基于人工智能的公交自動化多模式調度研究
陳歡 林慶豐 鄒祥莉 歐勇輝
（廣州交信投科技股份有限公司，廣東廣州 510620）
摘要：為解決傳統公交調度模式中存在的公交運力供需不平衡問題并助力新冠肺炎疫情防控工作，基于人工智能技術、物聯網技術、大數據技術，結合GPS、車載視頻、CAN總線、客流檢測等技術手段深入挖掘分析車輛運行和線路客流規律，提出“實際公交系統+仿真公交系統”并行的解決策略，形成“面向常態公交調度+異常公交情形”的自動化多模式調度方式，實現車輛最優調度、駕駛員最合理排班、運力最合理配置，并通過上線車廂高密度自動預警、智能測溫和客流監測溯源等功能，在疫情防控期間發揮積極效用，整體提升了公交服務水平。
關鍵詞：人工智能；大數據；公交自動發班；多模式調度
1 引言
目前，廣州已經建成涵蓋15000多輛公交車、1200多條公交線路、7000多個站點的龐大公交體系，在為公眾提供全面公交服務的同時，也面臨著日常運營和管理調度方面的極大挑戰。當前公交線路的發班主要采用傳統“計劃排班+一定的人工干預”的方式，發班效果對調度員的專業水平和工作經驗依賴性較強。部分調度員無法精準、及時、高效地響應道路交通實時狀況和客流變化需求，造成公交運力資源供需不平衡，降低服務質量。此外，在新冠肺炎疫情期間，公交運營調度工作出現了新要求，亟需上線新功能助力疫情防控。因此，對公交自動化多模式調度進行研究與實踐應用探索具有重要的現實意義。
目前，結合GPS、CAN總線、4G網絡等技術手段，初步實現了車輛狀態感知和線路運營狀態的遠程監控[1-3]，為開發與實際客流相匹配的公交自動排班發班系統奠定了一定的基礎。本研究基于人工智能、物聯網、大數據等新一代信息技術構建公交車聯網，分析車輛運行和線路客流規律，建立公交自動排班發班模型和公交運行態勢仿真評估模型，并在此基礎上進行系統開發，以期實現車輛最優調度、駕駛員最合理排班、運力最合理配置，從而整體提升公交服務水平。
2 總體框架及關鍵技術
2.1 總體框架
本研究基于人工智能技術、物聯網技術、大數據技術，結合GPS、車載視頻、CAN總線、客流檢測等技術手段深入挖掘分析公交線路客流數據，提出“實際公交系統+仿真公交系統”并行的解決策略，形成“面向常態公交調度+異常公交情形”的解決方案，從而克服公交企業和乘客普遍關注的首末站服務斷位（如發車間隔超過三十分鐘）、中間站點串車及站點乘客等待時間過長等實際問題，大力提升公交車輛調度的智能化水平。
圖1 總體框架圖
2.2 關鍵技術
為實現公交自動化多模式調度，進行了一系列關鍵技術研究，具體如下：
（1）基于大數據的客流OD分析
利用公交、地鐵IC卡刷卡信息，進行公交線路的換乘、通勤規律分析，并通過出行鏈軌跡恢復得到可靠的客流OD；對于其他波動性強的客流，采用站點吸引率估算下車比例。
（2）基于神經網絡的到站預測
從社會車流與公交車流的具體交互關系和規律的視角，針對以下3種情形開展研究：1）針對無專用車道情形，刻畫出社會車流對于公交車流的影響機理并建立模型，研究基于2種車流密度、速度的整體性關聯關系分析方法；2）針對有專用車道、外部干擾弱情形，分析公交車流的密度-速度規律，實現基于實時密度檢測的公交車輛速度估計；3）針對有專用道但外部干擾強情形，采用SVM或神經網絡預測方法進行行程時間預測?？傮w上，針對不同公交路段采取不同預測方法，探求多模式交通流交互規律下的公交串車、服務中斷、乘客長時間等待等事件預測。
（3）仿生智能優化的多模式公交調度
多線路多模式公交調度是充分考慮線路客流方向的不均勻性，采用全程車、大站車和區間車組合的形式，對車輛進行調度。通過時段劃分，確定不同時段內的公交發車形式及每種形式的車輛數。在實際過程中，采用電子信息顯示牌預先通知或不同車輛顏色標識來保證乘客能夠快速識別公交的不同調度形式，保證多模式組合調度的運營效果。
（4）仿真驅動的公交運行態勢評價
建立與現實公交系統并行的公交仿真平臺，實時接入公交車輛GPS數據等信息，基于仿真公交系統預測公交運作異常情形，并開展針對性的實時調度策略優化。對多組可行的調度策略進行仿真評價，根據企業需求進行多性能指標評價。
針對公交車中途串車問題采用的站點延時等待策略，結合企業實際提出提前站點等待、適時站點等待、不定時站點等待，以及調整發車間隔等策略集合，并通過公交仿真平臺進行實施后2至3小時的應用效果綜合評價。針對首末站公交服務中斷問題，采用調整后續公交車發車間隔、發短線車（即在原始公交線路上適合站點進行短距離掉頭）、借調車（即從其他富裕線路借調公交車輛進行支援）等策略集合，通過仿真平臺開展針對性指標評價，供企業綜合評判與選擇。
