布的平衡。本文提出一种基于城市轨道交通网络分布模型和门票卡分布的特点。
本文的组织结构如下:部分2提出了一种存储基于时间序列模型的预测模型。部分3开发一个合理分布模型的基础上,预测数据。部分4使用数据提供了一个可行的分销计划从2016年12月北京地铁。
2。储存卡单程票的预测模型
时间序列模型是用来预测门票卡数据。这一步,门票卡流量分布体积,和存储设置被认为是定义在当前管理标准(24)如下:(1)流量: 在哪里是机票的流量卡,是销售的门票卡总量,是卡片回收数量的票。(2)分布体积:体积分布的门票卡是票的数量卡从车站部署,一张机票剩余那些有赤字。(3)存储功能设置: 在哪里是最大的存储功能,是安全的存储功能,是最低的存储功能,是公共假期,但系数等于5 = 4,否则,然后呢是最后的日均销量分配周期。
2.1。ARIMA模型
是最经典的时间序列模型的一般形式。经典的时间序列ARIMA模型可以仅适用于稳定,所以测试ADF用于判断时间序列是稳定的。然后,参数可以估计,t以及和问以及用于确保容错与ARIMA模型是实际的时间系列。几个可能的ARIMA模型可能在上述步骤,提出之后,AIC测试(25)是用于选择最好的ARIMA模型。使用逆差分算子,最后的预测结果。建立的一般过程 模型(26- - - - - -28)如图1。
根据的一般过程 模型中,本文使用占据[29日)做一个短期的预测销量和每个站的流量。数据来自2016年12月19日,2016年12月25日。
2.2。预测模型
根据门票卡特点,每个站都应该满足的最小容量的销量第一天在这个周期分布以及在未来。相关的数学表达式给出了方程(5)和(6): 在哪里是销售额或销售量的预测, , 是流量的流量或预测, ,和是预测循环。
ARIMA模型应用到每个车站估计其销量第一天在接下来的周期分布。使用方程(5)和(6),最终获得最小的存储功能。门票卡一张票的数量框添加到2000块的最后最低的存储功能解决客流的不确定性。在当前法规(方程(2)和(4)之间的相对比例最大的存储能力和最小的存储功能是固定的,所以可以确定最大的存储功能。
3所示。张单程票均衡分布模型
地铁本身被认为是一个有效的载体用于分发门票卡。大量的现有研究已经证明使用地铁的合理性和可行性在非高峰时间的时间转移货物。刘(30.和沈31日)使用北京地铁系统的可行性研究作为一个夜间物流循环系统在城市地区。一些研究[32,33)也使用Tyne轨道交通的可行性进行了探讨英国货物运输。利用轨道交通作为载体的好处包括提高地铁的利用率low-peak小时避免技术问题,如改变地铁教练和地铁轨道。门票卡更小,更容易比其他重型货物运输,确认分配门票卡使用地铁系统的可行性。
在分布模型中,常常叫号电话的分布应用于实际情况,特别是分布之间的AFC清算中心(ACC)和地铁站。此外,在实践中,分布遵循“越多越好”的方法,所以地铁公司通常忽视充分利用门票卡和人力。不平衡分配模型建立了一个模拟的实际分布,并提出了一种混合分布模型是一种有效的选择。在本部分中,一些必要的参数定义和概念用于分布模型,然后介绍了两种分布模型。接下来,提出这两个模型的原因,尤其关注总距离和管理成本,详细说明。
3.1。体积分布
假设当前存储站 ,票卡片的数量分配 在哪里票卡片的数量是分布式的,是安全的存储功能,是当前存储。
对于一个站 ,
车站是否参与分布取决于体积和实际销量。不同类型的站点应该有不同的标准。对于一个失去站 , 在哪里是机票的损失数量阈值。
同样,盈余站 , 在哪里是票的剩余数量阈值卡。
3.2。生产和需求之间的不平衡分布模型
