[论文解读] FleetPy: A Modular Open-Source Simulation Tool for Mobility On-Demand Services

Roman Engelhardt, Florian Dandl+5 more|arXiv (Cornell University)|Jul 28, 2022

Transportation and Mobility Innovations被引用 9

一句话总结

FleetPy 是一个开源的、模块化的基于代理的 Python 模拟框架，专为详细建模按需出行（MoD）服务而设计，重点关注现实的客户-运营商互动、多运营商集成以及灵活的车队控制。它能够实现高保真度的拼车、动态定价和车队优化模拟，在曼哈顿案例研究中，不同模拟配置下显著影响了服务效率和车辆行驶里程（VKM）。

ABSTRACT

The market share of mobility on-demand (MoD) services strongly increased in recent years and is expected to rise even higher once vehicle automation is fully available. These services might reduce space consumption in cities as fewer parking spaces are required if private vehicle trips are replaced. If rides are shared additionally, occupancy related traffic efficiency is increased. Simulations help to identify the actual impact of MoD on a traffic system, evaluate new control algorithms for improved service efficiency and develop guidelines for regulatory measures. This paper presents the open-source agent-based simulation framework FleetPy. FleetPy (written in the programming language "Python") is explicitly developed to model MoD services in a high level of detail. It specially focuses on the modeling of interactions of users with operators while its flexibility allows the integration and embedding of multiple operators in the overall transportation system. Its modular structure ensures the transferabillity of previously developed elements and the selection of an appropriate level of modeling detail. This paper compares existing simulation frameworks for MoD services and highlights exclusive features of FleetPy. The upper level simulation flows are presented, followed by required input data for the simulation and the output data FleetPy produces. Additionally, the modules within FleetPy and high-level descriptions of current implementations are provided. Finally, an example showcase for Manhattan, NYC provides insights into the impacts of different modules for simulation flow, fleet optimization, traveler behavior and network representation.

研究动机与目标

• 为应对日益增长的对高保真度模拟工具的需求，以评估按需出行（MoD）服务对城市交通系统的影响。
• 支持先进车队控制算法的开发与测试，包括动态定价、车队再分配和拼车策略。
• 通过引入中介或监管机制，支持多运营商模拟，以研究对出行效率和城市拥堵的系统性影响。
• 提供一个灵活、模块化且可重用的框架，支持研究人员和从业者根据需求调整建模细节的层次。
• 通过模拟现实世界中的 MoD 动态，包括出行者行为和运营商在实时信息下的响应，支持基于证据的政策与运营决策制定。

提出的方法

• FleetPy 采用基于代理的模拟架构，具有模块化设计，将核心模拟逻辑与网络、需求、车队控制和路径规划等专用模块分离。
• 该框架支持两种不同的模拟流程：即时决策系统（IDS），客户请求可立即获得响应；批量优化系统（BOS），请求以批次方式处理。
• 客户行为通过基于实时信息的请求-报价-决策流程建模，捕捉动态出行方式选择和响应行为。
• 车队控制通过专用子模块实现，负责车辆指派、再分配、充电管理、动态车队规模调整和动态定价。
• 框架支持与 MATSim 和 AIMSUN 等外部工具集成，以增强交通流的表示效果并实现验证。
• 通过可定制的收缩层次结构和中观交通动力学，实现高性能路径规划，提升计算效率和模拟真实性。

实验结果

研究问题

• RQ1 不同的模拟流程（IDS 与 BOS）如何影响 MoD 系统中的客户服务水平和车队效率？
• RQ2 拼车策略在多大程度上可减少车辆行驶里程（VKM）并提升城市路网的交通效率？
• RQ3 网络表示方式和路径规划算法的差异如何影响模拟性能和计算负载？
• RQ4 运营商控制策略（如动态定价和再分配）对车队利用率和客户满意度有何影响？
• RQ5 模块化模拟框架如何支持多个 MoD 运营商及监管干预措施的集成与评估？

主要发现

• 模拟流程（IDS 与 BOS）显著影响已服务客户数量和总车辆行驶里程（VKM），其中 BOS 在批量处理场景中表现出更高的效率。
• 拼车策略显著降低了 VKM 并提升了车队利用率，展现出在城市区域缓解拥堵的潜力。
• 网络模型和路径规划算法的选择对计算时间有明显影响，更详细的模型会增加模拟开销。
• 模块化设计支持车队控制算法和路径规划模块等组件的复用，提升了可迁移性并减少了开发时间。
• 该框架成功模拟了在实时信息下复杂的客户决策过程，捕捉了超越静态出行方式选择模型的动态行为。
• FleetPy 支持与 MATSim 和 AIMSUN 等高保真交通模拟器的集成，实现了验证并增强了交通流表示的真实性。