基于模型预测控制的需求响应公交动态调度

doi:10.12141/j.issn.1000-565X.240331

摘要/Abstract

摘要：

需求响应公交作为共享公共交通新模式的典型代表，正面临着高效处理出行需求与实时规划车辆路径的挑战，而传统的需求响应公交动态调度方法侧重于需求已知后对车辆路径的动态调整，往往难以全面适应出行需求的变化。因此，该研究通过引入模型预测控制（MPC）方法，构建了基于MPC多周期滚动优化框架的需求响应公交动态调度模型。该模型利用未来阶段的先验客流信息，为当前阶段的调度决策提供优化条件，并及时根据系统最新披露的信息重新规划，以应对需求的不确定性和动态变化。求解方法上，研究结合自适应大邻域搜索（ALNS）策略，设计了MPC-ALNS算法，通过两阶段启发式方法对车辆调度序列进行迭代优化。数值实验结果显示：在无预测偏差的理想场景下，相较于传统动态调度方法，该方法能够使系统总成本显著降低14.54%；即便在预测偏差为30%的悲观场景下，仍然能够实现5.27%的成本优化，并且各项乘客服务指标均表现出了更优异的性能，验证了其在不同随机环境下的普适性。同时，实验进一步验证了该方法在应对不同订单和车辆规模时的稳定优化性能，并对拒单成本进行了敏感性分析，提出了适用于不同运营场景的最优拒单成本设置思路。

关键词: 交通运输工程, 需求响应公交, 动态调度, 模型预测控制, 自适应大邻域搜索算法

Abstract:

As a typical representative of the new mode of shared public transport, demand responsive transit (DRT) systems are facing the challenge of efficiently processing travel demand and real-time planning of vehicle routes. Traditional dynamic scheduling methods for DRT primarily focus on adjusting vehicle routes after demand has been realized, which often limits their ability to effectively respond to dynamic fluctuations in travel demand. Therefore, this study introduced a Model Predictive Control (MPC) approach and develops a dynamic scheduling model for DRT based on a multi-period rolling optimization framework. The model used potential future stage passenger flow information to optimize current stage scheduling decisions and timely re-planning according to the latest disclosed information to cope with the uncertainty and dynamic changes of demand. In terms of solution methods, this study integrated the adaptive large neighborhood search (ALNS) strategy to design the MPC-ALNS algorithm. It iteratively optimized the vehicle scheduling sequence through a two-phase heuristic approach. Numerical experimental results demonstrate that in ideal scenarios without prediction deviation, compared to traditional dynamic scheduling methods, the proposed method significantly reduces the total cost of the system by 14.54%. Even in a pessimistic scenario with a 30% prediction deviation, it still achieves a cost optimization of 5.27%, and various passenger service indicators show superior performance, indicating strong universal applicability in different stochastic environments. At the same time, the experiment further verified the stable optimization performance of the method in dealing with different orders and vehicle scales, and analyzed the sensitivity of the rejection cost and proposed the setting idea of the optimal rejection cost suitable for different operating scenarios.

Key words: transportation engineering, demand responsive transit, dynamic scheduling, model predictive control, adaptive large neighborhood search algorithm

中图分类号:

U491.1+7

靳文舟, 张永, 孙洁. 基于模型预测控制的需求响应公交动态调度[J]. 华南理工大学学报(自然科学版), 2025, 53(6): 77-90.

JIN Wenzhou, ZHANG Yong, SUN Jie. Dynamic Scheduling of Demand Responsive Transit Based on Model Predictive Control[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(6): 77-90.

