2021年数维杯数学建模B题中小城市地铁运营与建设优化设计求解全过程文档及程序

2021年数维杯数学建模

B题 中小城市地铁运营与建设优化设计

原题再现：

  地铁指以地下运行为主的高密度、高运量城市轨道交通系统，具有快速、准时、节能、节约地面空间等优点。鉴于地铁建成后为城市居民带来的诸多优点，中国大陆地区许多城市都将地铁建设纳入了城市长远发展规划中。目前在全国范围内有运营地铁线路的城市有43个，然而因其高昂的建设成本、后期运营成本及便民的收费标准，众多地铁线路均存在一定规模的亏损。因此提出合理的地铁建设及运营方案显得非常重要，特别是对于诸如呼和浩特市这一类常住人口相对较少但交通道路较为拥堵的城市。
  根据相关报道显示呼和浩特地铁2019年年底开始试运营，目前已有地铁1号线和2号线两条正在运营的线路，附件1中给出了各线路站点位置信息。然而，因线路数量、人口基数相对较少和站点选址上的问题地铁运营收入依然较低，从而引进科学的运营方案设计来有效降低运营成本提高运行效率势在必行。
  已知呼和浩特市两条地铁线路采取的发车方式为高峰发车间隔6分钟，平峰发车间隔10分钟，晚20点以后发车间隔12分钟的方案。首班车6:00发出，末班车22:00发出。城市工作日早高峰为7:00-9:00，晚高峰为17:00-19:00；节假日及双休日早高峰为9:00-11:00，晚高峰为16:00-18:00。
试利用数学建模的方法解决以下问题：
  问题1：在附件2中给出了2020年9月1日至2020年9月14日模拟的各站点进出站人数数据。假定各周的乘车人数与附件2中的乘车人数不存在显著性差异，每列地铁有6节车厢，每节车厢最大容纳400人次。试分析目前发车方案的合理性，并提出一个最优的车厢数量及发车间隔确定模型，同时利用更多的仿真模拟数据对优化前后的方案展开对比分析。
  问题2：呼和浩特市未来仍在考虑新增地铁线路用以缓解交通压力和碳排放。然而，相关管理部门的建设经费及后期运营经费非常有限。结合附件1及呼和浩特市城市自身特点你能否提出一个合理的站点选址方案以确保更多的居民会选择地铁出行方式，并预测出每天总计乘坐地铁人数达到多少才能够实现地铁运营的盈利目标。
  问题3：在新冠肺炎疫情影响下居民出行乘坐公共交通工具应避免过度拥挤而造成疫情的快速传播。考虑到疫情依旧持续较长的时间，您能否提出一种错峰的出行方案。这一方案通过对不同站点附近主要上学或上班等人员的合理上下班时间的制定最大限度的减少高峰时期出行人数，并实现最终平峰目标。
  问题4：在充分考虑呼和浩特市城市快速路的基础之上，你能否提出一个地铁和公交互补的若干新增公交线路，以满足更多人员高峰出行时期的出行效率。
  数据说明：
  1、附件1为某城市运营地铁线路站点经纬度信息，部分信息已经经过脱敏处理；
  2、附件2为该城市地铁运营的基本情况统计：
    （1）表中统计时间为2020年9月1日至2020年9月14日；
    （2）表中统计时间间隔为15分钟，即“2020-9-1 6:00”表示在6:00-6:15之间的统计数据；
  3、本题目中提供的数据为仿真模拟数据，可能与实际运营数据存在较大出入请大家忽略不计。

整体求解过程概述(摘要)

