城市轨道交通换乘枢纽进出站设施仿真与优化研究.docx
- 文档编号:7977246
- 上传时间:2023-01-27
- 格式:DOCX
- 页数:23
- 大小:420.23KB
城市轨道交通换乘枢纽进出站设施仿真与优化研究.docx
《城市轨道交通换乘枢纽进出站设施仿真与优化研究.docx》由会员分享,可在线阅读,更多相关《城市轨道交通换乘枢纽进出站设施仿真与优化研究.docx(23页珍藏版)》请在冰豆网上搜索。
城市轨道交通换乘枢纽进出站设施仿真与优化研究
城市轨道交通换乘枢纽进出站设施仿真与优化研究
轨道交通换乘枢纽,客流量较大,闸机的通行速度不能满足乘客使用要求的矛盾愈显突出。
4.3.2闸机理想通行能力研究
闸机是安装在轨道交通换乘枢纽站厅层付费区与非付费区之间的设备。
乘客进入付费区时,闸机对乘客的车票进行有效性检查并写入相应信息,给持有效车票的乘客放行。
当乘客离开付费区时,闸机再次检查乘客车票的有效性,回收单程票后放行,对储值票检查有效性后扣费放行。
同时,车票中预设好日期、时问、入站地点、票状态、余额等参数,经闸机检测,判断其有效性,从而达到自动检票通行的作用。
我国大部分地铁车站使用的是剪式扇门闸机,车票大都采用非接触IC卡。
图4-2闸机工作原理图
扇门式出站闸机的通行能力、机器性能与乘客的操作行为有关,因此可以有很多出站模式组合:
(1)第一个乘客完全通过出站闸机,第二个乘客才刷卡
式中:
t——乘客通过隐藏扇门式出站闸机占用闸机的时间;
t0——乘客刷卡所用的时间;
S——隐藏扇门式出站闸机长度;
v——乘客通过隐藏扇门式出站闸机时的走行速度。
(2)第一个乘客通过B点后,第二个乘客才刷卡
式中:
s——隐藏扇门式出站闸机头部距最远一组安全传感器的距离。
(3)第一个乘客通过B点时,第二个乘客已刷卡,且二者保持一定的识别距离
式中:
L——在通道内相邻两个乘客之间可识别的最小距离。
一般行人的行走速度是1.1—1.4m/s,快速行走可达到1.7—2.2m/s。
假设乘客出站的走行速度相同,令v=1.1m/s,t0=0.3s,S=1.9m,s=1.1m,L=0.6m,采用以上三种公式得到的通行能力分别是30人/min、46人/min和110人/min。
国标中规定门式闸机的通行能力大于35人/min;部分技术规格书中规定使用储值卡的大于60人/min,使用筹码的大于40人/min。
在实际营运中,隐藏扇门式出站闸机的性能确定后,通行能力完全受控于乘客的操作行为,很难达到设计要求的通行能力。
4.4.自动售票机的优化研究
1.
