基于站点的城市公交线网优化配置方法 1技术领域
本发明属于数字数据处理领域，特别是基于站点的城市公交线网优化配置方法。
2背景技术
2.1经典的公交线路空间配置方法
经典的公交线路规划方法存在于城市交通系统规划模型(Urban TransportationModeling System)中。该系统以社会经济活动的统计单元为基础构成交通分析单元(TAZ)，运用经典的四阶段法求解路段流量。四个阶段为出行生成、出行分布、模式分割、流量分配。出行生成是获得TAZ的发生和吸引量，出行分布运用重力模型等方法计算TAZ之间的出行量(Origin-Destination，即OD量)，模式分割是预测使用各种交通方式的比例(其中包括公共交通)，流量分配是将分模式的OD量分配到路网上。四阶段的规划方法也在不断的完善之中，但其总体的思路并没有太大的改变。最近十多年来，从事城市交通规划与管理的学者和工程师们提出了基于活动的非聚合分析方法，代表了交通规划分析的方向。但这种以微观活动为分析对象的方法对社会经济个体数据、计算机存储性能、计算机计算能力具有很高的要求，大规模实施尚有难度。
在公共交通规划中，主要采用线路配置-站点配置的二阶段流程，即根据路网上的OD量分别布设公交线路，并配置线路站点。线路是逐条布设的，再经过全局判断进行优化完善。
有关文献：[1]Meyer，M.D.and E.J.Miller(1984).Urban Transportation Planning：ADecision-Oriented Approach.New York：McGraw-Hill Book Company；[2]王炜，杨新苗，陈学武(2002)城市公共交通系统规划方法与管理技术，科学出版社.
2.2数据分解
如果目标空间单元小于源空间单元，且它们之间不存在空间边界交叉，则面域内插问题成为面域分解问题。利用面积比值法可以求解该问题，但当目标空间单元太小(如用于微观模型的小格网)，且用于约束的土地利用单元较大时，求解过程较为复杂。解决这一问题的有效方法是采用随机分配算法，较实用的为蒙特卡罗模拟法(Monte CarloSimulation)。蒙特卡罗模拟方法以土地利用作为权重，将社会经济统计数据从统计单元分解到小格网系统中。土地利用的权重值通过实地调查及统计分析来确定。如可以利用蒙特卡罗模拟法将家庭及就业数据分解到30米的小格网上，用于模拟土地利用与交通活动，以提出城市发展政策。类似的微观模拟模型中可加入相关的环境要素，用于评价发展政策对城市环境及社会活动的影响。
一些大城市的土地利用比较复杂，在蒙特卡罗算法中可采用一种双重约束的权重确定方法。考虑到城市不同区域的土地利用特征存在差异，同类土地利用的权重在不同的区域是有区别的，如城市中心区的居住用地与外围新开发区的居住用地就存在密度上的不同，更重要的是城市中心区的用地混杂现象比较突出，需要做出综合性的判定。双约束算法包括土地利用约束和区位约束，在GIS系统中实现了计算过程。利用该方法，可以将大城市的社会经济活动统计总量进行分解，获得微观的人口和就业的空间分布。这种微观数据分布比一般的大空间单元更适合于公共交通活动的分析。
有关文献：[1]Wegener，M.(2001).″New spatial planning models.″International Journalof Applied Earth Observation and Geoinformation.3(3)：224-237.[2]Huang，Z.，H.F.L.Ottens，et al.(2007).″A doubly weighted approach to urban data disaggregation in GIS-Acase study of Wuhan，China.″Transactions in GIS 1l(2)：197-211.
