基于無(wú)監(jiān)督學(xué)習(xí)的實(shí)時(shí)公交動(dòng)態(tài)調(diào)度的研究

陳深進(jìn)，薛 洋，歐勇輝

(1.華南理工大學(xué)，廣州 510641；2.廣州交通信息化建設(shè)投資營(yíng)運(yùn)有限公司，廣州 510520)

0 引 言

隨著我國(guó)社會(huì)經(jīng)濟(jì)的快速發(fā)展，市民的出行需求與日俱增。智能公交系統(tǒng)是公共交通系統(tǒng)的核心組成部分，其線路靈活，舒適度高且運(yùn)營(yíng)成本相對(duì)較低的特點(diǎn)，使智能公交系統(tǒng)成為城市主力公共交通出行方式。本文是在智能交通系統(tǒng)(intelligent transport system，ITS)的基礎(chǔ)上，研究實(shí)時(shí)公交動(dòng)態(tài)調(diào)度的問(wèn)題。公交調(diào)度是一類(lèi)復(fù)雜的組合優(yōu)化問(wèn)題，需要對(duì)客流量、發(fā)車(chē)間隔、公交車(chē)投放數(shù)量進(jìn)行整體優(yōu)化。針對(duì)這些問(wèn)題，本文主要圍繞公交公司的運(yùn)營(yíng)成本與乘客的滿意度為主要指標(biāo)，通過(guò)對(duì)調(diào)度優(yōu)化模型的訓(xùn)練，實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí)的實(shí)時(shí)公交動(dòng)態(tài)調(diào)度，提升公交的整體服務(wù)水平。

1 研究方案及技術(shù)實(shí)現(xiàn)

1.1 基于無(wú)監(jiān)督學(xué)習(xí)的公交客流出行特征表達(dá)提取

公交客流出行特征是對(duì)短時(shí)客流對(duì)象的描述和表征，有效的特征會(huì)對(duì)整個(gè)模型預(yù)測(cè)過(guò)程事半功倍。公交客流的出行特征通常包括公交客流的時(shí)間分布特性、公交客流的動(dòng)態(tài)特性和短時(shí)公交客流特性。時(shí)間分布特性反映了工作日客流、周末客流和節(jié)假日客流的不同分布規(guī)律。動(dòng)態(tài)特性反映了公交客流時(shí)間分布的不均勻性、方向的不均衡性以及客流分布的周期變動(dòng)特性。短時(shí)客流特性反映了相鄰時(shí)段、相鄰天、相鄰周和相鄰月的客流變化的相關(guān)性。鑒于無(wú)監(jiān)督特征學(xué)習(xí)的強(qiáng)大表述能力和對(duì)大量數(shù)據(jù)樣本的充分利用[1-2]，借助大量已有公交IC卡數(shù)據(jù)、進(jìn)出站數(shù)據(jù)和GPS數(shù)據(jù)樣本集(源數(shù)據(jù)集)，利用無(wú)監(jiān)督學(xué)習(xí)方法訓(xùn)練多個(gè)網(wǎng)絡(luò)形成具有深度結(jié)構(gòu)的層疊編碼機(jī)，以便獲得不同日期不同時(shí)間段的短時(shí)客流的有效高層語(yǔ)義表達(dá)特征，既具有不同時(shí)間分布特性又具有周期變動(dòng)性，將獲得的網(wǎng)絡(luò)參數(shù)通過(guò)遷移特征學(xué)習(xí)方法遷移到目標(biāo)預(yù)測(cè)任務(wù)上。