  地铁产业是中国城市基础交通设施中最有前景、最有市场的产业，但绝大多数地铁线路均存在亏损，诸如呼和浩特市这一类常住人口相对较少但交通道路较为拥堵的城市问题尤为显著，因此必须提出科学的运营方案和合理的地铁建设方案来有效降低运营成本并提高运行效率。
  针对问题一，根据题目中所给出的附件 2 和当前呼和浩特目前的发车方式及地铁基本信息，通过对乘车舒适度以及乘车满载率进行研究分析，发现目前发车方案不合理，因此根据舒适度与满载率我们建立了多目标发车间隔优化模型，采用基于 NSGA-II 的多目标遗传算法求解该问题的 Pare-to 解集，得到了最优参数。最后，综合考虑相邻时段的发车间隔的稳定性，确定了各时间段的发车间隔。具体结果见 5.1.3。
  针对问题二，首先用 MATLAB 将站点在二维图上按其经纬度进行绘制并提出网络模型，将这些站点模拟为网络中的节点，利用节点的介数中心性计算出核心站点，并围绕这个站点提出两种选址方案，利用三角模糊数和集对分析理论描述不同方案的各指标特征，构建地铁选址方案指标体系，利用信息熵反映的效用值来计算各指标权重，建立综合评价模型，计算结果表明了该模型的正确性和可用性，可为地铁企业在建新路线时提供决策支持。其次，我们通过对地铁客运量及运营成本在不同行车间隔下的特性，分析出地铁运营企业成本特性、收入特性，最终预测出达到盈亏平衡时所需日均客运量。具体结果见 5.2.3。
  针对问题三，结合瓶颈模型分析，以单个出行者的总效益最大化为目标，建立数学分析假设模型，并分析模型满足的平衡条件，探索于单一上班时间点出行者的出行行为和上班时间出行行为的优化方法，并以此为依据得出了最优的出行模式和上班时间点设置并实现最终平峰目标。具体结果见图 5-18。
  针对问题四，根据附件 1 的站点经纬度信息，我们采用 DBSCAN 算法对这些站点进行密度聚类，得到密度相连的站点的最大集合，这些站点的重要性高，为枢纽站点，因此我们提出围绕集合里的站点，修建公交线路，与地铁相辅相成，以此提高出行效率。具体结果见图 5-21。
  最后，讨论了模型的优缺点以及模型的推广，提出了科学的运营方案和合理的地铁建设设计以供参考。

问题分析：

  问题 1 要求我们分析目前呼和浩特发车方案的合理性，并提出一个最优的车厢数量及发车间隔确定模型，并对优化前后的方案展开对比分析。根据题目中所给出的附件 2和当前呼和浩特目前的发车方式及地铁基本信息，我们建立多目标行车间隔时间优化模型；采用基于𝑁𝑆𝐺𝐴 − 𝐼𝐼的多目标遗传算法求解该问题的𝑃𝑎𝑟𝑒-𝑡𝑜解集，得到了最优的参数；最后，综合考虑相邻时段的发车间隔的稳定性，确定了各时间段的发车间隔。
  问题 2 首先提出呼和浩特市未来仍在考虑新增地铁线路用以缓解交通压力和碳排放，要求我们结合附件 1 站点的经纬度，提出一个合理的站点选址方案以确保更多的居
民会选择地铁出行方式，并预测出每天总计乘坐地铁人数达到多少才能够实现地铁运营的盈利目标。我们首先将这些站点在图上绘制，提出网络模型，将这些站点模拟为网络中的节点，利用节点的介数中心性计算出最核心的一个站点，并围绕这个站点提出 2 种选址方案，利用三角模糊数和集对分析理论描述不同方案的各指标特征，构建地铁车站选址方案指标体系，利用信息熵反映的效用值来计算各指标权重，建立综合评价模型，计算结果表明了该模型的正确性和可用性，可为地铁企业在站位选址时提供决策支持。其次，我们通过对地铁客运量及运营成本在不同行车间隔下的特性分析，得出了地铁运营企业成本和收入特性，预测出了盈亏平衡时所需日均客流量。
  问题 3 要求我们提出一种错峰的、通过对不同站点附近主要上学或上班等人员的合理上下班时间的制定最大限度的减少高峰时期出行人数，并实现最终平峰目标的出行方案。我们结合瓶颈模型，以单个出行者的总效益最大化为目标，建立数学模型，分析模型满足的平衡条件，研究在单一上班时间点下出行者的出行行为和上班时间点的优化，并以此为依据得出了最优的出行模式和最优的上班时间点设置。
  问题 4 以满足更多人员高峰出行时期的出行效率为目的，要求我们提出一个地铁和公交互补的若干新增公交线路。根据附件 1 的站点经纬度信息，我们采用 DBSCAN 算法对这些站点进行密度聚类，得到密度相连的站点的最大集合，这些站点的重要性高，为枢纽站点，因此我们提出围绕集合里的站点，修建公交线路，与地铁相辅相成，以此提高出行效率。

