客流需求不確定下城市軌道交通線路協同限流魯棒優化研究

王興蓉,王石生

(1.北京交通大學 交通運輸學院，北京 100044；2.中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京 100081)

為了確保運營安全，限流已被越來越多的城市軌道交通車站采用。目前，關于城市軌道交通限流的研究主要分為三個層面，即車站層、線路層和網絡層。車站層面，Xu等[1]研究了客流需求不確定下城市軌道交通車站的限流。線路層面，趙鵬等[2]以乘客延誤時間最小和客運周轉量最大為目標，構建了城市軌道交通線路協同限流多目標優化模型；魯工圓等[3]基于城市軌道交通拓撲網絡和客流需求建立了以旅客周轉量最大為目標的城市軌道交通線路客流控制整數線性規劃模型；Wang等[4]研究了如何在軌道交通線路上通過協同限流的方式快速疏解大客流車站的客流；Jiang等[5]以降低滯留人數和錯過列車次數為目標，構建了城市軌道交通線路協同限流優化模型，并采用強化學習算法對模型進行了求解。網絡層面，Guo等[6]建立了以全網范圍內乘客的平均延遲時間最小和個人的最大延遲時間最小為目標的城市軌道交通網絡協同限流模型，并用粒子群算法對模型進行了求解；姚向明等[7]首先基于隨機用戶均衡理論對網絡客流進行了分配，然后建立了以客流延誤量最小和客流需求與輸送能力匹配度最大為目標的城市軌道交通網絡協同限流多目標優化模型。綜上所述，目前國內外關于城市軌道交通線路和網絡限流的研究都是在確定情況下進行的，沒有考慮協同限流過程中存在的不確定因素，比如客流需求的不確定性、列車故障的不確定性等。為了保障城市軌道交通運營安全，有必要考慮不確定情況下城市軌道交通線路的協同限流，使限流策略更加可靠的同時，保障運營效率。

魯棒優化是一種常見的處理不確定性問題的方法，已被廣泛應用于交通運輸相關領域，例如交通網絡設計[8]、船隊規劃決策[9-10]等。本文研究了客流需求不確定下城市軌道交通線路的魯棒協同限流方法，構建了基于情景集的魯棒優化模型，使限流策略在具有不確定特性的客流需求擾動下仍然可行，并通過算例對模型的性能進行了驗證和分析。

1 問題分析

城市軌道交通線路協同限流是指為了緩解整條線路而不僅僅是某個車站的擁擠，需要在時間及空間上協同調整多個車站的進站客流，從而達到系統最優的目的。為了在保障運營安全的同時提升運營效率，在制定協同限流策略時需要考慮各種不確定因素的影響，主要包括客流需求的不確定性和列車運行過程中的不確定性。其中，客流需求的大小直接影響每個車站的限流強度。因此，在需求不確定環境下研究城市軌道交通線路協同限流更具有實際意義。

圖1 離散時間和等效時間間隔的解釋

在高峰時段，大部分城市軌道交通線路僅在單方向上具有大客流，限流對相反方向的乘客造成的影響很小。因此本文僅以高峰時段城市軌道交通線路單方向作為研究對象。本文主要解決的問題是計算在客流需求不確定條件下每個時段每個車站的最佳進站量[2],即每個等效時段內允許進站的乘客都能乘上該時段內通過該站的列車，不會產生滯留。

2 城市軌道交通線路協同限流模型構建

本節分別構建了城市軌道交通線路協同限流的確定性模型和需求不確定下的魯棒限流模型，包含模型假設、符號說明、目標函數及相關約束，具體如下。

2.1 模型假設

為了方便模型的建立,首先對問題做如下假設：

(1)乘客需求呈隨機特性且概率分布函數已知；

(2)限流過程中沒有突發事件產生,列車按照計劃的列車運行圖運行；

(3)每個等效時段內進站客流服從均勻分布；

(4)不考慮乘客刷卡后從閘機到站臺的走行時間，認為乘客刷卡后能立即到達站臺。

2.2 集合、參數及變量定義

模型中所涉及到的集合、參數的說明見表1，變量定義見表2。

表1 集合和參數說明

表2 變量定義

2.3 城市軌道交通線路協同限流確定性模型

首先建立使在研究時段內線路上滯留人數最小的確定性整數規劃模型(P1)。

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

其中，式(1)為目標函數，表示使在研究時段內滯留在站外的總人數最小。式(2)～(4)為客流需求約束，式(2)表示初始時段每個車站的實際客流需求等于新到達的客流量。式(3)表示除初始時段外每個等效時段每個車站的實際客流需求等于該等效時段新到達的客流量與上一時段滯留的人數之和。式(4)表示每個等效時段每個車站滯留在站外的人數等于該等效時段實際的客流需求減去最佳進站量。式(5)為上車人數計算公式。在本文中，認為每個等效時段內進站的乘客總能乘上該等效時段內通過車站的列車。式(6)為下車人數計算公式，其中下車率可由歷史數據獲得。式(7)為列車載客量計算公式。式(8)為列車容量約束，表示每個等效時段內所有列車的實際載客量之和不能超過最大容量。本文對每個等效時段的所有列車的容量進行了合并。式(9)從安全性的角度出發保證每個等效時段內站臺上的聚集人數不能超過站臺的最高聚集人數。式(10)從公平性的角度出發保證每個等效時段內每個車站的進站人數不能小于最低進站人數，否則，由于上游車站的乘客占據了列車的大部分容量，對于下游車站的乘客而言，可能會導致最佳進站量為0，而實際限流時并不可行。同時，最佳進站量不應超過實際客流需求。式(11)為基本約束，保證每個時段每個車站滯留在站外的人數非負。

