一览众山小
Sustainable
Cities &
Mobility
城市规划与发展战略
城市综合交通
公共交通与非机动化出行
活力街区、街道与城市设计
量化城市与大数据
「」
2019年 | 3月8日期
团队成员
原文 | Javier Alonso-Mora
翻译 | 肖中圣
文献 | 王岗 校核 | 众山小
编辑 | 众山小 排版 | 王雅桐
微博 | weibo.com/
一览
导读
如何用少量的资源承载庞大的需求,一场革命的序章正在缓缓拉开。麻省理工学院的新研究表明,如果每个人都愿意使用Uber和Lyft等公司的拼车服务,仅仅需要3000辆合乘车就可以替代13000辆出租车。这样不仅可以降低地面交通的拥挤程度,而不会显著影响旅途时间。然而理想很丰满,现实很骨感,该方法在引人注目的同时也招来了很对质疑,这个方法是否能切实地落地,落地后是否有跟仿真一样的效果还未尝可知,想要真正利用共享搭车减少拥堵、污染和能源消耗,需要解决的问题还有很多。
阅读
正文
图一、遍布全城的黄色出租车是纽约市的一个标志性特色。图: Mary Altaffer
1
拼车有巨大的交通问题解决潜力
有关的交通研究表明:当前整个美国的交通拥堵成本大约为1600亿美元,占全国GDP的1%,这仅仅考虑了居民损失的70亿小时的时间和额外消耗的30亿加仑的燃料,交通事故率的升高和其他方面的因素还未被囊括在内。
最近有研究团队认为(参考文献1,请后台留言联系我们索取),拼车是一种解决该问题的思路。跟出租车一样,拼车也可以在任何时间地点对所有人提供实时和方便的私人定制的运输服务,大规模的拼车一方面不仅可以提高城市交通的效率,另一方面能减少污染、拥堵和能源消耗,促进城市的可持续发展。尽管拼车的概念已经存在了几十年,随着智能手机的大范围运用和通信成本的降低,拼车才变得越来越火,但仅仅在过去两年里,Uber和Lyft使得拼车成为一种廉价、便捷的选择。
要是所有人都使用Uber和Lyft的拼车服务会发生什么事情呢?
麻省理工大学计算机与人工智能实验室(CSAIL)表示:当下使用Uber和Lyft这样的公司的拼车服务越来越变得可能,并且根据研究,如果算法合理,纽约这座人口超过850万人的大都市只需要3000辆提供拼车服务的4人座汽车,就可以满足全市98%的打车需求,而从目前来看,出租车公司需要派出1.4万辆出租车才能实现这个目标,而不会对旅行时间造成太大影响。该实验室的Daniela Rus提到:“要是司机一次可以同时运送两到四个人,而不是一次运送1个人,这样就可以减少行程次数,赚到同样多的钱。”
对于像纽约这样交通拥堵非常严重的城市来说,这是一个再好不过的消息。在纽约市,政府已经提议征收交通拥堵费。同时像洛杉矶或伦敦这样的城市来说,这也可能是一个福音,因为它们正试图减少城市烟雾的排放。
2
用3000辆合乘车解决百万乘客需求的算法
先前拼车的算法最多考虑了两名乘客合乘的情况,而且在行程开始后,该行程就拒绝其他乘客加入,没有考虑到在一个行程中对多个乘客提供合乘服务的问题。
因为考虑该问题,会使模型的解空间变得超大,从而难以快速得到满意解,乘客的容忍等待时间是有限的,较长的算法响应时间很难为乘客提供良好的服务。
该研究的负责人Daniela Rus教授说:“解决这个问题的一个关键的点是开发一种实时的方法,这个方法可以在短时间内同时考虑数千辆汽车和请求。”
所以,Rus教授团队在2017年提出了一套解决该问题的方法(参考文献1,请后台留言联系我们索取)整个方法解决问题的流程如图二所示:①通过车辆数据(位置、载客情况、载客能力等)和乘客请求数据生成一个包含所有车辆和乘客的网络图 ②根据乘客的OD和车辆当前状况,寻找哪些乘客间可以拼车和能够服务每一个乘客的具体车辆③计算出所有的行程和所有能完成这些行程的车辆④找出最合适的行程对车辆进行分配⑤重新调度闲置车辆。
