链上镖师 / Chain Biaoshi
TRD|轨道—公交应急资源站：韧性导向选址与资源配置优化
基于CML-R、随机场景与混合整数规划的成都网络算例
论文把应急资源站、服务站和异质资源配置放进同一个韧性导向模型，并在成都轨道—公交网络上检验选址方案。
- 01：模型联合决定应急资源站位置、资源存量、服务站关系和资源分配量。
- 02：韧性指标记录扰动期间的累计性能损失，数值越大表示损失越严重。
- 03：案例覆盖成都156个轨道站及与轨道站相连的3058个公交站。
- 04：优化后，多模式网络与轨道网络的平均韧性损失指标分别下降62.22%和86.96%。
- 05：资源类型、场站适配关系和扰动严重度不确定性都会改变配置方案。
轨道—公交网络中的场站与资源联合决策
研究面对的决策包含三个相互关联的层次：选择哪些轨道车辆段或公交场站作为应急资源站，确定各站点存放多少种资源，再把资源分配给服务范围内的轨道站和公交站。资源总量、储运成本、最大运输距离、场站与资源类型的匹配关系共同限制最终方案。
轨道—公交一体化网络及候选应急资源站示意，展示候选场站、异质资源和服务范围之间的空间关系。来源：Fig. 1。
1输入候选场站、站点客流、运输时间、资源类型与扰动场景
2计算站点受扰后的网络性能变化和累计韧性损失
3联合优化应急资源站、资源存量、服务站与配送数量
4在资源、距离、成本和场站适配约束下输出配置方案
从失效传播到累计韧性损失
论文用加权出行时间刻画网络性能，站点客流决定不同起讫点的重要程度。扰动会增加出行时间，超过旅客容忍时间的行程被取消。CML-R模型逐时模拟站点状态在相邻节点间传播及恢复过程，韧性指标汇总整个受扰期间的累计性能损失。
CML-R模型依次加载扰动、更新站点状态、记录恢复站点并模拟相邻节点间的影响传播。来源：Algorithm I。
扰动严重度的概率分布用于生成随机场景并计算概率加权收益，轨道站与公交站采用不同分布。来源：Fig. 7。
阶段 1 扰动发生：站点出行时间增加，网络性能下降
阶段 2 影响传播：相邻站点状态通过耦合映射逐时更新
阶段 3 资源介入：恢复系数决定单位时间内可削减的严重度
阶段 4 恢复完成：累计各时段性能损失并形成韧性指标
成都轨道—公交网络怎样进入算例
算例采用2019年成都公共交通数据，原始网络包含6条轨道线、156个轨道站、857条公交线和7618个公交站。研究把轨道站500米范围内的公交站定义为相邻站，最终纳入3058个与轨道网络相连的公交站。运输时间取早高峰、平峰和晚高峰数据的平均值。
2019年4月成都轨道交通网络为候选场站选址、站点服务关系和轨道—公交连接提供空间底图。来源：Fig. 2。
01三类应急资源总量分别设为100、200和100。
02最大运输时间设为2400秒，对应20公里距离和每小时30公里速度。
03资源利用率设为0.7，单位储存成本统一设为10元。
04公交站客流依据位置系数和平均每站538人次估算。
轨道站为何主导网络韧性损失
站点层面的模拟显示，轨道站受扰通常造成更大的系统性能损失。站点7的韧性损失指标达到站点225的23.61倍，两者最大性能损失比例相差22.14倍。前者记录完整的下降与恢复轨迹，能够识别持续时间和恢复速度带来的额外影响。
各站点的韧性损失存在明显差异，扰动严重度由0.1升至0.7时，站点7对应指标显著增加。来源：Fig. 5。
站点7与站点225受扰后的性能跌落和恢复轨迹，展示累计性能损失指标的动态含义。来源：Fig. 6。
韧性影响最大的五个站点均为轨道站，影响最小的五个站点均为公交站，可用于确定保护优先级。来源：Table 6。
站点7与站点225的韧性指标差距
23.61倍
两站最大性能损失比例差距
22.14倍
联合选址带来怎样的韧性改善
优化模型以严重度削减收益扣除场站储存与资源运输成本，使用样本平均近似处理随机场景，再转化为可由CPLEX求解的混合整数线性规划。网络规模扩大时计算时间增加，模型仍可输出场站选择、资源存量及各场站对应的服务站关系。
不同网络规模下的目标函数值与计算时间，显示网络规模扩大对求解效率和优化结果的影响。来源：Fig. 8。
基准情景下的最优应急资源站、资源配置量和服务站关系，是模型的核心配置输出。来源：Fig. 9。
多模式网络平均韧性损失指标
下降62.22%
轨道网络平均韧性损失指标
下降86.96%
资源异质性与严重度不确定性如何改写方案
资源类型决定其可存放的场站及可服务的交通方式，取消相关约束会让资源更多流向运输路径更有利的公交场站。把扰动严重度固定为0.5后，资源最多的场站由考虑不确定性时的崔家店轨道车辆段变为牛王庙公交场站，部分站点的服务关系和分配量也随之变化。
调整资源类型及场站—资源匹配约束后，资源流向和应急资源站配置发生变化。来源：Fig. 10。
固定扰动严重度为0.5时的场站资源与服务站配置，用于对照随机严重度场景的优化结果。来源：Fig. 12。
资源类型、场站能力和严重度分布需要在同一轮选址中校准；单一交通方式或固定严重度得到的方案无法直接代表轨道—公交一体化网络的资源需求。
模型适用条件与研究边界
研究结论建立在2019年成都网络结构、运营数据和预设参数上。公交站客流包含位置系数估算，奖励系数与恢复系数因数据限制分别设为100000和1.0。模型只考虑地面车辆运输资源，并假设修复后的站点对同一扰动免疫。其他城市和更新网络条件下的外推效果，论文未报告。
资源总量、最大运输距离、储运成本、配送速度和利用率变化对目标函数值的影响。来源：Fig. 14。
✓适用于候选场站、运输时间、资源种类和资源总量可以量化的轨道—公交网络。
✓公交客流估算会进入起讫点权重，并影响站点重要度和资源优先级。
✓奖励系数与恢复系数需要结合真实应急效能和经济价值重新标定。
✓模型未覆盖航空运输等其他资源投送方式。
✓跨城市迁移、实时滚动调度和多次复合扰动的效果，论文未报告。
论文的实施建议集中在参数校准：运营者需要准确估计资源的严重度削减能力、单位收益、运输范围和利用率，再据此确定场站存量与服务对象。
论文：Resilience-oriented emergency resource site optimization for an urban multi-modal public transport network
作者：Jinqu Chen，Xiaowei Liu，Shaochuan Zhu，Deying Su，Bo Du，Yong Yin
期刊：Transportation Research Part D
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
