پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

زمان‌بندی دو هدفه امکانی استوار خطوط مترو در حالت رد- توقف

نوع مقاله : مقاله پژوهشی

نویسندگان
سید امیر نصری 1
فرید خوش الحان 2
1 دانش آموخته کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
2 دانشیار، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
10.22034/tri.2023.359971.3083
چکیده
در شرایط اختلال مترو پنجره‌ی زمانی و زمان‌بندی از پیش صورت گرفته پاسخگوی عملیات نمی‌باشد به‌خصوص زمانی که تعداد مسافران زیادی در ایستگاه‌ها باشند. وقتی‌که اختلال و شلوغی به حد بالایی برسد ممکن است در زمان برنامه ریزی مجدد پنجره زمانی، قطارها باید از برخی از ایستگاه رد شوند و توقفی نداشته باشند که این کار باعث افزایش سرعت گردش قطارها و کاهش تعداد مسافران باقی‌مانده در ایستگاه‌ها می‌شود. با توجه به پر ازدحام بودن و جریان مسافرین (عابران) وابسته به زمان، این پژوهش قصد دارد مدلی بهینه برای زمان‌بندی مجدد خطوط مترو ارائه جهت کاهش زمان سفر مسافران و کاهش مصرف انرژی کند. در زمان بندی مترو جدا از فاصله زمانی میان ورود دو قطار متوالی به ایستگاه‌ها، متغیرهایی مانند مدت زمان شتاب گیری قطارها در شروع حرکت بین دو ایستگاه، اندازه شتاب حرکت آنها مدت زمان ترمز گرفتن آنها در پایان حرکت بین دو ایستگاه، اندازه شتاب آنها در هنگام ترمز و مدت زمان توقف آن‌ها در ایستگاه‌ها، تاثیر زیادی در معیارهای زمان بندی مترو مانند انرژی مصرف شده و زمان سفر مسافران دارد. برای رسیدن به توازن بین اعتبار نظری (تئوری) و راحتی محاسبات مدل بهینه تجویزشده است. نمونه‌های عددی بر اساس داده‌های مترو پکن و تهران صورت گرفته و نتیجه‌ی آن کارایی و مفید بودن روش پیشنهادی را نشان می‌دهد. نتایج به دست آمده 4 درصد بهبود در زمان‌بندی و کاهش زمان مسافران را نشان می‌دهد. برای برخورد با عدم قطعیت پارامترهای مسئله از رویکردهای مختلف برنامه‌ریزی امکانی استوار استفاده‌ شده است. رویکردهای مختلف برنامه‌ریزی امکانی استوار به سه گروه برنامه‌ریزی امکانی بدبینانه سخت، برنامه‌ریزی امکانی بدبینانه نرم و برنامه‌ریزی امکانی واقع‌گرایانه تقسیم‌بندی می‌شوند. با حل مثال عددی مقدار تابع هدف آرمانی مسئله در رویکردهای مختلف مقایسه می‌شود. نتایج اعتبارسنجی عملکرد و کارایی مدل‌های امکانی استوار را اثبات می‌کند.
کلیدواژه‌ها
برنامه‌ریزی امکانی استوار
برنامه‌ریزی آرمانی چندگزینه‌ای
زمان‌بندی مترو
الگوی رد-توقف

موضوعات

عنوان مقاله English

A Bi Objective Robust Possibilistic Programming Metro Timetabling Based on Skip-Stop Strategy

نویسندگان English

Seyed Amir Nasri 1
Farid Khoshalhan 2
1 M.Sc., Grad., Industrial Engineering Faculty, K. N. Toosi University of Technology, Tehran, Iran.
2 Associate Professor, Industrial Engineering Faculty, K. N. Toosi University of Technology, Tehran, Iran.
چکیده English

In the case of a metro disruption, the planned timetable cannot be operated and a large number of passengers are left stranded in the stations. When the disruption is over, some stations may be skipped in the recovery period, which speeds up the circulation of trains and makes the number of stranded passengers reduce faster. Considering an over- crowded and time-dependent passenger flow, this paper proposes an optimization model to reschedule a metro line. To achieve a balance between theoretical validity and compu- tational convenience, the optimization model is decomposed, and an iterative algorithm is proposed to solve the model. Numerical experiments based on the Beijing Metro are carried out, the results of which verify the effectiveness and efficiency of our method. We used different types of robust possibilistic programming (RPP) approaches for coping with uncertain parameters and multi-choice goal programming for solving multi-objective problem. Robust possibilistic approaches can be classified into three groups: hard worst case robust programming, soft worst case robust programming and realistic robust programming. By solving numerical example the value of goal programming objective function is compared in different approaches. Evalution results illustrate the performance and applicability of the RPP models.

