驾驶员学习城市尺度的动态均衡

理解按需出行服务中的驾驶员行为对于设计高效且可持续的交通模型至关重要。驾驶员的接单策略已被充分理解，但其搜寻策略和学习过程仍缺乏经验验证的模型。在此，我们提供了一个驾驶员搜寻策略与学习动态的博弈论模型，在热力学框架下解释集体结果，并经验地验证其各种推论。我们在多市场寡头模型中刻画驾驶员搜寻策略，该模型具有唯一纳什均衡且全局渐近稳定。因此，均衡可通过启发式学习规则获得，即驾驶员追求激励梯度或简单模仿他人。为帮助理解城市尺度现象，我们提供了带有热力学定律的宏观视角。利用纽约市超过5万名驾驶员的8.7亿次行程，我们表明该均衡很好地解释了驾驶员搜寻行为的时空模式，并估计了一个经验本构关系。我们发现新驾驶员在一年内学到均衡，而停留更久者学得更好。对新竞争的集体响应亦如预测。在按需服务驾驶员策略的经验研究中，我们的工作考察了最长时段、最多行程，且是出租车行业中规模最大的。