Оптимизация проектирования городских транзитных сетей с помощью многообъективных стратегий

Растущая сложность проектирования городских транзитных сетей

Городские транзитные сети служат системами кровообращения современных городов, позволяя ежедневно перемещать миллионы людей. По мере расширения и уплотнения городских районов задача проектирования этих сетей стала лабиринтной задачей. Планировщики должны согласовывать конкурирующие требования: обеспечить широкий охват, не разоряя муниципалитет, сокращая выбросы парниковых газов при сохранении высоких частот обслуживания и обеспечивая справедливый доступ для всех социально-экономических групп. Традиционная однообъективная оптимизация часто не в состоянии уловить эти реальные напряженные отношения, приводящие к неоптимальным результатам. Область многообъективной оптимизации возникла как строгая структура для навигации по этим компромиссам, создавая портфель решений, которые лица, принимающие решения, могут оценить по своим конкретным приоритетам.

Проблемы проектирования городских транзитных сетей

Проектирование эффективной транзитной сети включает в себя решение целого ряда задач, выходящих далеко за рамки простой геометрии.В следующем списке перечислены основные препятствия, хотя каждый город может подчеркивать различные проблемы, основанные на его уникальной географии, демографии и фискальных ограничениях.

Минимизация затрат на строительство и эксплуатацию (FLT:0) – Инфраструктура, требующая больших капиталовложений, такая как туннели, мосты и электрификация, должна быть оправдана в отношении долгосрочных эксплуатационных расходов на транспортные средства, техническое обслуживание и персонал.
Максимизация охвата для обслуживания различных районов — Транзитные пустыни — районы, не имеющие разумного доступа к общественному транспорту, — увековечивает социальное неравенство. Охват должен сбалансировать плотность населения, центры занятости и узлы деятельности, но чрезмерное расширение маршрутов может напрягать финансовые ресурсы.
Снижение воздействия на окружающую среду и содействие устойчивости — Транспорт составляет значительную долю городских выбросов углерода. Транзитные сети должны поощрять переход от частных автомобилей, но электрификация, интеграция возобновляемых источников энергии и оценка жизненного цикла добавляют слои сложности.
Обеспечение доступности и удобства для пользователей — Всадники зависят от бесшовных соединений первой мили/последней мили, частоты, надежности и комфорта пользователя.Безбарьерный дизайн для людей с ограниченными возможностями является как юридическим требованием, так и моральным императивом.
Балансирование капитала между группами доходов — Исторически, транзитные инвестиции благоприятствовали богатым областям. Многообъективные рамки могут встраивать показатели капитала, такие как коэффициент Джини или индексы доступности, чтобы обеспечить справедливое распределение выгод.
Интеграция с другими режимами и планирование землепользования — Транзит не работает изолированно.Эффективные сети взаимосвязаны с совместным использованием велосипедов, поездками, пешеходными дорожками и междугородними железнодорожными путями, а также формируют плотность городов посредством ориентированного на транзит развития.
Устойчивость к сбоям и изменению климата — Наводнения, тепловые волны и пандемии проверяют надежность сети. Проектирование избыточности, альтернативной маршрутизации и адаптивной способности становится все более критическим.

Понимание многообъективной оптимизации

Многообъективная оптимизация (MOO) - это математическая структура, которая одновременно рассматривает две или более противоречивых целей. Вместо того, чтобы сходить к одному «лучшему» ответу, MOO определяет набор компромиссных решений, известных как фронт Парето. Решение является Парето-оптимальным, если ни одна цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Это позволяет планировщикам исследовать полный ландшафт возможностей, прежде чем приступить к разработке.

Формулировка обычно включает вектор решения **x**, представляющий такие переменные, как выравнивание маршрута, места остановки, частота и тип транспортного средства. Цель состоит в том, чтобы минимизировать (или максимизировать) вектор объективных функций **F(x)** = [f1(x), f2(x), ..., f k(x)] при ограничениях **g(x)** ≤ 0 и **h(x)** = 0. Общие цели в конструкции транзита включают минимизацию общих затрат, минимизацию среднего времени в пути, минимизацию воздействия на окружающую среду и максимизацию покрытия.

