Líneas flexibles de buses - emov.gob.ec Ávila - Líneas... · 1.4 Líneas Flexibles Lineas...

Líneas flexibles de buses

Elina Avila Ordóñez, Chris M.J. Tampère , Pablo Vanegas, Pieter Vansteenwegen

KU Leuven:

Leuven Mobility Research Centre - CIB

Universidad de Cuenca: Departamento de Ingeniería Civil, yDepartamento de Ciencias de la Computación

Programa de Proyectos:

Movilidad Activa y Sostenible en la

Universidad de Cuenca

Agenda

• Plan de Líneas y Plan de Líneas Flexible

• Prueba de Concepto• Metodología

• Algoritmo

• Aplicación en una red de tamaño real

• Conclusiones, siguientes pasos y retos

"Hacia una Movilidad Sostenible" . Empresa Pública de Movilidad, Tránsito y Transporte, EMOV EP 2

1. Plan de Líneas y Plan de Líneas Flexibles


"Hacia una Movilidad Sostenible" . Empresa Pública de Movilidad, Tránsito y Transporte, EMOV EP

Línea de Bus: ruta y paradas Line Plan: conjunto de líneas de buses

1.1 Línea de Bus y Plan de Líneas

4

1.2 Línea de Bus y Plan de Líneas

Concepto simple, pero difícil de solucionar!

• Problema Combinatorio• Parámetros de Entrada• Restricciones • Función Objetivo

¿Qué líneas seleccionar?

Line Planning Problem (lpp)


1.3 Proceso de Planificación de transporte público

Line planning problem (lpp) es el nombre del

problema de definir el “Line Concept” para un

servicio de transporte público.Schöbel, 2012

Line planning

Frequencies Setting

Timetabling

Crew & Vehicle scheduling

Ceder & Wilson, 1986

Line concept

Schedules

Nuestra investigación



7

1.4 Líneas Flexibles

Lineasconvencionales

(fijas)

Tiempos de viaje más largos

Mejores tiempos de viaje

Demand Congestion

Líneas flexibles


8

1.4 Plan de Líneas Flexible

Time

Usual

Esce

nar

io

Inusual

Esce

nar

io

Situ

atio

n

Usual

Esce

nar

io

Inusual

Esce

nar

io

Usual

Esce

nar

io

Adapted line plan 1 Adapted line plan 2Usual line plan Usual line plan Usual line plan

Tiempos de viaje más cortos atraen más usuarios al servicio.

2. Prueba de Concepto


9


10

Exploración

Prueba de concepto

Caso de estudio

Metodología General

Diseño de plan de líneas

Análisis de Sensibilidad

Definición de escenarios

Definición de cambios

Evaluación

Red pequeñaRed de

tamaño real

Algoritmogenético

2.1 Metodología

2.1.1 Diseño de un plan de Líneas

• Representación del problema• Parámetros de Entrada• Función Objetivo• Suposiciones


2.1.1 Diseño de un plan de Líneas

• Infraestructura: Grafo y matriz de adyacenciaG=(V,E)

V= conjunto de paradasE= conjunto de links


• Line Plan: grafo y matriz

5 4 12 11 10 7 15 9

1 2 3 6 8 10 14 13

2 4 6 8 10 11 13

2.1 Diseño de un plan de Líneas


Travel Times

Network Infraestructura física en donde se prestará el servicio

Links: calles, avenidas, puentes, etc.

Nodos: paradas de buses



Network Travel Times

Tiempo de viajerequerido paracompletar un link

Se requieren 4 min. para ir de 6 a 4.

La velocidad de los vehículos esta implícita




DemandNúmero de pasajerosque desean ir de unpunto a otro




Demand

Line Length

Tiempo máximopermitido para elrecorrido




Demand

Line Length

Stop Time Tiempo que un bus permanence en una parada




Demand

Line Length

Stop Time

Tiempo que un pasajero requierepara cambiar a otralínea

Transfer Time




Demand

Line Length

Stop Time

Transfer Time

Fleet Size

Número de unidadesdisponibles


• Se optó por una orientación hacia el usuario• Minimizar el tiempo total de viaje (Van Oort, 2011)

• La perspectiva del operador se considera:• Tamaño de la flota• Máxima longitud de línea



• Servir a toda la demanda• Diseñar líneas de buses primero

• Frecuencias luego• Capacidad de buses suficiente

• Los pasajeros seleccionan siempre el camino más rápido


2.1 Diseño de un Plan de líneas

Parámetros de Entrada ResultadosDiseño del plan de líneas

Se construyen y evalúan

soluciones factibles

Plan de Línea óptimo o

cercanamente óptimo

La situación para la que se diseña

el servicio

La combinación de líneas que

tenga el menor costo o tiempo

total de viaje o ambos.