在这套方法完成之前,需要做一些大量的准备工作,比如精细高效地抽象整个纽约地区包含4092个点和9453条边的交通设施网络,并计算每个点之间的最短路径和时间。
图二、CSAIL 算法步骤逻辑图 图:Javier Alonso-Mora
简而言之,其核心思想是:系统会查看在一个时间段内(默认为三十秒)所有传入的请求和可用的车辆,然后确定每辆车的最佳路线和任务。在分配了车辆之后,算法就可以通过将剩余的闲置车辆重新分配给高需求的区域,从而重新平衡剩余的闲置车辆 。这个方法不仅解决了上述所提到的解空间较大的问题,还为该模型算法提供了改进的空间。
如今的许多拼车系统,比如Uber和Lyft使用的拼车系统,在规划和分配路线方面都不太灵活。相比之下,CSAIL团队研发的方法,可以在适当的时候将乘客重新匹配到不同的车辆上,并可以通过将闲置的车辆调度至繁忙的区域,来为高密度的出行需求做好准备。
该实验团队在方法设计方面考虑了大量的影响因素,比如车队规模,车辆载客能力,乘客等待时间(指乘客从发出请求到上车的时间),乘客总行程延误(指乘客实际到达目的地时间与系统计算的理想到达目的地的时间差)、乘客在车延误和各种车辆的运营成本等,该系统在尽可能减小最大等待时间和延误时间条件下,最大程度上让每一个乘客的出行请求都能得到出租车司机的应答。 也保证了每辆车仅能匹配上一个行程。在进行方法仿真之前,该团队计算了纽约完整道路网络所有点之间的最短路径和车辆旅行时间。
值得注意的是,该方法基于如下3假设:(1)没有被应答的出行请求的等待时间更长而且会再发出请求(2)出行请求集中地发生在某一个区域内,所以总会有部分的出行没有司机响应(3)闲置车辆周围的出行请求总是少的。但是三个假设是否在所有城市都普遍成立,还是一个需要进一步探讨的问题。
若想进一步了解该模型算法,请移步至该文章附录(参考文献2,请后台留言联系我们索取)
图三、经过百万数据训练的车辆调度计算机模型,高满载率的车辆集中于曼哈顿中部。图:Javier Alonso-Mora
在这个方法下,不到5分钟,乘客就可以打到一辆按照自己指定路线行驶的共享出租车。当然,在整个乘车过程中,汽车也会随时停下来接送其他乘客,但耗时并不长,比堵在路上花费的时间要少很多。
实际上,对于这项算法的开发意义,项目负责人Javier Alonso-Mora的说法与Uber对未来的畅想没什么本质不同:“只要部署的车辆密度达到一定水平,汽车共乘市场的确有潜力大幅降低上路汽车的数量与用户的等车时间。除了避免交通拥堵,也可以拉开车与车之间的距离,从而降低车祸发生率。”与此同时,为每一辆车增加收入,减少乘客消费支出,进而提高乘客的生活质量,是这项算法的终极目标。在这个过程中,从时间上来讲,乘客只需要忍受几分钟的出行延误,但这与平常泊车所花费的时间基本等同。
视频一、动态行车分配实现按需共享网约车
3
更少的车辆,更好的效果。
该方法使用的数据来自曼哈顿出租车出行数据集,时间从2013年5月5日到2013年5月11日。 一天之内最多的出行请求数量为460700个,最少的出行请求数量为382779个。
最终的实验结果表明:
3000辆载客能力为2人的车队在平均等待时间为3.2分钟和平均延误时间为1.5分钟的情况下,能够满足94%的需求;3000辆载客能力为4人的车队在平均等待时间为2.7分钟和平均延误时间为2.3分钟的情况下,能够满足98%的需求;更极端一点,1000辆载客能力为10人的车队在平均等待时间为2.8分钟和平均延误时间为3.5分钟的情况下,也能满足98%的需求。
