企业官网建设流程全解析

简介：面向交通仿真与城市公交优化的MATLAB建模资源，适合具备一定编程基础的交通专业学生、科研人员及调度策略开发者使用。压缩包内仅包含一个M脚本，整包约两KB，却完整实现了公交线路仿真中的车辆行驶与乘客上下车两大模型：车辆模型通过微分方程刻画车速、加速度、道路阻力和交通信号约束；乘客模型基于离散事件仿真，用泊松分布模拟到站客流，以均匀或指数分布描述上下车时间。脚本整合了状态机、事件调度与主循环，可直接修改参数并运行，便于观察不同道路条件和发车方案下的系统表现。已有256人学习下载。借助这份源码，读者能快速搭建仿真原型，计算平均候车时间、车辆占用率等关键指标，并测试调整发车间隔、增减线路等策略，为公交系统评估与改进提供量化支撑。

1. 公交线路仿真：从发车表到车辆运行模型

公交线路仿真的核心不是把线路画出来，而是用一组可调参数描述“车在什么时刻到哪一站、停多久、能上多少人”，然后让这批车在电脑里跑上几个小时，产出一组能指导排班和调度的指标。直接拿 Excel 拉公式也能算平均间隔，但一旦涉及随机波动（乘客到达、站间延误、上下客时间）、车辆互相影响以及满载带来的过站，就必须上仿真。MATLAB 做这件事的便利在于它自带的随机数、统计函数和画图工具，能让你把模型从脚本快速推向实验。

这个 bus_line_model 适合三种场景：运营方案对比（高峰期加车 vs 区间车）、线路参数标定（确定合理发车间隔）、以及算法验证（比如动态调度策略）。它不追求渲染场景，也不需要接入实时数据，只要你和业务方认可用平均值和分布来描述现实即可。下面从模型边界开始讲。

2. 建立公交线路模型的三个核心要素：站点、车辆与乘客到达

2.1 站点与线路拓扑的数据结构

做公交线路仿真，第一步不是写代码，而是决定用数据模型表示一条线。常见做法是定义两个数组：站点列表stops和区段行驶时间tripTime。站点列表用一维坐标或序号表示顺序，区段时间数组表示“从第 k 站开到第 k+1 站”的期望用时。线路类型分为两种：往返型（车到终点后原路返回）和环型（所有站点首尾相接）。在 MATLAB 里，环型实现起来更省事，因为车辆永远不会“下线”，只需用mod(index, N)处理下一站索引。

我一般用struct而不是多个分散变量来保存线路数据，这样往函数里传参方便。下面是一个最小站点表的结构：

在实际项目中，tripTime不应是固定值，而应从历史 GPS 轨迹里取每个区段的均值和标准差，然后用随机数生成每一次实际通行时长。s.demand也要按高峰/平峰拆成多个时段值，仿真时根据当前时间选用对应参数。这样建出来的模型才具备对真实线路的还原度，而不是一个“会动的图”。

2.2 车辆运行时间与 dwell time 的随机建模

车辆从 A 站驶向 B 站的时间，受红绿灯、拥堵和上下客影响。一般把站间行驶时间建模为正态分布，并做截断：actualTime = max(mu + sigma * randn, 0.5*mu)。不建议用均匀分布，因为现实中极端延误虽然少，但会造成车辆串车（后车紧跟前车），这是公交仿真里最需要捕捉的现象。方差的设定直接决定串车发生频率：方差越大，越容易发生后车追上前车，导致前车更挤、后车更空。

停站时间（dwell time）与上下车人数强相关，最常用的线性模型是：

dwell = c0 + c1 * board + c2 * alight

其中c0是基础开门关窗时间（约 2 秒），c1是每位上车乘客平均耗时（约 0.8 秒），c2是每位下车乘客平均耗时（约 0.6 秒）。实际中乘车人数多时，上下车会并行，因此有人会改用max(board, alight)而不是两者相加。在 MATLAB 里计算时，建议对dwell向上取整到整数秒，同时设置最小值为 5 秒，避免因乘客数少导致停靠时间变成负数。

2.3 乘客到达率与上下客流量生成

乘客到达的经典假设是泊松过程，即单位时间到达人数服从泊松分布：poissrnd(lambda * dt / 3600)。其中lambda是每小时平均到达率，dt是仿真时间步长（秒）。这个公式对 dt 较小时近似成立，但如果dt过大（比如 60 秒），一次累积生成的人数偏多，会掩盖乘客到达的随机波动，因此 dt 不要超过 5 秒。