2.4 城市軌道交通線路協同限流魯棒優化模型

2.4.1 魯棒優化方法

minσ(x,y1,…,yc)+ωρ(ε1,…,εc)

,

(12)

s.t.Ax=b

,

(13)

,

(14)

x≥0,yc≥0, ?c∈C

,

(15)

式中，x表示設計變量，其最優解與不確定參數無關；y表示控制變量，取值不僅與不確定參數有關，還取決于設計變量。相應地，式(13)稱為設計約束，不受不確定因素的影響，式(14)稱為控制約束，會受不確定因素的影響。

在該模型中，魯棒性包括兩層含義，即解魯棒和模型魯棒。對于任意某個情景而言，若模型的解都接近于該情景下的最優解，則稱為解魯棒；若模型的解對任何情景都可行，則稱為模型魯棒。模型中的第一項σ(·)用來表示解的魯棒性，第二項ρ(·)是對超出約束部分的懲罰，用來表示模型的魯棒性。由于很難同時滿足所有情景下的最優性與可行性，該模型引入權重系數ω來度量解魯棒和模型魯棒之間的相對重要性。

Mulvey等[11]提出的基于情景集的魯棒優化模型框架中，第一項σ(·)的具體表達形式并不唯一，本文采用Yu等[12]提出的形式，如式(16)所示

,

(16)

,

(17)

,

(18)

?c≥0。

(19)

為了便于求解，Yu等[12]采用式(17)～(19)對式(16)進行了線性化處理，并證明了兩者之間的等效性。

式(16)中：第一項為情景目標值的期望，其中ζc表示情景c下的目標值；第二項為情景目標值與期望的絕對差的期望，其中λ為風險權衡因子，用以體現決策者對系統穩定或風險的偏好。式(17)中，?c是為了線性化式(16)而引入的變量。

2.4.2 客流需求不確定下協同限流魯棒優化模型

定義每種情景下的目標函數為

(20)

則客流需求不確定下城市軌道交通線路協同限流的魯棒優化模型(P2)可以表示為：

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

(30)

?c≥0,?c∈C，

(31)

(32)

目標函數(20)由3項組成：第1項為滯留人數的期望值，代表了不同隨機需求下滯留人數的均值；第2項為各種情景下滯留人數與期望的絕對偏差的期望，用來衡量隨機需求對限流策略的擾動程度，擾動越大，則風險越大；前兩項之和是對解魯棒性的衡量，第3項是不可行懲罰函數，是對在各種情景下未滿足列車容量約束的懲罰，用于衡量模型的魯棒性。式(20)～(32)構成了完整的魯棒優化模型，可以看出，該模型中所有約束都為控制約束。

3 算例分析

3.1 基本信息

本文選取北京地鐵八通線進行算例分析。八通線位于通州新城，通過換乘站四惠站及四惠東站與地鐵1號線相連，如圖2所示。八通線是北京地鐵常態化限流車站最多的線路之一。

早高峰時段，超過90%的乘客通過換乘站四惠站及四惠東站前往地鐵1號線，擁擠十分嚴重，因此本文選取八通線下行方向進行案例分析。對于土橋站而言，研究時段為6:30—9:00，由于對原始時段進行了偏移，因此其他車站的研究時段也相應進行了偏移。為了減少換乘客流的影響，本文將換入換出客流視為本線進站和出站客流。由于下行方向沒有換入客流，因此僅將八通線各站乘車前往其他線路的客流視為在四惠站和四惠東站出站的客流。在實際運營中，多數乘客選擇在四惠東站換乘，因此本文將每個站的換乘客流按7∶3分配在四惠東站和四惠站。除了客流數據外，還需要列車運行數據及模型的相關參數。為便于表示，本文將土橋站至四惠站分別標號為1～13。

圖2 八通線示意圖

本文以2017年9月18日八通線的實際刷卡數據為基礎客流數據。為了體現需求的波動性，假設每個等效時段內每個車站的客流需求在基礎數據的0.9～1.1倍內服從均勻分布。假設存在Nc種需求情景，則基于隨機模擬技術根據概率分布模擬生成Nc個需求情景，每種情景出現的概率均為1/Nc。具體的參數取值見表3～7。

表3 模型相關參數

表4 站臺最大聚集人數[13]