کلیدواژه‌ها English

Robust Possibilistic Programming
Multi-Choice Goal Programming
Rescheduling
Metro Line
Skip-Stop Pattern
-Cacchiani, V., Caprara, A., Toth, P., (2010). Scheduling extra freight trains on railway networks. Transportation Research Part B 44, 215-231.
-Cacchiani, V., Furini, F., Kidd, M. P., (2016). Approaches to a real-world train timetabling problem in a railway node. Omega: the International Journal of Management Science 58, 97-110.
-Cacchiani, V., Huisman, D., Kidd, M., Kroon, L., Toth, P., Veelenturf, L., Wagenaar, J., (2014). An overview of recovery models and algorithms for real-time railway rescheduling, Transportation Research Part B: Methodological. 63, 15-37.
-Caprara, A., Fischetti, M., Toth, P., (2002). Modeling and solving the train timetabling problem. Operations Research 50(5), 851-861.
-Carey, M., Lockwood, D., (1995). A model, algorithms and strategy for train pathing. Journal of the Operational Research Society 46, 988-1005.
-Corman, F., D’Ariano, A., Pacciarelli, D., Pranzo, M., (2010). A tabu search algorithm for rerouting trains during rail operations.) Transportation Research Part B 44 (1), 175-192.
-Corman, F., D’Ariano, A., Pranzo, M., Hansen, I.A., (2011). Effectiveness of dynamic reordering and rerouting of trains in a complicated and densely occupied station area. Transportation Planning and Technology 34 (4), 341-362.
-D’Ariano, A., Corman, F., Pacciarelli, D., Pranzo, M., (2008). Reordering and local rerouting strategies to manage train traffic in real time. Transportation Science 42 (4), 405-419.
-D’Ariano, A., Pranzo, M., Hansen, I.A., (2007). Transactions on Intelligent Transportation Systems 8 (2), 208-222.
-Dollevoet, T., Huisman, D., Kroon, L., Schmidt, M., Sch¨obel, A., (2015). Delay management including capacitiesof stations. Transportation Science 49(2), 185-203.
-Gao, Y., Kroon, L., Schmidt, M., Yang, L., (2016). Rescheduling a metro line in an over-crowded situation after disruptions. Transportation Research Part B 93, 425-449
-Harrod, S., (2011). Modeling network transition constraints with hypergraphs. Transportation Science 45(1), 81-97.
-Higgins, A., Kozan, E., Ferreira, L., (1997). Modelling the number and location of siding on a single line railway. Computers & Operations Research 24, 209-220.
-Hoffman, A.J., Kruskal, J., (2010). Introduction to Integral Boundary Points of Convex Polyhedra, in M. J¨unger et al. (eds.), 50 Years of Integer Programming, 1958-2008, Springer-Verlag, 49-50.
-Kang, L., Wu, J., Sun, H., Zhu, X., Wang, B., (2015). A practical model for last train rescheduling with train delay in urban railway transit networks. Omega: the International Journal of Management Science 50, 29-42.
-Kroon, L., Mar´oti, G., Helmrich, M­. R., Vromans, M., Dekker. R., (2008). Stochastic improvement of cyclic railway timetables. Transportation Research Part B: Methodological 42, 553-570.
-Kroon, L., Mar´oti, G., Nielsen, L., (2014). Rescheduling of railway rolling stock with dynamic passenger flows. Transportation Science 49(2), 165-184.
-Kroon, L., Peeters, L., Wagenaar, J., Zuidwijk, R., (2014). Flexible connections in pesp models for cyclic passenger railway timetabling. Transportation Science 48(1), 136-154.
-Lamorgese, L., Mannino, C., (2015). An exact decomposition approach for the real-time train dispatching problem. Operations Research 63(1), 48-64.
Brännlund, U., Lindberg, P.O., Nou, A., Nillson, J.E., (1998). Railway timetabling using lagrangian relaxzation. Transp. Sci. 32 (4), 358–369.
-Zhou, X.­, Zhong, M.­, (2005). Bicriteria train scheduling for high-speed passenger railroad planning applications. Eur. J. Oper. Res. 167, 752–771 .