2.3公交乘客计数系统
自动乘客计数(Automatic passenger counter，APC)是自动收集乘客上下车时间和地点的有效方法，结合车辆自动定位、无线信息传输等技术，可以传送实时客流信息；通过数据管理系统和地理信息系统，经过数据统计和空间分析可以得到运营所需的多样、广泛的数据资料。主要设备类型有压力板式自动乘客计数、红外式自动乘客计数、以及多种方法融合的综合计数。
自上世纪80年代开始，发达国家的公共交通运输部门开始利用这种系统。相对于人工调查，该系统可以不间断的实时获取大量较高准确度的数据资料，与统计分析软件相结合自动产生公交系统运营管理所需的各种报表。它是智能公交系统的必要组成部分，需要与其他系统共同协调使用，成本及运营环境要求较高。
通过APC装置获得各公交站点的上车客流和下车客流，它们分别对应公交站点的发生量和吸引量。该数据为实际获得的乘客信息，可以代替基于可达性模型获得的公交站点发生量和吸引量。
2.4随机行走算法
随机行走算法是基于模拟居民出行环境下，计算道路候选点和线路段在给定出行步长限制下被行走的次数。由于网络的空间结构特性，不同的候选公交站点或线路在同等概率出行下被行走的次数会有差别。经过多次行走模拟，可以获得各结点所经过次数(亦即拓扑潜力值)的统计特征。该拓扑潜力值指标是判别结点在道路网络中地位的重要依据。
算法地计算基于以下假设：居民在一次出行中，从起始点到终点所行走的线路，不存在环形线路或走回头路现象；随机行走的长度预先设定，超过这一长度则重新选择起始点。
由于考虑了所经过的路径长度，随机行走算法所获得的结点拓扑潜力值比单纯基于拓扑连通性的算法所获得的指标更能反映网络的结构特征。
有关文献：Li，Z.，S.Zhao et al.(2009).Position potential for analysing optimal locationsin urban road networks.11th International Conference on Computers in Urban Planning andUrban Management(CUPUM2009).Honkong.
2.5公交站点优化
区位集覆盖问题(LSCP)模型产生于1970年代，以满足一定服务水平的设施配置成本的最小化为目标，最先用于应急公共设施优化选址，随后该方法被用于确定公交站点的位置与数量。随着空间数据质量不断提高，GIS技术被用于构建模型求解环境，特别是结合可达性度量和定位模型，可以有效地分析公交站点覆盖冗余问题，以产生更为有效的分析结论。如在澳大利亚布里斯班市的公交系统分析中，将LSCP模型与GIS结合，对比了现有公交站点和理想公交站点的布局效率。此外，公交线路的可达性问题也可以运用传统的p-中心值模型进行求解，其核心是求解各公交站点的最小服务范围，去除冗余公交站点。另外，根据图论的相关方法，可以获得路网结点的重要性指数，以此做为公交站点设置的重要依据。
荷兰Utrecht大学研制的Flowmap可以对公共设施的空间位置进行优化布局，其采用的覆盖集模型和扩展模型可以用于公交站点的优化布局。
有关文献：[1]Murray，A.T.(2003).″A Coverage Model for Improving Public TransitSystem Accessibility and Expanding Access.″Annals of Operations Research 123(1)：143-156.[2]Breukelman，J.，G.Brink，et al.(2009).Manual Flowmap 7.3，Faculty of GeographicalSciences，Utrecht University.http://flowmap.geog.uu.nl/.[3]Geertman，S.，T.de Jong & C.Wessels(2003)，Flowmap：A Support Tool for Strategic Network Analysis.In：Geertman，S.&J.Stillwell(Eds)：Planning Support Systems in Practise.Berlin：Springer Verlag.′2.6基于可达性的公交站点出行预测
可达性模型是以距离衰减理论为基础的。其核心思想为，随着距离的增加，对于空间特定服务设施的使用呈递减趋势。对于公交出行而言，该距离是指由乘客步行至公交站点的距离。在理性消费的假设下，步行时间的增加，意味着成本的升高，必将导致乘客选择替代的出行计划，如改变出行线路或方式。目前有较多的函数描述这种现象，其中以负指数函数和罗切斯特函数为代表。
基于可达性的公交出行的预测可被视为对空间数据进行分解、分析、再聚合的过程。主要包括数据分解、空间分配、可达性计算、公交需求计算几个阶段。数据分解是统计单元转化的过程——将人口统计数据从较大的行政单元，分配到较小的空间单元中。公交站点的服务区域代表了公交站点对于周边乘客的有效吸引范围，在服务范围内，随着距离增加，乘客出行比例降低。使用GIS分析工具，依据泰森多边形对公交站点进行服务的区域划分，求得各空间单元至最近公交站点的距离，并存储于栅格数据图层中。通过函数模型计算，栅格单元的内容更新为公交出行的比例。将各空间单元的公交出行比例与对应的人口总量相乘，即可求得空间单元上的公交出行量。对同一服务区域内所有栅格单元上的公交需求汇总，即为公交站点上的公交出行量。
有关文献：[1]Kimpel，T.J.，K.J.Dueker，et al.(2007).″Using GIS to Measurethe Effect of Overlapping Service Areas on Passenger Boardings at Bus Stops.″URISA Journal 19(1)：5-11.[2]Huang，Z.，X.Liu，et al.(2008).Measuring transitaccessibility based on disaggregate data in GIS-the case of Wuhan，China.TheBuilt Environment and Its Dynamics-Geoinformatics 2008 and Joint Conferenceon GIS and Built Environment.L.Liu，X.Li，K.Liu，X.Zhang and X.Wang.Guangzhou，China.SPIE.7144：2V1-8.
