[论文解读] Towards a Socially Optimal Multi-Modal Routing Platform

Chinmaya Samal, Liyuan Zheng+3 more|arXiv (Cornell University)|Feb 27, 2018

Transportation Planning and Optimization参考文献 1被引用 6

一句话总结

本文提出了一种社会最优多式联运路由（SO-MMR）平台，通过使用预测建模技术，前瞻性地协调不同交通方式和时间的个体路线选择，以主动减少城市拥堵。在纳什维尔的仿真结果显示，即使采用率较低（α = 0.1），也能显著降低整体出行时间与拥堵程度，而完全采用则可大幅减少平均出行时间及其波动性，同时提升公共交通使用率。

ABSTRACT

The increasing rate of urbanization has added pressure on the already constrained transportation networks in our communities. Ride-sharing platforms such as Uber and Lyft are becoming a more commonplace, particularly in urban environments. While such services may be deemed more convenient than riding public transit due to their on-demand nature, reports show that they do not necessarily decrease the congestion in major cities. One of the key problems is that typically mobility decision support systems focus on individual utility and react only after congestion appears. In this paper, we propose socially considerate multi-modal routing algorithms that are proactive and consider, via predictions, the shared effect of riders on the overall efficacy of mobility services. We have adapted the MATSim simulator framework to incorporate the proposed algorithms present a simulation analysis of a case study in Nashville, Tennessee that assesses the effects of our routing models on the traffic congestion for different levels of penetration and adoption of socially considerate routes. Our results indicate that even at a low penetration (social ratio), we are able to achieve an improvement in system-level performance.

研究动机与目标

• 为应对Uber和Lyft等按需出行服务带来的日益严重的城市拥堵问题，这些服务虽便利却常加剧拥堵。
• 克服当前以个体效用为中心的路由系统仅在拥堵形成后才作出反应的局限性。
• 设计一种路由平台，通过综合考虑用户选择在空间、时间及交通方式上的共享效应，前瞻性地优化系统级性能。
• 利用真实场景仿真框架，评估社会最优路由对拥堵与出行效率的影响。

提出的方法

• 对MATSim仿真框架进行适配，以集成SO-MMR算法，用于建模用户行为与网络动态。
• 开发了一种多目标A*路由扩展算法，整合了多种交通方式的实时与预测拥堵水平。
• 引入社会比率α以建模遵循SO-MMR的用户比例，从而分析渗透率的影响。
• 利用历史与实时交通数据，在田纳西州纳什维尔市模拟不同SO-MMR采用率下代理的行为。
• 采用概率框架对用户偏好与路线选择进行建模，以反映路线采纳中的不确定性。
• 通过归一化出行时间、拥堵热力图及模式分布变化等指标评估系统性能。

实验结果

研究问题

• RQ1 前瞻性、社会最优的路由系统是否能比基于个体效用的路由更有效地减少城市拥堵？
• RQ2 SO-MMR采用率（社会比率α）的渗透水平如何影响整体出行时间与拥堵程度？
• RQ3 与个体优化路由相比，SO-MMR对模式转移（特别是向公共交通与共享出行）有何影响？
• RQ4 在SO-MMR下，不同用户的出行时间表现如何变化？系统效率与个体公平性之间存在何种权衡？
• RQ5 基于仿真的平台在多大程度上能够预测真实世界的城市出行动态，并为城市层面的交通规划提供支持？

主要发现

• 在较低社会比率（α = 0.1）下，SO-MMR使所有代理的平均归一化出行时间显著降低，表明系统层面已产生可测量的早期效益。
• 完全采用（α = 1.0）使归一化出行时间的均值与方差均显著下降，表明系统性能得到改善且更具可预测性。
• 拥堵热力图显示，与UO-MMR基线相比，SO-MMR显著减少了高峰时段的高拥堵路段数量。
• 随着α的增加，使用公共交通的代理数量上升，而私人车辆使用量下降，表明成功实现了向更可持续出行方式的模式转移。
• 尽管整体系统性能提升，但部分用户在SO-MMR下出行时间显著增加（最高达200分钟），凸显了个体公平性方面的权衡。
• 结果表明，即使SO-MMR的采用率有限，也能实现显著的拥堵缓解，支持通过激励机制提升参与度的必要性。