图/表 14

图1

图2

图3

图4

图5

图6

图7

表1

图8

表2

表3

图9

表4

图10

参考文献 17

1	VANSTEENWEGEN P， MELIS L， AKTAS D，et al ．A survey on demand-responsive public bus systems［J］．Transportation Research Part C：Emerging Technologies，2022，137：103573/1-39.
2	宋翠颖，王鹤玲，田泽尚，等．需求响应式公交车辆调度模型和算法研究综述［J］．北京交通大学学报，2023，47（4）：31-44.
	SONG Cuiying， WANG Heling， TIAN Zeshang，et al ．Review of demand-responsive transit vehicle scheduling models and algorithms［J］．Journal of Beijing Jiaotong University，2023，47（4）：31-44.
3	LIU Y N， OUYANG Y F ．Mobility service design via joint optimization of transit networks and demand-responsive services［J］．Transportation Research Part B：Methodological，2021，151：22-41.
4	靳文舟，胡为洋，邓嘉怡，等．基于混合算法的需求响应公交灵活调度模型［J］．华南理工大学学报（自然科学版），2021，49（1）：123-133.
	JIN Wenzhou， HU Weiyang， Deng Jiayi，et al ．Fle-xible scheduling model of demand response transit based on hybrid algorithm［J］．Journal of South China University of Technology （Natural Science Edition），2021，49（1）：123-133.
5	胡迪，靳文舟．基于站点优化的需求响应公交调度研究［J］．深圳大学学报理工版，2022，39（2）：209-215.
	HU Di， JIN Wenzhou ．Flex-route demand response transit scheduling based on station optimization［J］．Journal of Shenzhen University Science and Engineering，2022，39（2）：209-215.
6	LI X， WANG T Q， XU W H，et al ．A novel model and algorithm for designing an eco-oriented demand responsive transit （DRT） system［J］．Transportation Research Part E：Logistics and Transportation Review，2022，157：102556/1-33.
7	靳文舟，杜昊，巫威眺．基于ALNS-TS算法的半灵活型需求响应公交调度问题［J］．深圳大学学报理工版，2023，40（4）：425-434.
	JIN Wenzhou， DU Hao， WU Weitiao ．Semi-flexible demand responsive transit scheduling based on ALNS-TS algorithm［J］．Journal of Shenzhen University Science and Engineering，2023，40（4）：425-434.
8	郭梅雪，靳文舟，巫威眺．考虑充换电的模块化需求响应公交路径优化［J］．交通运输工程与信息学报，2024，22（3）：34-51.
	GUO Meixue， JIN Wenzhou， WU Weitiao ．Optimization of modular demand-responsive transit routes consi-dering charging and battery swapping［J］．Journal of Transportation Engineering and Information，2024，22（3）：34-51.
9	韩博文．考虑实时需求的需求响应式公交调度方法研究［J］．广西师范大学学报（自然科学版），2019，37（3）：9-20.
	HAN Bowen ．Demand responsive transit scheduling method considering real-time demand［J］．Journal of Guangxi Normal University （Natural Science Edition），2019，37（3）：9-20.
10	HUANG D， GU Y， WANG S，et al ．A two-phase optimization model for the demand-responsive customized bus network design［J］．Transportation Research Part C：Emerging Technologies，2020，111：1-21.
11	巫威眺，周霄，朱彦辰，等．考虑乘客时空灵活性的需求响应客货联运动态调度［J］．交通运输系统工程与信息，2023，23（4）：211-227.
	WU Wei-tiao， ZHOU Xiao， ZHU Yan-chen，et al ．Demand-responsive dynamic scheduling considering passengers’ spatio temporal flexibility for passenger and freight transportation［J］．Journal of Transportation Systems Engineering and Information Technology，2023，23（4）：211-227.
12	ALBAREDA-SAMBOLA M， FERNÁNDEZ E， LAPORTE G ．The dynamic multiperiod vehicle routing problem with probabilistic information［J］．Computers & Operations Research，2014，48：31-39.
13	NÚÑEZ A， CORTÉS C E， SÁEZ D，et al ．Multiobjective model predictive control for dynamic pickup and delivery problems［J］．Control Engineering Practice，2014，32：73-86.
14	刘亚杰，吴志永．灾后动态环境下基于MPC的应急运输实时调度［J］．控制与决策，2018，33（12）：2131-2141.
	LIU Ya-jie， WU Zhi-yong ．Real-time relief transportation planning based on MPC in post-disaster dynamic environment［J］．Control and Decision，2018，33（12）：2131-2141.
15	石建力，谢丽蓉．近似动态规划求解随机需求分批配送车辆路径问题［J］．运筹与管理，2023，32（5）：16-22.
	SHI Jianli， XIE Lirong ．Approximate dynamic programming for the split delivery vehicle routing problem with stochastic demands［J］．Operations Research and Management Science，2023，32（5）：16-22.
16	LI G L， CHEN Y X， WANG Y M，et al ．City-scale synthetic individual-level vehicle trip data［J］．Scientific Data，2023，10（1）：96/1-18.
17	刘小寒，马晓磊，刘钲可．面向公共交通的电动自动驾驶模块车调度优化［J］．中国公路学报，2022，35（3）：240-248.
	LIU Xiao-han， MA Xiao-lei， LIU Zheng-ke ．Dispatch optimization of electric autonomous modular vehicles for public transport［J］．China Journal of Highway and Transport，2022，35（3）：240-248.