2.7组合优化算法
组合优化问题启发式算法的典型代表是遗传算法。遗传算法将优化问题的可行解表示为个体(染色体)，若干个个体构成一个种群，算法从初始种群开始，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的种群，在每一代，根据问题域中个体的适应度大小选择个体，并模拟生物遗传的筛选机制进行组合交叉和变异，产生出代表新的解集的种群。
遗传算法在公交优化中的典型应用是涉及公交优化调度方面的问题，但在公交网络优化中也有一些应用。根据遗传算法的特征，一般是先构造一个候选线路集，再从该线路集中通过遗传算子获得组合优化的结果。针对具体应用需求和评价重点，组合评价有不同的适应函数形式。由于优化目标和数据基础各有不同，利用遗传算法实施公交网络优化在候选线路集、适应函数、遗传算子等具体细节方面各有特色。同时，每一代循环之间又可能加入其它的评价过程，如网络分配。
参考文献：[1]Chakroborty，P.(2003).″Genetic Algorithms for Optimal Urban TransitNetwork Design.″Computer Aided Civil and Infrastructure Engineering 18(3)：184-200.[2]Bielli，M.，M.Caramia，et al.(2002).″Genetic algorithms in bus network optimization.″Transportation Research Part C：Emerging Technologies 10(1)：19-34.[3]Poli，R.，W.B.Langdon，et al.(2008).A Field Guide to Genetic Programming，Lulu Enterprises，UK Ltd.
2.8存在的问题
[1]经典的城市交通模型系统将公交作为出行的一种模式，整个系统较为庞大，建立过程所需要的数据量大，计算过程复杂。
[2]现有的线路配置方法基于“逐条布设”的方法，适用于主要客流方向的线路布设，其后补充其它线路构成整体公交网络的过程尚缺乏有效的方法。
[3]现有的公交规划先实施线路布局，再以线路为基础进行公交站点定位，由于公交站点间距的约束，公交站点的取舍较为困难。由于公交站点位置涉及微观需求，一些需求大的潜在公交站点由于没有线路存在可能被忽略。
3发明内容
3.1目的
针对上述问题，本发明提出一套基于站点的公交线网优化配置方法，该方法可以优化公交站点布局，快速获得整体优化的公交线网，特别是可以提高在现有公交线路基础上配置新增公交线路的效率。
3.2技术方案
以公交站点优化为基础，利用公交站点的空间位置及其发生量和吸引量做为线路配置的约束条件，并运用遗传算法优化公交线网。具体步骤如下：
步骤1，优化公交站点，确定公交首末站：将现状公交站点和道路交叉口作为网络结点，网络结点之间的道路段作为网络边，构成基础道路网络；应用随机行走算法获得各网络结点的拓扑潜力值；在基础道路网络中，以现状公交站点为基础，运用空间覆盖集模型寻找满足空间最大覆盖的其它结点作为新公交站点；根据结点拓扑潜力值和空间位置，结合现状公交首末站分布，确定新的公交首末站；
步骤2，获取公交站点的出行发生量和吸引量：对于现有公交站点，利用装载于公交车的自动乘客计数装置(APC)获得各公交站点上、下车乘客数量，公交站点数据经汇总并按时间分类后，提取高峰时段上车乘客数量作为公交站点的发生量，下车乘客数量作为公交站点的吸引量；对于新增公交站点，运用基于空间可达性模型的公交站点出行需求预测方法，预测公交站点的出行发生量和吸引量；
