快/慢车模式下的城市轨道交通时刻表优化模型

文章信息

论文题目为《A Timetable Optimization Model for Urban Rail Transit with Express/Local Mode》，该文于2021年发表于《Journal of Advanced Transportation》上。文章以最小化乘客在站台的总等待时间目标函数，建立了快慢车模式下的时刻表优化模型。

摘要

目前，快慢车模式已经在城市轨道交通的运营中得到广泛地研究和应用，并有利于长途旅行。列车运行模式和时刻表的优化在快车/慢车模式的应用中具有重要作用。在既有的研究中，前者已经得到了广泛的讨论，而对时间表优化的研究却很有限。在本研究中，通过最小化乘客在站台的总等待时间来提出时间表优化模型。此外，使用遗传算法对该模型进行求解。研究使用了从广州地铁14号线收集的数据，发现乘客在站台的总等待时间减少了9.3%。结果表明，与传统时刻表相比，该模型可以减少乘客等待时间。

问题描述

在快慢车模式中，所有的车站分为“小站”和“大站”两类，大站为允许快车停靠的车站，小站为允许快车跳过的车站。如此可以减少快车的总旅行时间。图1为快慢车模式的示意图。图中，实心圆代表列车停靠模式，实心正方形表示小车站，空心正方形表示大车站，阴影正方形表示超车车站，超车车站是快车超越慢车的地方。当超车事件发生时，前方的慢车将停在超车站，直到下一列快车顺利通过该站。如果超车车站是大站，快车和慢车都将停下来为乘客服务，完成超车可能需要更长的时间。因此，超车车站一般选在小车站，文章也不考虑车站超饱和情况。快车和慢车的发车比例为1：N(N已知)。

图 1 快慢车模式

图2表示快慢车模式下的列车发车周期，列车3为一个周期TDC中的快车，z为超车车站,表示超车车站之前的车站为1,2,…,z-1,表示超车车站及之后的车站z,z+1,…,n。此循环中，最后一列列车离开第一个车站时，该循环结束，同时下一个循环开始。在此循环中，包含列车0，列车1…列车N+1。

图 2 快慢车模式下的列车发车周期

该周期循环中的时间如下：

(1)表示列车0离开1车站的时间为0时刻。

(2)表示针对列车1到列车N+1，列车k离开车站1的时刻为列车0离开1车站的时刻加k个发车间隔。

(3)表示列车k到达i车站(不含1车站)的时间为列车的离开时间减它在i车站的停站时间。

(4)中表示慢车在i车站的停站时间，若i车站为大车站且列车k为快车则它在i车站的停站时间为，若i车站为小车站且列车k为快车，则停站时间为0。

模型构建

1.模型假设

(1) 真实世界的O-D数据已知，在时间间隔内，相同O-D的乘客具有稳定的到达率。

(2)在一条地铁线上只有一个超车车站，即快车在行驶过程中只能超车一次。

(3) 快/慢车的发车按照周期进行，每个周期由一列快车和N列慢车组成，此为列车发车周期（TDC）。

2. 变量定义

模型输入参数与间接变量的定义如表 1 所示。文章的决策变量为列车k在i站的停站时间和前后两辆列车的到发间隔。

表 1 参数和变量

3.目标函数

在快慢车模式下，快车超过慢车后，列车的到站顺序会发生改变，文章考虑了五种情况下的列车。

情况1：该车为慢车，这些列车的前后也都是慢车，如图3中的列车5到列车N+1。

情况2：该车为慢车，在到达超车站之前，它在两列慢车之间运行。通过超车站后，在慢车和快车之间运行，即图2中的列车1。

情况3：该车为慢车，在超车站被快车超车，即图3中的列车2。

情况4：该车为快车，例如图2中的列车3。

情况5：该车为慢车，在到达超车站之前，它在快车和慢车之间运行。通过超车站后，在两列慢车之间运行，即图2中的列车4。

根据假设（3）一个发车周期只有一列快车，因此情况2—5中所提到的列车是唯一的，发车比例不同，则一个发车周期中包含的情况数量也可能不同，如图3所示。当N＞3时，一个TDC中包括所有五种情况，N=3时，TDC包含4种情况，N=2时TDC包含3种情况，N=1时，包含两种情况的列车。