Ключевые методы оптимизации

Эвристические и метаэвристические алгоритмы широко используются, поскольку комбинаторный характер конструкции транзитной сети часто делает точные методы неразрешимыми.

Генетические алгоритмы (GA) — Вдохновленный естественным отбором, GA развивает популяцию потенциальных сетевых проектов в течение поколений. Операторы отбора, кроссовера и мутации исследуют пространство решения. Такие варианты, как NSGA-II (не доминируемый сортирующий генетический алгоритм II) явно обрабатывают несколько целей, сортируя решения по фронтам и используя расстояние скученности для поддержания разнообразия. NSGA-II остается стандартным эталоном в этой области.
Имитация отжига (SA) — Заимствование у металлургии, SA начинается с высокой «температурой», которая позволяет большие случайные изменения в сети, постепенно охлаждая для уточнения решений. Она может избежать локального оптимума и эффективна для проблем, где решение имеет значение плавности, например, корректировка геометрии маршрута.
Оптимизация роя частиц (PSO) — Каждая «частица» представляет собой решение-кандидат и движется через пространство параметров, руководствуясь своей собственной лучшей известной позицией и глобальным лучшим роем.
MOEA/D (Multi-objective Evolutionary Algorithm Based on Decomposition) — Этот подход разбивает многообъективную задачу на набор скалярных подзадач, каждая из которых оптимизирована с использованием информации о соседстве.
Гибридные методы — объединение сильных сторон нескольких алгоритмов, таких как включение локального поиска в GA или связь PSO с SA, может привести к улучшенной конвергенции и разнообразию.

Метрики и цели в дизайне транзитных сетей

Выбор правильных целей так же важен, как и сам алгоритм оптимизации. Обычно используются следующие метрики, часто в сочетании:

Общая стоимость системы — Сумма капитальных затрат (стоимость капитала) и годовых операционных расходов (эксплуатационные расходы); как правило, минимизирована.

Площадь покрытия или охват населения — Процент населения в пределах пешей доступности (например, 400 метров) от транзитной остановки; максимизирован.

Среднее время в пути — общее время в автомобиле плюс время ожидания и передачи; сведено к минимуму.

Стоимость пользователя — стоимость из кармана для тарифов; минимизирована или установлена как ограничение.

Выбросы или углеродный след — количественно эквивалент CO2 на пассажиро-километр; минимизирован.

Индекс акций — Измеряет неравенство в доступности по соседству; минимизирован для лучшего равенства.

Сетевая надежность — способность поддерживать обслуживание при отказе ссылок или остановках (например, измеряемая потерей подключения).

Модальное изменение доли — Ожидаемое сокращение поездок на частных транспортных средствах за счет улучшения транзита; максимизированное.

Компромиссы и оптимальность Парето

Классический компромисс в дизайне транзитной сети заключается в том, чтобы между стоимостью и покрытием . Расширение покрытия в пригородах с низкой плотностью увеличивает длину маршрута и требования к транспортным средствам, повышая как капитальные, так и эксплуатационные расходы. Фронт Парето покажет, что за определенным порогом покрытия каждый дополнительный процентный пункт покрытия становится все более дорогим. Аналогичным образом, минимизация времени в пути часто требует прямых, частых экспресс-услуг, которые могут оставлять периферийные районы недостаточно обслуживаемыми. Граница Парето предоставляет визуальный инструмент для лиц, принимающих решения, чтобы понять эти затраты и выбрать социально приемлемый баланс.

Другой важный компромисс включает в себя устойчивость по сравнению со стоимостью . Электрификация автобусного парка снижает выбросы выхлопных газов, но требует значительных первоначальных инвестиций. Многоцелевая оптимизация может количественно оценить сокращения выбросов, достижимые для каждого дополнительного потраченного доллара, что позволяет экономически эффективные стратегии декарбонизации.

Практические применения и тематические исследования

Многоцелевая оптимизация была применена к транзитным сетям по всему миру, предлагая ценные идеи для планировщиков.

