图源：摄图网
摘要：网约车为居民提供了便捷的出行服务，同时也给城市交通性能带来影响，受影响的城市交通环境又将反作用于网约车运营。为了在大规模场景中探究这种交互影响机制，本文首先基于宏观基本图理论和元胞传输模型建立了同时考虑交通需求时变性，状态相关性和区域边界各项异性的交通动力学模型，将其集成到时间和事件混合驱动的模块化仿真组件中。其次，将考虑接驾半径约束的二部图匹配模型集成到出行模块中。最后，基于仿真结果，通过引入交互项的回归模型分析了出行延误率､网约车车队规模及其交互作用对网约车运营指标的影响机制与边际效应。结果表明，回归模型中各项指标的拟合优度均达到0.97以上。对于道路拥堵，网约车每增加1000辆，道路出行延误率全天平均增加1.59%，高峰期平均增加2.04%。对于网约车，不同的拥堵条件下都存在使网约车达到利润峰值的最佳车队规模，多项指标表明大型车队不利于网约车的运营。此外，在精度方面，仿真结果与真实数据差距较小。在效率方面，与微观仿真相比，仿真计算时间至少节约83.3%。
关键词：城市交通; 大规模交通仿真; 网约车拥堵效应; 交互影响; 宏观基本图
一、研究背景和意义
相比于传统的出租车服务，Uber，Lyft，滴滴等网约车平台不仅满足了人们需求响应式的出行需求，还提升了司机的收入，因此在市场中的份额不断扩大。网约车出行规模的增长对城市交通拥堵产生了影响，而这一影响又会反馈作用于网约车运营。因此，掌握网约车出行规模与城市交通拥堵间的交互影响机制是提高网约车收益和实现城市交通合理规划的必要前提。
现目前，已有众多学者针对网约车和城市拥堵间的关系展开了大量研究。大部分研究主要运用数据分析和调查等方法探究了网约车对拥堵的单方面影响，未从系统交互层面进行分析。并且由于数据来源不同，在结果上存在较大分歧。若要全面理解网约车与城市拥堵之间的交互影响机制，需要考虑多方面因素，包括总体出行规模，网约车车队规模，出行方式转移等。由于获取全面､详细的数据十分困难，数据分析或调查这类方法大多只能从某一单一维度来探讨网约车对城市拥堵的影响，难以进一步从系统交互层面展开探讨。
仿真技术凭借高效复现复杂系统本质过程的特点，在网约车调度策略评估上得到了较好的运用，更成为了解决这一问题的首选方法。传统的交通仿真模型基于单独的时间驱动机制或事件驱动机制，且大部分为微观仿真，虽然实现了从细节刻画道路的拥堵状况，但在大规模场景中仿真效率低下，无法得到较好地运用。此外，以往基于宏观基本图(Macroscopic Fundamental Diagram MFD)构建的传统交通动力学模型采用常微分方程描述密度和流量之间的关系，忽略了区域边界的各项异性，模型精度较低。如何构建一个在大规模场景中高精度､高效率的仿真模型是探明网约车和城市拥堵交互影响机制的关键。
因此，本文在同时考虑道路中其他出行方式和乘客出行方式选择行为的复杂大规模场景中，在充分考虑区域边界拥堵各向异性的条件下，基于MFD理论建立了适用于仿真计算的交通动力学模型，并提出一种时间和事件混合驱动的仿真机制。然后根据仿真结果，建立了衡量网约车规模和城市交通拥堵交互影响的量化模型，并从多个维度分析网约车服务水平，成本，收入和利润的边际效应与最佳车队规模。从而为在复杂的大规模场景下，平衡网约车规模与城市拥堵关系以实现网约车收益最大化和城市交通合理规划提供科学参考依据。
二、主要内容