图 3 不同比例下的周期

（1）计算发车间隔

结合上述五种情况，计算每种情况的列车发车间隔。

情况1：这些列车不受快车影响，其发车间隔为列车k在i车站的发车时刻减前车k-1在i站的离站时刻，即

情况2：与情况1相同。

情况3：在慢车到达超车车站之前，发车间隔同情况1和情况2一致；慢车到达超车车站时，需要等待快车通过车站，列车顺序改变，在该车站的发车间隔主要体现在该慢车和快车之间，在小车站，快车不停，发车间隔体现在该车与慢车之间。即公式（6）

情况4：快车不会在小车站停车，只需要计算i站为大车站时的发车间隔，若i站为超车车站及之后的车站集合，则发车间隔体现在列车3和列车1之间。

情况5：在这列慢车到达超车站之前，一列快车在这列慢车前面行驶，在不同车站的发车时间不同，发车间隔如下

(2)计算PWT(在站等待时间)

首先计算，乘客到达率是固定的，到达i站前往j站的人数为乘客到达率乘发车间隔除以研究时段。

有快慢车的存在，所以有一些乘客宁愿在站等待快车到来，另一些则愿意坐他们到达车站后的第一辆列车。这些情况如表2所示。其中第1/2/4/6/7类乘坐即将到达的列车，第3/5/7类为换车行为，第9类表示乘客到达后的第一辆列车是慢车，在慢车后面是快车，乘客会选择等待快车到来，一般情况，为了方便乘客一般不会选择换车乘坐。本文关注第9类，并且它只发生在情况2和情况3中。

表 2 不同OD下的乘客路线选择

在i站等待下一班快车前往j站的乘客百分比计算公式如下，它表示如果旅行距离较长，乘客愿意等待下一趟快车。

在i站等候下一班快车去往j站的乘客人数可根据下列公式计算：

和为0-1变量，表示车站i为大车站则为1，否则为0,。公式（13）针对超车车站之前的车站且为情况3的列车，在i站等候下一班快车去往j站的乘客人数 = 等快车的人数比例乘以总人数，若i,j其中有一个为小车站，则在此站等待快车的人数为0。同理可得，公式（14）针对超车车站及之后的车站，同时针对情况2的列车。

第k辆快车离站后留下的乘客人数可根据公式(15)得到，若即将到达的是快车，此时在小车站的乘客必须等待下一班慢车，此时在大车站但其目的地为小车站的乘客也必须等待下一班慢车。

接下来根据五种情况计算每种情况下的乘客等待时间（即计算登上列车的那部分人的等待时间，没有登上列车的人的等待时间根据下一班列车的到达时间进行计算）。

情况1：这类列车为慢车并且前后都是慢车。列车的发车间隔=车头时距，所以这里的所有乘客都会乘坐即将到来的列车。乘客到达率是稳定的，在图7(a)中车站的乘客人数曲线是一条直线，Tx和ty表示出发时间间隔。P是到达车站的乘客人数。显然，总PWT可以通过计算每个三角形的面积得到。

图 4 乘客人数与车站时间的关系。

情况2：这类列车为慢车，且在列车到达超车站之前。它在两列慢车之间运行；列车通过超车站后，它在慢车和快车之间运行。所以车站i为超车站之前的车站时，登上列车的乘客的等待时间与（16）一致，若i为超车车站或之后的车站，登上列车的乘客人数为总人数减去等待下一班快车的人。

情况3：这类列车为慢车，且可以被超车。针对超车车站之前的车站，需要考虑，即在i站等待快车去往j站的人数，所以乘坐情况3慢车的乘客数为。针对超车车站及之后的车站，若i为小车站，乘坐情况3的乘客数为，若为大车站，可参考图4(b)。

情况4：该列车为快车。在情况2和情况3等待快车的那部分乘客将乘坐此车，乘客等待时间与图4（b）类似。

情况5：该车为慢车，且到达超车站之前，它在快车和慢车之间运行，通过超车站后，在两列慢车之间运行。在超车车站之前，该车在快车的后面，需要考虑，通过超车站后，乘客数量不受快车影响，公式如下：

值得注意的是，在公式（20）中，部分表达式相同，但是其结果可能不同，i车站为超车车站之前的车站时，发车间隔表示情况3和情况5的列车，i车站为超车车站及之后的车站时，发车间隔的计算需要依据公式（8）。