Тематическое исследование: Богота Трансмиленио (Колумбия)

Система скоростного автобусного транспорта Боготы (BRT) претерпела несколько расширений с использованием исследований оптимизации. Исследователи смоделировали компромиссы между выделенными полосами движения, расстоянием между станциями и маршрутами фидерных автобусов. Рассматривая стоимость, время в пути и выбросы в качестве целей, они определили набор проектов, которые сократили выпуск парниковых газов до 30% по сравнению с исходным уровнем, сохраняя при этом расходы в рамках бюджета города. Полученный фронт Парето помог оправдать поэтапную реализацию, где сначала были развернуты высокоэффективные, недорогие вмешательства.

Тематическое исследование: Копенгагенские S-поезда (Дания)

Копенгаген интегрировал MOO со своей региональной транспортной моделью для перепланировки интеграции S-поезда и метро. Цели включали минимизацию переполненности пассажиров, снижение потребления энергии и сохранение надежности. Оптимальные решения включали более короткие поезда, но более высокие частоты в непиковые часы, конфигурация, которая не была бы очевидной без явного анализа компромиссов. Город сообщил о 12%-м сокращении потребления энергии на одного пассажира и улучшении показателей в режиме реального времени.

Пример: Сингапурское управление по транспорту (LTA)

Сингапур уже давно использует моделирование и оптимизацию для планирования своей транзитной системы мирового класса. Известный проект применил MOEA/D для разработки расширения Downtown Line. Целями были стоимость, покрытие жилых комплексов высокой плотности и ожидаемое всадничество. Алгоритм генерировал сотни выравниваний кандидатов; окончательный выбранный маршрут уравновешивал небольшую премию за стоимость против 15%-го увеличения прямого всадника из ранее недостаточно обслуживаемых сообществ.

Эти тематические исследования показывают, что многообъективные стратегии — это не просто академические упражнения, они создают эффективные проекты с высокой отдачей, которые уже формируют построенную среду.

Инструменты и программное обеспечение для многообъективной оптимизации

Существует множество инструментов для реализации MOO для транзитных сетей, начиная от библиотек общего назначения и заканчивая платформами для конкретных доменов.

NSGA-II в Python (Pymoo, Platypus) — библиотеки с открытым исходным кодом, которые обеспечивают самые современные алгоритмы MOO. Pymoo (]pymoo.org) предлагает модульный интерфейс, что упрощает определение пользовательских целей и ограничений. Platypus поддерживает несколько алгоритмов и может быть интегрирован с данными ГИС.

MATLAB Global Optimization Toolbox — Включает многообъективные реализации GA и шаблонного поиска. Полезно для прототипирования и для команд, уже находящихся в экосистеме MATLAB.

Инструменты на основе ГИС (например, ArcGIS Network Analyst, QGIS с плагинами) — Возможности пространственного анализа необходимы для проектирования транзитной сети. Пользовательские скрипты могут сочетать ГИС с библиотеками MOO для включения географических факторов, таких как демография, землепользование и высота.

Программное обеспечение для моделирования транзитных операций (например, TransCAD, PTV Visum) — Эти платформы предлагают встроенную оценку сценариев, назначение транзита и моделирование равновесия пользователя.

Юпитерские ноутбуки с Dash или Bokeh — Интерактивная визуализация фронтов Парето помогает лицам, принимающим решения, исследовать компромиссы в реальном времени. Примером с открытым исходным кодом является хранилище ноутбуков «Transit-MOO» на GitHub.

Преимущества многообъективных стратегий

Принятие многообъективной оптимизации при проектировании транзитных сетей дает конкретные преимущества перед традиционными однообъективными или ручными подходами.

Создает разнообразный набор решений для лиц, принимающих решения — Вместо одной рекомендации фронт Парето представляет несколько действительных альтернатив, каждая из которых отражает различную расстановку приоритетов целей. Это позволяет выборным должностным лицам и заинтересованным сторонам делать выбор на основе ценности, основанный на количественных данных.

Балансы стоимости, охвата и устойчивости эффективно — Рассматривая все три как цели, а не ограничения, оптимизатор, естественно, находит решения, которые хорошо работают по всем направлениям, избегая крайних компромиссов, которые могут быть упущены при последовательном принятии решений.

