利用客流控制策略减少饱和地铁线路的乘客等待时间

当交通遇上机器学习

于 2023-04-08 22:54:13 发布

阅读量506

点赞数

本文链接：https://blog.csdn.net/zuiyishihefang/article/details/130037318

版权

1.文章信息

《Reducing passenger waiting time in oversaturated metro lines with passenger flow control policy》是2023年发表在Omega上的一篇文章。

2.摘要

高峰时段的过度饱和给特大城市地铁运营管理带来了严峻的挑战。它会降低乘客的服务水平体验，增加拥挤站台的安全风险。本文重点设计了一种在线客流控制策略，对每个OD对的客流进行管理，使研究区间内的乘客总等待时间最小化。假设OD需求信息随时间顺序显示，我们将在线客流控制问题描述为随机动态规划(DP)。设计了一种有效的在线自适应策略来指导各个阶段的实时客流控制决策。为了评估该方法的性能，我们利用北京地铁系统的实际交通数据进行了一系列数值实验。计算结果表明，与先到先服务(FCFS)策略相比，该方法可以显著减少乘客的预期总等待时间，并缓解地铁车站的拥堵。我们的方法的好处是利用列车容量的可重复使用特性，在高峰时段运送更多的乘客。

3.介绍

近年来，地铁运营商为缓解地铁过饱和带来的不利影响做出了大量努力。一方面，一些运营商在基础设施、车队和人员方面进行了大量投资，以减小地铁的间隔，以便在高峰时段容纳更多的乘客。然而，在一些特大城市，出行需求的增长速度超过了容量供应的扩张，这进一步加剧了过度饱和的问题(如北京)。事实上，在一些特大城市，高峰时段的地铁间隔非常小(例如，不到2分钟)，几乎没有空间通过增加地铁容量来缓解过度饱和。在实践中，地铁系统的运行效率(即乘客总等待时间)不仅由列车时刻表决定，还受到客流装载方案(如不同OD对的容量分配决策)的影响。列车运力的主要特征是在不同的OD对之间可重复使用，即上游乘客占用的运力可以释放出来，供下游乘客重复使用。列车运力的可重复使用特性为通过适当控制每个OD对中的乘客流入来减少乘客等待时间和缓解地铁拥堵提供了巨大的潜力。这就引出了本文所研究的客流控制优化问题。

在一些时刻表优化文献中也考虑了客流控制策略。然而，本文研究了固定列车时刻表下的客流控制策略，以最小化高峰时段乘客的总等待时间。假设出行需求是随机的、动态的，研究了在线客流控制策略在实现随机OD需求的基础上，随着时间的推移依次做出客流控制决策。我们将连续的高峰时间离散为有限数量的决策阶段，具有小的时间步长(例如，1分钟)。在每个阶段，决策者(DM)都知道已实现的随机OD需求，并根据可用列车容量对每个OD对做出不可撤销的接受-拒绝决策。DM的目标是在每个阶段设计一个在线客流控制策略，以使我们在研究范围内的预期总乘客等待时间最小化。从理论角度看，我们的研究问题与库存管理领域中研究的在线资源分配问题(例如，将列车容量分配给不同的OD对)密切相关。但是，本文与上述文章有以下两个不同之处。首先，列车运力是一种可重复利用的资源(如上游乘客占用的运力可以释放出来，供下游乘客再利用)，而库存资源在不同客户之间是不可重复利用的。其次，我们的研究目标是最小化滞留乘客所经历的总等待时间(例如，未满足的需求)，而库存管理文献通常侧重于通过满足客户需求来实现收入最大化。本文将在线客流控制问题描述为随机DP模型，并设计了一种自适应策略来指导规划阶段的客流控制决策。

4.在线客流控制问题

问题描述

假设在高峰时段，多列列车依次在一条单向地铁线路上运行。每列列车在地铁线路的每个站点停靠，将乘客从出发地运送到目的地。连续的运行时间被离散为阶段(时间间隔)，以表示列车时刻表和出行需求。DM应在需求信息实现后，依次在每个阶段做出客流控制决策，使整个阶段累积的乘客预期总等待时间最小化。

