城市地铁站点接驳公交多目标优化方法

1 文章信息

文章题为“城市地铁站点接驳公交多目标优化方法”，是一篇发表于《交通运输工程与信息学报》有关地铁-接驳公交多目标优化的文章。

2 摘要

多方式无缝衔接，尤其是公交和地铁的便利衔接是提高居民出行品质、提升绿色方式分担率的重要前提。目前，已有很多公交和地铁换乘优化的研究，但大多基于网络可达性、换乘距离最短等单一目标设置静态方案，缺乏对接驳站点和运营优化的同步兼顾，致使现有优化方法的实际应用效果欠佳。为解决上述问题，文章首先提出一种改进DBSCAN聚类算法，引入站点隔离度和客流需求量两个因素完成公交站点聚类划分，确定接驳站点候选集合。其次，以兼顾系统效益和个体利益为目标，融合宏观社会层面和微观个人层面的多维因素，建立接驳公交多目标双层规划模型，打破单一维度和单一目标优化的局限。最后，设计了一种基于精英非支配排序遗传算法（NSGA-II）的模型求解方法，并依据杭州市的实际数据对模型进行了验证，结果表明新方法可以有效串联公交站点，提高客流服务率。文章成果对实际接驳公交设计有一定的参考价值。

文章主要在 3 个方面做了扩展性研究：

1、考虑站点隔离度和客流需求量，提出改进的DBSCAN算法进行站点聚类划分；

2、以最大化社会总收益和最小化个人成本为目标，建立接驳系统多目标双层规划模型；

3、对 NSGA-II 算法进行针对性的设计和改进，满足目标函数的求解要求。

3 站点聚类方法

在地铁中心点已知的前提下，如何确定接驳公交候选站点是线路优化的基础。地铁站点周围区域的公交站点众多且分布复杂，无法在所有站点均设置接驳来满足出行者需求。因此，需要通过聚类的方式将原始站点划分成为若干群组，进而确定接驳公交候选站点。DBSCAN是一种典型的基于米的的空间聚类算法，但是原始的 DBSCAN 算法其邻域半径是固定的，而站点的疏密程度具有很高的不均匀性。在站点分布密集的区域，可能会出现单个簇覆盖面积过大的现象；相反，在站点分布稀疏的区域，站点可能被作为噪声点剔除，间接导致稀疏站点无法组成接驳公交候选站点，对线路设计造成负面影响。

针对上述局限，文章提出改进的DBSCAN，通过引入站点隔离度的概念，使得邻域半径随站点环境而动态变化，一定程度上提高了算法自适应性。具体而言，站点隔离度 （Stop Isolation）是用来衡量一个站点与周围站点之间分布的疏密程度，用SI表示。站点隔离度越 小则站点之间分布越密集，与其周围站点之间的平均距离越小。站点隔离度的表达式为：

其中，β为标准值，为以站点i为圆心，β为半径所包含的站点的集合，为站点i和站点j之间的最短路径距离，n为内站点的个数。

对于站点i，若在以站点i为圆心，β为半径的区域内包含其他站点，则站点i的β隔离度为区域内其他站点到i的平均距离；若上述圆形区域内无其他站点，则站点i的β隔离度为β。

站点隔离度的引入使得邻域半径随站点环境而动态变化，一定程度上提高了算法自适应性。然而，当站点密集分布时会产生如下两方面问题：一是站点的大面积聚集会导致接驳公交候选站点包含过多的原始站点；二是过多的原始站点，会使得接驳公交候选站点的客流量过大且站点间分布不均，给后续的调度优化带来新的挑战。为此，文章在考虑站点隔离度的基础上同步引入客流需求量这一因素，构成用于站点聚类的RSSI-DBSCAN算法，其基本流程如下所示。

4 双层规划模型

文章的主要目标是设计接驳公交线路，不考虑司机等工作人员排班等因素，设计要素包括接驳公交线路、时刻表以及单位时间的发车频率。文章选择一小时作为单位时间，即规划一小时内的接驳公交运行，进而针对不同时间段的客流量规划不同的接驳公交线路及时刻表。此外，由于设计接驳公交的主要目的是提供地铁站与周围公交站之间的换乘服务，因此可将接驳公交的起终点均设置在地铁站点附近，通过环行运行的方式输送换乘需求。即公交车从地铁站点出发，途中经过不重复的接驳公交站点，将从地铁换乘公交的乘客运送至公交站，并搭载需要从公交换乘地铁的乘客，同时也为公交换乘公交的乘客提供服务，最终回到地铁站。因此，可以将接驳公交线路问题抽象为经典的VRP问题。建模目标是规划一条或多条线路，使得车辆的始发站和终点站均为配送中心且经过所有的配送点，在满足约束的前提下，实现配送时间最短、效率最高等。虽然接驳系统中包含多个公交候选站点，但为了保障企业的运营收益，在设计线路时可以放弃部分站点；同时，乘客根据自身偏好也可以主动放弃选择接驳公交系统。因此，文章的线路设计与经典的VRP 问题是有一定区别，需要进行有针对性的构建。

