考慮尾氣污染的公交跳站策略研究

金夢(mèng)宇，何勝學(xué)，張思潮

（上海理工大學(xué)管理學(xué)院，上海 200093）

跳站運(yùn)行策略，可以減少公交車輛的停靠，縮短人們的旅行時(shí)間，提高公交車的行駛速度，減少環(huán)境污染[1]，是一種有效的提高公交車輛運(yùn)行效率的手段。 Fu[2]建立了以運(yùn)營(yíng)成本和乘客費(fèi)用最小為目標(biāo)的非線性整數(shù)規(guī)劃模型，并且為了滿足被滯留的乘客的乘車需求，要求若某一公交車發(fā)生跳站時(shí)，下一趟車必須服務(wù)完整的線路。鄭思瑤[3]考慮在車-車通信的條件下，建立了跳站實(shí)時(shí)調(diào)度模型，對(duì)乘客的出行延誤時(shí)間和公交公司的停靠運(yùn)營(yíng)成本進(jìn)行優(yōu)化。 Cao[4]提出了一種結(jié)合車輛調(diào)度的公交優(yōu)化時(shí)刻表確定方法。 該方法分析了基于實(shí)時(shí)乘客需求的跳停策略的可行性，可以減少乘客的總旅行時(shí)間和使用的車輛的數(shù)量。 Gkiotsalitis[5]提出了一種考慮了旅行時(shí)間的不確定性的跳站策略。 韓笑宓[6]首先根據(jù)已有OD 數(shù)據(jù)確定大站快車的?？糠桨福缓笫褂没谂欧乓蜃拥挠?jì)算方法處理由于行駛里程的不同帶來(lái)的排放量差異，最后以乘客時(shí)間成本與公交公司運(yùn)營(yíng)成本最小化為主要目標(biāo)，減少公交排放量為次要目標(biāo)建立公交調(diào)度模型。 根據(jù)Yu[7]等人的研究，50%的公交車運(yùn)行的排放都產(chǎn)生在交叉口處與站點(diǎn)處， 公交車的獨(dú)特性就在于有固定的站點(diǎn)需要?？浚谕？康倪^(guò)程中不僅車輛加減速會(huì)產(chǎn)生排放，等候乘客上下車時(shí)怠速狀態(tài)的公交車輛也會(huì)引起排放增加。 本文跟據(jù)已知的乘客OD 到達(dá)率矩陣數(shù)據(jù)下，將綜合考慮乘客利益、公交運(yùn)行效率以及車輛尾氣排放這3 個(gè)因素，規(guī)劃公交?？糠桨?。

1 公交跳站運(yùn)行模型

建立跳站模型所需的相關(guān)參變量。 N 為公交的行程次數(shù)；O 為公交線路的站點(diǎn)數(shù)；A 為到達(dá)每一站的時(shí)間；D 為離開(kāi)每一站的時(shí)間；Ta為第一輛車的發(fā)車時(shí)間；Tb為平均發(fā)車間隔；K 為公交車在站點(diǎn)的停留時(shí)間；H為車頭時(shí)距；W 為站點(diǎn)等待總?cè)藬?shù)；L 為由于上一輛車跳站而被滯留的人數(shù)；M 為被滯留的總?cè)藬?shù)；U 為上車的總?cè)藬?shù)；V 為下車的總?cè)藬?shù)；r1為乘客平均上車時(shí)間；r2為乘客平均下車時(shí)間；δ 為公交車的平均加速時(shí)間,減速時(shí)間；a1為減速進(jìn)站時(shí)的加速度；a2為加速離站時(shí)的加速度；v0為公交在路段上的行駛速度；tc為行駛一站點(diǎn)的時(shí)間；E*為公交怠速時(shí)的排放率；E1，E2，E3為公交進(jìn)站減速，加速，怠速時(shí)的排放量；E4為勻速行駛時(shí)的排放率；E1為進(jìn)站過(guò)程的總排放量；E2為跳過(guò)站點(diǎn)的排放量；X 為決策變量，1 代表停靠，0 代表跳過(guò)；α，β，γ 為權(quán)重。

1.1 公交站點(diǎn)?？磕Ｐ?/h3>

與Liu[8]所建立的公交站點(diǎn)停靠模型相似，本文對(duì)車輛在站點(diǎn)處的?？壳闆r以及上下客過(guò)程進(jìn)行了詳細(xì)描述。 在上述描述基礎(chǔ)之上,本文加入了發(fā)車間隔要素，并進(jìn)一步考慮了在減少停站條件下的尾氣污染的減少情況。

