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。