步骤3，求解候选线路：对步骤1中的公交首末站进行两两配对，构成公交首末站点对；在基础道路网络中，运用通用的K-最短路算法，结合公交线路约束条件，寻找每个公交首末站点对之间的K条候选公交线路，K的取值介于3和20之间；由于存在约束条件，每个公交首末站点对之间实际可以获得的候选公交线路条数N≤K；
步骤4，在步骤3生成的候选公交线路中，利用保留高适应值个体的遗传算法筛选公交候选线路，构成优化公交线网：在每对公交首末站的N条(N≤K)候选线路中，任意选出一条，构成一套初始线路网，该套线路即为遗传算法的一个个体，即：indivi＝{R1，R2，...Rn}，40个个体构成遗传算法的种群；利用遗传算法针对该种群进行优选，即用遗传算法的竞争选择、遗传、变异操作获得新一代个体，根据适应函数计算其适应值；新一代种群中的最优个体适应值应高于或等于上一代，若不满足，则直接将上一代的最优个体替换本代的最差个体；每一代为一个循环，循环计算600-800代，选取适应值最大的个体做为最终的优化线路集。
上述步骤1中随机行走算法可采用改进的随机行走算法；随机行走算法的改进是，当在一个结点随机判断下一步行走的道路边时，以道路边的宽度为权重获得各道路边的行走概率，较宽的道路边将获得较大的行走概率。空间覆盖集模型的最大覆盖以结点拓扑潜力值的最大化为目标，运用公知的覆盖集模型优选满足条件的结点作为新增公交站点。
上述步骤2中，基于空间可达性模型的公交站点出行需求预测方法为，基于人口的微观空间分布，运用500米范围内按距离衰减的空间可达性模型，计算获得各公交站点发生量；在发生量总量维持不变的前提下，基于非居住土地利用的微观空间分布，运用空间可达性模型，计算获得各公交站点的吸引量。
上述步骤3中，候选线路的约束条件包括线路长度、非直线系数、线路效益值和总量规模，其中线路长度取值为6-24千米，非直线系数的最大值取1.5-2.5，线路效益值是候选公交线路上所有公交站点的发生量P和吸引量A之间的平衡值，即1-|P-A|/(P+A)，该值最小取0.2，总量规模是候选公交线路上所有公交站点的发生量P和吸引量A的和除以该线路的长度L，即(P+A)/L，该值最小取1000人/千米。
上述步骤4中，遗传算法的适应函数遗传算法的适应函数为公交站点覆盖率和个体包含的所有线路平均效益值的加权和，即E＝a*Cov+b*W，其中公交站点覆盖率Cov是优化集中所覆盖的站点数与总站点数的比值；站点覆盖率W是所有线路效益值的平均，W＝∑Wi；线路效益值是线路上所有站点的发生量P和吸引量A之间的平衡值，即Wi＝1-|Pi-Ai|/(Pi+Ai)。Pi，Ai分别是线路i上所有站点P和A的总和。
3.3特点及技术效果
[1]一套效率较高的基于站点的公交线网整体优化配置方法，可以一次获得整体的公交线网配置方案；可以充分利用GIS系统管理空间及非空间数据的优势，整合人口和土地利用数据；基于现状线路的优化，可以在现状线路存在的条件下，搜索并配置最优的新增线路。
[2]公交站点的优化过程中，将改进的随机行走算法与空间覆盖集模型结合，提高了公交站点配置的效率；公交站点发生量和吸引量计算过程中，各站点同时向外扩展，将各公交站点所吸引的各栅格中的人口从各栅格总人口中除去，以消除重叠服务的影响，从而获得更准确的公交出行数据；候选公交线路有效性的判别中不仅利用了线路了线路本身的特征(即线路长度及非直线系数)，也利用了线路所经过站点的特征(即线路效益值和总量规模)，这些约束条件确保每条候选公交线路都是可行的，而且不是所有首末站点对之间都有候选公交线路，那些没有候选公交线路的的站点对将不会出现在优化选择过程中；利用遗传算法进行公交线网优化过程中，保留了各代产生的适应值最高的个体，从而确保最优的方案存在与最后一代中。
本发明可以优化公交站点布局，快速获得整体优化的公交线网，特别是可以提高在现有公交线路基础上配置新增公交线路的效率。