在实践中,总剩余损失哨所之间分布并不是平等的,据北京亚足联数据。ACC进行地铁系统的分布,并提供或回收门票卡。假设总剩余大于总deficit-specifically站有一个卡和剩余的机票站一个赤字。因为更多的门票卡需要重用,ACC作为一张卡片的车站的赤字,这样损失的总数站 。基于不平衡的物流模型,一些约束在地铁系统的背景下,与根本不平衡分布模型的数学表达式给出了方程(11)(14): 在哪里是盈余之间的分布容积站和损失站( ), 盈余站之间的距离吗和损失站 , 是盈余的分配总额站我( ), 损失的分配总额站吗( ), 是剩余的数量,然后呢是损失的数量。
3.3。混合分布模型的加载和卸载
根据物流模型的不平衡分布模型的基础上,上述分布模型确定最优叫号电话的分布。根据机票分销管理规定(34),至少一个票务管理人员和一个保安需要为每个叫号电话的分布。因此,该方法将引起严重的人力资源浪费。此外,分布本身是安排在晚上或其他非高峰时间的小时时为了减少工作量,更少的员工。因此,人力资源应该更充分的利用。分布不平衡的另一个缺点是不参与分配任务的回程叫号电话的分布,这意味着客观价值,总距离,仍然可以降低的变化分布的方法。
基于前两个原因,VRPSDP是用于建立一个混合分布模型。假设站参与分配,总剩余超过总损失。ACC相当于损失车站,车站数量是0。因此,混合分布模型可以表示为 在哪里站之间的距离吗和站 , , 是一个参数, , 是门票卡参与分配的数量从站到车站 , 是门票卡的数量将车站吗 ,如果 ,然后站是一个损失站,是门票卡的数量带来了站 ,如果 ,然后站是一个盈余。
目标函数(15)最小化总距离。约束(16)和(17)意味着每个站只能服务一次;约束(18)保证期间门票卡的数量分布是正的;和约束(19)表明,当从ACC,门票卡的数量等于所有损失分配系数之和站-所有盈余的分布数量的总和。约束(20.)代表相反的情况。只能满足这两个约束条件的实际情况。约束(21)确保每个车站的车票卡的需求可以得到满足;约束(22)要求体积分布是正的。
4所示。案例研究
为了更好地调查前的性能模型,北京地铁是作为一个真实的例子。在北京地铁单程票牌占总数15%的门票卡亚系统。案例研究中使用的数据覆盖从12月23日,2016年,2016年12月26日。我们把票卡对所有站的初始数量的基线安全储存能力在12月23日的开始。部分4所示。1分析存储预测模型的优势和可行性,然后决定门票的分配周期卡;部分4所示。2解决了,比较和分析了两种分布模型在MATLAB环境中。
4.1。分配周期
以王府井站为例,我们使用预测模型来预测相关的统计数据,在桌子上1。
王府井站是一个损失站,平均销量12732件。在当前规定,未来分布存储周期应该是40743 - 61114件。然而,存储预测模型预测存储将是20851 - 31277件或少49%。
因此,存储预测模型可以显著降低总存储门票卡同时提高门票卡循环频率和利用率。然而,由于该模型有一些限制,防止它保证客流的应对意外的波动,应该在实际应用提出了相应的存储设置。即使有这样的调整,王府井的例子表明存储预测模型仍然可以节省机票卡资源和服务员的成本管理。
周期分布的确定是为了稳定相关站点的数量和分布总量门票卡在一个合理的范围内。根据有关规定24]研究[35的北京地铁,在2000年,设置吗在1000年。站的数量被部署在一天结束的时候数据所示2和3。
图2显示急剧增加第五日的损失和盈余的数量、表明大多数站需要分布经过4天的操作。如果设置分配周期一周,销售总额将增加到55129,和电台要部署的总数约70,或第四个总stations-a艰巨的任务的完成在一个分布。因此,4天比一个星期一个更合适的阈值。为期四天的周期分布,如图3节目,电台的总数需要参与分配大约是25,其中大约损失。不仅分布式站点的数量,而且分布总量变化在可接受的范围内,有19780票卡片需要部署在21249年第一个4天,在接下来的4。因此,配送周期nonholidays决心是4天。因为中国的节日一般持续3天,假期的分配周期设置为3天。