相比于纽约13000辆出租车的规模,该方法取得的成就可谓十分巨大。
图四、不同车辆类型(载客能力为1,2,3,4和10人)每辆车平均乘客数(对于一个车辆能力为10规模为1000辆的车队来讲,在周五的高峰时段,10%的车辆有八个以上的乘客,40的车辆有6个以上的乘客,80%的车辆有3个以上的乘客,98%的车辆至少有1个乘客;对于一个车辆能力为4规模为2000辆的车队,同样在平峰时段观察到,超过70%的车辆有3个以上的乘客)
以上仅仅是最直接最有杀伤力的结论,在具体的数据分析方面,CSAIL不仅仅分析了2000辆车和3000辆车的情况,事实上他们对车队规模分别为1,000, 2,000, 3,000辆,车辆载客能力分别为1, 2, 4, 10人,最大等待时间分别为120、300、420秒的所有种可能的搭配全部进行了分析,发现了一下有意思的结论:在平均等待时间和延误为2.5分钟的情况下,不管是1000辆还是3000辆车,都可以满足99%的出行请求。从高效利用资源的角度出发,较低的车队规模,更大的车辆载客能力和更长的等候/延误时间,可以增加拼车几率和车辆满载率。
图五、在相同规模下对不同车辆载客能力(1,2,4和10)的几个指标进行了对比分析。(A)服务响应率 (B)平均车内延误 (C)平均等待时间(D)车辆平均行驶距离(E)合乘率(F)平均完成计算时间
可以从图5(A)观察到,当车队规模较小时,就必须提高车辆的载客能力。当最大等候时间为420秒时,1000辆车的能力为10人的车队可以满足近80%的请求,但是一人乘坐的出租车只能满足不到30%的需求。但是,如果车队规模为3000辆,最大延误时间为120秒,有趣的是,如果乘客愿意有更长的延误时间,比如420秒,那么3000辆载客能力为2,4和10的车队分别能满足94% 98%和99%的需求。
跟预期的一样,在车出行延误的确随着车辆载客能力的增加而增加,而且,平均等待时间确实随着车辆容量的增加而减少(如图5C),对于一个规模为1000的车队,在最大延误时间为420秒的情况下,高容量的车辆不仅仅提高了服务水平,也能减少超过100秒的平均等待时间,减少的平均等待时间也部分抵消了增加的车内延误。
同时,增加车辆容量不仅可以提高服务率,还可以减少车队中车辆的平均行驶距离(图5D),一方面会降低成本,另一方面减少了拥堵和污染。
图六、一天内在每个状态下(等待,调度,不同载客数量)的车辆百分比(A) 1000辆载客能力为10人的车队(B)2000辆载客能力为4的车队。
总而言之就是,只要人人愿意多花几分钟的等车时间,并愿意与同一辆车上的陌生人聊聊天,就可以帮自己以及成千上万辆汽车从早高峰的拥挤中解放出来。
4
该方法前景如何尚未可知
就目前而言,该套方法的未来并非像其仿真结论来的那么好。
(1)
来自司机的反对
不能不提的是根据项目组负责人Javier Alonso-Mora的解释,这套方法可以为车队分配最合适的任务与行驶路线, 而该方法最适合的不是当下的拼车司机而是无人驾驶车队。
“这个系统特别适合自动驾驶汽车,”Rus说,“因为它可以根据实时请求不断地重新安排车辆,如果将这套算法应用在无人驾驶汽车方面将会更加“如鱼得水”因为一方面可以远程操控的无人车车队能够不假思索的地按照程序设定路线来满足乘客的用车需求;另一方面,因为在需求不变的情况下车队规模减少了,同时算法并未考虑司机的疲劳驾驶问题和换班问题,为了连续不间断地运行,就需要让汽车不间断运行数个小时,只有无人驾驶出租车才能更好地做到这一点。