订单编号	成行人数	编号		期望上车时刻	可接受最晚上车时刻	最晚容忍上车时刻
订单编号	成行人数	上车站点	下车站点	期望上车时刻	可接受最晚上车时刻	最晚容忍上车时刻
1	2	14	11	08：01：00	08：10：00	08：14：00
2	1	55	6	08：01：00	08：09：00	08：13：00
3	1	32	53	08：02：00	08：08：00	08：17：00
︙	︙	︙	︙	︙	︙	︙
119	3	20	50	09：00：00	09：05：00	09：10：00
120	4	6	50	09：00：00	09：07：00	09：14：00

车场编号	车辆编号	车辆服务订单路径
①	1	p₆→o₃→o₆→o₁₃→p₂→d₁₃→o₂₆→d₆→d₃→p₂₇→d₂₆→o₆₀→o₄₁→p₃→o₄₃→p₁₁→d₄₁→d₄₃→o₇₄→o₆₈→o₇₉→d₆₀→o₈₂→p₉→d₈₂→o₁₀₄→d₆₈→d₇₉→o₁₁₆→o₁₁₄→d₁₀₄→d₇₄→d₁₁₄→d₁₁₆
①	2	p₆→p₅→o₂₄→o₂₂→o₃₀→p₁₁→d₂₄→d₃₀→d₂₂→p₄→o₅₈→o₆₁→o₁₄₃→p₃₈→o₆₄→o₈₉→o₇₈→d₆₁→d₁₄₃→p₆→o₉₂→d₆₄→d₈₉→d₇₈→d₅₈→o₁₁₁→d₉₂→d₁₁₁
①	3	p₆→o₇→o₈→p₂₁→d₇→o₃₁→p₆→o₅₄→p₅₃→d₃₁→o₅₉→d₈→d₅₄→o₇₀→o₅₀→o₅₅→p₆→d₅₀→o₇₃→d₇₀→d₅₅→p₅₇→d₇₃→d₅₉→o₁₀₁→o₉₉→o₁₁₃→o₁₁₀→d₉₉→o₁₁₉→d₁₁₃→o₁₂₀→d₁₀₁→d₁₁₀→d₁₂₀→d₁₁₉
①	4	p₆→o₁→p₁₁→d₁→o₂₁→o₂₀→o₁₉→p₃₈→o₄₆→o₃₆→d₂₀→p₃₉→d₄₆→d₂₁→p₃₅→d₁₉→d₃₆→p₄₂→o₇₆→o₈₃→o₉₈→d₇₆→d₈₃→o₁₀₆→d₁₀₆→d₉₈
②	5	p₁→o₁₈→p₂₈→o₁₆→d₁₈→o₁₇→o₁₃₅→p₁₃→o₂₉→d₁₆→o₃₇→o₅₆→d₁₃₅→d₁₇→p₁₂→o₅₂→d₂₉→d₅₂→d₃₇→o₆₉→p₅₁→p₄₀→d₆₉→o₈₈→d₅₆→o₁₀₂→d₈₈→d₁₀₂
②	6	p₁→o₉→p₅₀→d₉→o₂₇→o₁₂→o₃₂→p₆→o₃₄→d₂₇→d₁₂→p₈→d₃₄→o₅₃→d₃₂→o₆₂→o₅₁→p₂₉→o₇₂→d₆₂→d₅₁→p₄→d₅₃→o₁₀₃→d₇₂→o₁₀₈→o₁₁₂→d₁₀₃→o₁₁₅→d₁₀₈→o₁₁₇→d₁₁₅→d₁₁₂→d₁₁₇
③	7	p₅₀→o₁₁→o₅→p₃₂→d₅→d₁₁→o₁₅→o₄₀→p₄₃→d₄₀→p₂₈→o₄₇→d₄₇→p₂₇→o₆₃→d₁₅→o₈₄→p₅₂→d₈₄→o₁₆₀→o₉₅→o₁₁₈→o₉₄→d₆₃→d₉₅→d₁₁₈→d₁₆₀→d₉₄
③	8	p₅₀→o₁₄→p₅₃→d₁₄→o₃₉→o₃₃→o₃₈→p₂₇→d₃₃→d₃₈→p₃→d₃₉→o₈₀→p₉→o₁₀₀→o₉₆→o₉₃→o₈₅→p₁₇→d₈₀→o₁₀₅→o₉₀→o₁₀₇→d₁₀₅→o₁₆₈→d₈₅→d₉₃→d₁₀₇→d₁₆₈→d₉₀→d₉₆→d₁₀₀

