一种基于混合智能算法的地铁安全防撞时刻表优化方法

技术领域

本发明涉及一种基于混合智能算法的地铁安全防撞时刻表优化方法，属于城市公共交通系统领域。

背景技术

地铁具有运量大、速度快、安全准点等特点，但在运营过程中也会产生大量的能耗，通过优化列车时刻表达到节能的目的，对于提高地铁运营公司经济效益，减少能源消耗具有重要意义。

列车在实际运营中，由于相邻站点之间距离较短导致司机在驾驶过程中频繁制动与牵引，增加了运营能耗，使得企业对再生电能利用的需求愈加迫切。现然而，目前大部分的研究在优化地铁运营时刻表时很少借用地铁实际运营数据，引发诸多问题，例如利用理论速度曲线计算列车再生电能利用量，忽略了现实因素导致实际速度曲线与理论速度曲线的差异，从而引发列车间再生电能利用量评估不准确的问题。

因此，地铁运营公司如果能够利用列车实际运行数据，准确评估再生电能利用量进而优化时刻表，提高列车间再生电能利用量，就可以减少列车实际运行能耗，实现地铁运营的节能环保。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于混合智能算法的地铁安全防撞时刻表优化方法，针对目前地铁运营能耗大，列车频繁制动且发车间隔均匀的特点，其中设计了一种模拟列车间再生电能吸收量的算法，该算法运用列车在站间的位置、速度、牵引力和制动力数据，更加准确的计算实际运行中的再生电能，并计算列车间安全防撞的最小发车间隔，采用混合智能算法结合神经网络以最大化再生电能吸收量为目标，优化地铁的停站时间和发车间隔，提升地铁再生电能吸收量，并确保地铁列车的运营安全，从而达到地铁运营更加节能环保和安全的目的。

本发明的一种基于混合智能算法的地铁安全防撞时刻表优化方法，通过以下步骤实现：

(1)基于地铁在站间运行状态的时间序列数据，提取出列车的站间运行数据，所述运行数据包括位置数据、速度数据、牵引力数据和制动力数据；

(2)对步骤(1)提取的列车的站间运行数据收集进行预处理；

(3)根据列车停站时间的取值范围，生成列车在各站的停站时间，基于步骤(2)预处理后的数据，根据列车间防撞的安全约束，计算给定停站时间下列车的发车间隔下界；

(4)基于列车的位置数据、牵引力和制动力数据，设计一种模拟列车间再生电能吸收量算法，然后采用后向反馈神经网络算法拟合所述模拟列车间再生电能吸收量算法，得到再生电能吸收量，并以最大化再生电能吸收量为目标，建立数据驱动的约束优化模型；所述约束优化模型包含四个约束条件，分别是列车间的安全防撞约束、发车间隔的均匀性约束、列车运营时间约束和站台乘客容量约束；列车间的安全防撞约束用于限定发车间隔的取值范围，保证在当前停站时间下，前后列车在任意时间紧急制动，前后列车不会相撞；发车间隔的均匀性约束用于限定各列车之间发车间隔的均匀程度；列车运营时间约束用于列车在目标线路的总运营时间给定；站台乘客容量约束用于给定发车间隔下，到达车站的乘客数量满足站台乘客容量；

(5)基于给定的停站时间，设计了优化发车间隔的遗传算法，并得到给定停站时间下最优的发车间隔；

(6)设计优化列车在各站的停站时间模拟退火算法，生成两种新解操作以优化停站时间，并得到当前停站时间对应的最优发车间隔；所述两种新解操作分别是基于片段交换的生成新解操作和基于单点变异的生成新解操作；

(7)采用混合智能算法得到优化后的列车时刻表，所述混合智能算法具体实现为：利用停站时间及列车站间运行数据计算发车间隔的安全阈值，利用步骤(5)设计的遗传算法优化列车发车间隔，再利用步骤(6)设计的优化列车在各站的停站时间模拟退火算法优化停站时间，并在其中设计后向反馈神经网络算法作为计算再生电能吸收值的适应度函数，最终得到优化后的列车时刻表。

所述步骤(3)和(4)中的约束，具体为：

列车间的安全防撞约束：基于列车在站间的位置和速度数据，如果列车i在时刻t采取紧急制动，列车i+1在时刻t+Δ采取紧急制动，列车i与列车i+1之间的制动距离为：

两列车的位置差为：

dp

D(t，Δ，x

其中，a是列车的制动减速度，v

发车间隔的均匀性约束：用于限定各列车之间发车间隔的均匀程度：

U(x

其中，x

列车运营时间约束：列车在目标线路的总运营时间给定，具体表示为：

x

其中，x

站台乘客容量约束：给定发车间隔下，到达车站的乘客数量满足站台乘客容量，具体表示为：

C(x

C(x

其中，x

满足以上约束条件的停站时间和发车间隔组合，称之为可行解。在可行解的解空间内寻找能使再生电能吸收量最大的停站时间和发车间隔组合，这个组合即是该约束优化模型的最优解。

