面向用户中心共享电动出行服务的开源仿真平台优化设计与实现

随着全球范围内对交通排放和污染的关注日益增加，共享电动出行服务（如电动汽车、电动自行车和电动滑板车）已成为缓解这些紧迫挑战的有前景的解决方案。然而，现有的共享电动出行服务存在严重的设计缺陷，包括服务集成不足、能耗预测不精确、可扩展性和地理覆盖范围有限，以及显著缺乏以用户为中心的视角，尤其是在多模式交通背景下。更重要的是，目前没有一个统一的、能让电动出行研究社区受益的开源平台。本文旨在通过提供一个共享电动出行的开源平台来弥合这一差距。所提出的平台采用人在回路的方法和模块化架构，能够适应多样化的用户偏好并提供增强的定制化。我们通过对不同能源可用性、用户偏好和电动出行工具放置场景下的集成多模式路径优化进行全面分析，展示了该平台的可行性，为此我们使用了改进的蚁群优化算法（称为多模型能量约束蚁群优化算法，MMEC-ACO）和 Q 学习算法。我们的研究结果表明，在包括能源可用性、用户偏好和电动出行工具分布的不同场景中，对于超过 90% 的实例，Q 学习在行程时间成本方面显著优于 MMEC-ACO。对于固定的起点-终点对，MMEC-ACO 达到最优时间成本解的平均执行时间少于 2 秒，而 Q 学习达到最优时间成本的平均时间为 20 秒。在 2 秒的运行时间内，Q 学习仍能实现更优的时间成本，比 MMEC-ACO 的时间成本降低了 20%。