英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
城市公交优先专用道网络：
组合多目标，多标准和群体决策制定方法
Yuval Hadas a,*, OrenE. Nahuma,b
a.管理学院，社会科学，巴伊兰大学，拉马特甘，5290002以色列
b.管理与经济学院，特拉维夫 - 雅法学院，特拉维夫 - 雅法，61083以色列
摘要
本研究提出了一种多目标方法，用于选择公共交通（PT）优先线路的最优网络。城市道路和高速公路上的优先方案和技术已被证明有效提高可靠性，效率和减少行程时间。本研究开发一种多目标模型用于选择最优公共交通优先车道网络，以满足1）最大化减少总行程时间；2）保持起讫点平衡；3）最小化构造预算。与常用单目标模型多次执行以便向决策者提供可行的解决方案，多目标模型利用单个执行来展示一组完整的可行和最优解。由于多目标模型的主要缺点是需要选择优选解决方案，开发了用于以下的多标准方法：1）对每个决策者的解决方案进行排名；以及2）选择一组决策者可接受的折衷解决方案。这种方法通过以色列一个中等城市Petah Tikva的案例研究得以证明。
1.介绍
公共交通优先方案被用来“减少或消除”某些一般交通干扰可能会产生的降低交通服务的可靠性、通行能力的影响。（Kittelsonamp;Associates.et al.,2003）.这个优先可以是空间（专用车道）和时间（交通信号优先）上的优先。其中，空间方案可以分为：混合交通公交专用道（不考虑公交优先）;部分优先公交专用道（可根据时间或地点及不同类型的车辆因素为公交保留部分车道）;完全优先公交专用道（为公交完全保留一条专用道，除了与其他交通方式交汇的十字路口，转弯处等）；分级公交专用道（专用于公共交通工具）。
Ceder（2004）调查研究了欧洲的几个优先方案（雅典，都柏林，慕尼黑，都灵，维也纳和苏黎世）并得出结论：公交优先有利于减少行程时间、提高平均车速、赞助和收入。Mesbah, Sarvi和Currie（Mesbah等人，2008，2010，2011b）是率先引入基于包括优先级车道选择和交通分配双级模型的全系统设计优先通道方法。最近Hadas and Ceder（2014）开发了一种用于优化公交专用道网络的模型。该优化模型提供了一种算法，该算法用于在给定预算的情况下，最大限度地减少由于使用优先级车道而导致的行驶时间减少。然而，在调查范围广泛的情况下，其主要缺点是决策者需要以不同的预算限制多次执行算法，因为较大的预算会导致构建更多优先级车道并增加行驶时间的减少。反复的执行是耗时且麻烦的。
本文介绍了一个具有三个组成部分的多目标和多标准框架：
1）多目标算法，一用个执行行为为决策者提供一套解决方案供选择;
2）一个多标准模型，帮助决策者根据具体的喜好决定解决方案;
3）所有决策者共同决定优先解决方案。
2.文献回顾
2.1公共交通网络设计
关于公共交通网络设计已经发表了大量的研究。Baaj和Mahmassani（1991,1992,1995）开发了基于人工智能的方法，具有最小频率，负载因子和车队规模限制。Ramirez和Seneviratne（1996）提出了考虑到客流和行程距离的多目标模型。Yan和Chen（2002）开发了一种设计路线和时间表来优化供需关系的模型。 Bagloee和Ceder（2011）开发了一个启发式模型，以解决实际道路网络。 该模型考虑到预算约束，服务水平和系统的吸引力。
所有这些模型和方法都忽略将优先级方案作为PT网络设计的一个组成部分。 世界各地已经展示了许多公交优先战略。传统上公交优先战略优先考虑在停靠站，交叉路口以及优先专用车道上的巴士运营。 众所周知，当巴士能够使用更高速，更通畅的车道时，公交车的出行时间，服务可靠性和车辆生产率将得到提高。这些改进使得公共汽车系统更具吸引力，从而加大对乘客出行的吸引力（Kittelson＆Associates 等，2003）。
Skabardonis（2000）回顾了现有的控制策略，对实际的客流走廊进行了评估，确定了影响公交优先的主要因素，制定了被动和主动的公交优先战略。根据回顾，被动和主动优先战略都主要强调整体系统改善公共交通运营，并对其他交通流量造成任何不利影响。此外，还开发了一种评估技术，以协助设计信号优先策略并预测公交优先措施的影响。 Turnquist和Bowman（1980）使用一套模拟实验来研究城市公交系统网络结构的几个特征对服务可靠性的影响。这些实验主要集中在导致车辆拥堵的因素以及网络形式和线路密度对公共交通的影响。这些实验的结果突出了控制链路行进时间变化和调度以加快转移的重要性，特别是在径向网络中。姚等人（2014）考虑行驶时间的可靠性，提出了一种基于Tabu算法的公交网络优化方法。优化模式旨在最大限度地提高公共交通网络中乘客的效率。结果表明，提出的方法可以有效提高运输网络的可靠性，减少乘客的出行时间。