第五章宏观进、出站通过售检票机客流建模
5.1.乘客进站流线及行为过程分析
将乘客在某地铁站搭乘地铁的过程流线可以描述为:
经过安检服务,售票服务,由地铁站进站口处刷卡进站,通过人行通道,到达站台候车并最终上车。
依据排队论理论,可以把这个过程简化成一个排队系统。
根据进站流线以及乘客进站行为过程分析,通过分析拥挤瓶颈地点的排队现象,根据排队论相关内容对客流进站过程进行建模。
针对城市轨道交通车站进出站自动检票设施的优化配置问题,可转化为车站检票设施乘客排队系统进行描述及解决,但对于这一类复杂的多通道系统,目前还没有经典的解析模型,若对问题进行种种简化假设,又会使结果不符合实际。
因此,本论文采用计算机仿真结合优化算法来确定车站进出站检票机合理的数量配置问题。
5.3.遗传算法概述
遗传算法是一种基于“适者生存”原则,具有高度并行、随机和自适应特性的优化算法。
它将问题的求解表示成“染色体”的适者生存过程,通过“染色体”群的一代代不断进化,包括复制、交叉和变异等操作,最终收敛到“最适应环境”的个体,从而求得问题的最优解或满意解。
遗传算法的编码技术和遗传操作比较简单,优化不受限制性条件的约束。
遗传算法两个最显著特点则是隐含并行性和全局解空间搜索。
5.3.2遗传算法的基本流程
遗传操作在整个进化过程中是随机的,但它所呈现出的特性并不是完全随机搜索。
它能有效地利用历史信息来推测下一代期望性能有所提高的寻优点集。
这样一代代地不断进化,最后收敛到一个最适应环境的个体上,求得问题的最优解。
简单遗传算法的基本流程如图5-2所示。
图5-2遗传算法流程图
从图中可以看出,遗传算法所涉及的五大要素包括参数编码、初始群体的设定、适配值函数的设计、遗传操作的设计和控制参数的设定。
5.4.基于UML的排队系统模型和结合遗传算法的排队系统优化方法
5.4.1排队系统流程分析和仿真模型活动图
乘客在排队系统中的具体流程如下:
乘客进入排队系统,首先判断各个检票机的目前状态(排队人数的多少),选择合适的检票机(一般是队列最短的),进入该队等待;队首乘客服务结束离去,乘客排队位置前移,继续等待;当到达队首时,开始接受服务;服务结束后离去;下一乘客继续接受服务。
如图6-3所示。
常见的仿真方法有事件调度法、活动扫描法、进程交互法、三阶扫描法(三阶段法)等。
由于排队系统内事件类型较少,事件之间的关系也比较简单,故采用事件调度法。
采用该方法时,到达事件和离去事件,都存放在事件列表中,当仿真程序运行时,扫描事件列表,把仿真时刻推进到最早事件发生时刻。
事件调度法的基本思想是:
将事件例程作为仿真模型的基本单元,按照事件发生的先后顺序不断地执行相应的事件例程。
每一事先可预知其发生时间的确定事件(如乘客到达、离去)都带有一个事件例程,用以处理事件发生后实体状态发生的变化,并安排后续事件;条件事件(如乘客结束排队)不具有事件例程,对它的处理隐含在某一确定事件的例程中。
图5-3乘客活动图
排队系统仿真模型的活动流程(具体如图5-4所示)如下:
(1)系统初始化,主要是各种参数的设置,诸如仿真时钟、事件列表、队列、检票机状态等;初始事件发生时间;各种记数装置的初始化等;
(2)选择最早发生事件,即比较事件列表中到达事件与离去事件的发生时刻,选择最早时刻发生的事件;
(3)确定事件发生时刻,并在事件列表中补入下一事件;推动仿真时钟到最早事件发生时刻;
(4)确定事件类型,如果是到达事件转入(5),如果是离去事件转入(7);
(5)乘客到达处理,包括选择服务台,进入队列;乘客信息处理等,如果队列为空,转入(9),否则转入(6);
(6)等待处理。
乘客位置前移,信息更新,直至队首;
(7)离去事件处理。
保留离去乘客时间,统计等待时间,销毁乘客对象等。
如果队列为空,转入(8),否则转入(9);
(8)服务台闲置处理;
(9)服务处理。
包括产生服务时间,统计服务总时间,乘客信息更新等;
(10)如果仿真时间未到,转入
(2),否则,转入(11);
(11)输出系统性能参数。
包括统计到达总人数,平均服务时间,平均等待时间,输出计算结果等。
图5-4仿真系统活动图