模型假設(shè)：①乘客遵循前門(mén)上車，后門(mén)下車原則；②由于跳站而被限制上車的乘客，不會(huì)離開(kāi)，會(huì)在站臺(tái)繼續(xù)等待乘坐下一班次的車輛。

若o 站為首站，車輛的到達(dá)時(shí)間取決于該車隊(duì)的發(fā)車時(shí)間及發(fā)車間隔；若不是，則與其在上一站點(diǎn)的?？壳闆r有關(guān)，即

乘客在站點(diǎn)處的等待總時(shí)間，等于期望上車的乘客的等待時(shí)間加上被由于被限制上車而要等待下一輛車的乘客的額外等待時(shí)間。本文規(guī)定，每位乘客在站點(diǎn)的平均等待時(shí)間為1/2 的車頭時(shí)距。則期望上車的乘客的等待時(shí)間，等于該站上車的總?cè)藬?shù)減去被上一輛車限制上車的人數(shù)，乘以1/2 的車頭時(shí)距。 被上一輛車限制上車的乘客的等待時(shí)間等于1/2 的上輛車的車頭時(shí)距加上這輛車的車頭時(shí)距。 則乘客在站點(diǎn)處的等待總時(shí)間為

1.2 站點(diǎn)尾氣排放模型

模型假設(shè)：①車輛在路段上以一給定速度v0勻速行駛；②在進(jìn)入站點(diǎn)時(shí)，以減速度a1做勻減速運(yùn)動(dòng)，直至速度為0。 在離開(kāi)站點(diǎn)時(shí)，以加速度a2做勻加速運(yùn)動(dòng)，直至速度恢復(fù)為v0。

本文選取Panis[9]等人所建立的速度加速度排放模型作為基礎(chǔ)參考模型，此處只考慮污染物CO2，相關(guān)回歸系數(shù)如表1 所示。

表1 公交車各類污染物排放回歸系數(shù)Tab.1 Regression coefficients of various pollutants from buses

1.3 目標(biāo)函數(shù)

其中：Z1*，Z2*，Z3*，Z4*分別為沒(méi)有采用跳站時(shí)的，乘客站點(diǎn)等候時(shí)間，乘客在車旅行時(shí)間以及車輛運(yùn)行時(shí)間，站點(diǎn)尾氣排放量；Z1+Z2為乘客的總旅行時(shí)間。 目標(biāo)函數(shù)為優(yōu)化后的各要素占優(yōu)化前各要素的比值，并賦予權(quán)重相乘；α+β+γ=1。

2 算法設(shè)計(jì)

決策車輛停靠問(wèn)題是一個(gè)NP-hard 問(wèn)題，該問(wèn)題包含了N 輛車O 個(gè)站點(diǎn)，即所產(chǎn)生的跳站方案有2N×O個(gè)，規(guī)模較大，經(jīng)典的算法難以求解，故選用啟發(fā)式算法遺傳算法進(jìn)行求解。 在該問(wèn)題中，決策變量為站點(diǎn)是否?？?，0 表示該站跳過(guò)，1 表示該站?？俊?在遺傳算法中，可直接用二進(jìn)制編碼來(lái)表示車輛的站點(diǎn)停靠方案。

1） 設(shè)遺傳參數(shù)，群體規(guī)模為50，循環(huán)次數(shù)為150，交叉概率為0.7，變異概率為0.07。

2） 使用01 編碼生成初始跳站策略。每一個(gè)染色體代表一組跳站方案，里面包含N×O 個(gè)基因，每個(gè)基因代表每個(gè)站點(diǎn)的?？壳闆r。 編碼時(shí)必須滿足第一，第三輛車全停，第二輛車只在2 至O-1 站進(jìn)行跳站。 編碼圖如圖1 所示。

圖1 編碼示意圖Fig.1 Coding diagram

3） 設(shè)計(jì)適應(yīng)值函數(shù)，求得f（X）為最小值，故將適應(yīng)值函數(shù)去為倒數(shù)形式進(jìn)行求解。 并且為了確保車輛不會(huì)超車這一約束，即在出現(xiàn)車頭時(shí)距為負(fù)時(shí)，賦予一極大值，進(jìn)行篩選。 適應(yīng)值函數(shù)為