3 主要功能應用
3.1 排班計劃自動生成
應用客流分析預測技術，對截面站點在車客流進行預測，再利用歷史數據分析公交班次的周轉時間，得到這一天上行下行的周轉時間，結合周轉時間與截面客流高峰，并綜合考慮企業一些較為剛性的經營指標，包括最大發班時間間隔、長短線最低間隔、營運工時以及車輛充電需要，從而生成全天的排班計劃。
圖2 自動排班
3.2 異常情形預測
常態公交調度研究的核心是生成發車時間表和司機排班表等調度策略。在公交車輛的實際運行過程中，受客流和路況等原因影響，車輛在完成前序趟次后，返回首末站時與與預先規劃的時間表經常會出現偏差。因此，常態調度策略往往是作為一種參考依據，企業更為重視的是公交系統運行出現異常時的動態管控策略。針對企業關注度高、影響公交服務水平的異常情況，定義其判定指標。通過建立客流延誤、到站時間等關鍵參數的預測模型，實現提前半小時以上的異常情形預判，從而為后續調度方案的調整奠定基礎。
3.3 公交調度方案優化
實時接入公交車輛GPS數據等信息，實現公交運營異常情形預測，并開展針對性的實時調度策略優化。根據企業需求對多組可行的調度策略進行仿真及多性能指標評價。此外，應用自主研究的疫情防控條件下的客流預測技術，合理制定計劃排班，并可結合公交運力實時監測數據，動態調整發班。為引導市民減少出行密度，助力疫情防控，還基于公交供給匹配大數據技術，打造了“一鍵叫車”按需響應模式。
圖3 仿真模擬
3.4 5G快速公交智能調度創新試點
利用5G“高帶寬、低延時、大連接”的優勢，在廣州B27公交車線已試點實現車輛智能排班。該線通過5G公交智能調度系統傳輸公交客流、運營調度、安全提醒等10多類信息資源，建立合理性評估指標體系，實現5G公交智能排班、車輛運行指標分析、安全駕駛預警提醒、客流檢測等20多項功能，提高公共交通資源周轉效率。
圖4 5G公交智能調度
3.5 疫情防控期間車廂高密度載客自動預警
通過抽取線路客流特征和上車乘客歷史出行特征構建AI模型，結合站臺候乘客擁擠度信息，實現對車廂滿載度的精準預測、自動預警，當車廂滿載度超過設定閾值，立即發出“警報”，提醒公交企業及時響應增加運力，既保障復工復產出行需求，也降低人群交叉感染風險。
圖5 車廂高密度載客自動預警
4 總結
本研究開發的公交自動排班發班系統實現了常態公交調度方案的快速生成，自動調度取代人工干預調度。通過應用，自動排班計劃有效執行度達90%以上，使得排班計劃由原來的一個星期縮短至一天。初步測算，該技術在不影響服務品質的同時，可節省10%的運力，公共交通資源周轉效率明顯提高。同時，通過對異常情形的預測，對公交調度方案進行智能化優化，可成功降低公交首末站斷位、串車等企業高度關注的問題，乘客總體候車時間也能得到有效減少。此外，通過系統的應用，預期可為企業節約大量硬件設備及維護成本，同時能有效實現公交資源配置優化，降低公交企業人力資源成本，提升企業管理科學化、精細化水平。該系統適用于國內外的公交運營管理，在國內外均具有推廣價值。
在城市疫情防控、復工復產方面，該系統同樣發揮了較好的作用，有效滿足了在特殊事件情形下公共交通在安全防控、應急響應和信息服務等方面的社會民生需求，顯著提高公共交通出行的效率和安全性。在疫情防控初期，倡導“少出行，居家隔離”，公交客流量急劇下降。通過動態調整發班，引導市民減少出行密度，有助于防控疫情傳播。在復工復產階段，通過車廂高密度告警及相應的動態調整發班，保障車廂滿載度低于50%，能有效降低公交車車廂人員密集帶來的病毒交叉感染風險，為市民提供更為安全的公交乘坐環境。目前在廣州已應用覆蓋全市1000多條線路、10000多臺車，并將創新成果，延伸拓展到出租車、客運等其它領域，助力交通行業提升運行效率，增強主動安全能力，支撐疫情防控、復工復產。
參考文獻
[1]張澍裕, 宮達, 謝兵, 等. 基于實時GPS的公交短時動態調度算法[J]. 計算機科學, 2019, 46(S1):497-501.
[2]阮惠林. 基于CAN總線的公交車運行狀態遠程監控系統設計[J]. 城市公共交通, 2011(6):36-38.
[3]李金紅, 張文龍. 基于4G的智能公交終端實時路況視頻分布采集及互聯分享應用系統研究[J]. 中國公共安全, 2018(6):81-84.
