基于多层神经网络的多区域城市路网动态最优拥堵定价
机器人学
2021-12-14 v1 计算工程、金融与科学
摘要
通过应用拥堵定价进行交通管理，是在受保护城市走廊中缓解拥堵的一项措施。作为一种有前景的工具，定价提升了路网的服务水平并减少了出行延误。然而，实际部署仅限于静态定价，即价格固定且不随区域交通状况变化。动态定价克服了这些局限，但也会影响用户的路径选择。本工作利用动态定价的影响并预测定价函数，以谋求系统最优的交通分布。该框架对大规模路网建模，其中每个区域被视为同质的，从而允许宏观基本图（MFD）的应用。我们通过建立线性优化问题并利用Dijkstra算法与多项Logit模型（MNL），分别计算宏观模型的动态系统最优（DSO）与准动态用户均衡（QDUE）。这些均衡使我们能够通过训练多层神经网络（MLN）模型找到最优定价方法。我们在瑞士苏黎世的案例研究中测试了框架，并展示出（a）我们的神经网络模型学习了复杂的用户行为，（b）可预测最优定价函数。结果显示，在DSO下运行交通网络有显著的性能提升，并凸显了动态定价如何影响用户路径选择行为朝向系统最优均衡。
引用
@article{arxiv.2107.14585,
title = {Dynamic optimal congestion pricing in multi-region urban networks by application of a Multi-Layer-Neural network},
author = {Alexander Genser and Anastasios Kouvelas},
journal= {arXiv preprint arXiv:2107.14585},
year = {2021}
}