4） 選擇：利用輪盤(pán)賭選擇，適應(yīng)度越大的個(gè)體被選擇的概率就越高

5） 交叉：采用隨機(jī)單點(diǎn)交叉法

6） 變異運(yùn)算：首先，為了滿足原始約束，對(duì)變異區(qū)間進(jìn)行標(biāo)定。 若變異點(diǎn)屬于變異區(qū)間，可進(jìn)行變異操作，否則不可變異。

7） 滿足迭代次數(shù)。

3 案例分析

假設(shè)某條公交線路有19 個(gè)車站，列車的平均行駛速度為9.7 m/s，加速時(shí)間為10 s，減速時(shí)間為10 s，行駛過(guò)一個(gè)站臺(tái)的時(shí)間為10 s，發(fā)車間隔為10 min。權(quán)重α=0.4，β=0.3，γ＝0.3。相鄰站點(diǎn)之間的行程時(shí)間如表2所示，OD 之間的出行率如表3 所示。

表2 相鄰站點(diǎn)之間的行程時(shí)間Tab.2 Travel time between adjacent stations min

表3 OD 對(duì)之間的出行率Tab.3 Travel rate between OD pairs min

由于要滿足被上一輛車所限制上車的的所有乘客都要被下一輛車全部帶走，所以本文研究連續(xù)的3 輛車， 且第1,3 輛車為全程車，第2 輛車為跳站車。將文本建立的模型通過(guò)遺傳算法進(jìn)行求解， 得到最優(yōu)?？糠桨?，適應(yīng)度迭代圖如圖2 所示。通過(guò)迭代圖可以發(fā)現(xiàn)，大約在迭代到50 次左右就已經(jīng)收斂，說(shuō)明了模型的有效性。

3.1 結(jié)果分析

對(duì)優(yōu)化后的各要素值進(jìn)行分析， 發(fā)現(xiàn)總的運(yùn)行效率提升了2.83%。 其中，乘客站點(diǎn)等候時(shí)間增加了5.58%， 但是乘客的在車時(shí)間減少了5.1%，總的乘客旅行時(shí)間減少了3.09%，車輛的運(yùn)行時(shí)間減少了0.92%，站點(diǎn)出的排放減少了4.4%，具體數(shù)據(jù)如表4 所示。由于本文所設(shè)計(jì)的到達(dá)率較低，故系統(tǒng)中的到達(dá)人數(shù)較少，且僅研究3 輛車，即最后的優(yōu)化結(jié)果較小。

圖2 適應(yīng)度曲線圖Fig.2 Fitness curve

表4 優(yōu)化效果對(duì)比Tab.4 Comparison of optimization effects

3.2 權(quán)重的影響分析

權(quán)重的賦予，代表著考慮各要素系統(tǒng)中的重要性占比。 針對(duì)不同的權(quán)重，對(duì)跳站方案行行優(yōu)化，結(jié)果如表5 所示。

表5 不同權(quán)重的優(yōu)化情況Tab.5 Optimization of different weights

根據(jù)3 組不同的權(quán)重，所得出得的最優(yōu)方案均跳過(guò)11，17 站點(diǎn)，由于11，17 站點(diǎn)的到達(dá)率較低，基本會(huì)被跳過(guò)。通過(guò)結(jié)果可知，權(quán)重的變化對(duì)整體系統(tǒng)影響不大。其中，若將排放量的改變賦予較大權(quán)重，可能會(huì)出現(xiàn)對(duì)乘客等待時(shí)間的負(fù)面影響較大的情況。

4 總結(jié)

本文分析了公交車輛行駛進(jìn)出站點(diǎn)的過(guò)程，聯(lián)系已有的微觀排放模型對(duì)其?？窟^(guò)程中的尾氣排放情況進(jìn)行量化。 以車輛是否?？繛闆Q策變量，考慮到乘客感受以及尾氣排放等多重因素。 根據(jù)已有的OD 數(shù)據(jù)，利用遺傳算法對(duì)模型進(jìn)行求解。結(jié)果表明，該方法可以減少乘客旅行時(shí)間3.09%，車輛的運(yùn)行時(shí)間0.92%，站點(diǎn)處的尾氣排放4.4%，能夠一定程度上提高公交車輛的運(yùn)行效率。