本發(fā)明涉及公交智能調(diào)度領域，具體的說，涉及了一種基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)。
背景技術(shù)：
客流是公交規(guī)劃和調(diào)度運營的重要依據(jù)。公交線路客流最為重要的特征有時間和空間分布的不均勻性等，這些特征不僅影響客運的行車組織，而且影響長遠的客運規(guī)劃。因此，多維度地進行分析和挖掘公交客流是十分有必要的，更有必要的是讓公交運營調(diào)度更加客觀地符合客流規(guī)律，提高公交公司的效益，改善公交的服務質(zhì)量，提高乘客的滿意度。
傳統(tǒng)的客流分析以及基于分析制定發(fā)車計劃的弊端：
基于調(diào)度員與司機的經(jīng)驗，司機對線路上的客流反饋，由于發(fā)車計劃關系到相關勞動利益，因此除了有溝通傳達信息的不準確性，還有人為主觀利益偏向性；基于IC卡統(tǒng)計與投幣結(jié)合，由于IC卡與投幣比例存在著空間和時間上的不平衡性，通過系數(shù)較正的方式不能反應客流的真實情況。
傳統(tǒng)的客流分析、制定發(fā)車計劃、車輛排班，靠人工經(jīng)驗和常規(guī)的輔助工具來實現(xiàn)，不僅耗時長，效率低，實時性差，運力不匹配，需要投入較大成本培養(yǎng)調(diào)度員，而且人工操作容易犯錯，調(diào)整難度大，因此排班發(fā)車缺少科學性，難控制成本，難實現(xiàn)司機間的相對公平，績效考核難度大等。
為了解決以上存在的問題，人們一直在尋求一種理想的技術(shù)解決方案。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，從而提供一種基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，解決了傳統(tǒng)排班發(fā)車效率低、耗時長、錯誤率高等問題。
為了實現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：一種基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，該系統(tǒng)包括：
客流分析模塊，對獲取到的客流數(shù)據(jù)，分別按天、按小時、按分鐘分析客流分布情況，獲得客流時間分布規(guī)律；對獲取到的客流數(shù)據(jù)，以上下車餅圖的形式分析客流在各站點的分布比例，根據(jù)比例的分布，獲得客流空間分布規(guī)律；
客流數(shù)據(jù)分類模塊，將獲取的歷史客流數(shù)據(jù)，以日期類型和天氣類型為篩選條件，過濾獲得上、下車客流數(shù)據(jù)，計算滿載率，并保存為特征客流模板；
客流預測模塊，基于特征客流模板，進行客流預測，預測與模板的工作日類型、天氣類型相似的未來某一天的客流預測數(shù)據(jù)模板；
單程時間的過濾分類模塊，將獲取的歷史單程時間數(shù)據(jù)，以日期類型和天氣類型為篩選條件，過濾獲得線路的單程時間數(shù)據(jù)，并保存為單程時間分類模板；
單程時間預測模塊，基于單程時間分類模板，進行單程時間預測，預測與模板的工作日類型、天氣類型相似的未來某一天的單程時間預測數(shù)據(jù)模板；
仿真分析模塊，先根據(jù)歷史數(shù)據(jù)進行客流預測、單程時間預測，再以預測的客流數(shù)據(jù)及單程時間數(shù)據(jù)為基礎，根據(jù)輸入的最大發(fā)車間隔及期望滿載率，采用模擬發(fā)車的方式計算出最優(yōu)發(fā)車間隔，獲得發(fā)車時刻表。
