移动互联网时代出租汽车行业管制改革

出租汽车兼具个体交通和公共交通的双重特性,在城市交通系统中具有无可替代的重要作用。然而,出租汽车独特的服务特征使得如何管理一直备受争议,特别是进入移动互联网时代后,分歧进一步扩大。基于出租汽车的服务特征,从财产权与制度经济学的视角观察和剖析出租汽车管制,重新构建出租汽车的管制框架并提出改革思路。指出出租汽车运行的外部环境与技术条件存在较大地区差异,应允许各地探索有区别的多样化管制模式。对于巡租出租汽车行业,要以价格管制改革作为切入点;对于约租出租汽车行业,要建立新的监管体系;同时规范汽车合乘,通过汽车共享平衡专业运输高峰供需关系。     

Survey and empirical evaluation of nonhomogeneous arrival process models with taxi data

Arrival processes are important inputs to many transportation system functions, such as vehicle prepositioning, taxi dispatch, bus holding strategies, and dynamic pricing. We conduct a comprehensive survey of the literature which shows that many transport systems employ basic homogeneous arrival process models or static nonhomogeneous processes. We conduct an empirical experiment to compare five state of the art arrival process short term prediction models using a common transportation system data set: New York taxi passenger pickups in 2013. Pickup data is split between 672 observations for model estimation and 96 observations for validation. From our experiment, we obtain evidence to support a recent model called FM‐IntGARCH, which is able to combine the benefits of both time series models and discrete count processes. Using a set of seven performance metrics from the literature, FM‐IntGARCH is shown to outperform the offline models—seasonal factor method, piecewise linear model—as well as the online models—ARIMA, Gaussian Cox process. Implications for operating data‐driven “smart” transit systems and urban informatics are discussed. Copyright © 2016 John Wiley & Sons, Ltd.     

基于动态博弈的城市出租车投放量测算研究

出租车是城市客运交通体系中的重要组成部分,但随着出租车市场的发展和乘客出行需求的变化,出租车行业积累了大量问题,其根本原因还是出租车市场中各利益主体之间利益矛盾难以协调,供需关系不平衡,需要通过调整出租车投放规模来促进各利益主体的和谐发展. 因此,从博弈的视角出发,分析出租车行业中的主要利益关系,构建博弈均衡,并进行博弈均衡解析,结合出租车市场的发展规律和博弈均衡条件,测算出投放规模的合理数量范围. 通过对西安市出租车市场的实证测算,当短期内增加的出租车数量不超过1 908 辆时,各利益主体间利益矛盾最小;从长期来看,当增加的出租车数量为1 223 辆时,能够达成长期的博弈均衡.     

基于整数线性规划的合乘出租车调度模型

为降低城市交通中出租车的空驶率,提高出租车运载效率,充分利用城市道路资源,缓解交通拥堵,在已有研究的基础上,将智能交通中多位乘客合乘出租车的路线规划及车辆调度问题分解为合乘乘客分组、行驶路线规划、指派车辆3 个步骤,将乘客间的“顺路”关系转化为有向图中的有向边,通过筛选连通子集构造合乘分组。分别对每一步骤建立整数线性规划模型,使得所需车辆尽量少,乘客等车时间尽可能短,乘客乘车绕行里程尽量少。使用分层序列法求解该多目标规划问题,并提出一种简化问题规模的策略,以提高求解效率。使用纽约实际出租车乘车数据构造模拟数据集测试算法的性能。测试结果表明,该方案具有“零绕行”、合乘率高的特点,能够大大提高出租车运载效率。     

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.     

出租车合乘

车辆合乘是交通需求管理中的一项措施。交通需求管理,即引导人们采取科学的交通行为,理智地使用（不滥用）道路设施的有限资源。交通需求管理的主要措施遍布在交通行为的各个阶段,其中,组织汽车合乘作为出行方式阶段的措施已经被许多专家、学者提了出来。