[论文解读] Planning and Operations of Mixed Fleets in Mobility-on-Demand Systems

Kaidi Yang, Matthew Tsao+2 more|arXiv (Cornell University)|Aug 18, 2020

Transportation and Mobility Innovations参考文献 28被引用 8

一句话总结

本文提出了一种基于Stackelberg博弈的框架，用于协调 Mobility-on-Demand（MoD）系统中自动驾驶车辆（AVs）与人类驾驶车辆（HVs）的混合车队，采用两阶段方法：基于稳态模型的规划与基于模型预测控制（MPC）的实时操作。该方法通过战略性补偿和HVs行为建模，将系统级收益最高提升32%，性能提升12%。

ABSTRACT

Automated vehicles (AVs) are expected to be beneficial for Mobility-on-Demand (MoD), thanks to their ability of being globally coordinated. To facilitate the steady transition towards full autonomy, we consider the transition period of AV deployment, whereby an MoD system operates a mixed fleet of automated vehicles (AVs) and human-driven vehicles (HVs). In such systems, AVs are centrally coordinated by the operator, and the HVs might strategically respond to the coordination of AVs. We devise computationally tractable strategies to coordinate mixed fleets in MoD systems. Specifically, we model an MoD system with a mixed fleet using a Stackelberg framework where the MoD operator serves as the leader and human-driven vehicles serve as the followers. We develop two models: 1) a steady-state model to analyze the properties of the problem and determine the planning variables (e.g., compensations, prices, and the fleet size of AVs), and 2) a time-varying model to design a real-time coordination algorithm for AVs. The proposed models are validated using a case study inspired by real operational data of a MoD service in Singapore. Results show that the proposed algorithms can significantly improve system performance.

研究动机与目标

• 为解决在向完全自动化过渡期间MoD系统中车辆失衡的问题，此时AVs与HVs共存。
• 对HVs在自利行为下所表现出的战略行为进行建模，而AVs则由中心统一协调。
• 为混合车队MoD系统中的规划与实时协调开发计算上可行的策略。
• 使用来自新加坡某MoD服务的真实运营数据验证所提出的框架。
• 量化集成AVs并优化HVs补偿机制所带来的性能提升。

提出的方法

• 将混合车队协调问题建模为Stackelberg博弈，其中MoD运营商作为领导者，HVs作为跟随者。
• 开发稳态模型以分析系统均衡，并确定最优规划变量，包括AV车队规模、定价和补偿。
• 提出一种时变模型预测控制（MPC）算法，以基于动态需求和HVs响应实现实时AV协调。
• 引入局部敏感性分析（一次一变量法）以评估MPC对VOT（时间价值）和权重参数偏差的鲁棒性。
• 使用来自新加坡MoD服务的真实世界数据，校准并验证在真实网络和需求条件下的模型。
• 基于前期研究，采用非线性响应函数对HVs行为进行建模，捕捉其基于激励的战略行程选择。

实验结果

研究问题

• RQ1 当AVs由中心统一管理但HVs基于自利行为行动时，如何在MoD系统中对AV与HV的混合车队进行最优协调？
• RQ2 哪些关键规划变量——如补偿、定价和AV车队规模——能最大化混合车队MoD系统中的系统级性能？
• RQ3 与去中心化的HVs行为相比，通过MPC实现的实时协调如何提升系统性能？
• RQ4 MPC性能对HV时间价值（VOT）和目标函数中HVs行为权重参数估计偏差的敏感性如何？
• RQ5 通过集成AVs并战略性地补偿HVs，系统级收益最多可提升多少？

主要发现

• 所提出的基于MPC的协调策略相比无AVs的基线，使系统级收益最高提升32%。
• 优化对HVs的补偿可使系统级收益提升8%，通过激励HVs接受指派行程。
• 考虑HVs行为的战略规划相比无此类协调的基线，带来12%的性能提升。
• MPC算法对参数偏差具有鲁棒性：当HV时间价值（VOT）在0.2–0.3 SGD/min范围内，且权重参数λ超过3时，性能保持稳定。
• 敏感性分析表明，若VOT估计值与真实值偏差过大，或λ过小，性能将显著下降，表明准确参数校准的重要性。
• 该框架已在新加坡的真实运营数据上得到验证，证明其在实际MoD系统中的适用性与可扩展性。