4附图说明
图1：公交站点发生量和吸引量的计算流程
图2：公交线网优化结果示例
图3：用于公交线网优化的遗传算法的改进效果；其中(a)为改进前最优个体适应函数值的变化情况(800代)；(b)为改进后最优个体适应函数值的变化情况(800代)。
5具体实施方式
5.1约束条件下公交站点的优化布局
[1]将现状公交站点和道路交叉口做为网络结点、网络结点之间的道路段做为网络边，构成基础道路网络；为保证结点空间分布均匀，需将超过800米的道路边进行分割；
[2]应用改进的随机行走算法获得各网络结点的拓扑潜力值。改进点为：考虑道路宽度，在结点处随机选择下一个行走的道路边时，较宽道路被选的概率较高；由于居民出行距离为变动值，每次出行的长度阈值为随机分布，但是总量呈正态分布；
[3]在基础道路网络中，以现状公交站点为基础，运用空间覆盖集模型寻找满足空间最大覆盖的其它结点做为新公交站点。空间覆盖集模型的最大覆盖以结点拓扑潜力值的最大化为目标，根据结点拓扑潜力值，应用Flowmap的覆盖集模型搜索获得新增公交站点(http://flowmap.geog.uu.nl/)；
[4]参考现状公交站点及公交首末站分布，确定新的公交首末站，具体方法在(王炜，杨新苗，陈学武，2002城市公共交通系统规划方法与管理技术，科学出版社)中有描述；
5.2站点公交出行生成量的获取与计算
[5]对于现有站点，利用装载于公交车的自动乘客计数装置(APC)获得各站点上、下车乘客数量，公交站点数据经汇总并按时间分类后，提取高峰时段上车乘客数量做为站点的发生量，下车乘客数量做为站点的吸引量；自动乘客计数装置(APC)为市场可购买的产品(如杭州鑫球科技有限公司http://www.hzxqkj.cn/)
[6]对于新增站点，运用基于空间可达性模型的公交站点出行需求预测方法，预测站点的公交出行发生量和吸引量(图1为详细计算流程)：根据土地利用和统计单元进行分解，获得基于栅格的人口分布和土地利用权重分布；
[7]计算各站点的总发生量、计算所有站点的总发生量：基于人口的微观空间分布，运用500米范围内按距离衰减的空间可达性模型(Kimpel，T.J.，K.J.Dueker，et al.(2007).″Using GIS to Measure the Effect of Overlapping Service Areas on Passenger Boardings atBus Stops.″URISA Journal 19(1)：5-11.)，计算获得各公交站点的发生量；根据服务范围生成距离模板、可达性概率模板，从各公交站点开始从中心逐层向外计算各栅格的发生量，并从各栅格总人口数中减去此量。
[8]将所有站点的总发生量作为吸引量进行分配：基于非居住的土地利用的微观空间分布，计算各公交站点的吸引权重，并从栅格权重图中减去该吸引权重；运用空间可达性模型，计算获得各站点的吸引量。
5.3基于公交站点发生量和线路约束条件的候选线路生成
[9]在基础道路网络中，运用通用的K-最短路算法，结合公交线路约束条件，寻找每个公交首末站点对之间的K条候选公交线路，K的取值介于3和20之间；由于存在约束条件，每个公交首末站点对之间实际可以获得的候选公交线路条数N≤K；
[10]候选线路的约束条件包括线路长度、非直线系数、线路效益值、总量规模，其中线路长度取值为6-24千米，非直线系数的最大值取1.5-2.5，线路效益值是候选公交线路上所有公交站点的发生量P和吸引量A之间的平衡值，即1-|P-A|/(P+A)，该值最小取0.2，总量规模是候选公交线路上所有公交站点的发生量P和吸引量A的和除以该线路的长度L，即(P+A)/L，该值最小取1000人/千米。
