通过车辆移动建模观测优化城市规模交通
社会与信息网络
2021-07-19 v2 物理与社会
摘要
交通信息系统感知数百万用户移动并通过手机提供出行方案的能力，催生了一种优化城市交通动态的新方法，将交通大数据转化为闭环中的洞察与行动，并在真实世界中评估该方法。现有研究已应用动态贝叶斯网络和深度神经网络基于浮动车数据进行交通预测，利用动态规划和仿真方法结合动态交通分配识别人们的常规出行方式以用于政策研究，并引入马尔可夫决策过程和强化学习来最优控制交通信号。然而，这些工作均未利用浮动车数据来建议出发时间和路线选择以优化城市交通动态。本文展示了一项研究表明，与人们的常规出行方式相比，基于浮动车数据的优化可带来更低的平均行程时间、更高的准时到达率以及更高的 Charypar-Nagel 评分。该研究基于对部分可观测离散时间决策过程的优化，并在一个合成场景、一个部分合成场景和三个真实世界场景中进行了评估。本研究指出了“生活实验室”方法的潜力，即在真实世界中学习、预测并优化行为。
引用
@article{arxiv.1906.05093,
title = {Optimizing city-scale traffic through modeling observations of vehicle movements},
author = {Fan Yang and Alina Vereshchaka and Bruno Lepri and Wen Dong},
journal= {arXiv preprint arXiv:1906.05093},
year = {2021}
}