下车乘客建模有两种方式：一种是用 OD 矩阵（出发站×到达站的比例），另一种是简化为“每站按概率下车”。OD 矩阵精度高，但标定成本高；我通常先用下车概率做预研，后续有刷卡数据再升级。下车人数生成用二项分布：binornd(onboard, alightProb(s))。这里要注意alightProb需要满足整条线路各站概率之和小于等于 1（实际会略小于 1，因为部分乘客坐满全程）。

3. MATLAB 实现最小可运行 bus_line_model：事件驱动还是时间步进

3.1 时间步进法的主循环框架

公交仿真有两种流派：事件驱动和时间步进。事件驱动只在车辆到站、发车等离散时间点更新状态，效率高；时间步进在每个固定步长（如 1 秒）检查所有对象状态，逻辑简单、容易加规则。对于小时级的线路仿真，时间步进法的计算量完全可以接受，所以我推荐先用时间步进跑通，再根据需求决定是否重构。

主循环框架如下：仿真时间从 0 到 T 秒，每一步依次处理“新乘客到达 → 车辆运行状态转移 → 乘客上下车”。下面是 MATLAB 代码的最小实现骨架，注意这个版本环型线路，车辆从站点 1 发车后按 1→2→…→N→1 循环行驶。

% bus_line_sim.m 最小可运行的公交线路仿真（时间步进法） clearvars; clc; rng(2025); % 固定随机种子，保证可复现 % ----- 线路与车辆参数 ----- N = 10; % 站点数 M = 5; % 车辆数 H = 300; % 发车间隔（秒） T = 3 * 3600; % 总仿真时长（秒） dt = 1; % 时间步长（秒） capacity = 80; % 单车容量（人） baseDwell = 2; % 基础停靠时间（秒） dwellPerPerson = 0.8; % 上下一位乘客耗时（秒） % 区段基础行驶时间：tripTime(s) 表示从站点 s 到下一站 tripTimeMu = 80 * ones(1, N); tripTimeSigma = 15 * ones(1, N); lambda = [20 80 120 50 30 10 15 25 60 5]; % 各站乘客到达率（人/小时） alightProb = [0 .1 .2 .1 .05 .1 .15 .1 .05 .15]; % 各站下车概率 % ----- 更新数据结构 ----- waiting = zeros(1, N); % 各站候车人数 events = []; % 记录事件: [时间, 车辆, 站点, 上车数, 下车数, 载客数] % 初始化车辆结构数组 for i = 1:M veh(i).id = i; veh(i).state = 'idle'; % idle: 尚未发车; running: 行驶; dwell: 停靠 veh(i).atStop = 1; % 当前所在站点（或最近经过的站点） veh(i).tRemain = 0; % 运行剩余时间（秒） veh(i).dwellRemain = 0; % 停靠剩余时间（秒） veh(i).onboard = 0; % 载客数 veh(i).departTime = (i-1) * H; % 预定发车时间 end % ----- 主循环 ----- for t = 0:dt:T % 1. 更新乘客到达（泊松过程） waiting = waiting + poissrnd(lambda * dt / 3600); % 2. 更新每辆车状态 for i = 1:M v = veh(i); if strcmp(v.state, 'idle') % 等待发车 if t >= v.departTime % 在起始站完成上下客后发车 [v, waiting, events] = handleStop(v, 1, ... alightProb(1), capacity, waiting, events, t, baseDwell, dwellPerPerson); v.state = 'running'; v.tRemain = tripTimeMu(1) + tripTimeSigma(1) * randn; v.atStop = 1; end elseif strcmp(v.state, 'running') % 行驶中 v.tRemain = v.tRemain - dt; if v.tRemain <= 0 % 到达下一站 nextStop = mod(v.atStop, N) + 1; [v, waiting, events] = handleStop(v, nextStop, ... alightProb(nextStop), capacity, waiting, events, t, baseDwell, dwellPerPerson); v.state = 'dwell'; v.dwellRemain = max(5, ceil(baseDwell + dwellPerPerson * ... (events(end,4) + events(end,5)))); % 按上下车人数延长时间 end elseif strcmp(v.state, 'dwell') % 停靠中 v.dwellRemain = v.dwellRemain - dt; if v.dwellRemain <= 0 v.state = 'running'; v.tRemain = tripTimeMu(v.atStop) + tripTimeSigma(v.atStop) * randn; end end veh(i) = v; end end