综上，总的乘客等待时间(PWT)如下：

4.约束条件

(1)列车发车间隔需要有上下界的约束。

(2)列车停站时间约束

(3)列车安全距离约束

列车的发车间隔减列车的停站时间即为两相邻列车的到发时间，该时间需要大于安全时间间隔，如图5中和。

图 5 超车站的时间间隔限制

(4)车头时距约束

时间段H包含所有的车头时距，H与每小时快车/慢车线上运行的列车数量有关，H是已知的。

(5)发车间隔和到车间隔约束

为保证快车在超车站超过慢车，两列列车在超车站的发车间隔和到车间隔也应限定，如图5所示，为快车，表示在超车站的到车安全间隔和发车安全间隔，约束如下：

最后模型表示如下：

5.求解

文章采用遗传算法对该模型进行求解，以车头时距和停站时间为决策变量，是由组成染色体基因的二进制编码处理，具体操作如下：

(1)始化参数:设置种群大小的最大数量pop_size和随机生成的个体，然后设置最大进化代数max_generation，设置进化代数u计数器为1。

(2)编码与初始解:对变量进行编码，以随机初始值组成染色体基因。如果变量满足约束，转到步骤3。如果不是，则应重新生成初始解。

(3)计算与选择:计算所有染色体的适应度值。通过旋转轮盘赌来选择染色体，如，这一代染色体由精英组成，保留为当前最优解。如果，则放弃选择这一代。

(4)繁殖:当前染色体通过交叉和突变操作产生下一代个体。如果每个人都满足约束条件，转到步骤5。如果没有，复制个体。

(5)当u = max_generation时，停止循环，得到最优解。如果没有，返回步骤3。

实验

广州地铁14号线全长76.3公里，有22个车站，采用快/慢车模式，以满足长途旅客的需求。大车站为JW, XH, CCT, DF。ZLT站是超车站。其他都是小车站。快/慢车的比例是1:4。3号列车是快车;1号车、2号车、4号车和5号车是慢车。所以情况1、2、…、5，都需要考虑。列车运行时间和停留时间分别见表3和表4。请注意，当特快列车超过慢车时，慢车的停留时间增加到180秒。

图 6 广州地铁14号线示意图

表 3 每站之间的列车运行时间

表 4 列车在不同车站的停留时间

GA的结果如图10所示。乘客在月台的总轮候时间减少约9.3%。优化后的车头时距和停留时间分别显示在表5和表6中。优化后的列车时刻表如图7所示。

图 7 优化后的列车时刻表

表 5 原始和优化后的车头时距

表 6 优化列车在不同车站停留时间

为了更好地分析结果，我们将原时间表和优化时间表下不同站点的PWT放在一起显示(如表8所示)。可以看出，虽然部分站点(如ZLT、ML、SG、CC和CCT)的PWT降低幅度不明显，但总的PWT降低幅度很大。在所有台站中，JW的PWT减少幅度最大，达到118448 s。请注意，根据表7,JW的客流量也是最高的。由此可以推断，该优化模型可以降低PWT，特别是在客流较大的车站。

与标准停车模式不同，快车/慢车模式可能会在站台造成更多的PWT。原因是快车会根据公式(15)、(18)和式(20)留下大量乘客。很可能，那些选择乘坐下一趟快车的人还需要等待额外的时间(见公式(13)、(14)和式(19))。具体来说，我们在表9中显示了这两个乘客组之间的PWT变化。首先，两组的PWT分别降低了23.0%和20.6%。其次，乘坐特快列车的旅客数量减少了15.4%，提高了旅途的舒适度。

表 7 客流

表 8 不同站点PWT的变化

表 9 不同乘客群体的PWT变化

结论

文章建立了快/慢车模式地铁线路的时刻表优化模型，以减少乘客在站台的总等待时间。主要贡献包括:(1)针对地铁快/慢车模式运营线路设计了优化模型。(2)模型中考虑了乘客路线的选择。广州地铁14号线的案例研究表明，与原时刻表相比，该模型可使乘客在站台的总等待时间减少9.3%。具体来说，该模型还可以减少那些被快车离开的人的等待时间。

此外，在未来的工作中还可以做一些改进，例如在模型中可以考虑过饱和情况。此外，本研究假设客流是静态的。因此，基于动态客流的改进模型可以在今后的工作中进一步研究。