1.摘要
针对灵活上下客的城市定制公交运营问题，本文构建了突破固定上下车区域限制的服务模型，实现对预约与实时订单的协同服务。在此基础上，本文提出融合乘客分配与路径设计的优化框架通过蚁群系统刻画乘客关联性以优化预约乘客分配，结合贪心策略实现实时乘客的快速响应，并利用改进Dijkstra算法完成动态与静态路径规划。实验结果表明，该方法在提升运营效率与服务质量方面具有显著优势。
2.问题背景
城市定制公交
近年来，城市定制公交（UCB）迅速发展，相关研究主要集中于出行需求挖掘与运营优化两方面，包括基于多源数据提取通勤需求，以及对乘客分配、站点布局和线路设计等进行综合优化。然而，多数研究仍基于固定上下车区域的通勤模式，缺乏对灵活上下客场景的深入探讨。本文提出支持预约与实时乘客点到点直达服务的模型，综合考虑运营成本与多维乘客体验，并纳入上下车时间因素，使模型更加全面且贴近实际应用。
3.具有灵活上下客的城市定制公交
基本要素
UCB模型包括道路网络、公交车辆与乘客三大要素，道路网络采用无向连通图
G
=
(
V
,
E
)
G = (V, E)
G=(V,E) 表示，其中站点集合为
V
V
V，边集合为
E
E
E，车场
v
d
e
p
∈
V
v_{dep} \in V
vdep∈V 为车辆始发与返回节点；边
e
i
,
j
∈
E
e_{i,j} \in E
ei,j∈E 的权重
T
(
v
i
,
v
j
)
T(v_i, v_j)
T(vi,vj) 表示平均行驶时间，实际行驶时间通过截断正态分布扰动得到。
公交车辆提供点到点直达服务，并支持在满足约束条件下的灵活上下客。单辆公交
b
k
∈
B
b_k \in B
bk∈B 表示为：
b
k
=
(
C
a
p
k
,
R
o
u
k
)
b_k = (Cap_k, Rou_k)
bk=(Capk,Rouk)
其中，
C
a
p
k
Cap_k
Capk 为分配乘客数量，
R
o
u
k
Rou_k
Rouk 为基于出行需求设计的车辆运行路线。
乘客
p
i
∈
P
p_i \in P
pi∈P 的需求表示为八元组：
p
i
=
(
o
r
i
i
,
d
e
s
t
i
,
t
w
i
s
,
t
w
i
e
,
s
p
a
t
h
i
,
t
p
i
c
k
i
,
t
d
r
o
p
i
,
p
a
t
h
i
)
p_i = (ori_i, dest_i, tw_i^s, tw_i^e, spath_i, tpick_i, tdrop_i, path_i)
pi=(orii,desti,twis,twie,spathi,tpicki,tdropi,pathi)
其中，
o
r
i
i
ori_i
orii,
d
e
s
t
i
dest_i
desti 为起终点，
t
w
i
s
tw_i^s
twis,
t
w
i
e
tw_i^e
twie 为上车时间窗，
s
p
a
t
h
i
spath_i
spathi 为最短路径，
t
p
i
c
k
i
tpick_i
tpicki 与
t
d
r
o
p
i
tdrop_i
tdropi 分别为实际上下车时间，
p
a
t
h
i
path_i
pathi 为实际出行路径。预约乘客需求信息提前已知，通过蚁群系统进行分配；实时乘客需求在提交时刻
t
w
i
s
tw_i^s
twis 才被获取并动态处理。
假设与限制条件
模型假设公交车辆从车场出发并最终返回，每条线路中每个站点至多访问一次以避免额外绕行；运行成本仅考虑道路行驶时间
T
(
R
o
u
k
)
T(Rou_k)
T(Rouk)，不计入停车油耗；相邻站点间行驶时间
T
(
v
i
,
v
j
)
T(v_i, v_j)
T(vi,vj) 服从上下界
(
0.7
,
1.8
)
(0.7, 1.8)
(0.7,1.8) 的截断正态分布；车辆配备双门以支持同时上下客，并设定固定停车与启停时间以及单位乘客上下车时间。
约束方面包括：车辆容量限制
C
a
p
k
≤
C
a
p
m
a
x
,
b
k
∈
B