Обеспечивает прозрачные и информированные процессы планирования — Визуализация компромиссов делает обоснование каждой альтернативы явным. Члены сообщества могут понять, почему более дешевый дизайн может уменьшить охват или как более зеленая сеть может потребовать более высоких первоначальных инвестиций, способствуя доверию и участию.

Поддерживает адаптивные и устойчивые проекты транзитных сетей — Изучая широкий спектр решений, планировщики могут выбирать проекты, которые остаются надежными в неопределенных будущих условиях, таких как рост населения или изменения цен на топливо.

Позволяет интегрировать предпочтения заинтересованных сторон — Расширенные рамки МОО позволяют интерактивно включать предпочтения лиц, принимающих решения. Например, если городской совет придает приоритетное значение собственному капиталу, оптимизатор может подчеркнуть решения, которые набирают наибольшее количество баллов по показателям собственного капитала, все еще рассматривая другие цели.

Будущие направления

Сфера проектирования городских транзитных сетей быстро развивается, что обусловлено наличием данных, вычислительной мощностью и давлением общества. Мультиобъективные стратегии будут играть центральную роль в нескольких новых тенденциях.

Интеграция с большими данными и машинным обучением

Данные в реальном времени с смарт-карт, GPS и мобильных телефонов позволяют динамическую оптимизацию транзитных сетей. Модели машинного обучения могут прогнозировать закономерности спроса и подавать их в алгоритмы MOO для проектирования сетей, которые адаптируются к ежедневным, еженедельным или сезонным колебаниям. Усиление обучения в сочетании с многообъективными функциями вознаграждения может в конечном итоге привести к самооптимизации транзитных систем, которые корректируют маршруты и частоты в реальном времени.

Электрификация и экологическая справедливость

По мере перехода городов на электробусные парки, МОВ будет иметь важное значение для определения местоположения зарядной инфраструктуры при балансировании пропускной способности сети, длины маршрута и справедливости. Соображения экологической справедливости, такие как обеспечение того, чтобы районы с низким уровнем дохода не были непропорционально затронуты перебоями в строительстве или загрязнением воздуха во время перехода, могут быть закодированы как цели.

Автономная интеграция автомобилей

Автономные челноки и услуги по требованию размывают грань между транзитом по фиксированной дороге и личной мобильностью. Многоцелевая оптимизация может проектировать гибридные сети, где автономные стручки обеспечивают гибкие соединения первой мили / последней мили, в то время как коридоры высокой пропускной способности обрабатывают движения багажника. Компромиссы между качеством обслуживания, стоимостью и потреблением энергии будут резко отличаться от сегодняшних систем.

Устойчивость и адаптация к изменению климата

Изменение климата требует наличия транзитных сетей, способных противостоять экстремальным явлениям. MOO может включать в себя показатели риска (например, ожидаемое ежегодное воздействие наводнений) в качестве целей, определяя проекты, которые снижают уязвимость без чрезмерных затрат. Фронт Парето может выявить «беспроигрышные» решения, которые снижают выбросы и повышают устойчивость к наводнениям.

Заключение

Оптимизация городских транзитных сетей с помощью многообъективных стратегий больше не является факультативным усовершенствованием - это важная практика для создания эффективных, устойчивых, справедливых и устойчивых транспортных систем. Раскрывая неотъемлемые компромиссы между стоимостью, покрытием, устойчивостью и другими критическими целями, MOO обеспечивает прозрачную, основанную на данных основу для трудных выборов, с которыми сталкиваются городские лидеры. По мере того, как вычислительные инструменты становятся более доступными и городские данные становятся более обильными, принятие этих методологий ускорится. Планировщики, которые сегодня принимают многообъективную оптимизацию, будут лучше оснащены для формирования будущего городской мобильности, предоставляя транзитные системы, которые служат всем гражданам при соблюдении финансовых и экологических ограничений.

Для дальнейшего чтения, обратитесь к основополагающей странице Национального института стандартов и технологий США по многоцелевой оптимизации , специальному выпуску журнала географических систем по оптимизации транзитных сетей и инструменту оптимизации с открытым исходным кодом Pymoo .