模型假设：

  1.同一时间段的发车间隔固定；
  2.每一时间段内客流均匀到达和离开车站；
  3.车辆选型和编组固定列车定员人数固定；
  4.列车全程匀速运行，未发生安全事故；
  5.同线路上各列一次运行的运营成本相同；
  6.假定各周的乘车人数与附件 2 中的乘车人数不存在显著性差异；
  7.地铁运行秩序良好，路上无阻塞情况也不会出现突然坏掉或燃料不足等情况；
  8.进行客流量分析时，剔除观光和季节客流的影响；
  9.假设所有企业都采用非弹性工作制，单位时间的工作效益是关于时间的给定函数，且工作者每天的工作时长固定，上班与下班是相互独立的；

模型的建立与求解

  1.客流分析
  （1）时间分布特性分析
  呼和浩特的地铁客流在一天内随人们的生活习惯和工作需要而变化。如图 5-1 所示，工作日内某地铁 1 号线和 2 号线的进出站客流量分布图。从图中可知，该地铁客流在一天内形成 2 个客流高峰，在早高峰和晚高峰时，同时存在较高的进站和出站客流，其他工作日的客流量时间分布规律与此类似。

  由图 5-1 可见，晚高峰客流量较大，进站的早高峰客流峰度大于晚高峰，出站的晚高峰客流峰度大于早高峰，但早高峰的跨度大于晚高峰，说明晚高峰客流比较集中，早高峰峰值相对于晚高峰客流变化较缓和。由此可知，该地铁线路工作日客流时间分布具有通勤、通学特性。
  图 5-2 为周末客流分布图，可知周六与周日的客流时间分布规律有相似之处，周末客流与工作日客流时间分布存在明显的差异，周末最高峰比工作日客流最高峰高，周末平峰时段的客流量也大于工作日的客流量，说明周末客流时间分布较分散

多目标发车间隔优化模型的建立

  1.模型分析及建立
  （1）乘客舒适度
  地铁车厢拥挤程度直接影响乘客的乘车舒适度[1]，用车辆内乘客站立人员密度作为衡量舒适度的标准，也是定员标准。《城市轨道交通工程项目建设标准》建议的车辆内乘客站立人员密度评价标准见表 5-1。



  由于本模型由 2 个相互冲突的目标函数构成，因而需要寻求该模型的 Pare-to 最优集。遗传算法作为一种启发式的搜索算法，在多目标优化问题中得到了广泛的应用。其中，NSGA-Ⅱ采用简洁明晰的非优超排序和排挤机制，使算法具有逼近 Pare-to 最优前沿的能力，并采用排挤机制保证得到的 Pare-to 最优解具有良好的散布，表现出较好的综合性能[3]。本文基于 NSGA-Ⅱ设计模型的求解算法。
  （1）染色体的构造
  采用二进制编码方式表示模拟时间段内的发车数、列车坐席数量𝑆、列车厢数𝑀、列车立席区分配面积𝐴，发车数满足约束条件（5.4）（5.5）。
  （2）交叉算子
  按交叉概率𝑝𝑐从父代选择一些染色体，两两分组，并对每组染色体进行如下操作：随机产生两个交换位，将两条染色体中的基因进行交换，从而得到两条新的染色体。

多目标发车间隔优化模型的求解

  综合考虑相邻时段发车间隔的稳定性，从优化结果来看，各时段满载率均在可接受范围，乘客的舒适度也会提高﹐说明本文设计的模型及算法具有较好的适用性。

基于三角模糊数－集对分析的地铁车站选址模型的建立

  在城市地铁车站选址规划时，正确的选址方案将有助于缓解城市交通压力，减少工程投资，降低运营成本，提高旅客出行满意度。不合理的方案选择将有碍于城市发展，造成投资浪费[5]。因此，地铁车站选址方案的确定，是复杂的多属性决策问题，不同影响因素构成的指标体系具有定量与定性结合、模糊性高的特点。传统的选择方式通常采用专家评议、领导决策等主观性较强的定性方法，缺乏较全面系统的科学分析，易造成选择结果的失真。
  在进行地铁车站选址方案比选时，考虑各种影响因素的不确定性，集对分析理论与三角模糊数结合，对模糊条件下定性的事物属性进行量化处理的方法，在多种评价模型中广泛应用[7]，本文在分析影响地铁车站选址方案主要因素的基础上，考虑各评价指标的确定性和不确定性，利用集对分析理论和三角模糊数理论[8]，构建影响地铁站位选址因素的指标体系．通过计算各影响因素和评价指标之间的差异度和联系度，对所有影响因素做出定量评价，利用信息熵计算指标矩阵，来确定各评价指标的权重，建立不同方案的综合评价模型。以确保更多的居民会选择地铁出行方式，并以“盈亏平衡”为目的预测出每天总计乘坐地铁人数达到多少才能够实现地铁运营的盈利目标。
  1.理论分析