Cap_k \leq Cap_{max},\quad b_k \in B
Capk≤Capmax,bk∈B
车辆最大运行时间限制
T
(
R
o
u
k
)
≤
T
m
a
x
,
b
k
∈
B
T(Rou_k) \leq T_{max},\quad b_k \in B
T(Rouk)≤Tmax,bk∈B
乘客绕行率限制，为避免过度绕行，定义绕行率为实际乘车时间与最短路径时间之比，并设置上界
t
d
r
o
p
i
−
t
p
i
c
k
i
T
(
s
p
a
t
h
i
)
≤
D
t
r
m
a
x
,
p
i
∈
P
\frac{t_{drop_i} - t_{pick_i}}{T(spath_i)} \leq Dtr_{max},\quad p_i \in P
T(spathi)tdropi−tpicki≤Dtrmax,pi∈P
站点比例限制，用于控制实际经过站点数与最短路径站点数之比
∣
p
a
t
h
i
∣
∣
s
p
a
t
h
i
∣
≤
S
t
a
m
a
x
,
p
i
∈
P
\frac{|path_i|}{|spath_i|} \leq Sta_{max},\quad p_i \in P
∣spathi∣∣pathi∣≤Stamax,pi∈P
求解方法与目标函数
为刻画道路网络、车辆与乘客之间的耦合关系，本文定义了组合订单来统一表示单辆公交的决策变量：
C
O
k
=
(
R
o
u
k
,
P
L
i
s
t
k
,
R
L
i
s
t
k
)
CO_k = (Rou_k, PList_k, RList_k)
COk=(Rouk,PListk,RListk)
其中，
R
o
u
k
Rou_k
Rouk 为车辆运行路线，
P
L
i
s
t
k
PList_k
PListk 与
R
L
i
s
t
k
RList_k
RListk 分别表示分配给车辆的预约乘客与实时乘客序列。整体解可表示为所有车辆组合订单的集合
S
=
(
C
O
1
,
C
O
2
,
…
,
C
O
k
,
…
)
S = (CO_1, CO_2, \ldots, CO_k, \ldots)
S=(CO1,CO2,…,COk,…)
目标函数由公交运营成本与乘客体验成本两部分构成。公交运营成本包括固定成本、与行驶时间相关的可变成本，以及当运行时间超过
T
m
a
x
T_{max}
Tmax 时产生的惩罚成本：
C
o
s
t
B
=
∑
k
=
1
∣
S
∣
(
C
1
+
C
2
×
T
(
R
o
u
k
)
+
C
3
×
T
O
k
)
Cost_B = \sum_{k=1}^{|S|} (C_1 + C_2 \times T(Rou_k) + C_3 \times TO_k)
CostB=k=1∑∣S∣(C1+C2×T(Rouk)+C3×TOk)
其中
T
O
k
=
{
1
,
T
(
R
o
u
k
)
>
T
m
a
x
0
,
otherwise
TO_k = \begin{cases} 1, & T(Rou_k) > T_{max} \\ 0, & \text{otherwise} \end{cases}
TOk={1,0,T(Rouk)>Tmaxotherwise
乘客体验成本从时间窗违约、绕行率超限与停经站点比例超限三个维度进行刻画：
C
o
s
t
P
=
∑
i
=
1
∣
P
∣
(
C
4
x
i
+
C
5
y
i
+
C
6
z
i
)
Cost_P = \sum_{i=1}^{|P|} (C_4 x_i + C_5 y_i + C_6 z_i)
CostP=i=1∑∣P∣(C4xi+C5yi+C6zi)
对两类成本进行线性归一化
C
o
s
t
=
C
o
s
t
B
−
C
B
m
i
n
C
B
m
a
x
−
C
B
m
i
n
+
C
o
s
t
P
−
C
P
m
i
n
C
P
m
a
x
−
C
P
m
i
n
Cost=\frac{Cost_B-C_{Bmin}}{C_{Bmax}-C_{Bmin}}+\frac{Cost_P-C_{Pmin}}{C_{Pmax}-C_{Pmin}}