基于上述，所述客流預測，用以預測每日客流數(shù)據(jù)；
采用根據(jù)要預測的客流日期的類型，選擇一定時期內(nèi)的歷史客流數(shù)據(jù)，先對客流數(shù)據(jù)用聚類的分析，再結(jié)合要預測的客流日期的天氣狀況，選擇符合篩選條件的歷史數(shù)據(jù)，采用深度神經(jīng)元網(wǎng)絡算法，獲得預測的客流力度為每10分鐘每個站點上下車人數(shù)情況；或者直接采用客流預測數(shù)據(jù)模板；
其中，客流預測數(shù)據(jù)模板的獲得：根據(jù)特征客流模板同期數(shù)據(jù)，采用深度神經(jīng)元網(wǎng)絡模型預測一個10分鐘為力度的總值X，再與歷史同期10分鐘的客流總和相比較，差距最小的那一天的客流詳情作為客流預測數(shù)據(jù)模板的預測客流。
基于上述，所述單程時間預測，用以預測線路運行的單程時間；
采用根據(jù)要預測的客流日期的類型，選擇一定時期內(nèi)的歷史客流數(shù)據(jù)，先對客流數(shù)據(jù)用聚類的分析，再結(jié)合要預測的客流日期的天氣狀況，選擇符合篩選條件的歷史數(shù)據(jù)，采用深度神經(jīng)元網(wǎng)絡算法，獲得要預測的客流日期的單程時間數(shù)據(jù)；或者直接采用單程時間預測數(shù)據(jù)模板。
基于上述，最優(yōu)發(fā)車間隔的計算包括：
①預測客流預處理，把每個站點每10分鐘的客流打散分布到每一分鐘，如有整除后的客流余數(shù)，則隨機不重復分布到這10分鐘的10個點上；
②上車客流與下車客流的預處理，包括把一個車次單向上車與下車客流數(shù)預處理為相同；把一個車次整個趟次的上車與下車客流預處理為相同；把整條線路全天上車與下車客流預處理為相同；
③模擬發(fā)車：模擬試發(fā)首班車發(fā)車后，根據(jù)預測的單程時間的特性，計算出該車次到達每一站的具體時間，存儲最后一個車次到達各個站點的時間；再以最大發(fā)車間隔，模擬試發(fā)第二個班次，再計算出該車次到達每一站的具體時間，前一車次與本車次的到達時間差為某一站點的聚集客流的時間段，從預測客流中取出該時間段對應上車與下車的客流數(shù)，計算出該車次到達每一站的滿載率，如果到達某站的滿載率小于或等于期望的滿載率，則本次發(fā)車間隔為最優(yōu)發(fā)車間隔，如果到達某站時滿載率超過期望的滿載率，則減小發(fā)車間隔再次模擬發(fā)車，直至滿載率小于或等于期望滿載率或等于最小發(fā)車間隔；依次類推，直至模擬發(fā)車到線路末班時間結(jié)束，獲得發(fā)車時刻表。
基于上述，在時刻表生成之后，從首班車發(fā)車時刻遍歷到末班車發(fā)車時刻，在某一時刻，遍歷所有的車次，如果該時刻是在該車次的開始時間與結(jié)束時間之間，計數(shù)加1，遍歷完所有車次之后，計數(shù)總和為該時刻的在線車輛數(shù)，取從首班車發(fā)車時刻到末班車發(fā)車時刻的全部遍歷時刻點對應的在線車輛數(shù)的最大值為最小配車數(shù)。
本發(fā)明相對現(xiàn)有技術(shù)具有突出的實質(zhì)性特點和顯著進步，具體的說，本系統(tǒng)通過對歷史客流數(shù)據(jù)進行數(shù)據(jù)挖掘，在充分研究公交客流的空間和時間分布規(guī)律的基礎上，能夠預測未來一段時間的客流以及單程時間，從而制定出符合客流規(guī)律的發(fā)車時刻表；另外，通過采用先進的算法，實現(xiàn)從分析預測客流到根據(jù)預測客流進行自動編制排班發(fā)車時刻表，提高了排班效率，并使排班發(fā)車時刻表更具有科學性與公平性，從而大幅度提高公交運營的智能化水平。