Currie and Lai（2008）对动态优先路线进行了调查，回顾了在澳大利亚墨尔本的电车采用的动态路线（DF）中间歇式公交车道（IBL）和动态公交优先车道概念的变化。他们的论文记录了世界上第一个实际的，持续运营的IBL-DF操作经验。它还介绍了一个墨尔本巴士IBL的未来计划（被称为“移动公交车道”）。值得注意的是，两个应用程序都发现优秀的驾驶员能依从公交专用道，表明IBL-DF概念具有实际的性能优势。 Eichler和Daganzo（2006）描述了在间歇式公交专用车道使用交通信号控制运营公共汽车的策略。根据他们的论文，间歇优先（BLIP）的公交车道不会显着降低道路通行能力。然而，间歇优先公交专用道增加了服务需求的平均交通密度，导致交通延误增加。确定间歇公交优先系统是否节省时间的主要因素有：交通饱和度，公交频率，公交专用道的公交车行驶时间的改善以及公交车和乘客的流量比例。在某些情况下，如果公交专用车道不能运行，BLIP会减少公共汽车和汽车乘客20人/min.km。谢等人（2012）描述如何BLIP分配策略的动态公交专用道可以改善公共交通。这些策略包括在公共汽车不使用时，间歇对一般交通开放公交专用道。模拟结果与分析结果一致。
第一个引入全系统设计优先通道的方法是Mesbah，Sarvi和Currie（Mesbah等人，2008,2011a，2010，2011b），他们提出了一个组合优先车道选择和交通分配的双层模型。该模型评估专用车道对私家车行驶时间的影响，并优化总体加权行驶时间和距离。由于模型的复杂性，引入了启发式算法，如遗传算法。无论模型多么详细和创新，都需要考虑以下问题。
a）该模型考虑了两种替代方案，即独占或混合，同时可以考虑成本，流量，行驶时间减少等方面的其他不同替代方案。
b）模型中提出的优先通道不一定是连接（或连续的） 。可以添加明确的约束，这进一步增加了复杂性和模型大小。
c）优先通道不一定能覆盖网络，因为该模型只考虑行驶时间的减少.Hadas和Ceder（2014）最近推出了一种新的方法和建模，用于选择最佳的公共交通网络（PT）优先通道。他们的做法是基于全系统的产生最佳的PT网络覆盖概念，开发了一种模型，用于最佳选择一组PT优先级通道，从而最大限度地减少总行程时间，同时还保持给定预算约束的均衡起点和终点终端。
2.2多目标优化
许多问题有多个冲突的目标，没有一个最好的解决方案。 例如，如果x1在所有目标情况下都优于x2，则说解决方案x 1主导解决方案x2。 如果x1不主导x2并且x2也不支配x1，则它们被称为非主导解决方案。 各种多目标优化算法提供了一套非主导的解决方案。 如果非主导解的集合表示整个搜索空间，则称为全局帕累托最优集（或帕累托集）。 否则它被称为局部帕累托最优集（Coello Coello，2006）。
如图1所示，为一个帕累托线型的例子。 各点代表较小值优先选择的可行选择较大的。 C点和D点不在帕累托线型上，因为点C由点A和点B两方面主导，点D为以B点为主导。A点和B点不严格控制的任何其他的一点，因此在边界。
图1-帕累托示例
从实际的角度来看，用户只需要一套解决方案。 因此，解决多目标问题（MOPs）可以被看作是搜索和决策的组合（Horn，1996）。 文献中提出了四种主要方法（Miettinen，1999）。
1）无目标偏好
在不考虑决策者（DM）的偏好的方法中，使用相对简单的方法解决问题，并将解决方案提供给DM。 全球标准是这种方法的一个例子（Miettinen，1999; Zeleny和Cochrane，1982），通过最小化参考点和可行目标区域之间的距离，将MOP转换为单个目标优化问题。
2）调查/后验后的决策
这些方法找到非主导集合的所有可能的解决方案，并利用用户偏好来确定哪个是最合适的。加权和（Cohon，2013; Miettinen，1999）和ε-约束（Haimes et al。，1971）方法是例子。 在加权和方法中，通过使用归一化权重向量将所有目标组合成单个目标。 通过使用不同的权重解决问题来获得帕累托最优解。 在ε-约束方法中，问题转化为单目标问题，使得只有一个目标被优化，而其他目标被转换为约束。 确定ε向量并使用边界（在最小化的情况下的上限）用于所有目标。 对于给定的ε向量，该方法将通过优化目标j找到最优解。 通过改变ε，将得到一组最优解。