Cost=CBmax−CBminCostB−CBmin+CPmax−CPminCostP−CPmin
乘客分配与路径设计
模型求解分为调度阶段与运行阶段,调度阶段针对预约乘客构建组合订单，运行阶段在不确定交通条件下执行订单并动态插入实时乘客请求。整体解由若干组合订单组成：
C
O
k
=
(
R
o
u
k
,
P
L
i
s
t
k
,
R
L
i
s
t
k
)
CO_k = (Rou_k, PList_k, RList_k)
COk=(Rouk,PListk,RListk)
乘客分配为NP-hard问题。预约乘客采用蚁群系统（ACS）优化分配，状态转移规则为
p
n
e
x
t
=
{
arg
max
p
j
∈
f
e
a
k
v
{
p
r
o
b
j
}
,
q
≤
q
0
J
,
otherwise
p_{next} = \begin{cases} \arg\max_{p_j \in fea_k^v} \{prob_j\}, & q \leq q_0 \\ J, & \text{otherwise} \end{cases}
pnext={argmaxpj∈feakv{probj},J,q≤q0otherwise
选择概率
p
r
o
b
j
=
τ
i
,
j
η
i
,
j
β
∑
p
o
∈
f
e
a
k
v
τ
i
,
o
η
i
,
o
β
prob_j = \frac{\tau_{i,j}\,\eta_{i,j}^\beta}{\sum_{p_o \in fea_k^v} \tau_{i,o}\,\eta_{i,o}^\beta}
probj=∑po∈feakvτi,oηi,oβτi,jηi,jβ
启发式信息
η
i
,
j
=
1
1
+
max
(
0
,
T
(
R
o
u
k
)
−
T
(
R
o
u
k
,
j
)
)
\eta_{i,j} = \frac{1}{1 + \max\big(0,\,T(Rou_k) - T(Rou_{k,j})\big)}
ηi,j=1+max(0,T(Rouk)−T(Rouk,j))1
实时乘客在运行阶段采用贪心选择：
p
n
e
x
t
=
arg
max
p
j
∈
f
e
a
k
v
η
i
,
j
p_{next} = \arg\max_{p_j \in fea_k^v} \eta_{i,j}
pnext=argpj∈feakvmaxηi,j
可行乘客集需满足关键约束，包括运行时间约束
T
(
R
o
u
k
i
)
≤
T
m
a
x
T(Rou_k^i) \leq T_{max}
T(Rouki)≤Tmax
绕行率约束
t
d
r
o
p
j
l
−
t
p
i
c
k
j
l
T
(
s
p
a
t
h
j
)
≤
D
t
r
m
a
x
\frac{t_{drop_j}^l - t_{pick_j}^l}{T(spath_j)} \leq Dtr_{max}
T(spathj)tdropjl−tpickjl≤Dtrmax
以及上车时间窗约束
t
i
s
≤
t
k
v
+
T
(
v
,
o
r
i
i
)
≤
t
i
e
t_i^s \leq t_k^v + T(v, ori_i) \leq t_i^e
tis≤tkv+T(v,orii)≤tie
4.参考文献
[1] Qiu W J, Liang Z X, Hu X M, et al. An Ant Colony System for Passenger Assignment and Route Design of Urban Customized Bus With Flexible Pick-Ups and Drop-Offs[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2025.
5.代码获取
xx
6.算法辅导·应用定制·读者交流
xx
扫一扫
369
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