具體實施方式
下面通過具體實施方式，對本發(fā)明的技術(shù)方案做進一步的詳細描述。
一種基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，該系統(tǒng)包括：
客流分析模塊，對獲取到的客流數(shù)據(jù)，分別按天、按小時、按分鐘分析客流分布情況，獲得客流時間分布規(guī)律；對獲取到的客流數(shù)據(jù)，以上下車餅圖的形式分析客流在各站點的分布比例，根據(jù)比例的分布，獲得客流空間分布規(guī)律；
客流數(shù)據(jù)分類模塊，將獲取的歷史客流數(shù)據(jù)，以日期類型和天氣類型為篩選條件，過濾獲得上、下車客流數(shù)據(jù)，計算滿載率，并保存為特征客流模板；
客流預測模塊，基于特征客流模板，進行客流預測，預測與模板的工作日類型、天氣類型相似的未來某一天的客流預測數(shù)據(jù)模板；
單程時間的過濾分類模塊，將獲取的歷史單程時間數(shù)據(jù)，以日期類型和天氣類型為篩選條件，過濾獲得線路的單程時間數(shù)據(jù)，并保存為單程時間分類模板；
單程時間預測模塊，基于單程時間分類模板，進行單程時間預測，預測與模板的工作日類型、天氣類型相似的未來某一天的單程時間預測數(shù)據(jù)模板；
仿真分析模塊，先根據(jù)歷史數(shù)據(jù)進行客流預測、單程時間預測，再以預測的客流數(shù)據(jù)及單程時間數(shù)據(jù)為基礎，根據(jù)輸入的最大發(fā)車間隔及期望滿載率，采用模擬發(fā)車的方式計算出最優(yōu)發(fā)車間隔，獲得發(fā)車時刻表。
具體的，由于每天客流存在較大的差異，客流數(shù)據(jù)分類模塊自動篩選過濾出符合要求的客流數(shù)據(jù)，保存為特征客流模板：①先按日期類型，如工作日、周末、節(jié)假日等，天氣類型如晴、雨、雪等，初步進行數(shù)據(jù)分類；②以初步分類后的數(shù)據(jù)為基礎，以10分鐘為力度，分別統(tǒng)計上行、下行上車客流總量。
所述客流預測，用以預測每日客流數(shù)據(jù)；采用根據(jù)要預測的客流日期的類型，選擇一定時期內(nèi)的歷史客流數(shù)據(jù)，先對客流數(shù)據(jù)用聚類的分析，再結(jié)合要預測的客流日期的天氣狀況，選擇符合篩選條件的歷史數(shù)據(jù)，采用深度神經(jīng)元網(wǎng)絡算法，獲得預測的客流力度為每10分鐘每個站點上下車人數(shù)情況；或者直接采用客流預測數(shù)據(jù)模板；
客流預測數(shù)據(jù)模板的獲得：根據(jù)特征客流模板同期數(shù)據(jù)，采用深度神經(jīng)元網(wǎng)絡模型預測一個10分鐘為力度的總值X，再與歷史同期10分鐘的客流總和相比較，差距最小的那一天的客流詳情作為客流預測數(shù)據(jù)模板的預測客流。在其他實施例中，客流數(shù)據(jù)分類模塊根據(jù)當前使用的客流模板選擇過濾數(shù)據(jù)的方式，但由于客流規(guī)律不是一成不變的，系統(tǒng)每日動態(tài)計算客流，與當前使用的客流模板進行比較，差異越大，說明客流規(guī)律變化越大；系統(tǒng)設置提醒級別，提醒用戶進行客流模板的更換。
客流預測可以為后面發(fā)車時刻表的獲得提供數(shù)據(jù)支撐，主要體現(xiàn)在計算每輛車某時刻到達某站點時上下車人數(shù)，計算滿載率，從而根據(jù)滿載率指導發(fā)車間隔的優(yōu)化。