Un escenarioSolución al problema

combinatorialLa mejor solución


• Varios:• Calles• Velocidad• Demanda• Longitud máxima de línea,

etc.

• Varios métodos:• Exactos (pequeñas)• Bi-level• Metaheurísticas, etc.

2.1.1 Algoritmo Genético


• Metaheurística• Holland (1975) and Goldberg (1989)

• Se basa en los principios de la teoría de la evolución• Las mejores características se preservan generación tras generación

• Población inicial y luego evolución en base a principios• Selección• Cruce• Mutación

• Evaluación de individuos• El mejor en base a algún criterio

2.1.1 Algoritmo Genético: pool de líneas


• Simple Paths• m simple paths para cada od-pair• Búsqueda en profundidad. Deep-first-search. DFS.

1 2 3 6 8 15 9

1 2 3 6 15 9

1 2 3 6 4 12 11 13 10 7 15 9

1 2 4 6 8 15 9

1 2 4 12 11 10 7 15 9

5 4 6 8

5 4 6 15 8

5 2 3 6 8

5 2 3 6 15 8

5 4 12 11 10 8

6 8 10 14

6 4 12 11 13 14

6 8 15 7 10 14

6 8 10 13 14

6 8 10 11 13 14

Y más…

Parte del pool de líneas:

2.1.1 Algoritmo Genético: población inicial


Pool de líneas:

Factible

• Todos los nodos presentes y conectados• Maximo Fleet Size líneas (4)

Diversa

• Los individuos deben ser suficientemente diferentes

Población

Individuo/LinePlan/Solución 1



• Selección aleatoria de líneas• Número definido de individuos en la población (40)

1 2 3 6 8 15 9 3 6 15 7 10

1 2 3 6 15 9 3 6 8 10

1 2 4 6 8 15 9 3 2 4 12 11 10

5 4 6 8 4 6 8 15 7

5 2 3 6 8 4 6 8 10 7

5 4 12 11 10 8 4 2 3 6 15 7

2 4 12 11 5 2 3 6

2 5 4 12 11 5 4 6

2 3 6 8 10 11 5 4 12 11 10 8 6

6 8 10 14 6 4 12

6 4 12 11 13 14 6 3 2 4 12

6 8 15 7 10 14 6 8 10 11 12

8 15 7 10 14 8 15 9

8 15 7 10 13 14 8 6 15 9

8 6 4 12 11 13 14 8 10 7 15 9

15 7 10 13 11 12 4 7 10 13 11 12

15 8 6 4 7 15 6 4 12

15 6 4 7 15 8 6 4 12

. .

. .

. .

. .

Nuevo Individuo

1 2 3 6 8 15 9

4 6 8 15 7

5 4 12 11 10 8

8 6 4 12 11 13 14

Se rechaza: nodos 3, 5 y 14 no presentes

6 4 12

1 2 4 6 8 15 9

4 6 8 10 7

7 10 13 11 12

1 2 3 6 15 9

5 4 6

7 10 13 11 12

8 15 7 10 14

5 4 6

7 15 13 11 12

1 2 3 6 15 9

8 15 7 10 14

Se rechaza: individuo muy similar

1 2 4 6 8 15 9

8 6 4 12 11 13 14

5 4 12 11 10 8 6

3 6 15 7 10

2.1.1 Algoritmo Genético: evaluación


Población




1 2 3 6 8 15 9

4 6 8 15 7

5 4 12 11 10 8

8 6 4 12 11 13 14

1 2 3 6 15 9

5 4 6

7 10 13 11 12

8 15 7 10 14

1 2 4 6 8 15 9

8 6 4 12 11 13 14

5 4 12 11 10 8 6

3 6 15 7 10

.

.

.

.

.

.

.

.

.

.

• Fitness Value: total travel time• Grafo extendido• Fastest Path

• Total Travel Time:

𝑖=1

𝑛

𝑗=1𝑗≠𝑖

𝑚

(𝑡𝑡𝑖𝑗+𝑡𝑠𝑡𝑖𝑗)𝑝𝑖𝑗

n, # orígenesm, # destinos𝑡𝑡𝑖𝑗, tiempo de viaje desde i a j

𝑡𝑠𝑡𝑖𝑗, tiempo en transferencias desde i a j

𝑝𝑖𝑗, # de pasajeros desde i hacia j

ttt (minutos)

350

322

368

312435

369

384

.

