[论文解读] The Price of Anarchy in Transportation Networks: Data-Driven Evaluation and Reduction Strategies

Jing Zhang, Sepideh Pourazarm+2 more|arXiv (Cornell University)|Jun 7, 2016

Transportation Planning and Optimization参考文献 14被引用 9

一句话总结

本文提出一种数据驱动框架，通过从真实交通数据中学习起讫OD需求和路段行程时间函数，以估计并降低交通网络中的无效率成本（Price of Anarchy, PoA）。利用反向优化与双层规划方法，该框架量化了自私路径选择下的效率损失，并提出了一系列策略（如联网自动驾驶车辆与改进的GPS路径规划）以减少PoA，在测试的城市网络中实现了接近1的PoA值。

ABSTRACT

Among the many functions a Smart City must support, transportation dominates in terms of resource consumption, strain on the environment, and frustration of its citizens. We study transportation networks under two different routing policies, the commonly assumed selfish user-centric routing policy and a socially-optimal system-centric one. We consider a performance metric of efficiency - the Price of Anarchy (PoA) - defined as the ratio of the total travel latency cost under selfish routing over the corresponding quantity under socially-optimal routing. We develop a data-driven approach to estimate the PoA, which we subsequently use to conduct a case study using extensive actual traffic data from the Eastern Massachusetts road network. To estimate the PoA, our approach learns from data a complete model of the transportation network, including origin-destination demand and user preferences. We leverage this model to propose possible strategies to reduce the PoA and increase efficiency.

研究动机与目标

• 使用无效率成本（Price of Anarchy, PoA）度量，量化城市交通网络中自私用户中心路径选择的低效性。
• 开发一种数据驱动方法，从观测到的路段流量数据中估计起讫OD需求矩阵与路段行程时间成本函数。
• 利用基于真实交通数据推导的预测模型评估PoA，实现用户最优与社会最优路径选择之间的性能对比。
• 针对PoA ≫ 1的现实网络，提出切实可行的PoA降低策略。
• 通过可扩展、数据驱动的建模与控制方法，实现交通网络的动态、实时优化。

提出的方法

• 使用反向优化方法，从观测到的Wardrop均衡路段流量中估计行程时间成本函数，解决用户中心的反向问题。
• 构建双层优化问题，通过迭代调整OD需求估计值，使预测的用户最优流量与观测到的路段流量相匹配。
• 利用恢复得到的OD需求与行程时间函数，将系统中心正向问题建模为非线性规划（NLP），以最小化总系统成本。
• 通过学习模型计算PoA，即用户最优与社会最优路径下总行程成本的比值。
• 应用敏感性分析，识别对PoA影响最大的关键路段，以优先实施干预措施。
• 实施简化策略——每对OD仅使用最快路径——以提升大规模网络下的可扩展性。

实验结果

研究问题

• RQ1 在缺乏OD矩阵与行程时间函数先验知识的情况下，如何从真实交通数据中准确估计无效率成本（PoA）？
• RQ2 哪些数据驱动技术能够从观测到的路段流量中恢复出完整的交通网络预测模型？
• RQ3 在真实城市道路网络中，PoA如何随不同时间段与网络状态而变化？
• RQ4 哪些系统级干预措施能有效降低PoA并提升整体网络效率？
• RQ5 在大规模交通网络中应用该框架时，面临哪些计算与可扩展性挑战？

主要发现

• 所提出的基于数据驱动的框架成功利用马萨诸塞州东部的真实交通数据估计了PoA，不同时间段的PoA值在1.02至1.12之间。
• PoA在周末时段最低（如1.02），表明效率接近最优；在工作日高峰时段最高（如1.12），反映出显著的拥堵导致的低效。
• 与用户中心路径选择相比，系统中心路径策略将总行程延迟成本降低了最多12%，表明存在显著的效率提升潜力。
• 敏感性分析表明，特定高拥堵路段显著影响PoA，从而可实现有针对性的基础设施或路径干预。
• 该方法对工作日PM高峰时段（2012年4月18日）的PoA估计值为1.12，表明12%的总行程成本源于自私路径选择行为。
• 计算流程（包括OD估计与PoA计算）在最大网络（I₃）上耗时约10小时，通过并行化与分解策略显著提升了可扩展性。