[论文解读] Understanding urban congestion with biking traffic and routing detour ratio

Xinze Qiu, Tianli Gao+4 more|arXiv (Cornell University)|May 17, 2022

Urban Transport and Accessibility被引用 5

一句话总结

本研究揭示了城市机动车拥堵与骑行交通加权绕行率之间存在亚线性标度关系——凸显了骑行活动、道路网络拓扑结构与交通拥堵之间的强烈相互作用。该指标能够识别低效骑行路线，并在数据稀缺的城市环境中提升拥堵预测能力。

ABSTRACT

Bike-sharing systems have been regarded as a critical component of solutions towards the transition to greener and more sustainable transportation, with the benefits of reducing carbon emissions, improving public health, and mitigating congestion by replacing short-distance motorized trips. Due to better accessibility and usage flexibility, newly emergent dockless sharing bikes have become quite popular and are reviving the fashion of cycling in cities. Urban congestion is simultaneously influenced by heterogeneous saptio-temporal travel demands, topology and spatial characteristics of road networks, and the interplay between travel modes. In this paper, by considering aforementioned factors, we discover a robust sublinear scaling relation between the level of congestion for vehicles and the detour ratio weighted by biking traffic, which is intriguing given the fact that congestion and detour ratio is linearly independent. Such a scaling relation implies a strong interplay between vehicle traffic and cycling activities and can be applied in predictions for congestion or aggregated to more sophisticated traffic models. In addition, biking-traffic-weighted detour ratio can be applied to detect inefficient routes, which would help alleviate urban congestion, make better urban planning, and improve transportation efficiency and equity in cities.

研究动机与目标

• 理解城市环境中机动车拥堵、骑行活动与道路网络结构之间的相互作用。
• 量化骑行行程中的绕行率对整体城市拥堵水平的影响。
• 开发一种可扩展的指标——骑行交通加权绕行率，以识别低效骑行路线。
• 通过利用骑行行为模式，在有限交通数据条件下支持拥堵预测与城市规划。

提出的方法

• 利用来自中国三个城市（北京、上海和厦门）的无桩自行车共享系统及机动车拥堵指标的海量真实世界数据。
• 将绕行率计算为道路网络中最短路径距离与起点到终点的欧氏距离之比。
• 通过按每条路线上骑行次数加权，聚合各次行程的绕行率，提出骑行交通加权绕行率（TDR）。
• 采用标度分析方法，识别出城市间拥堵水平与TDR之间的亚线性幂律关系。
• 使用OSMnx可视化低效路线，优先选择TDR高且骑行交通量大的路段进行基础设施改善。
• 提出一个理论模型，将拥堵（t_busy / t_free）与交通量（V_ij / C_ij）、绕行率（DR_ij）和道路容量关联，采用幂律形式：(1 + η(V_ij/C_ij))^β = (T_ij/T)^(α−1) × DR_ij^α。

实验结果

研究问题

• RQ1 城市拥堵与骑行交通加权绕行率之间是否存在可测量的标度关系？
• RQ2 道路网络拓扑结构与异质性时空出行需求如何影响这一关系？
• RQ3 骑行交通加权绕行率能否有效识别城市区域中的低效骑行路线？
• RQ4 在缺乏专用骑行基础设施的情况下，骑行活动在多大程度上调节机动车拥堵，反之亦然？
• RQ5 该指标在数据有限的条件下，如何用于改善拥堵预测与城市交通规划？

主要发现

• 尽管拥堵与绕行率呈线性无关，但在北京、上海和厦门，机动车拥堵与骑行交通加权绕行率之间仍发现稳健的亚线性标度关系。
• 各城市骑行行程的绕行率分布一致，且与欧氏距离呈负相关，表明骑行路径选择具有可预测性。
• 高骑行交通加权绕行率的路线主要位于城市边缘、大型道路障碍物周围或跨越河流、山脉等自然屏障处。
• 低效路线通常由城市设计特征（如宽阔道路、封闭式社区或地形障碍）导致，迫使产生长距离绕行。
• 该指标成功识别出基础设施改善的优先路段，例如在封闭城区内建设专用自行车道。
• 理论模型 (T_ij/T)^(α−1) × DR_ij^α ≈ (1 + η(V_ij/C_ij))^β 表明，拥堵同时受交通量与绕行特征影响，支持高效的数据驱动拥堵建模。