代码里的handleStop是一个子函数，负责在车辆到达站点时执行下车、上车、容量限制和事件记录。由于篇幅这里不展开全部行，但其逻辑固定：先下车，再按剩余空间决定上车人数，超出的乘客留在候车区。主循环中的events是 n×6 矩阵，每行保存[时间, 车辆id, 站点, 上车数, 下车数, 载客数]，后续所有指标都从它提取。

3.2 车辆位置、站间行驶与停站逻辑

上面的主循环里，车辆状态机只有三个状态，但有一个关键规则必须写对：车辆在running状态减到 0 后，必须先执行handleStop里的上下客，再切换到dwell，而不是先 dwell 后上下客。实际运营中上下客发生在停稳那一刻，随后才计时停靠。我见过不少仿真把顺序写反，导致乘客会在车辆已经离站后才上车，结果指标全乱。

另外，起点站的发车逻辑要单独处理。上例中所有车辆初始状态是idle，到点后在起点站执行一次上下客然后直接出发，相当于把“起始站停靠”压缩到发车瞬间。如果起始站也有候车乘客，这里就自然计入。注意tripTimeMu(N)表示从站点 N 到站点 1 的时间，因此环型线路的行驶时间数组长度必须是 N，而不是 N-1，这是一个容易数组越界的地方。

容量限制的实现按以下顺序：先alight = min(onboard, binornd(onboard, alightProb))，后board = min(waiting, capacity - (onboard - alight))。这里waiting是当前站的候车人数，binornd的用法是每次抽样确定多少人下车。如果车辆满载，board为 0，后续乘客只能等下一班，队列逐渐积累。这个积累过程正是串车现象在指标上显现的原因。

3.3 输出指标：准点率、满载率与平均候车时间

仿真跑完后events矩阵包含了每个站每次车辆到达事件。从它可以计算三个核心运营指标，含义如下表：

在 MATLAB 中提取这些指标很简单：

% 假设 events 已在主循环中生成 % 计算每站车头时距 stations = unique(events(:,3)); headwaySum = 0; for s = stations' idx = (events(:,3) == s); times = sort(events(idx,1)); hw = diff(times); hw = hw(hw > 0); % 去掉无意义零间隔 headwaySum = headwaySum + mean(hw); end meanHeadway = headwaySum / length(stations); meanWait = meanHeadway / 2; fprintf('平均候车时间: %.1f 秒\n', meanWait);

注意这里用mean(hw)/2是建立在乘客到达率恒定且车辆按时通过的前提下；如果仿真中高峰时段有变化，更好的做法是直接模拟乘客个体到达时间。但对于初步方案对比，这个近似已经够用。满载率可以直接取events(:,6)对capacity求平均。

4. 参数标定与仿真实验设计：发车间隔和客流密度怎么设

4.1 关键参数表与敏感度分析

仿真模型的可信度取决于参数标定。下表列出 bus_line_model 中最关键的输入参数、建议标定来源和常见取值范围：

敏感度分析的作用是找出哪些参数对指标影响最大。最常见做法是固定其他参数，让H（发车间隔）从 180 秒扫到 600 秒，观察平均候车时间和满载率的变化。MATLAB 用 for 循环批量执行即可：

headwayList = 180:60:600; result = zeros(length(headwayList), 2); for k = 1:length(headwayList) H = headwayList(k); % 重新运行仿真函数 busLineSim(H, ...)，返回指标 [meanWait, loadFactor] = busLineSim(H, ...); result(k, :) = [meanWait, loadFactor]; end plot(headwayList, result(:,1), '-o'); xlabel('发车间隔 (秒)'); ylabel('平均候车时间 (秒)');

注意运行仿真函数前要调用rng保持同一随机种子，否则两次仿真的随机波动会掩盖参数变化的影响。对于更正式的敏感度分析，可以用 MATLAB 的set扰动法，即每次只改一个参数为 ±20%，记录指标的变化百分比。

4.2 用 MATLAB 批处理跑多组场景

实际项目中很少只跑一条曲线，更多是同时比较“现状方案”“高峰期加 2 辆车”“缩短发车间隔到 240 秒”“区间车调度”等场景。这时需要把仿真主体封装成独立函数，接收参数结构体并返回指标。封装的好处是场景参数可以用表格组织，批量执行时一行代码搞定。