卷積神經(jīng)網(wǎng)絡(luò)[3-5](convolutional neural networks，CNN)是由Fukushima在1980年首次提出，LeCun等將反向傳播算法(back-propagation，BP)用于卷積結(jié)構(gòu)，提出了層與層之間局部連接且具有多層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)模型。該結(jié)構(gòu)由一系列的卷積層(convolutional layer)和聚合層(pooling layer)交替組成，每一層的輸出可以看出是一組特征圖(feature map)。圖1顯示了一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)結(jié)構(gòu)，輸入圖像I與一組(C1個(gè))卷積模板進(jìn)行卷積生成卷積層C1，該卷積層有C1個(gè)特征圖。然后對(duì)C1層進(jìn)行聚合(pooling)操作，得到聚合層S1，如此重復(fù)。最后添加一個(gè)全連接的輸出層形成一個(gè)完整的深度結(jié)構(gòu)，CNN網(wǎng)絡(luò)模型的參數(shù)可以通過(guò)誤差反向傳播(back propagation，BP)算法進(jìn)行訓(xùn)練。

圖1 卷積神經(jīng)網(wǎng)結(jié)構(gòu)圖Fig.1 Convolution neural network structure diagram

基于無(wú)監(jiān)督特征學(xué)習(xí)方法學(xué)習(xí)到的特征表達(dá)龐大，如果采用神經(jīng)網(wǎng)絡(luò)全連接方式計(jì)算量是無(wú)法接受的?？紤]到卷積神經(jīng)網(wǎng)絡(luò)在自然圖像、語(yǔ)音、手寫(xiě)數(shù)字圖像的識(shí)別以及理解方面取得了較好的結(jié)果。因此，借助卷積神經(jīng)網(wǎng)絡(luò)的局部連接方式、特征提取不變性以及可靠高效的預(yù)測(cè)性能預(yù)測(cè)短時(shí)公交客流。

1.2 預(yù)測(cè)模型訓(xùn)練

短時(shí)客流的隨機(jī)性和時(shí)變性使得短時(shí)客流預(yù)測(cè)與中長(zhǎng)期客流預(yù)測(cè)存在顯著差異。公交短時(shí)客流預(yù)測(cè)已受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，其研究方法主要有人工神經(jīng)網(wǎng)絡(luò)、小波理論、卡爾曼濾波及支持向量機(jī)[6]等，SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，在短時(shí)預(yù)測(cè)領(lǐng)域有較好的應(yīng)用[7]。影響SVM預(yù)測(cè)效果的因素主要有訓(xùn)練樣本及訓(xùn)練參數(shù)，但不同時(shí)間公交短時(shí)客流的變化較大，很難直接采用原始訓(xùn)練樣本得到合適的SVM訓(xùn)練參數(shù)。與傳統(tǒng)的聚類(lèi)算法相比，吸引子傳播(affinity propagation，AP)聚類(lèi)算法是一種確定性的聚類(lèi)算法，聚類(lèi)結(jié)果較穩(wěn)定，不同日公交短時(shí)客流差異較大，為了提高SVM的泛化能力，本文使用AP聚類(lèi)算法將客流數(shù)據(jù)分為若干個(gè)SVM訓(xùn)練子樣本集[8]，短時(shí)公交客流預(yù)測(cè)研究方案如圖2所示。

對(duì)于一個(gè)有N個(gè)樣本的公交短時(shí)客流數(shù)據(jù)集，AP聚類(lèi)算法定義任意2個(gè)樣本xi，xk之間的相似度為

(1)

(1)式中，p為參考度。

圖2 短時(shí)公交客流預(yù)測(cè)研究方案示意圖Fig.2 Schematic diagram of short-term passengerflow forecasting

定義可信度為

(2)

定義可用度為

(3)

AP聚類(lèi)算法的基本步驟如下。

步驟1設(shè)m=0，最大迭代次數(shù)為M，計(jì)算數(shù)據(jù)集的相似度矩陣S，設(shè)定p值，設(shè)定初始可信度和可用度r(0)(i,k)=0，a(0)(i,k)=0及阻尼系數(shù)λ。

步驟2如果m大于M，則轉(zhuǎn)步驟5，否則，m=m+1按(2)式及(3)式計(jì)算r(m)(i,k)，a(m)(i,k)。

步驟3按(4)式及(5)式更新可用度和可信度。

r(m)(i,k)=(1-λ)r(m)(i,k)+r(m-1)(i,k)