2.综合评价模型构建

  3.评价指标
  （1）评价指标体系的构建
  城市地铁站位设置方案的比选结果，不仅要满足线路规划功能要求，还需满足技术和经济上的要求．比选方案中各指标设定需要综合考虑其确定性和不确定性因素，构建可直接量化指标集合。本文根据城市地铁站位方案比选特点，构建了３层结构的指标体系，方案层Ｐ、准则层Ｃ和指标层Ｉ。各层包含的内容如表 5-3 所列。

基于三角模糊数－集对分析的地铁车站选址模型的求解

  3. 预测每天总计乘坐地铁人数达到多少才能够实现地铁运营的盈利目标。根据国内铁对运营企业的职能分工,运营企业的收人仅有票款收人,票款收入取决于平均票价和客流量两个因素。而平均票价的大小取决于票价的定价体系和开通站点的线网规模。站点开通后,在外界环境不发生明显变化的前提下,平均票价变化幅度很小,因此,在短时期内,运营企业收入取决于客流量。经过对呼和浩特地铁在基本行车间隔条件下客流量进行分析后,拟合出地铁客流趋势方程。

  由该客流趋势方程,推算出客流量(表 5-5)。从图 5-5 不同行车间隔客流量的拟合曲线和表 1 数据可以看出,随着行车间隔的不断压缩，日均客流量趋势曲线的斜率趋于平缓，说明继续压缩行车时间间隔难以继续较大幅度提高日均客流量。在基本行车间隔压缩至 4-2min 后,要使客流量有较大幅度的增长，只有倚靠于开通线路的线网规模扩大或外界 社会环境发生明显变化。按照图 5-5 的日均客流量趋势拟合曲线来看，日均客流量最大值为 25.42 万人次/日。

  地铁运营成本主要由工资及相关费用、运营能耗、生产维修费、营运费、管理费用、主营业务税金及附加、市场营销费 7 项组成。按成本是否随行车里程的变化，将地铁运营成本分为固定成本和可变成本。固定成本包括工资及相关费用、运营能耗中动力及照明用电、管理费用、维修费、营运费中不随行车里程变动部分，可变成本包括牵引用电、车辆维修成本、车辆保洁费、司机人工费等随行车里程变动部分。经过对呼和浩特地铁在行车间隔为 12-6 min 条件下的实际成本进行分析，及对行车间隔5-2 min 条件下的成本进行预测后,得出不同行车间隔条件下地铁成本分析。如表 5-6 所示。

  由式（5.20）和（5.21），可计算出各方案的综合评价值，其中方案 1 的值为0.796，方案 2 的值为 0.876。从综合评价结果可知，方案２优于方案１，因此选择靠近核心站点以西建立新路线。
  根据对客运支出和平均票价的测算,可以得出呼和浩特地铁不同行车间隔下的盈亏平衡日均客运量,结合表 5-4 客运量预测值可得出日均客流差额(表 5-6)。由表 5-6 可以看出,当呼和浩特增加站点时，要想实现地铁运营的盈利目标且日均客运量差额最小，需要在增加站点的同时。缩短行车间隔为 5min，需求日均客运量为 25.4 万人次。

单一上班时间点下的出行行为分析及优化模型的建立

  出行行为理论作为交通管理和控制的重要理论之一，对出行者的出行行为进行研究是合理制定交通错峰上班措施的前提，是进行交通规划、建设和管理不可缺少的一项基础工作，更是交通领域研究的重要课题。对个体出行行为的研究可以从整体上把握整个城市居民出行的基本情况，从而为制定交通需求管理措施提供参考，特别是随着经济水平的提高和和交通管理的科学化，出行行为研究更是受到交通研究学者的重视。本文采用“基于出行活动”的方法对出行者的出行行为进行分析。以单个出行者的总效益最大化为目标，建立数学模型，分析模型满足的平衡条件，研究单一上班时间点下出行者的出行行为和上班时间点的优化。