所述步骤(4)中基于列车的位置数据、牵引力和制动力数据，设计一种模拟列车间再生电能吸收量算法，设计的后向反馈神经网络算法拟合所述模拟列车间再生电能吸收量算法，具体为：

(41)列车的位置数据、牵引力和制动力数据以及列车的停站时间和发车间隔共同组成了列车的运行数据，采用模拟列车间再生电能吸收量算法得到再生电能吸收量，下面公式分别是再生电能吸收量，以及牵引能量和制动能量的计算公式，即：

其中，E代表列车间的再生电能吸收量，

首先初始化再生电能吸收量E，牵引能量

(42)接下来，设计后向反馈神经网络算法拟合(41)中的模拟列车间再生电能吸收量算法，具体为：首先采用网格搜索法，将列车停站时间及发车间隔可能的取值进行排列组合，并采用模拟再生电能吸收的算法，计算出相应的再生电能吸收值。训练后向反馈神经网络需要数据集，将停站时间和发车间隔组合作为训练后向反馈神经网络的输入数据集，对应的再生电能吸收值作为神经网络的输出数据集。然后确定神经网络的结构，即确定隐含层节点的个数。利用隐含层节点的经验公式，确定出目前最优的隐含层节点个数，得到模拟再生电能吸收量的神经网络结构，神经网络隐层节点的经验公式为：

其中，r代表隐含层节点的个数，n

所述步骤(5)中，优化发车间隔的遗传算法包括选择、多个交叉和变异操作，具体实现为：

根据种群的适应度值进行降序排序，适应度值越高的染色体，被选择的可能性越大；其中适应度值即为再生电能吸收量，染色体评价函数如下：

Esti(x

其中，Esti(x

多个交叉操作包含三种，分别是线性交叉操作、片段交叉操作和多点交叉操作。将[0，1]区间划分为三等分，分别是[pc

如果pc

Y(ω)＝b*X

其中，b的可能取值为b∈{0.25，0.5，0.75}，在本算法里代表线性交叉的线性因子，σ为(0，1)区间内的实数，p

如果pc

如果pc

随着迭代次数增加，交叉操作的执行概率pc

变异操作包含三种，分别是单点交换操作、片段变异操作、片段平移操作。将(0，1)区间划分为三等分，分别是[pm

如果pm

所述单点交换操作的步骤为：生成随机数σ∈(0，1)，如果σ≤p

如果pm

所述片段变异操作的步骤为：生成随机数σ∈(0，1)，如果σ≤p

如果pm

所述片段平移操作的步骤为：生成随机数σ∈(0，1)，如果σ≤p

随着迭代次数增加，变异操作的执行概率pm

上述遗传算法与传统遗传算法的区别在于本算法提出了多个交叉和变异操作，其中交叉操作包括线性交叉操作、片段交叉操作和多点交叉操作，变异操作包括单点交换操作、片段变异操作、片段平移操作，且随着初始解的迭代，解会向着高质量解的方向自适应选择交叉和变异操作。而基于该发明提出的数据驱动约束优化模型，列车间的发车间隔与再生电能吸收量之间是一种非单调、非凸、多模态的关系，启发式智能算法正适用于求解这类模型，本发明提出的带有多个交叉和变异操作的遗传算法更加高效地为解决了难题。

所述步骤(6)中模拟退火算法的两种生成新解操作为：

基于片段交换的生成新解操作：随机选择旧解S

基于单点变异的生成新解操作：随机选择旧解S

随机产生属于[0，1]之间的随机数ε，如果ε≤0.5，便执行片段交换操作；如果ε＞0.5，便执行单点变异操作。

所述步骤(7)中，形成混合智能算法优化列车时刻表的具体实现过程如下：

该混合智能算法综合优化了地铁列车的停站时间和发车间隔以提高列车间的再生电能吸收量。由于该混合智能算法是嵌套启发式算法，故需要大规模计算再生电能吸收值，而模拟再生电能吸收值算法需要较长的计算时间，所以本算法设计了神经网络算法逼近该模拟算法，以提高混合智能算法的计算效率。该发明的创新点在于提出了一种混合智能算法与神经网络相结合的算法架构，在保证算法时效性的情况下还能在更大解空间中得到最优解。