(4)

a(m)(i,k)=(1-λ)a(m)(i,k)+a(m-1)(i,k)

(5)

步驟4確定聚類(lèi)中心，(r(m)(i,k)+a(m)(i,k))>0時(shí)認(rèn)為是一個(gè)聚類(lèi)中心，返回步驟2。

步驟5將其余點(diǎn)根據(jù)相似度劃分到各個(gè)聚類(lèi)中，算法結(jié)束。

通過(guò)對(duì)廣州BRT崗頂站客流量調(diào)查分析，選取6個(gè)分類(lèi)的檢驗(yàn)樣本及優(yōu)選參數(shù)建立預(yù)測(cè)模型，并訓(xùn)練樣本，對(duì)未來(lái)一周內(nèi)18:00～20:00間8 min間隔客流數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，結(jié)果如表1(每隔8 min客流量/人)所示。我們使用AP聚類(lèi)算法優(yōu)化數(shù)據(jù)集，可以得到高質(zhì)量、小樣本的SVM訓(xùn)練集。訓(xùn)練樣本的分類(lèi)直接影響SVM的預(yù)測(cè)，采用分類(lèi)的SVM預(yù)測(cè)結(jié)果精度更高。

表1 客流預(yù)測(cè)結(jié)果

1.3 研究基于多源信息融合及多策略的實(shí)時(shí)公交動(dòng)態(tài)調(diào)度模型與算法

實(shí)時(shí)公交動(dòng)態(tài)調(diào)度及運(yùn)營(yíng)決策系統(tǒng)主要包括靜態(tài)調(diào)度優(yōu)化模型訓(xùn)練和實(shí)時(shí)動(dòng)態(tài)應(yīng)急決策2個(gè)模塊[9-10]，具體系統(tǒng)框架如圖3所示。

1.3.1 調(diào)度優(yōu)化模型訓(xùn)練

在公交線路調(diào)度中，主要因素是客流量和公交車(chē)行駛信息，調(diào)度需要根據(jù)線路上客流量的大小和車(chē)輛的行駛時(shí)間確定運(yùn)營(yíng)車(chē)輛的安排及線路發(fā)車(chē)間隔，以滿足出行者出行需求。公交線路調(diào)度方案的制定,一方面考慮公交企業(yè)的運(yùn)營(yíng)成本，為滿足乘客出行需求而盲目增加運(yùn)營(yíng)車(chē)輛導(dǎo)致運(yùn)營(yíng)成本增加和滿載率過(guò)低是一種不必要的資源浪費(fèi);另一方面考慮乘客的出行成本，如站臺(tái)等待時(shí)間、換乘次數(shù)等。

1)調(diào)度模型建立。調(diào)度模型的訓(xùn)練是以乘客利益和公交公司利益總體最優(yōu)的多目標(biāo)最優(yōu)化問(wèn)題，即在滿足總體利益最優(yōu)的情況下確定最優(yōu)的線路發(fā)車(chē)間隔。這可以表達(dá)成如下優(yōu)化問(wèn)題

(6)

s.t.himin≤hi≤himax

(7)

(6)—(7)式中：CP=φ(hi)表示乘客出行成本，也可以表示發(fā)車(chē)間隔的函數(shù)；Cb=φ(hi)表示公交公司運(yùn)營(yíng)成本，可以建模發(fā)車(chē)間隔的函數(shù)；λ，μ為加權(quán)系數(shù)，分別用于調(diào)整乘客和公交企業(yè)的利益平衡；hi表示線路在時(shí)段i的發(fā)車(chē)間隔，himin，himax分別是最小、最大發(fā)車(chē)間隔。

圖3 實(shí)時(shí)動(dòng)態(tài)運(yùn)營(yíng)調(diào)度決策系統(tǒng)Fig.3 Real-time dynamic operation scheduling decision system