例如设计一个参数表scenarios：

批量脚本可以用for遍历表格，将结果写入输出矩阵。这里要注意，如果某个场景新增了“区间车”逻辑，需要在仿真主循环里额外判断车辆是否到达区间终点。一般我建议将调度规则也作为参数传入，这样完全没有必要为每个场景复制一份仿真函数。

批处理的一个常见坑是内存增长。events会随时间增长，跑 100 次仿真可能攒下几十万行，后续分析变慢。解决办法是每次仿真结束后立即计算指标，只保存指标值，不保留原始事件矩阵，除非需要详细回溯。

4.3 结果可视化与对比：时空图与候车时间分布

公交仿真最有说服力的输出不是数字，而是时空图。时空图纵轴为站点编号，横轴为时间，每辆车的轨迹是一条斜线，斜线水平段表示车辆停站。从图上可以直观看到串车：两条斜线几乎平行或相交，说明后车追上了前车。绘制时空图的代码片段：

figure; hold on; for i = 1:M % 从 events 中提取车辆 i 到站时刻和站点 idx = (events(:,2) == i); plot(events(idx,1)/60, events(idx,3), '.-'); end xlabel('时间 (分钟)'); ylabel('站点编号'); grid on;

除了时空图，候车时间分布可以用直方图画出。由于events里没有个体乘客，可以用车头时距的一半作为近似样本，也可以用histogram(events(idx,1))展示到站间隔分布。如果模型支持个体乘客级仿真，则可以绘制真实的候车时间分布直方图，用于对比不同调度方案的公平性，而不仅看平均值。

5. 进阶：加速仿真与验证模型的三个技巧

5.1 用 vectorization 替代 for 循环加速

时间步进法的瓶颈在于每步遍历所有车辆。当车辆数和仿真时长变大时（例如 20 辆车跑 24 小时），dt=1的循环会执行 86400 次，内层再循环车辆，总迭代次数几百万，MATLAB 会比较吃力。一个简单的加速技巧是把“更新乘客到达”向量化，已经在上例中实现。车辆循环目前很难完全向量化，因为车辆之间存在先后顺序导致的依赖，但可以用parfor并行化“不同 H 值的场景”，而不是并行化单次仿真。

另一种做法是把dt适当增大到 2 秒，前提是停站时间和行驶时间都取整到秒。这样总迭代次数减半，误差小于 0.5%。如果你需要极快的实验速度，可以考虑把仿真函数转成 MEX 文件，但收益有限，通常场景并行已经足够。

5.2 与 Simulink 联合仿真的边界

有人会问，为什么不用 Simulink 里的 SimEvents 做离散事件仿真？答案是 SimEvents 的学习成本和配置成本更高，适合复杂的排队网络或资源竞争模型。公交线路如果只是定时发班、单线循环，用脚本仿真更透明。当模型升级到多线路换乘、车辆充电调度、实时控制策略时，SimEvents 的优势才开始体现。我的建议是先用纯 MATLAB 把逻辑验证清楚，再考虑是否迁移到 Simulink。

如果你需要与 Simulink 联合，可以在 Simulink 里调用 MATLAB Function 模块，将核心状态更新函数嵌入。注意仿真时间同步问题：Simulink 的固定步长求解器与我们的dt需要一致，否则会出现状态更新不匹配。同时 MATLAB Function 模块里的代码不支持随机数流rng直接控制，需要在函数外传入随机种子，或者用coder.extrinsic('randn')声明为外部调用。

5.3 用随机种子做可复现性验证

仿真里的随机性来自randn、poissrnd和binornd，它们都受全局随机流影响。如果不在仿真前固定种子，每次运行结果都会不同，这会导致实验对比失效。正确做法是给仿真函数增加一个seed输入参数，在函数开头调用rng(seed)。批处理时，每个场景可以固定同一个种子，也可以给不同种子运行多次后取平均，后者用于评估随机波动。

推荐的可复现性验证套路是：对同一组参数，分别运行 1 次和 20 次，比较指标均值的差异。若 20 次平均后的结果与单次相差 5% 以内，说明单次仿真已足够代表系统；若超过 10%，说明随机性过大，需要加长仿真时间或多次取平均。这个验证只花几秒钟，但能避免你拿着一次偶然的仿真结果去调整运营方案。

本文还有配套的精品资源，点击获取