5.4.2系统主要对象的状态图和对象交互的顺序图
系统中的对象改变自身的状态以响应事件和时间的流逝。
UML状态图描述这些状态的变化。
状态图的焦点是一个对象的状态变化。
状态图用圆角矩形表示,状态转移用带箭头的实线表示,指向目标状态。
顺序图在对象交互的表示中加入时间维,由采用通常方式表示的对象组成,对象用矩形框表示,其中是带下划线的对象名,消息用带箭头的实线表示,时间用垂直虚线表示。
乘客在排队系统中主要状态有到达、选择、等待、移动、服务、离去等几种。
根据检票机队列的情况,分为等待-服务和服务两种情形,分别用状态图5-5,5-6表示。
图5-5乘客状态图
(1)图5-6乘客状态图
(2)
队在排队系统中主要状态有队长增加、队长减少两种状态。
服务台在排队系统中同样有两种状态:
服务台忙和闲。
它们的状态转变取决于队列的空与满。
相比较而言,它们的状态图比较简单,如图5-7,5-8所示。
图5-7队列状态图
图5-8服务台状态图
在到达事件处理的顺序图中,包含系统、事件、队三个对象。
它们紧密配合完成事件处理的一系列操作。
首先系统对象从事件列表中选择最早发生的事件,通知事件对象产生下一到达事件的发生时刻。
事件对象返回下一到达事件发生时刻,系统对象整理事件列表,然后发消息通知时钟对象推动仿真时钟到下一时刻,仿真进入事件发生时刻,系统对象开始事件处理。
如图5-9所示。
图5-9到达事件处理顺序图
在乘客到达顺序图中(假设各队列均不空),包含系统、乘客、队三个对象。
系统向乘客对象发送到达事件发生的消息,乘客进行到达处理的操作(记录到达时刻,选择合适的队列),通知系统乘客到达,发送选择队列消息给对应的队对象,队对象进行自加操作,返回队列值、位置信息给顾客,乘客进行等待处理。
如图5-10所示。
图5-10乘客到达顺序图
5.4.3计算机仿真和遗传算法相结合解决排队系统优化问题
排队系统的最优化问题包括系统的最优设计(静态最优)和己有系统的最优运行控制(动态最优)。
在给出的质量指标下寻求最优设计的问题,称为排队系统设计的最优化问题,这类问题一般较容易求解。
排队系统控制最优化问题是对己有的排队系统寻求最优运行策略,它是时间的函数,解决起来较困难、复杂。
遗传算法具有高度并行,全局搜索等优点,且编码简单、易于实现。
为加快排队系统优化速度,满足解决排队系统优化问题的需要,本论文尝试使用遗传算法结合仿真模型的方法解决排队系统优化问题。
以上节使用UML建立的排队系统仿真模型为基础,编写排队系统仿真程序。
该程序模拟排队系统在一定客流量和服务强度下,配置一定检票机台数的运行状态,输出检票机能力利用率、乘客排队百分比、乘客平均排队时间和乘客平均排队长度等四个描述排队系统性能指标的重要参数,它们与设定指标的差值,作为遗传算法的适配值函数。
根据适配值函数,确定遗传算法的优化方向,从而进行遗传操作。
在使用此方法解决排队系统优化问题过程中,以检票机配置数作为系统优化的目标,适合遗传算法的二进制编码方案;既满足乘客服务需求,又要兼顾系统运营成本的特点,完全可以作为遗传算法的终止准则;使用仿真程序模拟排队系统运行,获得系统性能指标,适当处理作为遗传算法的适配值函数是本方法的最大特点。
针对排队系统优化问题的特点,对遗传算法的具体操作和参数作了一定的设计
(1)确定编码方案
算法的优化目标是检票机的配置数目,即根据客流量适当选择各检票机的状态。
因此,选用二进制编码就能很好解决该问题,二进制编码个数表示系统现有检票机数目。
检票机配置数的平均值作为仿真程序的参数。
(2)确定适配值函数
适配值函数用于对个体进行评价,也是优化过程发展的依据。
适配值函数是本算法的一个重点问题。
传统的优化算法都用数值函数作为适配值函数,这种方法并不适用排队系统优化问题,因为实际的排队系统十分复杂,模型很难用解析法进行求解或者求解非常复杂。
而通过计算机仿真,得到系统运行的一些性能参数,如排队队长,平均等待时间,作为整个种群的评价标准,确定系统的优化方向,进而对个体进行遗传操作。
(3)遗传算子的设计
