过饱和地铁线路客流协同控制：一种随机优化方法

 1.文章信息

《Collaborative passenger flow control for oversaturated metro lines: a stochastic optimization method》是2021年发表在Transportmetrica A: Transport Science上的一篇文章。

 2.摘要

随着城市地区出行需求的快速增长，大客流成为一些大城市地铁系统的普遍现象。为了保证地铁系统的安全和提高运营效率，本文提出了一种有效的方法来制定地铁线路鲁棒客流控制策略，具体考虑了随机和动态的客流。通过将时间范围离散为一系列时间间隔，我们提出了一个整数线性规划模型，其目标是最小化地铁线路上的预期乘客等待时间。为了求解所提出的模型，设计了一种集成拉格朗日松弛方法和CPLEX求解器的启发式算法，以搜索研究问题的高质量解。最后，通过两组数值实验，包括一个小规模的案例和一个真实的实例，验证了所提方法的性能。

 3.介绍

本文在地铁客流管理领域做出了以下贡献：

(1) 利用基于场景的时变数据捕捉客流的动态性和随机性;每个场景对应一组单日动态客流数据。利用这些数据，提出了一种针对不同场景的鲁棒客流控制方法。这样做的目的是确保生成的鲁棒策略能够抵消乘客需求的多样性，并确保站台的运行安全。

(2) 提出了一种新的整数线性规划模型来表征所关心的问题。目标函数的目的是最小化车站大厅和站台的乘客总等待时间。此外，还考虑了一些系统约束，例如与列车装载能力有关的约束、不同场景下控制策略的耦合以及乘客上下车等。

(3) 提出了一种基于拉格朗日松弛的启发式算法，有效地求解了该模型。具体而言，通过对偶耦合约束，将主模型分解为一系列场景相关的客流控制模型，并利用CPLEX求解器进行求解。接下来，使用次梯度算法迭代更新主模型的上界和下界。最后，通过两组实验验证了该方法的有效性。

 4.问题描述及假设

在本研究中，我们考虑一条有n个车站的单向地铁线路，其中1站和n站分别表示起点站和终点站。涉及的列车在计划运行期间按照给定的时刻表运行。为了便于建模，我们假设在考虑的时间范围内，在役列车可以满足所有乘客的需求(即在运行时间段结束时，每个车站都没有乘客滞留)。此外，一组历史记录的客流数据可用于决策过程，其中每组特定日期的客流数据对应一个具有预定义概率的随机场景。由于实际乘客需求的动态变化，乘客到达率通常是时间相关的(即高峰时段到达率较大，非高峰时段相对较小)。因此，这组历史数据可以用来描述与实际客流相关的动态和随机性。值得注意的是，当我们将两个方向的乘客出行需求作为输入数据时，所提出的模型可以应用于双向地铁。然而，由于在固定的时间段内(即早高峰和晚高峰)乘客拥堵总是发生在一个方向上，因此我们将该问题建模为单向地铁线路。

实际上，乘客在时间范围内以连续的方式到达每个车站。因此，每个车站的乘客到达率可以用一个关于时间的连续函数来表示。为了简化建模过程，我们特别将规划时间范围离散为时间步长为δ的有限数量的时间步，用T={t0, t0 + δ，…，t0+Nδ}，其中两个相邻时间步之间的每个时间间隔的长度为δ。可见，当时间长度δ很小时，各区间的乘客到达率可近似视为常数。接下来，为了便于描述，我们将场景ω下在时间间隔(t−δ，t]内的行程为i→j的到达乘客总数记为λi,j,t(ω)。同样，允许进入站台的乘客数量(即控制率)也可以用类似的方式表示，即用βi,j,t(ω)表示。这样，我们就可以大致计算出到每个时间步t∈T为止到达和登车的乘客数量。在数学上，乘客到达率是时间相关的，在实际中是连续变化的。图2采用δ=1 min形式的离散时间步，显示了不同时间间隔下的到达乘客数(该图为北京地铁八通线土桥站在2016年工作日早高峰的到达乘客数)。

如前所述，为了捕捉地铁系统乘客到达率的随机特征，我们使用不同天的历史客流数据来构建随机场景。具体地说，这组考虑的场景可以用Ω= {ω1，ω2，…，ω|Ω|}表示，其中每个样本ω∈Ω与概率pω相关。对每种场景，由于乘客需求的多样性，乘客到达率通常是动态的。因此，使用这种类型的数据表示，我们的目标是处理随机客流，以便在不同的场景下生成鲁棒的客流控制策略。

在客流控制过程中，应通过车站大厅的入口设施来区分不同OD行程的乘客。为了实现这一点，每个车站都制定了详细的乘客进入原则，如Shi et al(2018)所述。为清晰起见，图3显示了客流控制环境。由此可见，若干入口设施{k+1, k+2，…，n}设置在车站大厅。每个设施都对应一个指定的终点站，乘客只能根据目的地通过指定的设施进入站台。也就是说，每个入口设施都是面向od的，智能卡应在入口设施与其连接的目的站之间正常使用(否则将额外支付罚金)。实际上，随着智能技术的发展，这种操作设置可以很容易地满足实际应用。例如，到达k站，目的地为n−1(到达率λk,n−1,t)的乘客需先在车站大厅排队；然后，按照控制策略βk,n−1,t，允许乘客通过入口设施n−1进入站台。一旦在高峰时段到达的乘客数量超过了列车的剩余容量，一些乘客将被滞留在车站大厅，以避免在站台上堆积。另外，我们要求列车一旦驶出当前站，站台上不会有乘客被滞留。通过使用这种方法，可以将大量到达的乘客限制在登车区之外。随着时间的推移，根据控制策略，拥挤的乘客逐渐被允许进入站台并上车。由于禁止到达的乘客在站台上聚集，可以保证地铁系统的运行安全。

