公交自动化多模式调度｜广州案例

 编者按：为解决传统公交调度模式中存在的公交运力供需不平衡问题并助力新冠肺炎疫情防控工作，基于人工智能技术、物联网技术、大数据技术，结合GPS、车载视频、CAN总线、客流检测等技术手段深入挖掘分析车辆运行和线路客流规律，提出“实际公交系统+仿真公交系统”并行的解决策略，形成“面向常态公交调度+异常公交情形”的自动化多模式调度方式，实现车辆最优调度、驾驶员最合理排班、运力最合理配置，并通过上线车厢高密度自动预警、智能测温和客流监测溯源等功能，在疫情防控期间发挥积极效用，整体提升了公交服务水平。

1 引言

目前，广州已经建成涵盖15000多辆公交车、1200多条公交线路、7000多个站点的庞大公交体系，在为公众提供全面公交服务的同时，也面临着日常运营和管理调度方面的极大挑战。

当前公交线路的发班主要采用传统“计划排班+一定的人工干预”的方式，发班效果对调度员的专业水平和工作经验依赖性较强。

部分调度员无法精准、及时、高效地响应道路交通实时状况和客流变化需求，造成公交运力资源供需不平衡，降低服务质量。

此外，在新冠肺炎疫情期间，公交运营调度工作出现了新要求，亟需上线新功能助力疫情防控。因此，对公交自动化多模式调度进行研究与实践应用探索具有重要的现实意义。

目前，结合GPS、CAN总线、4G网络等技术手段，初步实现了车辆状态感知和线路运营状态的远程监控，为开发与实际客流相匹配的公交自动排班发班系统奠定了一定的基础。

本研究基于人工智能、物联网、大数据等新一代信息技术构建公交车联网，分析车辆运行和线路客流规律，建立公交自动排班发班模型和公交运行态势仿真评估模型，并在此基础上进行系统开发，以期实现车辆最优调度、驾驶员最合理排班、运力最合理配置，从而整体提升公交服务水平。

2 总体框架及关键技术

2.1 总体框架

本研究基于人工智能技术、物联网技术、大数据技术，结合GPS、车载视频、CAN总线、客流检测等技术手段深入挖掘分析公交线路客流数据，提出“实际公交系统+仿真公交系统”并行的解决策略，形成“面向常态公交调度+异常公交情形”的解决方案，从而克服公交企业和乘客普遍关注的首末站服务断位（如发车间隔超过三十分钟）、中间站点串车及站点乘客等待时间过长等实际问题，大力提升公交车辆调度的智能化水平。

图1 总体框架图

2.2 关键技术

为实现公交自动化多模式调度，进行了一系列关键技术研究，具体如下：

（1）基于大数据的客流OD分析

利用公交、地铁IC卡刷卡信息，进行公交线路的换乘、通勤规律分析，并通过出行链轨迹恢复得到可靠的客流OD；对于其他波动性强的客流，采用站点吸引率估算下车比例。

（2）基于神经网络的到站预测

从社会车流与公交车流的具体交互关系和规律的视角，针对以下3种情形开展研究：

1）针对无专用车道情形，刻画出社会车流对于公交车流的影响机理并建立模型，研究基于2种车流密度、速度的整体性关联关系分析方法；

2）针对有专用车道、外部干扰弱情形，分析公交车流的密度-速度规律，实现基于实时密度检测的公交车辆速度估计；

3）针对有专用道但外部干扰强情形，采用SVM或神经网络预测方法进行行程时间预测。总体上，针对不同公交路段采取不同预测方法，探求多模式交通流交互规律下的公交串车、服务中断、乘客长时间等待等事件预测。

（3）仿生智能优化的多模式公交调度

多线路多模式公交调度是充分考虑线路客流方向的不均匀性，采用全程车、大站车和区间车组合的形式，对车辆进行调度。通过时段划分，确定不同时段内的公交发车形式及每种形式的车辆数。在实际过程中，采用电子信息显示牌预先通知或不同车辆颜色标识来保证乘客能够快速识别公交的不同调度形式，保证多模式组合调度的运营效果。

（4）仿真驱动的公交运行态势评价

建立与现实公交系统并行的公交仿真平台，实时接入公交车辆GPS数据等信息，基于仿真公交系统预测公交运作异常情形，并开展针对性的实时调度策略优化。对多组可行的调度策略进行仿真评价，根据企业需求进行多性能指标评价。

针对公交车中途串车问题采用的站点延时等待策略，结合企业实际提出提前站点等待、适时站点等待、不定时站点等待，以及调整发车间隔等策略集合，并通过公交仿真平台进行实施后2至3小时的应用效果综合评价。