复制操作最常用的方法是比例复制和基于排名的复制,前者以正比于个体适配值的概率来选择相应的个体,后者则基于个体在种群中的排名来选择相应的个体。
这里依据仿真结果进行选择,当性能参数远大于标准值(性能参数允许最大值)时,选择窗口开放数目较大的个体,反之,选择较小的,若接近标准值时,则选择窗口开放数目居中的。
交叉操作用于组合出新的个体,在解空间中进行有效搜索,同时降低对有效模式的破坏概率。
这里采用两点交叉,即随机选择两个个体,随机选择两个位置,交换两位置之间子串。
变异操作有利于增加种群多样性,避免早熟。
采用替换式变异,即用另一种基因替换某位值原先的基因。
(4)确定种群数目
种群数目过大,计算量急剧增大,算法效率下降;种群数目过小,容易陷入局部最优解。
因此,种群数目的确定应根据排队系统的实际情况,具体而定。
(5)确定算法终止条件
当仿真模型给出性能指标满足事先给定条件时,算法终止。
算法流程如下:
1)初始种群生成;
2)预处理;
3)调用仿真程序,获得性能参数;
4)判断是否满足终止准则,满足,执行8),不满足,执行5);
5)进行复制操作;
6)进行交叉操作;
7)进行变异操作,返回3);
8)输出结果。
第六章地铁站进出站设施优化配置应用
以西安地铁二号线市图书馆站为例。
6.1.进出站自动检票设施处乘客流交通特性分析
乘客到达车站是一个随机过程,通过实际的统计调查可以得到乘客到达车站的分布规律,根据乘客到达规律,设置合理数量的检票机,调节其服务时间,使其能力利用率、乘客平均排队长度和平均等待时间等系统运行指标控制在乘客可以接受的范围内,并满足高峰时段客流通过的要求。
乘客购票后或持卡准备从非付费区进入付费区候车时,首先到达自动检票机,接受检票设施服务,但是在客流高峰时段,乘客并不能立即得到服务,而是在非付费区域出现缓行的状况,乘客从无序至有序的过程使得在经过检票机时形成自动渠化队列,排队现象发生。
自动检票机能将来自不同方向的乘客交通流混合渠化成为若干股独立无干扰的交通流,从而使乘客有序进站,安全乘车。
此时自动检票机起到了延缓客流冲击效应的作用,减少了客流对其紧后设施如楼梯、自动扶梯等的瞬时压力。
6.2.地铁站进出站自动检票机优化配置
6.2.1进站检票机优化配置仿真
(1)假设到达时间间隔分布情况
首先对A口进站自动检票机的配置情况进行分析。
对调查所得的数据进行统计、分析,剔除坏点,最终分别保留了1000个进站和出站的乘客到达时间间隔数据,如图6-1所示。
图6-1进站乘客到达间隔时间散点图
从图中可以看出,乘客到达间隔时间绝大部分分布在0-1秒之间,仅有14个到达时间间隔超过2秒,说明高峰时段地铁站进站人流密集且流量较大。
将1000个到达时间间隔按从大到小的顺序进行排序,绘制乘客到达时间间隔曲线图,如图6-2。
可以看出,曲线与负指数函数趋势类似,因此假设A口进站乘客到达时间间隔服从负指数分布,下面对其分布进行检验。
图6-2进站乘客到达时间间隔曲线图
(2)参数估计
H0:
T的概率密度为
由于所设函数中的参数兄是未知数,所以先对元进行估计。
根据最大似然估计法写出相应的似然函数:
(3)假设检验
从表中可以得到最小和最大的间隔时间分别为0.08s和5.67s,在H0下,T可能取值的全体Ω为区间(0.08,5.67]。
因此将区间(0.08,5.67]分为k=9的九个互不重叠的小区间:
A1=(0.08,0.701],A2=(0.701,1.322],A3=(1.322,1.943],A4=(1.943,2.564],A5=(2.5643.185],A6=(3.185,3.806],A7=(3.806,4.427],A8=(4.427,5.048],A9=(5.048,5.67]。
若H0为真,T的分布函数的估计为:
由上式可得概率pi=P(Ai)的估计:
将对应区间端点代入式可得:
详细计算结果列表如下:
表6-1拟合检验计算表
/n
:
[0.080,0.701]
547
0.5052
505.2
592.2585
:
(0.701,1.322]
381
0.2214
221.4
381.6504
:
(1.322,1.943]
58
0.0970
97.0