此外，在优化策略方面，文章同时评估系统和乘客两个维度的利益建立双层规划的接驳系统优化模型。在文章所提出的模型中，上层目标函数为宏观利益最大化及成本最小化，下层目标函数为乘客个人利益最大化及成本最小化，模型概念图如下图所示。

符号定义：

决策变量包括三项，如下所示。

上层模型：

上层模型是以系统最优为目标，在候选站点集合中选择合适的站点和顺序作为设计结果。上层决策者需要考虑多个宏观层面的目标：一是追求出行成本最小化，提升服务质量；二是保障公交企业盈利水平，追求利益最大化；三是尽可能满足大众出行，提高公交网络覆盖率。

目标一：乘客总出行时间最小：

该目标旨在最小化乘客换乘过程中所花费的时间。包括三个部分：一是行走时间，即乘客从公交站点行走至接驳 公交站点或相反路程的时间；二为候车时间，即乘客到达接驳公交车站到车辆到站的等待时间；其三为乘车时间，即乘坐接驳公交的行程时间。各部分时间的计算公式及目标函数如下：

（1）行走时间：由选乘接驳公交的乘客其行走总路程除以行人步行速度得到。

（2）候车时间：由接驳公交线路的时刻表计算得到。对于每位乘坐接驳公交的乘客，其候车时间等于公交到站时刻减乘客到站时刻，再将所有乘客的候车时间求和得到总候车时间。

（3）乘车时间：依据时刻表测算个体乘客在上车站点和下车站点的时刻差值，求和即为总乘车时间。

（4）目标函数：最小化乘客总出行时间，即最小化行走时间、候车时间、乘车时间之和。

目标二：公交运营收益最大：

公交运营的收入主要来源于乘客支付的票价。

公交运营的支出包括多个部分，即燃油费、人工费、车辆维护费用、保险费用以及其他费用。

综上，公交运营收益最大化的目标可表示如下：

目标三：客流服务率最大：

接驳公交线路设计应尽可能满足乘客需求，追求服务率λ的最大化。

综上，上层模型的表达式如下所示：

文章提出的模型允许一个站点被多条路径访问，在模型求解的过程中，根据乘客的到站时刻和公交时刻表，为乘客匹配等待时间更短的公交车辆。

下层模型：

下层模型以乘客个体利益的最大化为目标，即乘客依据换乘时间、费用、步行距离等诸多因素综合决策是否选乘接驳公交。

令p代表某特定乘客，假设其在不采用接驳系统时，将选择共享单车、步行或出租车等方式完成换乘。其决策变量为，l为上层模型求得的公交线路，则下层的目标函数表示如下：

式（25）表示下层模型的目标是从乘客的角度最小化自身的换乘时间成本和金钱成本；式（26）计算的是乘客p的换乘时间，若其选择接驳公交换乘，换乘时间等于其步行、候车、乘车三者之和，若选择其他方式换乘，其换乘时间依据以往数据服从概率分布；式（27）计算的是乘客p的换乘直接成本，若其乘坐接驳公交，则直接成本即为票价，若选择其他方式，换乘直接成本服从概率分布。

下层模型的约束条件为乘客不同的出行选择，表示如下。

5 求解算法

文章所提出的双层规划模型中，上下两层的目标函数均为多目标优化问题，表达式如下：

上层决策者通过调整线路设置，即改变 x, y值，使得下层决策者，即个体乘客根据自身情况调整是否选择接驳公交，即z取值的改变；z的改变反向导致上层决策者重新调整决策方案。

上述多目标双层规划无法通过数学推算的方式求得最优解，因此文章使用启发式算法NSGA-II进行模型求解。该算法采用快速非支配排序和计算拥挤度的比较方法，并嵌入精英策略，能够筛选并保持每一代的最优解。

具体而言，下图展示了模型的求解过程。上层 NSGA-II算法首先生成一组由若干个体组成的初始种群，每个个体代表一种公交线路方案，并将个体输入下层模型中。下层模型根据个体给定的公交线路为乘客制定最佳出行方案，选择是否乘坐接驳公交。将每位乘客的选择反馈至上层模型，进而确定当前个体的适应度值（目标值），之后根据适应度值评估个体优劣，并进行交叉和变异操作，生成新个体，再对新个体重复上述操作。

