链上镖师 / Chain Biaoshi
CIE|换乘同步遇上站台排队，公交实时控制要同时看乘客时间和泊位容量
CIE 2026：基于动态公交排队模型和 NSGA-II-DPDE 的多线路换乘节点速度控制研究
这篇 CIE 论文把公交换乘同步放进有限泊位排队场景，提出动态公交排队模型和实时速度控制优化方法，在减少乘客时间成本的同时控制换乘节点外排队长度。
- 01：研究对象是多条高频公交线路共享同一换乘节点时的实时换乘同步问题。
- 02：核心方法是基于亏损函数理论构建动态公交排队模型，并在速度控制框架下建立双目标优化模型。
- 03：实验包含不同规模数值网络和济南真实公交网络，用 Pareto 策略比较成本优先与队列长度优先的控制效果。
研究背景
公交换乘同步通常追求不同线路车辆在换乘节点同时到达，让乘客少等一班车。论文指出，在多条高频线路共享节点时，站台泊位数量有限，同步到达会把车辆集中推向同一个停靠区，形成站外排队，进而拉长车辆进站时间和乘客换乘等待时间。
Fig. 1：多线路共享换乘节点及有限泊位下的公交排队现象，展示换乘同步、站台容量和排队外溢之间的关系。来源：Fig. 1
现有换乘同步研究多关注相遇概率、发车时刻协调、控车等待、跳站和速度控制。本文把问题推到运营现场的微观层面：车辆在进入泊位前可能排队，队列中的车无法立即提供上下客服务，已经到站的换乘乘客也无法按理想同步关系完成转乘。
论文的起点很具体：多线路车辆越集中到达，乘客换乘机会越多，站台外排队压力也越大。实时控制需要同时管理乘客时间成本和公交队列长度。
核心问题
论文提出的优化问题包含两个目标。第一，最小化控制路段内乘客总出行时间成本，覆盖换乘乘客等待时间、站点候车乘客等待时间和车内乘客在途时间。第二，最小化换乘节点外公交队列长度，减少车辆进站延误和站点周边交通干扰。
目标一
乘客时间成本
包含换乘等待、站点等待和车内时间成本
目标二
站外队列长度
刻画有限泊位导致的公交排队拥堵
作者强调，速度控制动作会同时改变车辆到达换乘节点的时刻和排队状态。提前或延后到达可能改善换乘衔接，也可能把车辆推入拥挤队列。由此，单纯最大化车辆相遇并不足以解释真实换乘体验，模型需要显式追踪泊位占用和排队车辆。
方法框架
方法第一层是动态公交排队模型。作者基于亏损函数理论定义驻站公交函数和泊位空闲函数，用它们表达任意时刻换乘节点内的泊位占用、车辆离站、站外排队和排队车辆进站过程，并进一步计算受排队影响的换乘人数与等待时间。
Fig. 2：泊位全占与首泊位空闲两种公交驻站状态，用于解释 DBQ 模型中的泊位空闲函数。来源：Fig. 2
Fig. 3：DBQ 模型 case (i) 中，泊位未完全清空时，队列车辆受无超车约束影响，站外队列长度保持。来源：Fig. 3
1用驻站公交函数记录换乘节点内正在服务的车辆。
2用泊位空闲函数判断车辆能否从站外队列进入泊位。
3基于队列状态更新换乘乘客可搭乘车辆、等待时间和额外驻站时间。
4把乘客时间成本和队列长度放入实时双目标速度控制模型。
Fig. 5：实时速度控制作用于换乘节点前后路段，决策变量对应车辆在控制路段上的运行速度。来源：Fig. 5
案例或实验设置
求解部分采用带决策池和多样性精英策略的 NSGA-II-DPDE。算法先生成可行速度样本，再求解双目标模型，随后从 Pareto 解集中选择成本优先或队列长度优先方案，并在仿真系统中滚动更新公交网络运行状态。
Fig. 6：仿真优化框架串联随机可行速度采样、NSGA-II-DPDE 求解、Pareto 方案选择和系统滚动更新。来源：Fig. 6
Fig. 7：染色体编码把线路、车辆、控制路段与速度基因对应起来，服务于多线路多车辆速度方案搜索。来源：Fig. 7
实验分为两类。数值实验构造共享一个换乘节点的公交网络，线路数分别为 3、8 和 16，每条线路有 40 辆车参与仿真。真实网络实验选取济南公交网络中的多个换乘节点，用实际线路结构检验模型在多节点场景中的适用性。
Fig. 13：济南真实公交网络及换乘节点示意，用于展示真实案例的线路结构和换乘节点分布。来源：Fig. 13
结果分析
在小规模算法对比中，枚举法的 Pareto 前沿作为基准。第一次控制触发时，枚举法搜索 1000000 个解，经典 NSGA-II 搜索 1924 个不同解，NSGA-II-DPDE 搜索 4530 个不同解，说明决策池与多样性精英策略扩大了有效搜索范围。
Table 3：两种 NSGA-II 算法的性能结果比较；NSGA-II-DPDE 在三组 Pareto 解上的命中率更高，平均 CPU 时间为 1.681s。来源：Table 3
Fig. 10：枚举法、经典 NSGA-II 与 NSGA-II-DPDE 的 Pareto 结果比较，展示改进算法更接近基准 Pareto 前沿。来源：Fig. 10
论文报告三组基准 Pareto 解为 (86.58, 0)、(84.52, 1) 和 (84.07, 2)。NSGA-II-DPDE 对应命中率分别达到 71.674%、81.758% 和 78.658%，均高于经典 NSGA-II；三组 Dav 和 Dmax 也更小，计算时间从 2.942s 降至 1.681s。
Table 4：不同实例规模下的控制策略实验结果，比较无控制、成本优先控制和队列长度优先控制。来源：Table 4
管理启示
数值实验显示，成本优先策略 OC-CD 在 3、8、16 条线路场景下分别降低总出行时间成本 4.96%、7.86% 和 11.20%。队列长度优先策略 OC-QLD 对排队缓解更明显，三种规模下平均队列长度分别降低 70.65%、49.12% 和 33.40%。
Fig. 11：数值实验中乘客时间成本、总成本和站外排队长度等指标的综合表现。来源：Fig. 11
Table 7：真实公交网络实验结果；节点 6 在 OC-CD 下总成本由 1367.55 降至 985.35，队列长度由 1.33 降至 0.29。来源：Table 7
对运营者而言，论文给出的可操作结论是：换乘同步方案应和站台泊位容量一起设计，Pareto 解可以支持成本优先与拥堵缓解优先两类策略选择。泊位数量也存在关键阈值，超过阈值后性能提升会趋于有限。
真实网络结果进一步说明，拥堵更重的节点往往获得更高优化收益。节点 6 有 9 条线路和 2 个泊位，无控制下排队最突出；OC-QLD 下队列长度由 1.33 降至 0.11，降幅为 91.73%。这类节点应优先纳入实时速度控制和站台容量评估。
论文：Models for real-time transfer synchronization considering bus queueing congestion at the public-transport transfer node
作者：Hu Zhang，Feng Sun，Ronghan Yao，Fangtong Jiao，Qiang Shang
期刊：Computers & Industrial Engineering
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