假设乘客的出行需求是随机的(例如，不同的日子乘客的出行需求是不同的)。图4展示了基于OD对中动态乘客出行的不同场景鲁棒控制策略的生成。显然，地铁沿线有4个车站，并考虑了4列在役列车，以满足乘客的出行需求。假设列车容量为100(单位：人)，相邻列车之间的车头时距设定为5分钟。每列列车需要在每个车站停留0.5分钟，相邻两个车站之间的行驶时间也设定为固定的2分钟。两种场景下OD对的乘客出行情况分别如图4(a,b)所示，其中绿色方框和蓝色方框中的数据分别表示场景1和场景2中到达的乘客数量。每个场景的概率设为ps = 0.5。我们假设在两种情况下，行程为S1→S4的乘客比其他乘客更早到达。此外，涉及的乘客可以在第一列列车发车之前到达出发站，所有乘客都可以被运送到目的地。

在不进行客流控制的情况下，S1→S4段的乘客在两种情况下均按照先进先出的原则乘坐首列列车。因此，由于1号列车在1号站满载，所有行程为S1→S2和S1→S3的乘客都必须在1号站等待2号和3号列车，这通常会增加乘客的总等待时间。在此情况下，场景1和场景2的乘客总等待时间分别为4125和4450 min。因此，预期乘客总等待时间为0.5 * 4125 + 0.5 * 4450 = 4287.5分钟。注意，本研究旨在研究不同场景下的鲁棒客流控制策略。通过对两种场景实施控制策略，如图4(c)所示，S1→S4行程的乘客被控制在车站大厅候车，S1→S2和S2→S4行程的乘客则进站候车。此时，场景1和场景2对应的总等待时间分别为3125和3500min。因此，可计算出期望总等待时间为0.5 * 3125 + 0.5 * 3500 = 3312.5 min。与无客流控制的情况相比，鲁棒客流控制策略可进一步减少22.7%的乘客等待时间。因此，优化客流控制策略通常是提高运输效率的重要途径。此外，从结果中我们可以发现，在鲁棒控制策略下，3次列车只能承载S1→S4段的乘客，即使场景2仍有剩余容量(例如10)。但鲁棒控制策略并不是所有场景下的最佳解决方案，而是一种更好的解决方案，比针对每个场景生成的客流控制更实用。通过全线协调的客流控制，通过禁止上游乘客进入站台来快速运送下游乘客，可以避免下游乘客过多积压。

接下来，为了给所考虑的问题制定一个严格的优化模型，首先，我们做以下假设。

假设3.1：列车时刻表提前给定，地铁线路上的所有列车都精确地按照该列车时刻表运行。在考虑的时间范围内，运行中的列车可以满足每个场景的总乘客出行需求。

假设3.2：到达每个车站的乘客首先需要在入口设施外排队。车站大厅设置了一套入口设施，连接不同的目的地，以区分不同OD对的乘客。

假设3.3：高峰时段到站乘客数量远大于非高峰时段到站乘客数量，且超过高峰时段列车总载客量。在我们的研究中，假设站台区域的所有乘客都可以登上下一辆进站列车，并且在运行过程中没有乘客离开地铁系统。

假设3.4：不考虑从入口设施到站台的步行时间。这意味着，乘客一旦被允许进入站台，就可以立即到达登车区。

 5.总结

考虑到客流的动态性和随机性，利用场景客流数据研究了饱和地铁线路上的鲁棒客流控制策略。为了在数学上描述问题，通过将考虑的时间范围离散成一系列时间步，制定了一个整数线性优化模型。在模型中，考虑了两组决策变量，其中(1)βi,j,t(ω)为不同场景下的鲁棒控制变量，(2)γi,j,t(ω)为每个场景下的实际进站乘客数，且考虑列车容量等系统约束，以最小化期望乘客等待时间为目标，构建了鲁棒的客流控制优化模型，从而为整个地铁线路生成高质量的客流控制策略。采用对偶分解方法对模型进行求解。通过对偶化硬约束，将主模型分解为几个易于处理的子问题，并设计了一种结合CPLEX求解器的启发式调整算法来求解所提出的模型。最后，通过两组数值实验验证了所提方法的性能。实验结果验证了所提出的鲁棒优化模型可以防止不同场景下的乘客在站台上聚集，更大程度上减少乘客的等待时间，从而提高地铁系统运行的安全性和有效性。

Attention

欢迎关注微信公众号《当交通遇上机器学习》！如果你和我一样是轨道交通、道路交通、城市规划相关领域的，也可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！