基于移动互联大数据的网约共享出行供需演化机理与调控策略优化

As an emerging mobile connected way of travel, on-demand ride-sharing mobility generates massive, complex, heterogeneous, and multi-source mobility data in a large-scale spatial and temporal association, which contains a wealth of information to describe the complexity of transportation systems and is bound to affect the system performance and travel structure. This project addresses the problems of complexity and uncertainty of on-demand ride-sharing mobility. A macroscopic analytical model of the supply and demand is established based on stochastic queueing networks. The self-balance mechanism of supply and demand is revealed for the on-demand ride-sharing system. Driven by the mobile connected big data, this project deeply analyzes the individual travel chain characteristics and group travel patterns, establishes the spatial autocorrelation model of both supply and demand, develops the short-term forecasting model considering spatio-temporal correlations, and reveals the evolution mechanism of the on-demand ride-sharing supply and demand situation. An optimization model of comprehensive strategies is constructed using agent models. Meta-model algorithms are used to solve this problem, achieving the Pareto optimal strategy set. The results are applied to the quantitative analysis about the influence of on-demand ride-sharing mobility on the transportation system performance and human travel structure, and then used to support the optimal allocation of resources. This project systematically studies the balance and evolution mechanism of the on-demand ride-sharing mobility, and solves its optimization problem. The output provides decision support for policy makers and transportation management. The research project is of theoretical significance and of practical value.

网约共享机动车出行作为新兴的移动互联出行方式，产生了海量庞杂、异质多源、大尺度时空关联的交通大数据，蕴含描述复杂交通系统运行态势的丰富信息，势必对交通系统运行及出行结构产生影响。本项目针对网约共享机动车出行的复杂性和不确定性，构建基于随机排队网络的宏观供需模型，揭示系统供需自平衡机理；在移动互联大数据的驱动下，深入分析个体出行链特征和群体出行模式演变规律，构建供需空间自相关模型和考虑时空关联性的短时预测模型，揭示网约共享机动车出行供需态势演化机理；构建基于智能体的综合调控策略优化模型，开发元模型随机优化求解算法，生成帕累托最优调控策略集，定量分析网约共享机动车出行对城市交通系统运行状态、居民出行结构的影响，实现供需时空资源优化配置。项目在学术上对网约共享出行供需平衡机理、演化规律、策略优化进行系统性分析，在实践中为管理者制定相关政策和辅助决策支持提供理论依据，具有重要的理论意义和现实价值。

研究背景：随着“互联网+”战略与传统交通行业的深度融合，各种各样的网约共享出行平台应运而生。同时，城市交通需求与供给之间的矛盾日益突出，亟须采取政策、规划、管控等综合措施进行优化。因此，研究移动互联环境下交通系统的分析优化、交通行为人因机理与即时需求管理具有重要意义，特别是对网约共享出行的供需平衡机理、演化规律、优化策略进行系统分析是必要且迫切的。以往研究在刻画出行者时变性、非理性的出行选择特征时存在不足，而基于智能体的模型能够详细地描述出行行为，体现出行者个体行为差异性和时空异质性，有助于分析个体对系统整体运行状态的影响。.研究内容：针对网约共享出行行为复杂性和即时出行供需不确定性，构造了网约共享出行服务平台、乘客、以及司机的随机效用函数，建立了带有内生供给和内生需求的随机排队网络模型来描述共享出行系统。基于移动互联大数据，构建了基于动态贝叶斯网络的个人出行活动链生成模型，分析了群体出行模式演变规律，揭示了网约共享出行供需态势演化机理。建立了能够描述网约共享出行决策行为的智能体模型，进而构建了综合调控策略多目标优化模型，并提出了优化求解算法，为监管机构对网约共享出行系统的调控提供决策支持。.重要成果：构建了基于随机排队网络的宏观供需模型，揭示了网约共享出行系统供需自平衡机理。采用机器学习方法构建了网约共享出行供需时空效应模型和考虑时空关联性的短时预测模型。基于多源异构大数据，构建了电动汽车和汽油车并存的网约车司机行为模型和异质性共享出行平台竞合博弈模型。.成果数据：共发表SCI/SSCI论文37篇、EI论文4篇、国际会议论文20篇（其中一篇获得第12届计算交通科学国际研讨会最佳论文奖）。公开国家发明专利3项。培养学科博士后3人（已出站1人），博士研究生8人（已毕业3人），硕士研究生9人（已毕业4人）。项目组成员广泛开展国际合作，积极组织和参加学术交流活动，超额完成了研究目标。