表5 列車運行偏移時間

表6 等效時段與原始時段的對應關系

表7 每個等效時段內通過每個車站的列車數

3.2 結果分析

采用Matlab軟件調用gurobi求解器對所構建的魯棒優化模型進行求解，得到不同情形下各車站分時段最佳進站量，如表8所示。由于八通線上四惠站和四惠東站幾乎沒有進站量，結果中不包含這兩座車站。

表8 需求不確定條件下各車站分時段最佳進站量

為驗證模型的魯棒性和優勢，首先用確定性模型(P1)對5種客流需求情景分別進行求解，得出每個情景下的最優滯留人數。然后將魯棒模型得到的限流策略分別代入到5種客流需求情景中，得出在該限流策略下，每種需求情景下的滯留人數，并將結果與每個情景的最優值進行對比，結果如表9所示。

表9 不同需求情況下的最優目標值

從表9中可以看出，對于每種確定性需求而言，魯棒限流策略產生的滯留人數與每種確定情景的最優滯留人數相比，相對差都在10%以內，較為接近。因此，本文提出的城市軌道交通線路協同限流魯棒優化模型是解魯棒的。對于情景2和情景3而言，魯棒模型得出的限流策略會使列車提供的容量不足，即允許進站的人數超過了所能提供的列車容量，這也說明魯棒優化模型得出的解不一定對所有的情景都可行，因此解魯棒和模型魯棒之間是矛盾的。但實際運營中，超過列車容量的這部分乘客可以滯留在站臺上等待后續列車。

為了驗證魯棒模型的意義，將確定性情景1下的最優限流策略代入到其他4種情景中，得出此時每種客流需求情景下的滯留人數，結果如表10所示。通過與魯棒限流策略下每個情景的滯留人數進行對比可知，需求確定情況下得到的限流策略雖然對于該種情景是最優的，但當實際發生的情景不同于預測的確定性情景時，這種最優決策與“實際最優”決策相比，將會導致較大的偏差，而魯棒優化方法計算出的不確定需求情況下的最優限流策略雖然對于部分情景而言并不可行，但可以降低限流策略對需求的敏感程度，且魯棒限流策略雖然增加了部分場景的滯留人數，但都保持在可以接受的范圍內。因此，在實際的運營中，考慮客流需求不確定下城市軌道交通線路協同限流問題是有意義的。

表10 確定性情景1的最優限流策略對其他確定性情景的影響

3.3 靈敏度分析

在本文提出的魯棒優化模型中，共包含兩項權重因子。其中，ω是對違反約束的懲罰因子，同時也用來衡量解魯棒和模型魯棒之間的相對重要程度；λ是風險權衡因子，用于體現決策者對風險的偏好。各種情景下滯留人數與期望的絕對偏差的期望越小，表示模型的解對不確定需求的敏感性越低，則決策帶來的風險越低。

3.3.1ω靈敏度分析

當λ保持1.0不變時，使ω從0.5到11.0這個范圍內變動，5種情景下滯留人數的期望與懲罰成本(5種情景下超出列車最大容量的乘客數的期望)的變動趨勢如圖3所示。從圖中可以看出，隨著ω的增大，滯留人數的期望越來越大，而懲罰成本越來越小。當ω取值為11.0時，滯留人數的期望最大，而懲罰成本為0，說明此時的魯棒限流策略非常保守，對任意確定性情景的實現都可行，模型等同于絕對魯棒。ω靈敏度分析的結果進一步表明，解魯棒和模型魯棒是相互矛盾的，滯留人數的期望增加，意味著模型的解魯棒性隨著ω的增大而降低，而懲罰成本減小，意味著模型魯棒性增強。

圖3 ω敏感性分析

3.3.2λ靈敏度分析

當ω保持4.345不變時，使λ從0.5到10.0這個范圍內變動，滯留人數偏差的期望值的變動趨勢如圖4所示。從圖中可以看出，隨著λ的增大，偏差的期望減小，因此，限流策略對不確定需求的敏感程度隨λ的增大而減小。

圖4 λ敏感性分析

4 結論

在確定性模型的基礎上，采用基于情景集的魯棒優化方法建立了客流需求不確定下城市軌道交通線路協同限流魯棒優化模型，對每個時段內每個車站的最佳進站量進行了求解。該模型既考慮了客流需求不確定對限流策略的影響，又考慮了解與模型的魯棒性以及決策者對風險的偏好程度。通過對確定性模型和魯棒模型的結果進行對比發現，魯棒模型雖然增加了部分客流情景下的滯留人數，但可以降低不確定需求對限流策略的擾動程度，且增加的部分保持在可接受的范圍內，避免了實際發生的情景不同于預測的情景時產生較大的偏差。靈敏度分析的結果表明，解魯棒和模型魯棒是相互矛盾的，模型魯棒性的增強，意味著解魯棒的降低。同時，隨著風險權衡因子的增大，限流策略對不確定客流需求的敏感程度下降，對城市軌道交通系統產生的影響會更穩定。

但是本文僅考慮了不確定客流需求呈均勻分布的情況，在進一步的研究中，需要根據歷史的客流數據統計客流的實際分布及相應的概率變化情況，并以此分析需求的不確定性對決策變量的影響。