.

.

.

.

.

2.1.1 Algoritmo Genético: evolución


Población1

1 350 21 3452 322 22 3923 368 23 3784 312 24 361

5 435 25 322

6 369 26 3557 384 27 344

8 384 28 3259 485 29 401

10 370 30 42811 522 31 41012 387 32 352

13 369 33 36514 334 34 321

15 396 35 33316 378 36 41217 345 37 31118 385 38 38219 396 39 391

20 321 40 372

1. Ordenar

37 311 10 3704 312 40 372

20 321 16 378

34 321 23 3782 322 38 382

25 322 7 38428 325 8 384

35 333 18 38514 334 12 38727 344 39 391

21 345 22 39217 345 15 396

1 350 19 39632 352 29 40126 355 31 41024 361 36 412

33 365 30 428

3 368 5 4356 369 9 485

13 369 11 522

Individuo ttt Individuo ttt 2. Nueva generación2.1 Elitismo

2.2 Crossover y Mutación

Población2

Individuo ttt Individuo ttt

1 311 21

2 312 223 321 23

4 321 245 322 25

6 322 267 325 278 333 289 334 29

10 344 30

11 31

12 32

13 3314 3415 3516 3617 37

18 3819 39

20 40

2.1.1 Algoritmo Genético: evolución


1. Ordenar

2. Nueva generación2.1 Elitismo

2.2 Crossover y Mutación

Población2

Individuo ttt Individuo ttt

3. Evaluar

1 311 21 3992 312 22 357

3 321 23 301

4 321 24 3325 322 25 3896 322 26 3667 325 27 349

8 333 28 3819 334 29 324

10 344 30 33811 369 31 31212 354 32 34213 389 33 32814 401 34 311

15 335 35 37616 338 36 366

17 347 37 38718 321 38 39419 311 39 32520 358 40 378

Población3

Población4

.

..

Poblaciónn

El mejor individuo de esta población es la solución!

3. Aplicación en una red de tamaño real


29


30

• 29 Líneas de busesRuta diferente en cada dirección-> 58 líneas

• Demanda de alrededor 600 000 viajes• 1303 paradas de buses (ambas direcciones)• Cerca de 600 links• Frecuencia promedio 1 bus / 7 min• Longitud máxima de línea 48,60 km• 28 terminales• Capacidad 60, 70 o 90 pasajeros• 475 unidades

3.1 Servicio Actual

3.2 Modelo del Servicio de Buses de Cuenca


3.3 Plan de Líneas para la situacion habitual


clp total travel time (ttt) 19 062 000,00 min

lp0 total travel time (ttt) 17 695 000,00 min

lp0 vs clp (differences in ttt) -7,17 %

clp average travel time 32,32 min

lp0 average travel time 30,00 min

CPU time 95,00 min

Análisis de Similitud

Line Plan A Line Plan B# Líneasidénticas

# Líneas50% stops

# Líneas70% stops

# Líneas90% stops

# Líneas100% stops Total

clp lp0 5 37 11 5 0 58

lp0 clp 5 49 4 0 0 58

• clp: servicio de buses actual• lp0: servicio de buses cercano al óptimo• Identical Line: same stops and sequence• Similar line: same stops, no sequence

lp0 vs clp

# conexiones mejoradas 39 274

# conexiones empeoradas 18 616

# conexiones mantienen 4 871

Total 62 761


33

• Mayor demanda• 4000 viajes adicionales

• Bloqueo de ciertas calles• Efecto correlacionado por congestión

3.3 Situación inusual


34

3.3 Situación inusual


35

Prueba de concepto

Diseño de plan de líneas

Análisis de Sensibilidad

Definición de escenarios

Definición de cambios

Evaluación


36

3.3 Líneas Flexibles para mejorar conexiones (alp1)


37

3.3 Líneas Flexibles para evitar zona congestionada (alp2)


38

3.3 Resultados

4. Conclusiones, siguientes pasosy retos


39

4.1 Conclusiones


• Diseñar un plan de líneas para optimizar el tiempo total de viaje• Es posible reducir tiempos de viaje con el uso de líneas flexibles• No son necesarios grandes cambios en la configuración de la línea• Buenos resultados en las tres etapas de congestión• Se diseñó y probó una metodología• Se diseñó, codificó y probó un Algoritmo Genético para el lpp

• Optimizar la selección de los cambios• Caso de estudio del Servicio de Buses de Cuenca

Más situaciones inusualesConsiderar el Tranvía


41

ReferenciasBorndörfer, R., Grötschel, M., & Pfetsch, M. E. (2008). Models for Line Planning in Public Transport. In Computer-aided systems in public transport (pp. 363-378). Berlin Germany: Springer.