进一步，文章对其中的关键步骤进行解释，包括编码规则，快速非支配排序，选择、交叉、变异，拥挤度计算，精英策略进行说明。

编码规则：染色体编码应清晰表达接驳公交的线路、发车时刻和频率等信息。接驳公交候选站点均拥有唯一编号，将编号依次写入染色体基因即可表示为公交线路，此外，站点1被规定为地铁站点，进行线路编号时要满足最前端和最后端数字均为1。除此之外，还应加入发车频次信息，即表征单位时间内发车的次数信息。为了使染色体的长度保持一致，在编码时应对接驳线路最大停站数及个体地铁站点最大线路条数进行约束。若停站数小于最大值，可用数字0在最后补齐；若开设线路的条数不足最大值，空位也用0补齐。编码示例如下图所示。

快速非支配排序：支配关系的表达式如下所示。当式（31）和（32）同时成立时，即x1在所有维度的目标函数值均等于或优x2，且至少在一个维度上x1的目标函数值优于x2，则x1支配x2。若两点之间不满足上述支配关系，则说明这两点对应的解对于该多目标问题是相同等级的，即有相同的“序”。

根据点与点之间的支配关系，可以对所有的点进行排序，如下图所示。序值为 1的所有点，即不被任何点支配的点为Pareto最优解，是需要求得的解。

快速非支配排序方法的具体算法如下。

选择、交叉、变异：选择步骤采用锦标赛优选策略，每次从种群中选择一定数量的个体，并从中筛选一个最优个体进入子代群体。重复该操作，直至子代种群的规模与父代种群规模相同。

染色体交叉即为两条染色体以一定的概率交换相同位置相同长度的基因片段而生成两条新染色体。文章在编码染色时，需要满足同一条公交路径不能包含相同站点，且基因0位于路径末端的约束。为此，染色操作需进行如下调整：（1）若交叉后的染色体在某一条公交路径中出现重复站点，则将后1个重复的站点数字变为0，并移至该条路径的末尾；（2）若0出现在路径中间，也移至该路径末尾，非 0 基因则相应地向前移动。

对于染色体变异而言，文章采用交换的方式，即在一条染色体上任意选择两个基因位置上的数字进行交换，产生新染色体。若新染色体中存在0位于路径中间，则移至所在路径的末尾。

拥挤度计算：计算公式及变量说明如下所示。拥挤距离描述了个体所处环境的拥挤程度（密度），与目标函数有关。

精英策略：根据非支配排序和拥挤度计算，每个个体具有两个属性参数，即非支配排序和拥挤度距离。通过上述两个参数可以确定个体的优劣。比较原则：若个体i的非支配排序值大于个体j的非支配排序值则认为个体i优于个体j；若个体i的非支配排序值等于个体j的非支配排序值，则进一步比较二者的拥挤度距离，若若个体i的拥挤度距离值大于个体j的拥挤度距离值则认为个体i优于个体j。

6 实例分析

文章以杭州市武林广场地铁站为例，将其周边的交通站点进行聚类得到接驳公交的候选站点。文章将改进的DBSCAN算法与原始的DBSCAN算法进行比较，如下图所示。从结果中可以看出，传统的 DBSCAN 算法会将距离相对较近的站点划分为一簇，使得部分候选站点包含大片原始公交站点，划分结果对乘客到达接驳公交候选站点不利。而文章提出的聚类方法，由于对参数有更多的要求和控制，不会出现大片公交站点被划分为一簇的现象。

进一步，根据聚类结果，文章利用所提出的模型，对接驳公交线路进行求解。为体现 NSGA-II算法针对多目标优化问题求解的优越性，文章还应用传统遗传算法和带有精英策略的遗传算法（EGA）计算线路。结果如下图所示。

NSGA-II算法求解的线路信息如下表所示。

7 总结

文章构建了一种公交接驳网络双层多目标优化模型。首先，为确定接驳公交候选站点，考虑了站点隔离度和站点客流量等因素，以 DBSCAN 算法为基础，形成了新的站点聚类算法，将原公交站点聚合为接驳公交站点。其次，为满足社会效益的最大化和个人成本的最小化，同时考虑两者之间的相互影响，在建立模型时采用双层规划策略。在模型求解模块，采用了适用于多目标优化问题的 NSGA-II算法，并在编码、交叉变异等关键步骤上进行了针对性改进。最后，以杭州市武林广场地铁站附近区域为例进行接驳公交线路的设计。

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！

​