[论文解读] Fare Evasion in Transit Networks

José Correa, Tobias Harks+2 more|arXiv (Cornell University)|May 12, 2014

Transportation Planning and Optimization参考文献 16被引用 4

一句话总结

本文提出了一种用于公共交通网络票价检查策略的双层优化框架，将公共交通运营商（领导者）与逃票乘客（追随者）之间的互动建模为Stackelberg博弈。该研究引入了自适应与非自适应的乘客行为模型，为追随者问题设计了精确算法与近似算法，并通过线性规划松弛和局部搜索求解领导者利润最大化问题，在真实公共交通网络上实现了接近理论最优上界的95%解。

ABSTRACT

Public transit systems in urban areas usually require large state subsidies, primarily due to high fare evasion rates. In this paper, we study new models for optimizing fare inspection strategies in transit networks based on bilevel programming. In the first level, the leader (the network operator) determines probabilities for inspecting passengers at different locations, while in the second level, the followers (the fare-evading passengers) respond by optimizing their routes given the inspection probabilities and travel times. To model the followers' behavior we study both a non-adaptive variant, in which passengers select a path a priori and continue along it throughout their journey, and an adaptive variant, in which they gain information along the way and use it to update their route. For these problems, which are interesting in their own right, we design exact and approximation algorithms and we prove a tight bound of 3/4 on the ratio of the optimal cost between adaptive and non-adaptive strategies. For the leader's optimization problem, we study a fixed-fare and a flexible-fare variant, where ticket prices may or may not be set at the operator's will. For the latter variant, we design an LP based approximation algorithm. Finally, using a local search procedure that shifts inspection probabilities within an initially determined support set, we perform an extensive computational study for all variants of the problem on instances of the Dutch railway and the Amsterdam subway network. This study reveals that our solutions are within 95% of theoretical upper bounds drawn from the LP relaxation.

研究动机与目标

• 解决城市公共交通系统中高逃票率导致的巨额公共补贴问题。
• 将公共交通运营商（设定检查概率）与乘客（选择路线及购票行为）之间的战略互动建模为双层优化问题。
• 分析乘客的两种行为变体：非自适应（固定路径选择）与自适应（检测后调整路线）。
• 研究两种运营商设置：固定票价（票价受监管）与灵活票价（票价由运营商设定）。
• 开发高效算法，并在真实公共交通网络（荷兰铁路、阿姆斯特丹地铁）上评估解的质量。

提出的方法

• 将票价检查问题建模为双层Stackelberg博弈：领导者（运营商）在预算约束下设定检查概率，追随者（乘客）选择最小化预期成本的路径。
• 将乘客成本建模为路径长度与预期罚款之和，其中购票成本定义为考虑票价与距离后的最短路径成本。
• 为非自适应追随者问题设计了一个完全多项式时间近似方案（FPTAS），利用其与受限最短路径问题的相似性。
• 利用最优子结构性质，为自适应追随者问题设计了精确的多项式时间算法。
• 对领导者问题应用线性规划松弛以获得上界，并使用局部搜索启发式算法通过在支持集内调整检查概率来改进解。
• 采用基于MultiCut的启发式算法与MIP求解器进行对比，评估在多样化网络实例中的性能表现。

实验结果

研究问题

• RQ1 自适应与非自适应乘客行为模型如何影响最优票价检查策略及由此产生的系统收入？
• RQ2 在成本方面，自适应与非自适应策略之间的最坏情况性能差距是多少，且该差距是否可被界定？
• RQ3 能否为在检查概率约束下的追随者级最短路径问题设计高效的近似算法？
• RQ4 线性规划松弛与局部搜索启发式算法在固定票价与灵活票价设置下求解领导者双层优化问题的效率如何？
• RQ5 所提出的算法在真实公共交通网络实例中能在多大程度上实现近似最优解？

主要发现

• 非自适应策略的最优成本至多为自适应策略最优成本的4/3倍，且该3/4比例的界是紧致的。
• 在一般图上，自适应追随者问题存在一个精确的多项式时间算法，其利用了最优子结构性质。
• 对于非自适应追随者问题，开发了FPTAS；在系列-并行图上还找到了精确算法——这与NP难的受限最短路径问题形成对比。
• 局部搜索启发式算法显著提升了解的质量，在所有测试实例中平均达到线性规划松弛理论最优上界的95%。
• 在灵活票价设置下，设计了(1−1/e)-近似算法，且在LP与MultiCut解上进行局部搜索后，解的质量达到LP上界97.8%–98.0%。
• 在真实网络实例（如阿姆斯特丹地铁、荷兰铁路）中，最佳局部搜索解达到LP松弛上界的94.7%–98.0%，与MIP解的差距始终低于5%。