4.2。分配计划
根据上述分析,21站需要分布在12月26日,2016:6台和损失15盈余。ACC参与分配。
在两个分布模型,迪杰斯特拉算法36)是用于解决关键参数 ,两个站之间最短的距离。ACC一定位置的中心车站,所以简化的意思是所有ACC和每个站之间的距离:17公里。结果表明,不平衡分布模型中的总距离为550.5公里,与21个叫号电话的分布。图4展示了一个示意性的分布。
几点应该解释关于混合分布模型:(1)当计算健身,添加了两个约束条件改善分布合理。第一个是意在限制站之间的分散度。如果累计距离达到100公里(一个值通过多个实验),船员们应该回到ACC和重新分配一个新的分支线。第二,门票卡的剩余数量必须满足的需求下一站一站服务后的支线。如果没有,船员们应该回到ACC和重新启动一个新的支线。(2)人口规模将在400年和200年的迭代(通过多个实验值确定),染色体交叉概率的PC(遗传算法的术语)的0.85和0.01变异点的概率。
获得更好的优化结果,几个进行了仿真实验。表2展示了部分实验结果。
最好的实验结果是215.35公里,三个分支线。图5展示了一个示意性的分布。
图6显示了优化实验的收敛结果。
显然,最终与最优解收敛的结果是不一致的,在早期阶段。考虑路径的变化,可以合理推断,最后融合产生的结果是最优的解决方案,这是本身产生的交叉运行指示的那个房间仍然是提高算法。
为了解决这个问题,模拟退火操作符(37)被添加到提高全局搜索能力和防止最优染色体占据整个人口过快。我们设置了初始温度来和衰减系数到0.95。因为模拟退火降低收敛速度,迭代的数量翻了一番,达到400人。表3给出部分实验结果。
图7显示了更好的收敛结果比可以通过使用一个算法,虽然略有差异的最小距离。此外,总数并不局限于三个行,表明线路的多样性也增加了。因此这些结果证明算法的全局搜索能力的更大的力量。
总之,混合分布模型明显优于不平衡的分布模型。不仅总距离明显减少,分布效率也大大增加。此外,该计划包括21个叫号电话的分布,分布不平衡,要求至少21组员工,而在混合分布模型中,三组人员可以分配给独立的行。摆脱任何时间限制,一组人员就足够了,大大提高人力资源的利用率。遗传算法中使用的混合分布模型是高度适应各种实际问题。因此,综合比较后,混合分布模型提供了较好的模拟效果,改进的余地,更令人信服的实际应用。
5。结论
本文是基于亚足联数据,主要研究预测和分配门票卡相关的问题。电流分布遵循的原则“越多越好”,再生率低的问题和无效的人力安排。提出一个可行的和有效的分布模型,销售量的预测模型和测定回收阈值要求。损失的预测,盈余站,和机票的销售总额卡片,混合分布模型与当前分布模型进行了介绍和比较。其主要结论如下:(1)定量方法扩展从次系列预测建立了确定存储设置,可以改善经验决定。基于案例研究中,存储预测模型可以减少存储空间40%,平均而言,看到在当前的法规。(2)通过利用预测模型,分布值,确定损失,和盈余电台。分配周期nonholidays设置为4天,3天,否则,门票卡数据的基础上。(3)建立一个新的分销模式使用逆向物流理论。实验结果表明,搜索行为可以丰富,收敛性和多样性强调平衡与多个运营商。与电流分配方法相比,仿真证明该分配方法的有效性和可行性。(4)然而,该模型有一定的局限性。首先,缺乏一个缓冲突发事件是一个不可避免的缺点:在实践中,应提供这样一个缓冲区。第二,分配周期的确定是基于短期数据;进一步综合分析基于长期亚足联数据预计将在未来。第三,人力资源的定量表达式可以包含在分布模型的目标在未来的研究。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的基础研究基金为中央大学(2020 jbm046)。