接近最優的尖峰需求時段排程演算法，實現減碳與縮短乘客等待時間的雙贏目標

核心概念

本文提出了一種名為 LARA 的線上駕駛匹配演算法，該演算法能動態調整允許駕駛空車行駛的最長距離，以減少碳排放並最大程度地縮短乘客等待時間，尤其是在尖峰時段。

摘要

摘要
近年來，共享乘車服務在全球範圍內迅速發展，並逐漸成為未來交通網路不可或缺的一部分。這些服務為許多城市地區提供了替代性的出行選擇，促進了輕型汽車或無車生活方式，並且由於其提供的便利性，其市場份額正在迅速擴大。然而，除了這些好處之外，人們也越來越擔心共享乘車服務對環境的影響，特別是其對碳排放的貢獻。這些排放的一個主要來源是行程之間沒有載客的「空駛里程」。在需求高峰時段，當乘車請求數量超過平台容量時，這個問題尤為突出，導致更長的空駛里程和更高的排放量。雖然減少這些非生產性里程可以降低排放，但也可能導致乘客等待附近的司機的時間更長，從而可能降低整體用戶體驗。隨著共享乘車平台的持續增長，減少碳排放的解決方案必須在環境目標和維持服務質量（特別是乘客的等待時間）之間取得平衡。
在本文中，我們提出了一種名為 LARA 的線上駕駛匹配演算法，該演算法動態調整允許駕駛空車行駛的最長距離，並相應地分配乘車請求。雖然 LARA 可以在任何條件下應用，但在需求高峰時段，它的效果尤其顯著，旨在減少碳排放和乘客等待時間。我們證明，與最佳離線演算法相比，LARA 在線上環境中實現了接近最佳的性能。此外，我們使用合成數據集和真實數據集對 LARA 進行了評估，結果表明，與最先進的演算法相比，LARA 的排放量減少了 34.2%，乘客等待時間減少了 42.9%。雖然最近的研究已經提出了排放感知駕駛匹配問題，但 LARA 是第一個在性能方面提供理論和經驗保證的演算法。
主要內容
本文首先通過一個案例研究，探討了限制空駛距離對行程碳排放和乘客等待時間的影響。研究發現，增加空駛距離限制可以減少每次行程的排放量，但會導致乘客等待時間更長。基於此，本文提出了一種新的方法來控制排放和等待時間之間的權衡，並將其框架為一個空駛控制問題（DCP）。DCP 的目標被建模為兩個因素的加權和：預期碳減排量和平台內乘車分配率。
為了解決 DCP 問題，本文提出了一種基於李雅普諾夫的線上演算法 LARA。LARA 根據實時情況動態調整允許駕駛空車行駛的最長距離。該演算法的決策受分配隊列中乘車請求數量的影響。本文對 LARA 進行了理論性能分析，並使用合成數據集和真實數據集對其進行了實驗評估。
主要貢獻
本文的主要貢獻總結如下：

對限制空駛距離對行程碳排放和乘客等待時間的影響進行了案例研究。基於此研究，提出了一種新的方法來控制排放和等待時間之間的權衡，並將其框架為一個空駛控制問題（DCP）。DCP 的目標被建模為兩個因素的加權和：預期碳減排量和平台內乘車分配率。
提出了一種名為 LARA 的近似最佳線上演算法來解決 DCP 問題，該演算法不需要對未來的輸入進行預測。LARA 根據分配隊列中的乘車請求數量調整允許空駛距離的上限。它使用一個可調的超參數，允許在不同條件下優化性能。
提供了 LARA 的理論性能分析，表明其在 DCP 中的目標值與最佳解決方案的距離在一個有界範圍內。還表明，當 LARA 不受分配隊列長度的限制時，該界限接近於零。
使用真實數據集和合成數據集對 LARA 進行了全面的實驗分析，並將其性能與現有的排放感知駕駛匹配演算法 TORA 以及其他啟發式方法進行了比較。結果表明，在需求高峰時段，LARA 能顯著減少排放量和等待時間。例如，與經典方法相比，LARA 在合成數據集上的平均排放量減少了 34.2%（圖 3），在真實數據集上的平均排放量減少了 13.9%（圖 6），在各種情況下始終優於競爭演算法。此外，對 LARA 的分析揭示了減少排放和確保不同駕駛之間公平分配乘車請求之間的權衡。
結論
本文介紹了線上空駛控制問題，並將其公式化為一個優化問題，旨在減少共享乘車平台的預期碳排放，同時保持較低的乘客等待時間。本文提出了一種名為 LARA 的線上演算法，該演算法旨在通過以下方式實現近似最佳解決方案：

統計資料

與私家車相比，共乘汽車的平均二氧化碳排放量高出 47%。
到 2024 年，全球共乘市場收入預計將達到 1676 億美元，到 2029 年將達到 2128 億美元。
到 2029 年，共乘用戶數量預計將達到 23.1 億，用戶普及率將從 2024 年的 23.1% 上升到 28.6%。
將空駛距離限制從 5 公里增加到 50 公里，可使行程的平均排放量減少 33%，而乘客的平均等待時間則增加 52%。
與 CD 相比，LARA 將平均行程排放量減少了 30.1% 至 34.2%，而 TORA 的這一範圍為 24.1% 至 26.2%。
在平均行程距離為 15 公里的情況下，與 TORA 相比，LARA 的排放量減少了 25.8%，等待時間縮短了 33.7%。
與 CD 相比，α 值為 0.75、0.5 和 0.25 的 LARA 分別減少了高達 11.1%、11.3% 和 13.9% 的排放量，而 TORA 減少了高達 6.6% 的排放量。
在 TORA 的乘車分配下，低排放車輛行駛的總距離中有 55.4% 是由於空駛里程造成的，而在 α 值為 0.25 的 LARA 下為 49.2%，在 CD 下為 51.8%。