评估指标		指标值
服务指标	乘客总量/人	270
	服务总量/人	231
	乘客总在车时长/min	1 242.29
	乘客时间窗惩罚总时长/min	786.23
	乘客服务率/%	85.56
	额外时间系数	2.06
	人均惩罚时间/min	3.4
运营指标	出车总数量/辆	8
	车辆行驶里程/km	360.64
	车辆等待时长/min	30.64
	车均行驶里程/km	45.08
	车均等待时间/min	3.83
	目标函数值/元	1 717.04

规模场景	对比算法	目标函数值/元	乘客服务率/%	额外时间系数	人均惩罚时间/min	车均行驶里程/km	车均等待时间/min
120个订单，8辆车	MPC	1 779.50	84.04	2.07	3.28	45.70	3.39
120个订单，8辆车	传统动态调度	1 946.93	83.19	2.15	4.72	46.02	1.14
180个订单，12辆车	MPC	2 591.93	85.12	1.94	3.06	46.46	3.41
180个订单，12辆车	传统动态调度	2 886.35	84.21	2.12	4.53	46.40	2.14
240个订单，16辆车	MPC	3 309.88	86.73	1.94	2.57	45.94	5.21
240个订单，16辆车	传统动态调度	3 713.23	85.25	2.01	3.84	45.89	2.78

[1]	文生平, 苏毅龙, 瞿弘毅. Mecanum轮全向AGV轨迹跟踪级联控制器设计[J]. 华南理工大学学报(自然科学版), 2025, 53(1): 49-61.
[2]	龙雪琴, 王晗, 王瑞璇. 基于频繁序列挖掘的出租车轨迹特性分析[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 24-33.
[3]	张文会, 刘拓, 宋雅靖, 等. 基于空间自相关的常规城市公交车辆危险驾驶热点路段识别[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 138-150.
[4]	赵小梅, 朱香原, 汪秦, 等. 多类型公交线路的运行可靠性优化策略[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 32-39.
[5]	翁剑成, 王茂林, 林鹏飞, 等. 基于客流特征鉴别的公交跨线组合调度优化方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 39-48.
[6]	姚强强, 田颖, 王圣渊, 等. 基于力驱动的智能汽车路径跟踪控制策略[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 33-41,57.
[7]	徐海祥, 李超逸, 余文曌, 等. 基于扩张状态观测器的智能船舶循迹预测控制[J]. 华南理工大学学报(自然科学版), 2021, 49(12): 143-152.
[8]	靳文舟胡为洋邓嘉怡, 等. 基于混合算法的需求响应公交灵活调度模型 [J]. 华南理工大学学报（自然科学版）, 2021, 49(1): 123-133.
[9]	张家旭, 杨雄, 施正堂, 等. 汽车紧急换道避障的路径规划与跟踪控制[J]. 华南理工大学学报(自然科学版), 2020, 48(9): 86-93,106.
[10]	尹华杰郭志宇曾君. 滑模无速度传感器感应电机的简化预测转矩控制 [J]. 华南理工大学学报(自然科学版), 2020, 48(12): 18-26.
[11]	张年罗霞张可. 基于齐当别理论的公交出行决策选择反转[J]. 华南理工大学学报(自然科学版), 2019, 47(9): 61-67.
[12]	秦大同秦岭. 基于显式随机模型预测控制的功率分流式混合动力车辆能量管理策略[J]. 华南理工大学学报(自然科学版), 2019, 47(7): 112-120.
[13]	孙传扬张欣席利贺陈宏伟. 极限工况下自动驾驶车辆转向控制器的设计 [J]. 华南理工大学学报（自然科学版）, 2018, 46(3): 78-85.
[14]	杜贵平杜发达. 有限集模型预测控制在 VIENNA 整流器中的应用[J]. 华南理工大学学报(自然科学版), 2018, 46(10): 9-14.
[15]	徐洪峰何龙章琨. 相邻分体式路段人行横道的协调信号配时优化[J]. 华南理工大学学报（自然科学版）, 2015, 43(12): 106-113.