本发明与现有技术相比具有以下有益效果：

(1)本发明能够有效提高算法的计算效率，满足地铁运营的时效性需求。

(2)本发明基于真实数据开展列车时刻表优化研究，建立“用数据规划、用数据决策、用数据管理”的地铁调度方法，更加贴合地铁的实际运营，提高了时刻表的安全性和可靠性。

(3)本发明提出的基于混合智能算法的地铁时刻表优化方法，通过集成优化列车的发车间隔和停站时间，有效提高了列车时刻表的最优性。

(4)本发明中的混合智能算法综合优化了地铁列车的停站时间和发车间隔以提高列车间的再生电能吸收量。先初始化停站时间，考虑到地铁运行的安全性，首先利用停站时间及列车站间运行数据计算发车间隔的安全阈值，然后利用遗传算法优化列车发车间隔，再利用模拟退火算法优化停站时间，并设计了后向反馈神经网络算法作为计算再生电能吸收值的适应度函数，最终得到优化后的列车时刻表。由于该混合智能算法是嵌套启发式算法，故需要大规模计算再生电能吸收值，而模拟再生电能吸收值算法需要较长的计算时间，所以本算法设计了神经网络算法逼近该模拟算法，以提高混合智能算法的计算效率。该发明的创新点在于提出了一种混合智能算法与神经网络相结合的算法架构，在保证算法时效性的情况下还能在更大解空间中得到最优解。

(5)本发明在不增加地铁运营公司成本的前提下，利用大量的地铁运营数据，设计了一种模拟列车间再生电能吸收量的算法，计算列车间安全防撞的最小发车间隔，并采用“遗传+模拟退火”混合智能算法优化列车的停站时间和发车间隔，在保证安全性的前提下最大化再生电能的吸收量，对城市轨道交通的节能环保具有重要的现实意义。

附图说明

图1为基于混合智能算法的地铁时刻表优化过程示意图；

图2为混合智能算法的框架结构示意图；

图3为遗传算法中的交叉操作示意图；

图4为遗传算法中的变异操作示意图；

图5为模拟退火算法的生成新解操作示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例：

北京地铁昌平线是北京市第十条建成运营的地铁线路，南起海淀区西二旗站，北至昌平区昌平西山口站，全长31.9千米，共设12座车站。北京地铁昌平线的线路上共设有5个变电站用于供电，分别位于0m、5456m、11674m、15685m、21053m处。本实施例选取了北京地铁昌平线从西二旗站到昌平西山口站的一组数据集，采样频率为每秒5个记录，每条记录包含时间戳、列车速度、列车位置、单位力、线路梯度、列车质量、网络电压、车站索引、下一站索引等多个属性。由于沿线有12个车站，数据集由11个站间的运行数据组成，见下表1。使用的数据主要包括列车速度、列车位置、单位力等。

图1所示，本发明提出的基于混合智能算法的地铁安全防撞时刻表优化方法，通过以下步骤实现：

(1)根据北京地铁昌平线路的实时运行数据，提取出该列车的站间运行数据，包括列车的位置数据，列车的速度数据，列车的牵引力数据；

(2)对步骤(1)收集的位置数据、牵引力数据进行预处理。具体包括：对收集的位置数据、牵引力数据进行预处理，删减和规约化处理。

本实施例需要列车在站间的运行状态数据，需要将原数据集中的在站点的停站时间部分数据删除,同时在计算列车间再生电能吸收量时需要列车牵引力和制动力数据，需要将原数据集中的牵引力和制动力数据进行规约化处理。表1为北京地铁昌平线路各站点位置，站间距离以及站间运行时间。

表1列车数据

(3)结合列车的位置数据、牵引力和制动力数据，设计算法模拟列车之间再生电能吸收量，以列车间再生电能吸收量最大为目标，建立安全防撞约束优化问题；结合列车的位置数据和牵引力数据，设计目标函数的算法，以列车间再生电能吸收量最大为目标，建立约束优化问题。

(4)基于列车的位置数据、牵引力和制动力数据，设计一种模拟列车间再生电能吸收量的算法，然后采用后向反馈神经网络算法逼近上述模拟算法。建立BP神经网络首先需要输入数据和输出数据，输入数据是由停站时间和发车间隔组成的向量，输出数据是算法模拟的再生电能吸收值。其中停站时间的可能取值为{30,35,40,45,50,55,60}，列车的发车间隔可能取值为{60,80,100,120,140,160,180,200,220,240,260,280,300}，由于发车间隔需要满足总和为3600，这里选取满足条件的发车间隔与停站时间组合，以等距抽样的方式选取了18000个数据作为神经网络的输入数据，对应的能量值为神经网络的输出数据。

