城市轨道交通跨站停列车综合评价与AHP-F法应用

需积分: 20 1 下载量 6 浏览量 更新于2024-08-22 收藏 233KB PDF 举报
城市轨道交通开行跨站停列车的综合评价研究是一项旨在优化公共交通效率的重要课题。该研究针对城市轨道交通系统中的一种特殊运营模式——跨站停车方案进行了深入探讨。跨站停车方案指的是某些列车在某些站点不停靠,以此提高列车的运行速度,减少乘客的乘车时间,同时可能降低运营成本。 在论文中,作者首先指出了跨站停车方案受到多种因素的影响,包括但不限于线路设计、乘客需求、列车调度以及经济成本等。这种方案相对于传统的站站停车模式,能够提高线路的通过能力,尤其在乘客需求多样化的背景下,具有更高的灵活性和适应性。 接着,研究构建了一个多目标综合评价体系,这个体系由四个一级指标构成:通过能力、服务水平、运营效率和费用支出。每个一级指标下又细分了若干二级指标,具体如下: 1. 通过能力:衡量线路在单位时间内能通过的列车数量,是评价轨道交通系统效率的关键因素。 2. 服务水平:包括乘客出行时间、候车时间、拥挤程度等,反映了乘客的出行体验和满意度。 3. 运营效率:主要考察列车周转率、发车间隔等,反映系统的运行状态和调度水平。 4. 费用支出:包括运营成本、设备维护成本等,是衡量经济效益的重要标准。 论文详细阐述了这些指标的含义和计算方法,提供了量化评价跨站停车方案优劣的依据。为了进一步进行实际应用,作者采用了层次分析法(AHP)与模糊综合评价法(F法)相结合的AHP-F法,通过这种方法可以处理评价过程中的不确定性和主观性,确保评价结果的合理性。 在案例分析部分,作者运用AHP-F法对某一城市轨道交通的跨站停车方案进行了具体评价,分析了方案的优缺点,揭示了可能存在的问题,并提出了改进建议,以实现居民出行、运营组织和费用支出之间的平衡与协调。 总结来说,这篇论文为城市轨道交通系统的运营管理提供了一种科学的决策工具,对于提升城市公共交通的服务质量和效率具有重要指导意义。通过构建综合评价体系和应用AHP-F法,不仅可以评估跨站停车方案的可行性,还能识别潜在的改进空间,为城市轨道交通的持续优化提供理论支持。

import numpy as np import pandas as pd from scipy.optimize import minimize from pygad import GA 读取数据 stations = pd.read_excel("附件 1:车站数据.xlsx") section_time = pd.read_excel("附件 2:区间运行时间.xlsx") OD_flow = pd.read_excel("附件 3:OD 客流数据.xlsx") section_flow = pd.read_excel("附件 4:断面客流数据.xlsx") other_data = pd.read_excel("附件 5:其他数据.xlsx") 参数设定 w1, w2, w3, w4 = 0.25, 0.25, 0.25, 0.25 目标函数 def fitness_function(solution, solution_idx): n1, n2 = solution D1, D2 = other_data["大交路运营里程"].values[0], other_data["小交路运营里 "].values[0] C_fixed = other_data["固定成本系数"].values[0] * (n1 + n2) C_variable = other_data["变动成本系数"].values[0] * (n1 * D1 + n2 * D2) T_wait = calculate_wait_time(n1, n2) T_onboard = calculate_onboard_time(n1, n2) cost = w1 C_fixed + w2 C_variable + w3 T_wait + w4 T_onboard return 1 / cost 计算等待时间 def calculate_wait_time(n1, n2): # 假设根据实际情况计算等待时间 T_wait = 0 return T_wait 计算在车时间 def calculate_onboard_time(n1, n2): # 假设根据实际情况计算在车时间 T_onboard = 0 return T_onboard 遗传算法求解 ga_instance = GA(num_generations=100, num_parents_mating=5, fitness_func=fitness_function, sol_per_pop=10, num_genes=2, gene_space=[(1, 20), (1, 20)], parent_selection_type="rank", keep_parents=2, crossover_type="single_point", mutation_type="random", mutation_percent_genes=10) ga_instance.run() solution, solution_fitness, _ = ga_instance.best_solution() n1, n2 = int(solution[0]), int(solution[1]) print(f"安排大交路列车开行的数量:{n1}") print(f"安排小交路列车开行的数量:{n2}")

2023-06-03 上传