34.68041
:
(1.943,2.564]
5
0.0425
42.5
0.588235
:
(2.564,3.185]
2
0.0186
18.6
0.215054
:
(3.185,3.806]
1
4
0.0082
0.0105
8.2
10.5
1.52381
:
(3.806,4.427]
1
0.0016
1.6
:
(4.427,5.048]
2
0.0007
0.7
:
(5.048,5.67]
3
0.1012
101.2
0.088933
合计
1000
1.0000
996.4
1010.916
由于表中A7与A8两行的得出的
都小于5,所以将它们与A6行进行合并后一起计算,并组后k=7。
现在
=1010.916-1000=10.916。
由于估计了一个参数λ,故r=1,在显著性水平
=0.025时,
=
=
=12.833>10.916,所以在显著性水平0.05下接受H0,认为T服从参数λ=1.328674(即平均到达间隔时间为0.75263秒)的负指数分布。
(4)平均服务时间的确定
排队系统的服务时间实际就是服务设备的使用能力。
地铁车站检票机的理论使用能力可达到25人/分钟。
但在检票机的实际使用过程中,读卡不顺利和使用不熟练都会使乘客通过检票机的时间延长,此外还应考虑设备故障引起的能力损失,因此车站检票机的实际使用能力建议确定为20人/分钟,而检票机对每个乘客的平均服务时间则相应确定为3秒,即μ=0.3333。
(5)进站检票系统仿真优化和运行结果分析
在乘客到达时间分布和服务时间确定后,以第四章使用UML建立的排队系统模型为基础,使用C++语言编写排队系统仿真程序。
结合进站自动检票机服务系统自身特点,按照设计的遗传算法关键参数和遗传操作,编写基于遗传算法的优化程序,具体程序流程图如图6-3所示。
图6-3仿真优化程序流程图
种群数设为20。
终止准则是在一定检票机配置数条件下,最大等待时间小于90秒,大于30秒,最大队长小于20。
目的是使检票机配置的数目最大限度满足乘客的需要,同时尽量减少地铁站因为配置过多自动检票机而造成的运营成本无谓损失。
当满足这一条件时,算法终止,检票机数即为最终优化目标。
该仿真优化程序主要分为两大部分:
进站自动检票机服务系统仿真部分和遗传算法优化部分。
仿真部分程序主要实现进站自动检票机服务系统在一定客流量和服务强度下,配置一定自动检票机的运行状态的模拟,输出系统乘客排队百分率、乘客排队百分率、乘客平均排队长度和乘客平均排队时间等,一并与预先设定指标相比较,以此为优化部分的适配值函数。
优化部分程序主要是使用遗传算法,根据适配值函数,进行一系列遗传操作,得到下一自动检票机配置数,返回给仿真程序部分,经过一定迭代次数,最终得出合理的自动检票机配置数。
输出结果如表6-2所示。
表6-2仿真程序运行结果
运行次数
进站检票机配置数
(台)
检票机能力利用率
(%)
乘客排队百分率
(%)
乘客平均排队长度
(人)
乘客平均排队时间
(秒)
仿真次数
1
1
99.99
99.85
19.4
86.13
5
2
99.82
92.04
17.6
72.64
3
91.32
79.64
10.2
27.39
4
82.37
48.75
3.4
2.21
5
60.09
30.21
0.86
0.54
2
1
99.99
98.27
18.9
82.42
3
2
97.40
87.31
12.1
65.36
3
81.13
49.86
4.0
3.13
3
1
99.99
99.14
19.2
84.20
4
2
97.18
84.26
16.7
60.44
3
90.42
73.87
8.2
34.74
4
85.63
42.41
3.6
2.17
通过三次运行仿真程序,第一次运行结果表示配置4台进站自动检票机为最优方案,在配置4台检票机条件下,检票机能力利用率到达了82.37%,乘客平均排队长度和乘客平均排队时间也较小,分别为3.4人和2.21秒。
当配置1台或2台或3台进站检票机时,尽管检票机能力利用率更高,但是乘客排队百分率、乘客平均排队长度和乘客平均排队时间等三个指标的数值均较高,严重影响了地铁进站设施的服务水平,乘客的满意度也随之降低。