為了確保公交線路的正常運(yùn)行，車(chē)輛的滿載率不能低于最低滿載率限制，相反，為了保障乘客利益，也不能過(guò)高，車(chē)輛的滿載率要求限制在0.5～1.2。根據(jù)上述分析，目標(biāo)函數(shù)由公交公司的運(yùn)營(yíng)成本和乘客候車(chē)成本組成。為了避免利益沖突，設(shè)置加入加權(quán)系數(shù)，目標(biāo)函數(shù)定義為

(8)

(9)

2)調(diào)度模型求解。本文選廣州BRT B2線路為例，B2線路全程約為15.5 km，共19個(gè)站點(diǎn)，公交車(chē)輛載客額定人數(shù)為50人。公交公司成本費(fèi)用構(gòu)成：車(chē)輛折舊費(fèi)、燃?xì)赓M(fèi)、司機(jī)工資、日常管理費(fèi)、維修費(fèi)等，每輛公交車(chē)運(yùn)行一次的成本約為144元。公交車(chē)運(yùn)營(yíng)時(shí)間從6：00到22：00，每天共運(yùn)營(yíng)960 min，根據(jù)客流量在不同時(shí)段內(nèi)的分布情況，將運(yùn)營(yíng)時(shí)間劃分為8個(gè)時(shí)間段，每個(gè)時(shí)間段為120 min。根據(jù)每個(gè)時(shí)間段的實(shí)際情況，對(duì)發(fā)車(chē)時(shí)間間隔進(jìn)行限制(4<Δti<10)。通過(guò)對(duì)B2線路選擇一個(gè)工作日(選取從體育中心站到棠東站)的8個(gè)站點(diǎn)客流量進(jìn)行統(tǒng)計(jì)，如表2所示。

表2 B2線路各時(shí)間段8個(gè)站點(diǎn)客流量統(tǒng)計(jì)

求解各時(shí)間段發(fā)車(chē)時(shí)間間隔和加權(quán)系數(shù)，(8)式中,α，β表示權(quán)重系數(shù)，為了求解模型[11]，在理想的情況下先不考慮約束條件，建立拉格朗日函數(shù)

(10)

(10)式中，λ為拉格朗日乘子。分別對(duì)Δti，α，β，λ求偏導(dǎo)，可以得到發(fā)車(chē)時(shí)間間隔，如表3所示。

通過(guò)模型求解可以發(fā)現(xiàn)，在不同時(shí)間段權(quán)重值不同，客流量變化，權(quán)重值也隨著變化，因此，所得到的發(fā)車(chē)時(shí)間間隔會(huì)更精確。

表3 公交車(chē)發(fā)車(chē)時(shí)間間隔

1.3.2 實(shí)時(shí)動(dòng)態(tài)運(yùn)營(yíng)決策系統(tǒng)

靜態(tài)調(diào)度優(yōu)化模型為公交運(yùn)營(yíng)及調(diào)度的科學(xué)操作制定了理論依據(jù)，但實(shí)際的公交運(yùn)營(yíng)，由于受到天氣、道路交通環(huán)境及國(guó)家政策等突發(fā)因素的影響而偏離靜態(tài)調(diào)度模型。因此,需要根據(jù)異常突發(fā)事件的特點(diǎn)對(duì)靜態(tài)調(diào)度優(yōu)化模型進(jìn)行實(shí)時(shí)調(diào)整，如客流異常、線路運(yùn)行異常、車(chē)輛運(yùn)行異常及混合異常突發(fā)事件等。

