《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Analysis of ride-hailing systems’ stability and dynamics around equilibrium points
编辑推荐:
研究人员使用Lyapunov稳定性理论评估了均衡点的稳定性。通过排队模型预测了野雁追逐(WGC)的预期发生和持续时间。分析结果通过蒙特卡洛模拟进行了验证。除非车队规模超过一个阈值,否则网约车系统可能低效运行。如果没有外部干预,网约车系统不太可能迅速逃离WGC状
研究人员使用Lyapunov稳定性理论评估了均衡点的稳定性。通过排队模型预测了野雁追逐(WGC)的预期发生和持续时间。分析结果通过蒙特卡洛模拟进行了验证。除非车队规模超过一个阈值,否则网约车系统可能低效运行。如果没有外部干预,网约车系统不太可能迅速逃离WGC状态。
网约车服务作为新型出行服务的突出类型,通过移动应用程序平台动态收集司机供给和乘客需求的实时信息并进行时空匹配。尽管这种数字连接为自动化匹配和更高效的车辆与乘客协调提供了机会,但该系统仍在动态和随机环境中运行,容易受到一种被称为野雁追逐的不良运行现象的系统性脆弱影响。WGC是指一种低效的运行状态,在此状态下,网约车车辆不必要地长距离空驶去接载乘客,同时乘客需承受不必要的长等待时间。在这种状态下,可用于服务新客户的车辆数量很少,导致必须指派更远的车辆去接新客户,并使其陷入长时间无效的空驶,从而形成限制可用车辆数量的不良反馈循环。许多前期研究尝试预测WGC的存在并揭示其成因,Castillo 等人及 Ouyang 和 Yang 等人也提出了诸如动态定价和车辆调度等缓解策略。然而,目前文献中仍然缺乏一个系统的建模框架,既能理解和评估系统在均衡点附近的稳定性,又能准确预测WGC现象的发生和持续时间。为填补这一空白,研究人员开展了两项互补模型的研究,系统地对网约车服务进行建模,分析其在高效和低效运行机制下的动态和稳态特性,并评估系统均衡点的稳定性。研究得出结论,除非车队规模显著大于存在系统均衡所需的最小值,否则系统通常在远离高效均衡的情况下运行,且若陷入低效状态则难以自行恢复。该研究为未来的研究和指导网约车服务防范WGC现象的运营策略提供了一套有用的工具,具有重要的学术和实践意义。论文发表在《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》。
研究人员主要采用了以下关键技术方法开展研究:首先,使用Lyapunov“直接”法分析系统稳定性,通过在系统状态邻域内构造标量Lyapunov函数并检查其时间导数的符号,以描绘每个均衡点周围的吸引区域。其次,构建了基于马尔可夫近似的排队模型,通过求解Kolmogorov微分方程来计算系统在不同感兴趣区域的预期停留时间及转移概率。此外,设计了一种基于智能体的仿真模型进行验证,在该模型中,客户通过均匀泊松过程生成,空间遵循曼哈顿距离度量。
System stability(系统稳定性)
研究人员通过建立微分方程分析系统动态,根据车队规模N的不同情况,证明了系统可能不存在均衡点、存在两个均衡点或仅存在单个均衡点。据此,系统状态被划分为“高效”、“低效”和“不可持续”三个区域。
Existence of equilibrium points(均衡点的存在性)
研究表明,当车队规模N小于最小车队规模N
min时系统无均衡点;当N
minine时存在低效均衡点ni,1★和高效均衡点ni,2★;当N>Nine时存在单个高效均衡点。低效均衡对应拥挤系统,而高效均衡对应非拥挤系统。
Lyapunov stability(Lyapunov稳定性)
研究人员使用Lyapunov候选函数Vs(ni)进行分析,发现低效均衡点ni,1★不是Lyapunov稳定的,因为其两侧的时间导数均大于0;而高效均衡点ni,2★是Lyapunov稳定的。这揭示了系统在低效均衡附近不稳定,可能会发散到不可持续或高效的运行区域。
Numerical example(数值示例)
通过数值算例展示了系统在不同N值下的吸引区域。结果表明,在不可持续区域,所有车辆保持忙碌,无法为新客户即时分配车辆,系统趋向崩溃;在低效区域,系统趋向向高效均衡收敛,但服务率低于最大值。
Duration analysis(持续时间分析)
由于系统随机性导致状态可能跳跃于不同区域,研究人员提出排队模型以捕捉系统动态的随机性,并预测系统处于任一感兴趣区域的相对持续时间。
Queuing model(排队模型)
假设服务时间呈指数分布且客户到达服从泊松过程,建立马尔可夫系统状态转移图。将转移率矩阵分块,计算稳态概率π和平均操作状态ni,以及客户损失概率和预期停留时间。
Dynamics in and across state regions(区域内及跨区域动态)
通过修改排队模型并在感兴趣区域外引入吸收状态,求解Kolmogorov微分方程。计算得出系统在特定区域内的预期停留时间Tni,以及从一个区域跳转到另一个区域的概率pod。
Numerical experiments(数值实验)
使用基于智能体的仿真模型验证了排队模型的准确性和有效性,结果表明排队模型与仿真结果高度吻合。
Queuing model and simulation(排队模型与仿真)
对比分析显示,当车队规模小于Nmin时,系统分布集中在ni=0附近,表明系统崩溃。当N足够大时,ni=ni,2★成为最频繁状态。排队模型预测的客户系统停留时间和损失概率与仿真结果匹配良好。
Dynamics around state regions(状态区域周围的动态)
研究发现系统停留在不可持续区域的时间随N增加而单调减少;在低效区域的时间先增后减。系统从低效进入不可持续区域的概率受初始状态和N的显著影响。当系统处于低效均衡状态时,不太可能迅速自我纠正,除非实施干预措施。且系统在较小N值下非常脆弱,交通拥堵导致的轻微车速下降即可将系统拖入不可持续区域。
总结讨论与结论部分,研究人员通过稳定性分析了解了网约车服务在高效和低效运行机制下的动态和稳态特性。研究检查了关键运行条件,标记了系统稳定性的关键点,包括服务率峰值及高效和低效均衡点。这些阈值进一步用于表征三个感兴趣状态区域的效率和稳定性。提出的马尔可夫排队模型用于近似由客户到达和服务完成驱动的系统随机演变。数值结果表明,除非车队规模显著大于存在系统均衡所需的最小值,否则系统通常在远离高效均衡的情况下运行。排队模型进一步扩展,以衡量进入低效甚至不可持续运行条件的时间和频率。未来研究可以探索干预策略以减轻WGC低效问题,开发策略防止系统进入低效或不可持续状态,包括动态拼车和市场激励等策略,并量化不同利益相关者在未采取纠正行动时的潜在不稳定性成本。