本研究使用柏林的一个基于活动的一个多主体交通仿真场景，与微观仿真的建模思路不同，为了降低仿真计算的负担，车辆在路网中的行驶速度基于其所在子区域的密度-速度宏观基本图进行计算。首先基于一个微观交通仿真模型，获取MFD原始数据。每个子区域的速度MFD使用一个logistic函数拟合。不同于将车辆的平均行程长度或行程长度分布作为输入的经典的MFD拥堵建模方法，本文中车辆在路网中的移动按照真实路网中的最短路径进行实时计算。考虑到单纯地基于速度MFD计算车辆速度将在超拥堵情况下造成失速的问题，我们考虑了区域间不连续间断面处的运动波模型，在区域边界引入一个元胞传输模型。由于通过区域边界出口的流量同时由上游需求和下游供给决定，因此实际上区域边界每一条出口路段都具有不同的驶出速度，这使得区域边界拥堵的各向异性也被充分描述。
我们假设乘客在加入网约车系统前评估其出行时间费用并选择出行方式，实际上这是一种多主体仿真的方法，每一个仿真乘客都决策自己的出行方式，这一部分我们基于历史数据进行标定。此外，网约车与出租车服务的区别在于网约车平台通过高效的匹配算法为司机派单。大部分研究将网约车匹配调度问题作为一个考虑全局运营的二分图匹配问题进行求解，即将固定时间间隔内产生的所有订单与所有可用车进行集中分配，使所有被匹配的订单成本之和最小或利润之和最大。本文同样将其建模为一个二分图匹配问题，将接驾时间作为成本，为了更贴近现实情况，本文增加考虑了接驾半径约束，避免将距离过远的司机分配给乘客。同时，为提升匹配效率，将即将完成订单的司机也纳入匹配池中，使司机能够在订单完成前预先匹配下一个乘客。
接下来采用O2DES(object-oriented discrete event simulation)离散事件仿真框架构建仿真模型，仿真模型主要包含了车辆模块、交通流模块和出行模块，上述的模型都被集成到了这个模块化的仿真模型中。我们采用了一种结合时间驱动机制（连续仿真）和事件驱动机制（离散仿真）的混合驱动机制，在状态更新频繁的模块基于连续模型以固定时间步长更新状态，其余事件采用事件驱动机制，通过该方法尽量的减少仿真模型的计算量。
最后通过建立一个带交互项的非线性回归模型，我们分析了车队规模、拥堵率、运营指标之间的交互作用机制、边际效应以及最佳车队规模。
三、主要结论和建议
与传统的MFD拥堵建模相比，本文基于宏观基本图理论和元胞传输模型构建的交通动力学模型体现了流量传输和排队过程的更多细节。通过与真实数据的对比，本文构建的交通动力学模型具有较高的准确性。
在拥堵建模的基础上，本文提出的时间和事件混合驱动仿真机制使仿真模型能够在30分钟内对一天306万次的交通出行进行仿真。对比目前效率最高的微观交通仿真框架Matsim，仿真速度具有明显优势。此外，由于仿真程序模块化的实现，仿真模型能够直接应用于其他大规模交通仿真场景，如共享汽车或自动驾驶需求响应式系统。
本文在可持续发展视角下，研究了网约车扩大车队规模对城市拥堵和自身运营的影响。通过构建引入交互项的多元非线性回归模型，结果表明从网约车运营商收入､服务吸引力､驾驶成本､总体利润各个角度来说，大型车队除了会造成额外拥堵，对于其自身运营同样是不利的，这与网约车运营商的初衷背道而驰。通过本文方法能够有效分析网约车运营指标在不同拥堵条件下的边际效应与最佳车队规模，为网约车运营商限制或扩张车队规模提供依据。
本文摘编自《系统工程理论与实践》第42卷第11期论文《大规模场景下网约车与城市交通拥堵交互影响仿真研究》（点击题目链接全文）；
作者：蒋阳升1,2, 教授, 博士；张俊1,2, 硕士研究生；胡路1,2，博士, 副教授
1. 西南交通大学 交通运输与物流学院, 成都 610031;
2. 综合交通大数据应用技术国家工程实验室, 成都 610031