半監(jiān)督學(xué)習(xí)[12-14]的研究從Shahshahani和Landgrebe的工作開(kāi)始，它結(jié)合了監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn),可以根據(jù)數(shù)據(jù)固有的特性，既不丟失完整的有標(biāo)記的數(shù)據(jù)信息，又能夠利用大量不完整數(shù)據(jù)(無(wú)類(lèi)標(biāo)號(hào)數(shù)據(jù))的信息進(jìn)行學(xué)習(xí)。半監(jiān)督學(xué)習(xí)是介于監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)二者之間，綜合考慮標(biāo)記樣本和未標(biāo)記樣本的一種機(jī)器學(xué)習(xí)方式，隨著機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展以及單一考慮已標(biāo)記樣本或未標(biāo)記樣本慢慢展現(xiàn)出的局限性，使得半監(jiān)督學(xué)習(xí)的研究逐漸成為一個(gè)熱點(diǎn)。半監(jiān)督學(xué)習(xí)嘗試同時(shí)使用標(biāo)記樣本和未標(biāo)記樣本對(duì)學(xué)習(xí)器進(jìn)行迭代訓(xùn)練，讓學(xué)習(xí)器自動(dòng)地利用大量未標(biāo)記樣本輔助少量有標(biāo)記樣本進(jìn)行學(xué)習(xí)，直到學(xué)習(xí)器輸出精度符合要求條件[15]。半監(jiān)督學(xué)習(xí)方法在減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間的同時(shí)也提高了網(wǎng)絡(luò)輸出精度。該系統(tǒng)主要解決基于遷移學(xué)習(xí)的多源信息數(shù)據(jù)[16]的半監(jiān)督聚類(lèi)和基于深度學(xué)習(xí)[17-19]的異常突發(fā)事件分類(lèi)檢測(cè)[20]及卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算加速。

mintr(M2-M1)+λ∑ζij+μ∑ξij

M2>0

(11)

AP聚類(lèi)算法是一種無(wú)監(jiān)督聚類(lèi)算法，沒(méi)有考慮如何有效地將多源信息數(shù)據(jù)中蘊(yùn)含的空間結(jié)構(gòu)信息融合到算法中。根據(jù)均值特征篩選法由少量的已標(biāo)記樣本構(gòu)建種子樣本，即利用少量已標(biāo)記樣本中抽取的知識(shí)對(duì)AP算法進(jìn)行初始化。利用新學(xué)習(xí)的相似性度量，結(jié)合這種種子樣本構(gòu)建策略，實(shí)現(xiàn)一種更有效的異常突發(fā)事件半監(jiān)督AP聚類(lèi)，用于公交調(diào)度的多源信息AP聚類(lèi)的遷移度量學(xué)習(xí)研究。鑒于AP算法中關(guān)于相似性度量的定義存在應(yīng)用領(lǐng)域的局限性，利用遷移學(xué)習(xí)思想尋找一種能夠包含公交多源信息信號(hào)固有結(jié)構(gòu)信息的相似性度量方法，以便更準(zhǔn)確地刻畫(huà)突發(fā)異常事件之間的相似度，并基于此相似性度量，研究一種突發(fā)異常事件的半監(jiān)督聚類(lèi)。

2)基于深度學(xué)習(xí)的異常突發(fā)事件分類(lèi)檢測(cè)及卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算加速。本文采用一種基于深度模型的特征學(xué)習(xí)算法，對(duì)輸入數(shù)據(jù)進(jìn)行無(wú)監(jiān)督的特征學(xué)習(xí)，然后將學(xué)習(xí)到的特征作為現(xiàn)有檢測(cè)模型的輸入。