[11]另外一个重要的特征是，如果一个公交首末站点对之间存在需要保留的现有公交线路，则该线路做为固定线路加入候选公交线路集，此公交首末站点对之间不再搜索其他公交线路。
【候选线路实例】
某大城市经过优化的站点数为1287个，首末站为28个，则可以构成378个首末站点对。
设置如下条件：每对首末站之间生成8条候选线路、每条线路长度6-24km、线路非直线系数为2、线路发生量和吸引量平衡值为0.2、线路生成量总量平衡值为1000。
由于有些首末站点对之间的第一条就不满足这些条件，这些首末站被过滤后，共有289个首末站点对可以生成候选线路，其中有2个首末站点对之间为现状固定线路(不再生成其它候选线路)。在剩下的287个首末站点对中，由于受条件的制约，不是所有站点对之间的候选线路条数都能达到8条。全局总候选线路为2013条，下表列出K＝8时，
N＝1...K所对应的候选线路总条数：
N 候选线路总条数 1 289 2 279 3 269 4 257
N 候选线路总条数 5 247 6 235 7 227 8 210 合计 2013
5.4基于遗传算法的公交线路优选
[12]以所有首末站对的N条最短路为基础，优选出其中的一部分作为最终的线路配置。优选过程采用遗传算法，对每对公交首末站的N条候选线路，任意选出一条，构成一套初始线路网，该套线路即为遗传算法的一个个体，40个个体构成遗传算法的初始种群。
以下为个体的构成示例：
[13]利用遗传算法的竞争选择、遗传、变异操作获得新一代种群，根据适应函数计算各个个体适应值(选择、遗传、变异操作算法原理参见：Poli，R.，W.B.Langdon，et al.(2008).A Field Guide to Genetic Programming，Lulu Enterprises，UK Ltd.)；
[14]遗传算法的适应函数形式为站点覆盖率和所有线路平均效益值的加权和，即：E＝a*Cov+b*W
其中：站点覆盖率Cov是优化集中所覆盖的站点数与总站点数的比值；W是所有线路效益值的平均，W＝∑Wi；线路效益值是线路上所有站点的发生量P和吸引量A之间的平衡值，即Wi＝1-|Pi-Ai|/(Pi+Ai)。Pi，Ai分别是线路i上所有站点P和A的总和。
[15]遗传算法过程采用最优个体保留策略，每一次迭代都将前一次迭代获得的最优个体保留下来，使种群不断优化，此方法能够加快算法的收敛速度。新一代种群中的最优个体适应值应高于或等于上一代，若不满足，则直接将上一代的最优个体替换本代的最差个体。每一代为一个循环，循环计算600-800代，选取适应值最大的个体做为最终的优化线路集。
【遗传算法实例】
在上一步生成的2013条候选线路中，运用遗传算选出其中的289条，构成优化线路集。
遗传算法使用的参数为：种群规模：40；交叉概率0.8；变异概率0.3；循环次数：800代
适应函数：
E＝a*Cov+b*W
W＝∑Wi＝∑(1-|Pi-Ai|/(Pi+Ai))
其中Cov为站点覆盖率，W为所有线路平均效益值，缺省取a＝0.8，b＝0.2
经过800代的循环，最后的最优个体E＝0.925555
以下是第800代的最优个体中，有效站点对之间第N条(N≤K，K＝8)候选线路被选中的数量统计：
N 第N条被选中的数量 1 44 2 43 3 34 4 39 5 35 6 29 7 36 8 29 合计 289
图2为优化结果的图形表示。黑色点表示公交首末站，深色线表示优化公交线网的分布，浅色虚线表示未被公交线路覆盖的基础道路。
图3为对遗传算法进行改进的效果，上图为改进前最优个体适应函数值的变化情况，下图为保留最优个体的改进后，最优个体适应函数值的变化情况。可以看出，在改进后，循环计算200代之后，最优个体的适应函数值不再改变。