從以下內容提煉的關鍵洞見

Near-Optimal Emission-Aware Online Ride Assignment Algorithm for Peak Demand Hours

by Ali Zeynali,... 於 arxiv.org 11-05-2024

https://arxiv.org/pdf/2411.01412.pdf

深入探究

除了減少碳排放，共享乘車平台還可以採取哪些措施來變得更加環保？

除了減少碳排放，共享乘車平台還可以採取以下措施來變得更加環保：

推廣共享乘車： 鼓勵乘客選擇拼車服務，讓更多乘客共用車輛，從而減少道路上的車輛總數和碳排放。平台可以通過提供價格優惠、優先派單等方式來鼓勵拼車。
使用電動車： 鼓勵司機使用電動車或混合動力車，並為其提供充電優惠和便利。平台可以與電動車製造商合作，為司機提供購車優惠或租賃方案。
優化路線規劃： 利用大數據和人工智能技術，為司機規劃更節能的路線，避開擁堵路段，減少空駛里程和碳排放。
鼓勵綠色出行： 與公共交通系統合作，為乘客提供便捷的換乘方案，鼓勵乘客選擇公共交通工具出行。
碳抵消： 平台可以投資碳抵消項目，例如植樹造林，來抵消其運營過程中產生的碳排放。
提高透明度： 平台可以向乘客公開其環保措施和碳排放數據，提高透明度，接受社會監督。
通過採取這些措施，共享乘車平台可以減少其對環境的負面影響，並為構建可持續交通系統做出貢獻。

如果乘客不願意為更長的等待時間支付額外費用以減少排放，那麼 LARA 在現實世界中的應用是否可行？

這是 LARA 在現實世界中應用的一個重要問題。如果乘客不願意為了減少排放而承擔更長的等待時間，那麼 LARA 的效果就會大打折扣。
以下是一些可能的解決方案：

彈性定價： 平台可以根據等待時間和碳排放量制定彈性價格，讓乘客在價格和環保之間做出選擇。例如，選擇更長等待時間和更低碳排放的乘客可以享受優惠價格。
透明資訊： 平台可以向乘客清楚地展示不同選擇的等待時間和碳排放量，讓乘客做出更明智的選擇。
獎勵機制： 平台可以為選擇更環保出行方式的乘客提供獎勵，例如積分、優惠券等，鼓勵乘客選擇更長等待時間和更低碳排放的出行方式。
政府補貼： 政府可以對選擇更環保出行方式的乘客提供補貼，降低其成本，鼓勵更多人選擇綠色出行。
總之，LARA 的可行性取決於平台如何平衡乘客體驗和環保目標。通過靈活的策略和有效的激勵機制，LARA 仍然可以在現實世界中發揮作用，促進共享乘車行業的可持續發展。

隨著自動駕駛汽車的出現，像 LARA 這樣的演算法將如何演變以適應未來的交通狀況？

自動駕駛汽車的出現將為像 LARA 這樣的演算法帶來新的機遇和挑戰。
機遇：

更精確的預測： 自動駕駛汽車可以收集更精確的交通數據，例如實時路況、車輛位置等，這將有助於 LARA 更準確地預測等待時間和碳排放量，做出更優化的決策。
更靈活的調度： 自動駕駛汽車可以根據系統需求更靈活地調整路線和速度，這將有助於 LARA 更有效地減少空駛里程和碳排放。
更低的運營成本： 自動駕駛汽車可以降低人工成本，這將有助於共享乘車平台降低價格，吸引更多乘客，從而提高車輛利用率，減少碳排放。
挑戰：

演算法複雜性： 自動駕駛汽車的引入將增加系統的複雜性，LARA 需要處理更多的變量和約束條件，這將對演算法的設計和優化提出更高的要求。
數據安全和隱私： 自動駕駛汽車收集的大量數據需要得到妥善的保護，以防止數據洩露和濫用。
社會倫理問題： 自動駕駛汽車的普及將帶來一系列社會倫理問題，例如責任劃分、就業影響等，LARA 需要在設計時考慮這些因素。
為了適應未來的交通狀況，LARA 需要不斷演變：

整合自動駕駛技術： LARA 需要整合自動駕駛汽車的特性和功能，例如自動駕駛模式、車輛間通訊等，以實現更優化的調度和控制。
開發新的優化目標： 除了減少碳排放和等待時間，LARA 還需要考慮其他優化目標，例如交通流量、能源消耗、乘客舒適度等。
建立新的合作模式： 共享乘車平台需要與汽車製造商、科技公司、政府部門等建立更緊密的合作關係，共同推動自動駕駛技術的發展和應用。
總之，自動駕駛汽車的出現將為像 LARA 這樣的演算法帶來新的發展機遇。通過不斷創新和優化，LARA 可以更好地適應未來的交通狀況，為構建安全、高效、環保的智慧交通系統做出貢獻。