該異常檢測(cè)方法包括2個(gè)階段：第一階段是模型的訓(xùn)練階段，模型的訓(xùn)練包括特征學(xué)習(xí)模型和檢測(cè)模型的訓(xùn)練。其中，數(shù)據(jù)預(yù)處理對(duì)輸入的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，并完成數(shù)據(jù)類(lèi)型的轉(zhuǎn)換等。特征學(xué)習(xí)模型的訓(xùn)練以經(jīng)過(guò)預(yù)處理的無(wú)標(biāo)簽數(shù)據(jù)作為輸入，對(duì)特征學(xué)習(xí)模型進(jìn)行無(wú)監(jiān)督的訓(xùn)練，將樣本在原空間的表示變換到一個(gè)新的特征空間。檢測(cè)模型的訓(xùn)練和測(cè)試應(yīng)用有標(biāo)簽的訓(xùn)練集和測(cè)試集進(jìn)行有監(jiān)督的訓(xùn)練和測(cè)試，此檢測(cè)模型可以采用任何可用于異常突發(fā)事件檢測(cè)的分類(lèi)算法，比如K最近鄰算法(K-nearest neighbor)，KNN、神經(jīng)網(wǎng)絡(luò)、SVM等。第二階段為異常檢測(cè)階段。該階段首先將輸入數(shù)據(jù)進(jìn)行預(yù)處理，然后應(yīng)用第一階段訓(xùn)練得到的特征學(xué)習(xí)模型，學(xué)習(xí)待分類(lèi)數(shù)據(jù)的特征，最后將學(xué)習(xí)到的數(shù)據(jù)特征作為檢測(cè)模型的輸入，對(duì)數(shù)據(jù)進(jìn)行檢測(cè)。

基于深度學(xué)習(xí)的異常突發(fā)事件分類(lèi)檢測(cè)研究，我們將重點(diǎn)研究卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)壓縮和運(yùn)算加速方法，以提升深度學(xué)習(xí)的實(shí)際應(yīng)用價(jià)值，便于構(gòu)建相關(guān)的公共交通移動(dòng)互聯(lián)應(yīng)用。模型參數(shù)壓縮的研究方案：①借鑒Hinton教授等提出的蒸餾的方法把大網(wǎng)絡(luò)或者多網(wǎng)絡(luò)輸出的結(jié)果作為監(jiān)督，重新訓(xùn)練一個(gè)參數(shù)更少的網(wǎng)絡(luò)，或者在此方法基礎(chǔ)上用大網(wǎng)絡(luò)的每一個(gè)隱含層輸出指導(dǎo)訓(xùn)練小網(wǎng)絡(luò)對(duì)應(yīng)隱含層的參數(shù)；②通過(guò)對(duì)卷積核加低秩約束，采用把深度神經(jīng)網(wǎng)絡(luò)參數(shù)張量分解為多個(gè)低秩張量的方法，并重新訓(xùn)練網(wǎng)絡(luò)，達(dá)到同時(shí)降低存儲(chǔ)量和運(yùn)算量的目的。

運(yùn)算加速的研究思路：①可以采用硬件上的并行化技術(shù)，如集群技術(shù)、GPU并行化、CPU的SIMD指令和ARM的NEON指令；②針對(duì)卷積運(yùn)算的特點(diǎn)，可以對(duì)數(shù)據(jù)和參數(shù)進(jìn)行快速傅里葉變換再進(jìn)行乘積運(yùn)算再反變換回來(lái)，這種加速算法在卷積模板較大的情況下已被證明優(yōu)勢(shì)非常明顯。

該加速算法適用于突發(fā)異常事件的高性能、低存儲(chǔ)深度學(xué)習(xí)模型構(gòu)建及訓(xùn)練。本文研究深度神經(jīng)網(wǎng)絡(luò)參數(shù)壓縮方法，以及運(yùn)算加速方法，探討兼顧效率與性能的深度學(xué)習(xí)框架。

2 與遺傳算法比較

2.1 遺傳算法

公交調(diào)度是一類(lèi)特殊的組合優(yōu)化問(wèn)題，針對(duì)這類(lèi)問(wèn)題的求解，遺傳算法[21-22]具有較大的優(yōu)勢(shì)。遺傳算法是一種借鑒生物界自然選擇和群體基因遺傳機(jī)理的隨機(jī)的、自適應(yīng)優(yōu)化的搜索算法，具有較好的可操作性、并行性和穩(wěn)健性。