当配置5台进站检票机时,乘客平均排队长度过低,影响了检票机能力利用率,造成了设备的浪费和成本的损失。
综上所述,配置4台进站自动检票机最优。
同理可以分析,第二次和第三次仿真得出配置3台和4台进站检票机最优,取三次最优结果的平均值得出,配置4台进站检票机可以最优地满足高峰时期乘客的进站需求。
现状调查中,该处配置了3台检票机,因此建议增加一台,可以大大改善设施服务水平。
6.2.2出站检票机优化配置仿真
(1)根据调查所得的A口出站检票机处乘客到达时间间隔,进行以下分布拟合检验。
分布假设
图6-4出站乘客到达时间间隔散点图
为了粗略了解数据的分布情况,先对数据进行处理,画出直方图。
所调查数据的最小值、最大值分别为0.00、2.50,即所有数据落在区间[0.00,2.50]内,现取区间[0.00,2.50],它能覆盖所有调查数据。
将区间[0.00,2.50]分为10个小区间,小区间的长度记为△,△=(2.50-0.00)/10=0.25,△为组距,小区间的端点称为组限。
统计出落在每个小区间内的数据的频数
,算出频率
/n(n=1000,i=1,2,...,10),见表6-3。
表6-3到达时间间隔分布频率
组限
频数
频率
累计频率
△
0.00-0.25
9
0.009
0.009
0.036
0.25-0.50
38
0.038
0.047
0.152
0.50-0.75
88
0.088
0.135
0.352
0.75-1.00
163
0.163
0.298
0.652
1.00-1.25
197
0.197
0.495
0.788
1.25-1.50
217
0.217
0.712
0.868
1.50-1.75
155
0.155
0.867
0.62
1.75-2.00
95
0.095
0.962
0.38
2.00-2.25
34
0.034
0.996
0.136
2.25-2.50
4
0.004
1.000
0.016
图6-5表示了以
△为高的直方图。
假设样本来自正态总体T,现作
拟合检验。
图6-5出站到达间隔时间概率分布
(2)参数估计
H0:
T的概率密度为
因在H0中未给出
,
,需先估计
,
。
采用最大似然估计法求解。
似然函数为:
(3)假设检验
若H0为真,T的概率密度为
按上式并查标准正态分布的分布函数表即可得概率P(Ai)的估计。
表6-4拟合检验计算表
/n
0.00-0.25
9
0.0093
9.3
8.709677
0.25-0.50
38
0.033
33
43.75758
0.50-0.75
88
0.0868
86.8
89.21659
0.75-1.00
163
0.1598
159.8
166.2641
1.00-1.25
197
0.2168
216.8
179.0083
1.25-1.50
217
0.2177
217.7
216.3023
1.50-1.75
155
0.1533
153.3
156.7189
1.75-2.00
95
0.0801
80.1
112.6717
2.00-2.25
34
38
0.0307
0.0749
30.7
34.9
41.37536
2.25-2.50
4
0.0042
4.2
合计
1000
1.0000
991.7
1014.024
由于表中A10行得出的
小于5,所以将A10与A9行进行合并后一起计算,并组后k=9。
现在
=1014.024-1000=14.024。
由于估计了两个参数
,
,故r=2,在显著性水平
=0.025时,
=
=
=14.449>14.024,所以在显著性水平0.025下接受H0,认为T服从参数
,
(即平均到达间隔时间为1.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 城市轨道 交通 换乘 枢纽 进出 设施 仿真 优化 研究
![提示](https://static.bdocx.com/images/bang_tan.gif)