所述單程時間預測，用以預測線路運行的單程時間；采用根據(jù)要預測的客流日期的類型，選擇一定時期內(nèi)的歷史客流數(shù)據(jù)，先對客流數(shù)據(jù)用聚類的分析，再結(jié)合要預測的客流日期的天氣狀況，選擇符合篩選條件的歷史數(shù)據(jù)，采用深度神經(jīng)元網(wǎng)絡算法，獲得要預測的客流日期的單程時間數(shù)據(jù)；或者直接采用單程時間預測數(shù)據(jù)模板。單程時間預測為后面發(fā)車時刻表的編制提供數(shù)據(jù)支撐。
最優(yōu)發(fā)車間隔的計算包括：
①預測客流預處理，把每個站點每10分鐘的客流打散分布到每一分鐘，如有整除后的客流余數(shù)，則隨機不重復分布到這10分鐘的10個點上；使得客流的分布更接近實際情況，而不是在某個時間點一次性聚集，也更方便模擬發(fā)車計算客流；
②上車客流與下車客流的預處理，由于基礎的歷史數(shù)據(jù)，包括預測的客流數(shù)據(jù)，可能存在上下車客流不相等的情況，假如上車人數(shù)比下車人數(shù)多，則整體算出來的滿載率則偏高，相反則偏低，影響間隔計算，因此需要對上車客流與下車客流進行預處理；包括把一個車次單向上車與下車客流數(shù)預處理為相同；把一個車次整個趟次的上車與下車客流預處理為相同；把整條線路全天上車與下車客流預處理為相同；
③模擬發(fā)車：模擬試發(fā)首班車發(fā)車后，根據(jù)預測的單程時間的特性，計算出該車次到達每一站的具體時間，存儲最后一個車次到達各個站點的時間；再以最大發(fā)車間隔，模擬試發(fā)第二個班次，再計算出該車次到達每一站的具體時間，前一車次與本車次的到達時間差為某一站點的聚集客流的時間段，從預測客流中取出該時間段對應上車與下車的客流數(shù)，計算出該車次到達每一站的滿載率，如果到達某站的滿載率小于或等于期望的滿載率，則本次發(fā)車間隔為最優(yōu)發(fā)車間隔，如果到達某站時滿載率超過期望的滿載率，則減小發(fā)車間隔再次模擬發(fā)車，直至滿載率小于或等于期望滿載率或等于最小發(fā)車間隔；
依次類推，直至模擬發(fā)車到線路末班時間結(jié)束，獲得所有發(fā)車間隔，最終獲得發(fā)車時刻表。
本系統(tǒng)在時刻表生成之后，還可以計算最小配車數(shù)，從首班車發(fā)車時刻遍歷到末班車發(fā)車時刻，在某一時刻，遍歷所有的車次，如果該時刻是在該車次的開始時間與結(jié)束時間之間，計數(shù)加1，遍歷完所有車次之后，計數(shù)總和為該時刻的在線車輛數(shù)，取從首班車發(fā)車時刻到末班車發(fā)車時刻的全部遍歷時刻點對應的在線車輛數(shù)的最大值為最小配車數(shù)。
以運營發(fā)的車間6：00-20：30為例，從6:00遍歷到20：30；由于每個發(fā)車點對應的都有一個開始時間，一個結(jié)束時間，某個時間點的在線車輛數(shù)計算方法為：例如7：11分鐘時，遍歷所有的車次，看7：11是否在該車次的開始時間與結(jié)束時間之間，如果是，則計數(shù)1，遍歷完所有車次之后，計數(shù)總和為當前7：11分鐘的在線車輛數(shù)，6：00-20:30共870個時間點，每個時間點對應的都有一個在線車輛數(shù)，其最大值就是最小配車數(shù)。
最后應當說明的是:以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制；盡管參照較佳實施例對本發(fā)明進行了詳細的說明，所屬領域的普通技術(shù)人員應當理解：依然可以對本發(fā)明的具體實施方式進行修改或者對部分技術(shù)特征進行等同替換；而不脫離本發(fā)明技術(shù)方案的精神，其均應涵蓋在本發(fā)明請求保護的技術(shù)方案范圍當中。