列车时刻表表示

我们考虑一条有N个车站的单向地铁线路，这些车站按顺序从始发站到终点站被索引为{0,1，…N−1}。有V列列车(基于他们的出发时间连续记为{0,1，…，V−1})在这条地铁线上运营。此外，我们将连续研究周期离散为T+1阶段(时间间隔)，间隔时间较小(例如1分钟)，并将其索引为{0,1，…，T}。我们使用不同的时间戳来表示不同阶段的列车操作(例如，列车到达、客流控制、列车离开)。这样，我们就可以跟踪每列列车在到达终点站期间的轨迹。首先，我们用一个元组(ρ1v，ρ2v)表示在研究时域内列车v运行的开始和结束时间。这样，我们只需要跟踪列车v在行驶时的ρ1v到ρ2v区间内的容量状态。为了进一步描述列车轨迹，如果列车v在t阶段停在i站，ξtvi = 1，否则为0。此外，设δtv为v次列车在t阶段最近的下游车站，因此，我们可以将v次列车在t阶段的乘客目的地列为{δtv，δtv+1，…，N−1}。然后，我们利用上述信息跟踪列车v的容量状态随时间的演变。当列车v在t阶段停靠在地铁车站时，令λtv=1，否则为0。如果列车v在t-1阶段没有停靠任何站点(例如λt-1 v = 0)，则t阶段的列车容量状态(载客人数)将与t-1阶段保持一致。如果有一列列车在t阶段停在i站，设αti=1，否则为0。如果在第t阶段没有列车停靠第i站(即，αti=0)，DM无法接收任何来自第i站的乘客。

假设

本文使用的假设可以列出如下。

(a) 随机OD需求的累计分布函数提前已知，而在高峰时段，具体的需求实现顺序显示。此外，随机OD需求是时间无关的，对客流控制决策是外生的。

(b) 被前一班列车滞留的乘客将等待后一班列车完成行程。这样，每个阶段的实际OD需求包括新到达的乘客和较早滞留的乘客。

(d) 列车时刻表是已知和固定的，同时也不受流量控制决策的影响。通过在线客流控制策略，重点提高列车运力利用效率，目标是最大限度地减少大运量地铁线路的乘客总等待时间。

(e) 我们将连续时间离散为一系列阶段。同时，不同阶段之间的时间间隔非常小，以至于在每个间隔期间同一站至多只有一列列车停靠。

5.数学模型

本研究使用的参数如表3所示。

根据t阶段的客流控制决策xti,j(ωt)，我们可以计算出在t阶段到t + 1阶段的时间间隔内OD对(i,j)中滞留乘客的数量如下：

这些被滞留乘客必须等待阶段t和t+1之间的时间间隔γ。这样，我们可以计算出OD对(i,j)在整个研究时段内的乘客总等待时间如下：

首先，我们考虑OD对(i,j)的滞留需求状态D ti,j随时间的演化，可以得到状态转换方程如下：

其次，跟踪列车v在行驶过程中ρ1v到ρ2v期间的容量状态演化，如下：

然后，假设过程以状态(dt, st)开始于t阶段，我们用Vt(dt,st)表示在阶段t, t+1,…,T发生的最小乘客等待时间。我们称V t (dt, st)为将要经历的等待时间或最优值函数。很容易看出，Vt(dt,st)只取决于当前状态(dt,st)，因为我们假设随机需求与时间无关。这样，我们可以递归地计算得到每个阶段t=0,…T−1的等待时间值：

式中Xt(Dt, St，ωt)为t阶段客流控制决策的可行域，可记为：

因此，DM的目标是设计一个策略π，该策略π能在t阶段找到最优的流量控制决策xtπ(ωt)，使乘客等待时间最小，可表示为：

6.总结

过度饱和问题给特大城市地铁运营管理带来了严重的不利影响。在这种情况下，本文重点设计在线客流控制，管理每个OD对上的人群流入，减少过饱和地铁线路的乘客总等待时间。我们将研究问题表述为随机DP，并设计了一种有效的流量控制策略，使流量控制决策随时间顺序进行。利用北京地铁系统实际交通数据进行的数值实验表明，与基准FCFS策略相比，该方法可以显著减少总等待时间。同时，这项研究的关键见解是，我们可以通过优先安排短途出行而不是长途出行来减少乘客的等待时间，这可以更有效地利用列车容量的可重复利用性。

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！