3）调查之前的决策/先验
这些方法包括在优化过程之前使用偏好。 因此，最后只有一个解决方案。 这种方法的一个明显的例子是加权和方法，其中权重可以用于表示DM的偏好。 另一个例子是词典方法（Fishburn，1974），其中要求DM按其重要性安排目标函数。 按照重要性的顺序，对每个目标进行优化处理，而将每个优化过程的结果用作下一个过程的约束。
4）搜索/互动中的决策
这些方法是第二和第三种方法的杂交。 使用这种类型的方法，人类DM定期地改进获得的权衡解决方案，从而指导调查。
2.3多目标进化算法
多目标进化算法（MOEAs）是用于为给定问题找到帕累托最优（或接近最优）解的随机群体优化技术。 MOEAs类似于EA（进化算法），除了使用优势关系作为再现概率的标准。 因此，每一代客观价值是针对人口中的每一个个体计算出来的，然后根据他们在群体中的优势关系对个体进行排名。 更高级别的个人被赋予较高的可能性来产生后代人口。
精英主义是一个保护最好的个体从一代到另一代的机制。 使用精英主义，在优化过程中发现的最佳个体永远不会丢失。 非精英主义MOEAs包括VEGA（Schaffer，1985），MOGA（Fonseca和Fleming，1993），NPGA（Horn等，1994）和NSGA（Deb，2001）。 精英主义算法包括PAES（Knowles and Corne，2000），SPEA2（Zitzler等，2001），PDE（Abbass等，2001），NSGA-II（Deb等人，2002）和MOPSO（Coello et al。 ，2004）。
2.4多标准决策
在大多数情况下，当解决多目标优化问题时，结果是一个非主导的解决方案集，DM必须从该集合中选择他的首选替代方案。 （在这样的一个情况下，所有目标都没有解决方案比另一个更好）。 选择一个首选的选择不是一个简单的任务。这是一些决策方法被开发出来的原因。因此，多标准决策（MCDM）方法（其中一些列于下文中）是自动化的方法，用于选择一组可行解决方案的优选解决方案，同时具有冲突的标准 （Ehrgott，2005;Żak和Kruszyński，2015）。 MCDM方法还允许将各种解决方案分配给不同的预定义类，并将其从最佳到最坏排序（Vincke，1992）。
多标准决策问题包含一组A，动作，变体和/或解决方案（使用完整列表或一组约束定义）和一致性集合F的标准。 与DM的偏好一致的一套标准提供了对A集的全面和完整的评估。 此外，各种标准领域之间没有相关性，所有标准的领域都是脱节的（Roy，1990;Żak和Krus-zyński，2015）。
MCDM的各种方法可以分为不同的方式。 基于算法目的的一般分类是（1）MC选择/优化方法，（2）MC分选方法和（3）MC排序方法。
例如，当DM想要在最低标准中实现最大化时，最大-最小方法可以被使用，而最大-最小方法可以用于最大限度地减少损失。妥协程序识别与理想解决方案的距离最小的解决方案。 （理想的解决方案是人为解决方案由标准集最大化的上限组成）。电子方法（Roy，1991）一次比较两种替代方案，并尝试消除使用排名关系主导的替代方案。在该方法的第一个版本中，结果是一组替代（称为内核），可以呈现给DM以选择首选解决方案。该方法的第二个版本提供了原始替代方案的完整排序。 TOPSIS方法（Hwang和Yoon，1981）假设优选的解决方案应同时最接近理想解，并且离非理想解决方案最远。 （非理想的解决方案是一个人为的解决方案，由标准集最大化的下限组成）对于每个解决方案，TOPSIS计算一个指数，它将它的接近度与正解理解相结合，理想的解决方案最大化此索引值的替代方案是首选替代方案。多属性效用理论（MAUT）（Keeney等，1979）基于这样的假设：每个DM试图优化在决策过程开始时不一定已知的效用函数。效用函数由各种标准组成，可以评估替代方案的全局效用。对于每个标准，DM给出一个分数，称为边际效用分数。标准的边际效用分数将在第二阶段合并到全球效用分数。每个替代方案都是根据效用函数进行评估，并获得“效用评分”。该效用评分允许所有替代品从最佳到最差排名。
许多MCDM方法需要使用相对重要的标准权重，这通常与标准值函数中单位变化的相对值成比例。排名标准的简单常用方法是“等级法”。在这种方法中，DM按照相对重要性的增加顺序排列每个标准r i。 （最高排名
全文共24674字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[143719]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
