基于智能体的浴缸模型在相对空间中网络出行流的优先队列表述

基于智能体的模型因能真实且灵活地刻画交互行为，已被广泛用于模拟交通系统中出行者的行为。然而，传统基于智能体的模型计算成本高，且依赖追踪物理位置，引发隐私担忧。本文提出一种在相对空间中的基于智能体的浴缸模型（AB2M）的高效表述，其中每个智能体的轨迹由其到目的地剩余距离的时间序列表示。AB2M可理解为一个微观模型，追踪个体出行的发起、进展与完成，并且是面向一般（时变）出行距离分布的浴缸模型的精确数值解。该模型可对给定需求模式（由每次出行的起始时间与距离定义）的确定性出行集合求解，也可用于运行蒙特卡洛模拟以捕捉由出行距离与出发时间的概率分布所描述的随机需求模式的平均行为与变异。为提升计算效率，我们引入优先队列表述，消除了在每个时间步更新出行位置的需要，并使我们能在数秒内运行包含数百万个体出行的大规模场景。我们系统地探究了缩放特性，并讨论了偏差与数值误差的引入。利用AB2M对相对空间中个体智能体建模的缩放特性的系统探究，进一步增强了其对大规模交通系统的适用性，并为研究出行时间可靠性、调度与方式选择提供了机遇。