针对首末站公交服务中断问题，采用调整后续公交车发车间隔、发短线车（即在原始公交线路上适合站点进行短距离掉头）、借调车（即从其他富裕线路借调公交车辆进行支援）等策略集合，通过仿真平台开展针对性指标评价，供企业综合评判与选择。

3 主要功能应用

3.1 排班计划自动生成

应用客流分析预测技术，对截面站点在车客流进行预测，再利用历史数据分析公交班次的周转时间，得到这一天上行下行的周转时间，结合周转时间与截面客流高峰，并综合考虑企业一些较为刚性的经营指标，包括最大发班时间间隔、长短线最低间隔、营运工时以及车辆充电需要，从而生成全天的排班计划。

图2 自动排班

3.2 异常情形预测

常态公交调度研究的核心是生成发车时间表和司机排班表等调度策略。在公交车辆的实际运行过程中，受客流和路况等原因影响，车辆在完成前序趟次后，返回首末站时与与预先规划的时间表经常会出现偏差。

因此，常态调度策略往往是作为一种参考依据，企业更为重视的是公交系统运行出现异常时的动态管控策略。针对企业关注度高、影响公交服务水平的异常情况，定义其判定指标。

通过建立客流延误、到站时间等关键参数的预测模型，实现提前半小时以上的异常情形预判，从而为后续调度方案的调整奠定基础。

3.3 公交调度方案

优化实时接入公交车辆GPS数据等信息，实现公交运营异常情形预测，并开展针对性的实时调度策略优化。根据企业需求对多组可行的调度策略进行仿真及多性能指标评价。

此外，应用自主研究的疫情防控条件下的客流预测技术，合理制定计划排班，并可结合公交运力实时监测数据，动态调整发班。

为引导市民减少出行密度，助力疫情防控，还基于公交供给匹配大数据技术，打造了“一键叫车”按需响应模式。

图3 仿真模拟

3.4 5G快速公交智能调度创新试点

利用5G“高带宽、低延时、大连接”的优势，在广州B27公交车线已试点实现车辆智能排班。

该线通过5G公交智能调度系统传输公交客流、运营调度、安全提醒等10多类信息资源，建立合理性评估指标体系，实现5G公交智能排班、车辆运行指标分析、安全驾驶预警提醒、客流检测等20多项功能，提高公共交通资源周转效率。

图4 5G公交智能调度

3.5 疫情防控期间车厢高密度载客自动预警

通过抽取线路客流特征和上车乘客历史出行特征构建AI模型，结合站台候乘客拥挤度信息，实现对车厢满载度的精准预测、自动预警，当车厢满载度超过设定阈值，立即发出“警报”，提醒公交企业及时响应增加运力，既保障复工复产出行需求，也降低人群交叉感染风险。

图5 车厢高密度载客自动预警

4 总结

本研究开发的公交自动排班发班系统实现了常态公交调度方案的快速生成，自动调度取代人工干预调度。通过应用，自动排班计划有效执行度达90%以上，使得排班计划由原来的一个星期缩短至一天。

初步测算，该技术在不影响服务品质的同时，可节省10%的运力，公共交通资源周转效率明显提高。同时，通过对异常情形的预测，对公交调度方案进行智能化优化，可成功降低公交首末站断位、串车等企业高度关注的问题，乘客总体候车时间也能得到有效减少。

此外，通过系统的应用，预期可为企业节约大量硬件设备及维护成本，同时能有效实现公交资源配置优化，降低公交企业人力资源成本，提升企业管理科学化、精细化水平。该系统适用于国内外的公交运营管理，在国内外均具有推广价值。

在城市疫情防控、复工复产方面，该系统同样发挥了较好的作用，有效满足了在特殊事件情形下公共交通在安全防控、应急响应和信息服务等方面的社会民生需求，显著提高公共交通出行的效率和安全性。

在疫情防控初期，倡导“少出行，居家隔离”，公交客流量急剧下降。通过动态调整发班，引导市民减少出行密度，有助于防控疫情传播。在复工复产阶段，通过车厢高密度告警及相应的动态调整发班，保障车厢满载度低于50%，能有效降低公交车车厢人员密集带来的病毒交叉感染风险，为市民提供更为安全的公交乘坐环境。

目前在广州已应用覆盖全市1000多条线路、10000多台车，并将创新成果，延伸拓展到出租车、客运等其它领域，助力交通行业提升运行效率，增强主动安全能力，支撑疫情防控、复工复产。