Carrión, C., & Levinson, D. (2012). Value of travel time reliability: A review of current evidence. Transportation research part A 46 (4), 720-741.

Ceder, A., & Wilson, N. (1986). Bus network design. Transportation research part B 20 (4), 331-344.

Chakroborty, P., & Wivedi, T. (2002). Optimal route network design for transit systems using genetic algorithms. Engineering Optimization 34 (1), 83-100.

Scale Optimization (pp. 29-61). Heidelberg: Springer,.

Cipriani, E., Gori, S., & Petrelli, M. (2012). Transit network design: A procedure and an application to a large urban area. Transportation research part C 20 (1), 3-14.

de Neufville, R. (2011). Flexibility in engineering design. Cambridge: MIT Press.

Farahani, R. Z., Miandoabchi, E., Szeto, W., & Rashidi, H. (2013). A review of urban transportation network design problems. European journal of operational reserach 229 (2), 281-302.

Fischetti, M., & Monaci, M. (2009). Light Robustness. Robust and Online Large-Scale Optimization (pp. 61-84). Heidelberg: Springer.

Goerigk, M., & Schmidt, M. (2017). Line planning with user-optimal route choice. European Journal of Operational Research, 424-436.

Guihaire, V., & Hao, J. (2008). Transit network design and scheduling: a global review. Transportation Research part A 42 (10), 1251-1273.

Ibarra-Rojas, O., Delgado, F., Giesen, J., & Muñoz, J. (2015). Planning, operation, and control of bus transport systems: A literature review. Transportation research part B 77, 38-75.

Lampkin, W., & Saalmans, P. D. (1967). The design of routes, service frequencies and schedules for a municipal. Operations Research, 375-397.

Liebchen, C., Lüebbecke, M., Möhring, R. H., & Stiller, S. (2009). The concept of recoverable robustness, linear programming recovery, and railway applications. Robust and Online Large-

Scale Optimization (pp. 1-27). Heidelberg: Springer.

Mandl, C. E. (1979). Evaluation and optimization of urban public transportation network. European journal of operational research 5 (6), 396-404.

Marín, A., Mesa, J. A., & Perea, F. (2009). Integrating Robust Railway Network Design and Line Planning under Failures. Robust and Online Large-Scale Optimization (pp. 273-292).

Heidelberg: Springer.

Nayeem, M. A., Rahman, M. K., & Rahman, M. S. (2014). Transit network design by genetic algorithm with elitism. Transportation research part C 46, 30-45.

Ngamchai, S., Lovell, D., & ASCE, A. (2003). Optimal Time Transfer in Bus Transit Route Network Design Using a Genetic Algorithm. Journal of transportation engineering 129 (5), 510-

521.

Pattnaik, S., Mohan, S., & Tom, V. (1998). Urban bus transit route network design using genetic algorithm. Journal of transportation engineering 124 (4), 368-375.

Patz, A. (1925). Die richtige Auswahl von Verkehrslinien bei großen Straßenbahnnetzen. Verkehrstechnik , 50-51.

Schöbel, A. (2017). An eigenmodel for iterative line planning, timetabling and. Transportation Research Part C, 348-365.

Tom, V. M., & Mohan, S. (2003). Transit route network design using frequency coded genetic algorithm. Journal of transportation engineering 129 (2), 186-195.

Van Oort, N. (2011). Service reliability and urban public transport design. Delft: Delft University of Technology.

Zhao, T., & Tseng, C. L. (2003). Valuing Flexibility in Infrastructure Expansion. Journal of Infrastructure Systems, 89-97.

Gracias por su atención

Correo electrónico:[email protected]@ucuenca.edu.ec


42

mailto:[email protected]

mailto:[email protected]

Líneas flexibles de buses - emov.gob.ec Ávila - Líneas... · 1.4 Líneas Flexibles Lineas...

Documents

Transcript of Líneas flexibles de buses - emov.gob.ec Ávila - Líneas... · 1.4 Líneas Flexibles Lineas...