另外这一方法是否能够顺利落地还与司机息息相关,因为这套方法有一个隐含假设便是,所有车辆的行程均由计算机自动分配,并未考虑车主的意愿,一方面,假如该项目在现阶段落地,很有可能会引发司机对某些强制载客的不满,另一方面假如这个计算机模型在经过大量训练后能够最终落地,那么另一个社会性问题会接踵而至——数以万计的驾驶员注定将被技术所淘汰,职业司机面对的情况将更为恶劣,曾引起众多司机恶劣情绪的言论的确会马上成为现实。
(2)
该套算法并不缺乏竞争对手
除了该团队以外,可以肯定的是,像Uber、Lyft或者Didi这样的公司正在设计或者已经拥有类似的方法,在问及该方法到底与其他类似方法有何优点时,CISLA给出的说法却有些模糊:这套方法可以比现有软件处理更多复杂的拼车路线与用户需求,譬如在中途修改行车路线的同时,也能持续无间断地接收拼车订单。
但从商业角度来看,随着汽车共乘市场已经有了越来越明显的“赢家通吃”趋势,技术基础层可以成为创业公司尝试突破的一个入口:谁的算法更精准,谁能为消费者节省更多的时间与金钱成本,谁就有机会给Uber、滴滴以及Lyft们带来威胁,或者成为他们投资或并购的首选对象。
(3)
现实并非与仿真完全相同
亚利桑那州立大学的城市规划教授David King 对这些看起来“戏剧化”的结果表示了怀疑,他质疑这些成果运用起来是否也真的如此。首先,研究人员假设,在数据集中的每一次行程中都有一名乘客,而实际上,许多很有可能出租车是服务的一群人有相同目的地,比如“一家人,或几个朋友一起出去吃饭,所以在现实生活中,车辆并不是先去接第一个人,然后接人第二个第三个第四个第五个。David King自己的研究表明,出租车的平均载客数为1.6,这意味着MIT研究的2013年一周内的43万次出行中,总共可能会搭载688000名乘客。(对于她来说,Rus说算法的参数可以调整,并将随着时间的推移进行测试,以找到最佳的解决方案。)
另一方面,King教授还表示,人们虽然对共享出租车很感兴趣,已经有几十年了,但从来没有人这么大规模地做过,人们更多的还是愿意将出租车定位为一种高级服务,使用出租车最多的人群还是富人群体,因为他们有很高的时间价值,而且他们重视自己的隐私。低收入者仅仅在没有其他选择的情况下使用出租车。 不仅如此,乘客除了要面对跟陌生人一起拼车的困难以外,一旦乘客赶时间,车辆的绕路会使乘客质疑10人共乘的可靠性。所以市民是否愿意使用该服务还不得而知。
而且根据2016年Certify所进行的研究,出租车不仅不会消失。而且城市仍然中继续领先于新兴的各类打车App。这与更加广为流传的那个Uber已经超越了其他地面交通模式的说法截然相反。所以该套方法是否真实地可以实施,效果是否像数值所反映的那么惊人,还有待考证。
免费下载
免费下载一览众山小提供的原文资料:
微信公众号 后台留言
或电邮 Daizongliu@qq.com
01
《通过动态行车分配实现按需共享网约车的高载客量》
02
《通过动态行车分配实现按需共享网约车的高载客量 – 附录》
— ABOUT US
我们作为独立的专业志愿者团体,秉承专业理想与价值观,不依托任何机构,信守非盈利原则,帮助中国城市可持续发展。我们关注的领域包括但不限于:城市规划与发展战略,城市交通,公共交通与非机动化出行,活力街区、街道与城市设计,量化城市与大数据。至今我们已经拥有遍布全球近330名志愿者网络,并推送1400篇专业微文。作为微信公众号平台最大的线上专业志愿者平台,我们感谢您对我们的关注和支持,并欢迎加入我们!
-
更多内容
请戳一戳
微博:https://weibo.com/
2014-2019 ? 转载请注明:
转载自公众号“”