单一上班时间点下的出行行为分析及优化模型的求解

  图 5-16、5-17 分别为上班时间点取 7：00、7：30、8：00、8：30、9：00 和 9：30 时累计出发人数和出发率随时间的变化。图 3.5 表明如果上班时间点较早，出行者在家的活动效益较高，因此早到工作地的出行者会比较少；上班时间点较晚，出行者在家的活动效益较低，则出行者会选择相对较早的时间点出发，因此晚到工作地的出行者较少。由图 3.6 表明上班时间点越大，出发率越小。图 5-18 表示从 8:00 到 9:00 每隔 5 分钟取一个上班时间点，该上班时间点下系 统总的出行效用。从图 3.7 看出随着上班时间点的增加，系统总效用先增加后减少，在上班时间点为 8:35 时，即最优的上班时间点下系统总出行效用达到最大，取值为 671361.60$，与前面的理论分析结果相一致。
  本章主要研究了单一上班时间点情形下出行者的出行行为及上班时间点的优化。首先提出了满足条件的数学模型，得出模型满足的平衡条件，即平衡时所有出行者的出行效用都相等，出行者的出发时间的选择服从 UE 原则。接着分析了单一上班时间点下出行者出行行为并求得出行者出发率的解析解。以系统总效用最大为目标求得最优上班时间点的解析解。最后分析了在时变收费策略下出行者的出行时间为 8:35，能最大限度的减少高峰时期出行人数，实现了最终平峰目标。最优的时变收费可完全消除瓶颈处排队长度，与不收费平衡相比，每个出行者出行效用不发生变化，得益的是交通管理部门。

论文缩略图：

程序代码：

clear;
close all;
clc;
k = 3;
Eps = 2;
%% 生成模拟数据
% n = 200;
% a = linspace(0,8*pi,n/2);
% u = [5*cos(a)+5 10*cos(a)+5]'+1*rand(n,1);
% v = [5*sin(a)+5 10*sin(a)+5]'+1*rand(n,1);
% mu1 = [20 20];
% S1 = [10 0;0 10];
% data1 = mvnrnd(mu1,S1,100);
load Lat.mat
load Lng.mat
data=[Lat,Lng];
% image = imread('data.png');
% image = image(:,:,1);
% [x,y]=find(image == 0);
% data=[x,y];
%% 准备变量，输出原始结果
[m,n] = size(data);
data=[(1:m)',data];
n = n + 1;
type = zeros(1,m);
cluster_No = 1;
visited = zeros(m,1);
class = zeros(1,m)-2;
figure(2);
plot(data(:,2),data(:,3),'k.');
grid on
daspect([1 1 1]);
xlabel('x');ylabel('y');
title('原始输入点');
hold on;
%% DBscan
Kdtree = KDTreeSearcher(data(:,2:3));
for i = 1:m
 % 抽取一个未访问点
 if visited(i)==0
 % 标为访问
 visited(i) = 1;
 point_now = data(i,:);
 Idx_range = rangesearch(Kdtree, point_now(2:3), Eps);
 index = Idx_range{1};
 if length(index) > k
 class(i) = cluster_No;
 while index
 if visited(index(1)) == 0
 visited(index(1)) = 1;
 if class(index(1)) <= 0
 class(index(1)) = cluster_No;
end
 point_now = data(index(1),:);
 Idx_range = rangesearch(Kdtree, point_now(2:3), Eps);
 index_temp = Idx_range{1};
 index(1) = [];
 if length(index_temp) > k
 index = [index, index_temp];
 end
 else
 index(1) = [];
 end
 end
 cluster_No = cluster_No + 1;
 end
 end
end
%% DBscan 聚类结果
figure;
for i = 1: cluster_No
 color = [rand(),rand(),rand()];
 data_class = data(find(class==i),:);
 plot(data_class(:,2),data_class(:,3),'.','Color',color,'MarkerFaceColor',color);
 hold on
end
data_class = data(find(class<=0),:);
plot(data_class(:,2),data_class(:,3),'k*');
hold on
grid on
daspect([1 1 1]);
xlabel('x');ylabel('y');
title('DBscan 聚类结果');