2.2 遺傳算法實(shí)驗(yàn)評(píng)估

實(shí)驗(yàn)數(shù)據(jù)采用廣州BRT B2線路的客流量數(shù)據(jù)，具體的客流信息如表4所示。

表4 客流信息表

我們利用遺傳算法，結(jié)合公交調(diào)度模型，設(shè)定實(shí)驗(yàn)的基本參數(shù)：將一天運(yùn)營(yíng)時(shí)間劃分成16個(gè)時(shí)段，種群規(guī)模設(shè)定為100，迭代最大次數(shù)為100。通過(guò)2組實(shí)驗(yàn)分析適應(yīng)度值與變異率、交叉率的關(guān)系。第1組固定交叉率為0.6，設(shè)定變異率為0.4，隨著遺傳代數(shù)的增加，適應(yīng)度值隨著也在逐漸提高，從第20代開(kāi)始適應(yīng)度值有一個(gè)跳躍式增長(zhǎng)，到第70代趨于平穩(wěn)，說(shuō)明此時(shí)已達(dá)到最優(yōu)解區(qū)域。經(jīng)過(guò)100次迭代之后，最優(yōu)解開(kāi)始趨于穩(wěn)定，表明100次迭代次數(shù)是滿足算法的求解需求。第2組固定變異率為0.4，設(shè)定交叉率為0.6，發(fā)現(xiàn)交叉率較大，搜索到最優(yōu)解區(qū)域的速度明顯加快。AP聚類(lèi)算法與遺傳算法比較如表5所示。

表5 AP聚類(lèi)算法與遺傳算法比較

通過(guò)分析，遺傳算法本次程序運(yùn)行耗時(shí)32 s，基本能滿足公交調(diào)度的時(shí)效性要求。當(dāng)適應(yīng)度值為11.962 8時(shí)最為合理，可以使公交公司和乘客的利益達(dá)到最大化，當(dāng)適應(yīng)度函數(shù)為負(fù)值時(shí)，公交盈利目標(biāo)函數(shù)中參數(shù)接近與實(shí)際運(yùn)行狀態(tài)，即虧損狀態(tài)。由于遺傳算法存在易產(chǎn)生早熟、局部尋優(yōu)能力受種群規(guī)模限制、運(yùn)行效率低等缺點(diǎn)，得到的結(jié)果并不能更好地滿足乘客在高峰時(shí)段的需求及體現(xiàn)乘客需求分布的特點(diǎn)。AP聚類(lèi)算法在解決智能公交調(diào)度方面是有效、可靠的，AP聚類(lèi)算法程序運(yùn)行耗時(shí)16 s，完全能滿足公交調(diào)度的時(shí)效性要求。該算法運(yùn)行效率比遺傳算法更高，發(fā)車(chē)時(shí)間間隔比遺傳算法更精確，該調(diào)度優(yōu)化模型不僅可以最大化公交公司利益和提升乘客的乘車(chē)體驗(yàn)，還可以滿足乘客在高峰時(shí)段的需求，實(shí)現(xiàn)實(shí)時(shí)公交動(dòng)態(tài)調(diào)度。

3 試點(diǎn)線路驗(yàn)證

公交線路運(yùn)營(yíng)過(guò)程的動(dòng)態(tài)行為，公交車(chē)輛在首站按發(fā)車(chē)時(shí)刻表發(fā)車(chē)，自始發(fā)站乘客上車(chē)，經(jīng)區(qū)間運(yùn)行，中途各站乘客上下車(chē)，直至終點(diǎn)站乘客全部下車(chē)，公交車(chē)輛將乘客運(yùn)送到各自的目的地。在各車(chē)站，乘客不斷地隨機(jī)到達(dá)等待上車(chē)。當(dāng)公交車(chē)輛到站時(shí)，乘客上下車(chē)。根據(jù)客流量的時(shí)間分布，在不同時(shí)段可采用不同的發(fā)車(chē)間隔，由此可使客流量較大的時(shí)段其車(chē)流密度也較大。如果公交車(chē)按設(shè)定方案發(fā)車(chē)運(yùn)行，乘客在不同時(shí)段以不同的客流密度隨機(jī)到站乘車(chē)，形成了實(shí)時(shí)的動(dòng)態(tài)的公交車(chē)輛運(yùn)營(yíng)的全過(guò)程。通過(guò)對(duì)廣州公交3條試點(diǎn)線路驗(yàn)證，其顯著成效主要表現(xiàn)如下。

