基于人工智能的按需公共交通混合仿真评估:提升城市交通效率与可持续性的创新框架

《Smart Cities》:AI-Powered Evaluation of On-Demand Public Transport: A Hybrid Simulation Approach

【字体: 大 中 小 】 时间:2025年12月26日 来源:Smart Cities 5.5

编辑推荐:

  本研究提出了一种融合智能体建模(ABM)、双向长短期记忆网络(BiLSTM)需求预测与行为调查校准的混合仿真框架,用于系统评估按需公共交通(ODPT)的性能。研究表明,混合按需服务可显著缩短乘客行程时间(32%)、降低等待时间(34%)、提升车辆载客率(12.1至18.6人/车)并大幅减少碳排放(72%),为优化城市交通网络的服务质量、运营效率及环境可持续性提供了可转移的决策支持方法。

  
研究背景与意义
随着数字平台、移动应用和数据驱动运营的快速发展,按需公共交通系统作为传统公共交通的补充方案受到广泛关注。固定路线服务在非高峰时段普遍存在载客率低(低于20-30%)、运营成本高的问题,而按需服务通过算法化车辆路由和动态调度,能够有效提升服务灵活性、降低人均运营成本(20-50%),并改善特定群体(如老年人、残障人士)的出行便利性。然而,现有评估方法多局限于单一技术维度,缺乏对运营条件、用户行为与实时需求预测的综合分析。本研究通过构建混合仿真框架,填补了这一方法论空白。
研究方法与框架
本研究采用三阶段集成方法:智能体仿真、行为调查建模与机器学习需求预测。仿真平台基于Commuter环境(集成Autodesk Infraworks),模拟乘客与车辆的交互行为,并引入动态调度模块(DDS)和 depot 优化模块(DCO)支持按需服务的灵活运营。行为调查收集了327名墨尔本居民的模式选择偏好,用于校准仿真中的代理成本参数。需求预测采用BiLSTM神经网络,对智能卡数据生成的15分钟间隔客流进行短期预测(MAPE低至1.7-4.3%),预测结果直接驱动车辆调度逻辑。
场景设计与实验设置
研究以墨尔本内城区为案例(35.3 km2,覆盖18条公交线路、462个站点),对比三种运营场景:基准场景(全固定路线)、场景1(高峰固定路线+非高峰按需服务)、场景2(混合服务,高峰时段17%需求转向按需)。所有场景基于同一OD矩阵(10,209个工作日行程),确保结果可比性。
关键发现与性能评估
  1. 1.
    出行效率显著提升:场景2的平均行程时间缩短32%(从41.5分钟降至28.4分钟),等待时间减少34%(从9.6分钟降至6.3分钟)。动态路由和需求响应式停靠站逻辑是主要驱动因素。
  2. 2.
    运营效率优化:车辆载客率在场景2的峰值时段提升至42人/车(基准为14人/车),运输完成比率(乘客完成量/公里)从11.8改善至10.2。
  3. 3.
    环境效益突出:按乘客行程计算的CO2排放量下降72%(从551.7 g降至153.8 g),NO和PM10排放量分别减少73%和70%。
  4. 4.
    经济可行性验证:场景2的每乘客行程成本从6.82澳元降至4.73澳元,效益成本比(BCR)达1.95,表明投资回报显著。
机制分析与技术贡献
研究通过 depot 选址优化(15分钟可达覆盖率)和BiLSTM预测的协同作用,实现了车辆调度与空间需求的精准匹配。行为调查进一步验证了用户对可靠性、等待时间和拥挤度的敏感性,为仿真中的模式选择提供了实证基础。此外,敏感性分析表明,尽管绝对数值受参数影响,但按需服务的相对优势保持稳定。
结论与政策启示
混合按需公共交通模型通过整合实时预测、行为响应和动态运营,在多维度实现了帕累托改进。该框架为城市交通规划提供了可扩展的评估工具,特别适用于优化非高峰服务、首末公里衔接及低密度区域覆盖。未来研究可拓展至多模式网络集成、自动驾驶车队管理及跨城市案例比较,以进一步强化决策支持能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号