-M. Inuiguchi, J. Ramik., (2000). Possibilistic linear programming: a brief review of fuzzy mathematical programming and a comparison with stochastic programming in portfolio selection problem, Fuzzy Sets Syst. 111, 3–28.
-J. Mula, R. Poler, J.P. Garcia, (2006). MRP with flexible constraints: a fuzzy mathematical programming approach, Fuzzy Sets Syst. 157, 74–97.
-S.A. Torabi, E. Hassini., (2008). An interactive possibilistic programming approach for multiple objective supply chain master planning, Fuzzy Sets Syst. 159 193–214.
-M. Binder, Y. Maknoon, M. Bierlaire, (2017). The multi-objective railway timetable rescheduling problem, Transportation Research Part C. 78, 78–94
Charnes, A., Cooper, W.W., Ferguson, R.O., (1995). Optimal estimation of executive compensation by linear programming. Manag. Sci. 1, 138–151.
-Chang, C. T., (2007). Multi-choice goal programming. Omega 35, 389–396.
-Chang, C. T., (2008). Revised multi-choice goal programming. Appl. Math. Model. 32, 2587–2595.
-Niu, H., Zhou, X., (2013). Optimizing urban rail timetable under time-dependent demand and oversaturated conditions. Transportation Research Part C. 36, 212–230.
-Ma, Z., Koutsopoulos, H., Ferreira, L., Mesbah, M., (2017).  Estimation of trip travel time distribution using a generalized Markov chain approach. Transportation Research Part C. 74, 1–21.
-Shang, P., Li, R., Yang, L., (2016). Optimization of Urban Single-Line Metro Timetable for Total Passenger Travel Time under Dynamic Passenger Demand. Procedia Engineering. 137, 151 – 160.
-Sahin, I., (2017). Markov chain model for delay distribution in train schedules: Assessing the effectiveness of time allowances. Journal of Rail Transport Planning & Management. 7, 101-113.
-Currie, G., Muir, C., (2017). Understanding Passenger Perceptions and Behaviors during Unplanned Rail Disruption. Transportation Research Procedia 25, 4392–4402.
-Liu, L., Dessouky, M., (2019).  Stochastic passenger train timetabling using a branch and bound approach. Computers & Industrial Engineering. 127, 1223-1240.
-Li, S., Yang, L., Gao, Z., Li, K., (2016). Robust train regulation for metro lines with stochastic passenger arrival flow. Information Sciences. 373, 287-307.
Barrena, E., Canca, D., Coelho, L., Laporte. G., (2014).  Single-line rail rapid transit timetabling under dynamic passenger demand. Transportation Research Part B. 70, 134-150
-Yang, L., Zhang, Y., Li, S., Gao, Y., (2016). A two-stage optimization model for the transfer activity choice in metro network.  Transportation Research Part B. 83, 271-297.
-Jamili, A., Pourseyed Aghaee, M., (2015). Robust stop-skipping patterns in urban railway operations under traffic alteration situation. Transp. Res. Part C 61, 63–74 .
-Vuchic, V.R., (2005). Urban Transit: Operation, Planning and Economics. New Jersey: John Wiley & Sons, Inc, USA .
-Veelenturf, L., Kroon, L., Maróti, G., (2017). Passenger oriented railway disruption management by adapting timetables and rolling stock schedules. Transportation Research Part C. 80, 133–147.
-Wang, X., Wang, H., Zhang, X., (2016). Stochastic seat allocation models for passenger rail transportation under customer choice. Transportation Research Part E. 96, 95-112
-dell'Olio, L., Ibeas, A., Barreda, R., Sañudo, R. (2013). Passenger behavior in trains during emergency situations. Journal of Safety Research. 46, 157-166.
-Li, X., Tian, X., Li, X., (2016). Multi-mode Choice Behavior for Passenger in Comprehensive Transportation Corridor. Procedia Engineering 137, 849 – 857
-Wan, X., Schonfeld, P., Li, Q., (2016). What factors determine metro passengers’ risky riding behavior? An approach based on an extended theory of planned behavior. Transportation Research Part F. 42, 125–139.