通過(guò)對(duì)線路的調(diào)查及公交調(diào)度優(yōu)化模型的數(shù)據(jù)指標(biāo)，針對(duì)廣州公交81線路、132線路、581線路的線路特征采取相關(guān)措施優(yōu)化調(diào)度：①增加線路運(yùn)力，高峰期間抽調(diào)車(chē)輛支援，確保線路高峰期運(yùn)力配置到位；②抓早、晚高峰出車(chē)率和司機(jī)出勤率，減少車(chē)輛故障、交通事故；③抓客流高斷面班次，采取常規(guī)公交與大站快車(chē)組合、常規(guī)公交與區(qū)間車(chē)組合的調(diào)度優(yōu)化模型，制定月度線路考核標(biāo)準(zhǔn)，尤其對(duì)早晚高峰營(yíng)運(yùn)重點(diǎn)監(jiān)控。對(duì)3條線路公交車(chē)上安裝視頻客流檢測(cè)設(shè)備，輔助調(diào)度優(yōu)化工作。在結(jié)合運(yùn)用智能公交調(diào)度系統(tǒng)后，通過(guò)對(duì)3條試點(diǎn)線路調(diào)度優(yōu)化措施實(shí)施前后進(jìn)行比較，客量、載程、車(chē)日班次、日均班次、車(chē)日行程、早高峰出車(chē)率、晚高峰出車(chē)率等特征指標(biāo)方面均有一定的提升，81線路、132線路、581線路試點(diǎn)前后的重要特征數(shù)據(jù)對(duì)比如表6所示。

表6 試點(diǎn)線路前后重要特征數(shù)據(jù)對(duì)比表

通過(guò)優(yōu)化公交調(diào)度系統(tǒng)，提高了載客里程、日發(fā)班車(chē)次、高峰時(shí)段出車(chē)率，有助于增加公交客流量，提高公交運(yùn)營(yíng)收入，提升公交整體服務(wù)水平。據(jù)了解，2016年11月至2017年6月期間，81線路車(chē)次合計(jì)實(shí)現(xiàn)同比上升4.43%，載客里程實(shí)現(xiàn)同比上升19.58%。

4 結(jié)束語(yǔ)

本文是在對(duì)廣州市公交現(xiàn)有的公交調(diào)度系統(tǒng)調(diào)研的基礎(chǔ)上，提出運(yùn)用AP聚類(lèi)的相關(guān)理論，建立公交調(diào)度優(yōu)化的數(shù)學(xué)模型，運(yùn)用無(wú)監(jiān)督學(xué)習(xí)實(shí)現(xiàn)對(duì)調(diào)度模型的求解。從公交短時(shí)客流預(yù)測(cè)和線網(wǎng)發(fā)車(chē)間隔的調(diào)度為出發(fā)點(diǎn)，對(duì)公交調(diào)度系統(tǒng)進(jìn)行優(yōu)化，運(yùn)用公交線網(wǎng)發(fā)車(chē)間隔優(yōu)化調(diào)度數(shù)學(xué)模型，將多源信息融合及多策略的實(shí)時(shí)公交動(dòng)態(tài)調(diào)度算法引入到求解模型中，實(shí)例證明，模型和算法具有實(shí)用性和可靠性。無(wú)監(jiān)督學(xué)習(xí)AP聚類(lèi)算法在公交調(diào)度中的應(yīng)用為公交線網(wǎng)優(yōu)化、運(yùn)營(yíng)調(diào)度計(jì)劃制定以及提高公交資源利用效率、降低運(yùn)營(yíng)成本提供了科學(xué)依據(jù)。