BP神经网络的隐含层节点按照神经网络隐层节点的经验公式：

其中，r代表隐含层节点的个数，n

建立数据驱动的约束优化模型；该模型包含四个约束条件，分别是列车间的安全防撞约束，发车间隔的均匀性约束，列车运营时间约束和站台乘客容量约束。

根据列车停站时间的取值范围，生成列车停站时间，结合步骤(2)提取的列车位置和速度数据，根据列车间防撞的安全约束，计算给定停站时间下列车的发车间隔下界；具体包括：

列车间的安全防撞约束：基于列车在站间的位置和速度数据，如果列车i在时刻t采取紧急制动，列车i+1在时刻t+Δ采取紧急制动，列车i与列车i+1之间的制动距离为：

两列车的位置差为：

dp

D(t，Δ，x

其中，a是列车的制动减速度，v

表2列车停站时间及发车间隔下界

发车间隔的均匀性约束：用于限定各列车之间发车间隔的均匀程度：

U(x

x

列车运营时间约束：列车在目标线路的总运营时间给定，具体表示为：

x

给定发车间隔下，乘客到达车站的数量满足站台乘客容量约束：

C(x

C(x

x

(5)基于给定的停站时间，采用遗传算法优化发车间隔，得到给定停站时间下最优的发车间隔。设定遗传算法的迭代次数为100次，交叉概率为p

根据种群的适应度值进行降序排序，适应度值越高的染色体，被选择的可能性越大；其中适应度值即为再生电能吸收量，染色体评价函数如下：

Esti(x

其中，Esti(x

多个交叉操作包含三种，分别是线性交叉操作、片段交叉操作和多点交叉操作。将[0，1]区间划分为三等分，分别是[pc

如果pc

Y(b)＝b*X

其中，b的可能取值为b∈{0.25，0.5，0.75}，在本算法里代表线性交叉的线性因子，σ为(0，1)区间内的实数，p

如果pc

如果pc

随着迭代次数增加，交叉操作的执行概率pc

如图3所示，为遗传算法中的交叉操作示意图。在对种群进行交叉操作时，将概率区间划分为三等分，并设定相应的交叉概率，满足条件时即可执行相应的交叉操作。三种交叉操作分别是线性交叉，片段交叉及多点交叉。算法会根据交叉操作后适应度值的变化，自适应调节概率区间，保证算法的搜索方向是向更优的解探索。

变异操作包含三种，分别是单点交换操作、片段变异操作、片段平移操作；将(0，1)区间划分为三等分，分别是[pm

如果pm

所述单点交换操作的步骤为：生成随机数σ∈(0，1)，如果σ≤p

如果pm

所述片段变异操作的步骤为：生成随机数σ∈(0，1)，如果σ≤p

如果pm

所述片段平移操作的步骤为：生成随机数σ∈(0，1)，如果σ≤p

如图4所示，为遗传算法中的变异操作示意图。在对种群进行变异操作时，将概率区间划分为三等分，并设定相应的变异概率，满足条件时即可执行相应的变异操作。三种变异操作分别是多点交换变异、片段交换变异及片段平移变异。算法会根据变异操作后适应度值的变化，自适应调节概率区间，保证算法的搜索方向是向更优的解探索。

(6)采用模拟退火算法优化列车在各站的停站时间，并得到当前停站时间对应的最优发车间隔。如图5所示，为模拟退火算法中基于片段交换和单点变异的两种生成新解操作示意图。基于片段交换的生成新解操作：随机选择旧解中的两个片段，将旧解的两个片段进行交换，产生一个新解。基于单点变异的生成新解操作：随机选择旧解中的一个点，将该位置的值变异产生新的解。

(7)基于步骤(4)中的神经网络算法、步骤(5)中的遗传算法以及步骤(6)中的模拟退火算法，形成混合智能算法优化列车时刻表。对停站时间种群采取两种生成新解的操作，并进行迭代，直至满足终止条件，最终得到最优的列车停站时间和发车间隔，完成对列车时刻表的优化。本发明测试了模拟退火算法中马尔科夫链长L和降温速率q这两个参数。通过查阅相关文献，取L的取值范围为{10，20，30，40，50}，q的取值范围为{0.85，0.9，0.95}。表4展示了不同参数组合下的神经网络预测的目标函数值以及理论上的目标函数值(amountof regenerative energy absorption，AREA)，以及它们的相对误差百分比(RelativeError，RE)。

表4模拟退火参数

上述步骤(6)、(7)中，测试了“遗传+模拟退火”算法的性能，如表5所示，列出了该混合智能算法寻找的最优值和相应的计算时间。

表5算法结果

如图2所示，为混合智能算法的框架结构示意图，首先对停站时间进行编码，由此得出列车的运营数据，进一步计算出在列车安全防撞约束下发车间隔的阈值。进而对发车间隔进行编码，计算种群的适应度值，即列车的再生电能吸收值。在计算种群的适应度值时，采用后向反馈(BP)神经网络对再生电能吸收量模拟算法进行拟合，用神经网络代替目标函数进一步提高了算法效率。根据种群的适应度值排序，对种群进行选择，交叉和变异操作，直到满足终止迭代条件。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。