Joint Optimization of Multimodal Transit Frequency and Shared Autonomous Vehicle Fleet Size with Hybrid Metaheuristic and Nonlinear Programming

📄 arXiv: 2412.19401v2 📥 PDF

作者: Max T. M. Ng, Hani S. Mahmassani, Draco Tong, Omer Verbas, Taner Cokyasar

分类: eess.SY, math.OC

发布日期: 2024-12-27 (更新: 2025-04-22)

备注: 23 pages, 5 figures, a previous version is accepted for presentation at the Conference on Advanced Systems in Public Transport and TransitData 2025 in Kyoto, Japan on 1 - 4 July 2025

💡 一句话要点

提出联合优化多模态交通频率与共享自动驾驶车辆规模的框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 共享自动驾驶车辆 多模态交通网络 交通频率优化 粒子群优化 非线性规划

📋 核心要点

  1. 核心问题：现有交通网络优化方法未能有效整合共享自动驾驶车辆，导致服务效率低下和乘客流失。
  2. 方法要点：提出一种混合优化框架，结合元启发式算法与非线性规划，解决多模态交通频率与SAV车队规模的联合优化问题。
  3. 实验或效果：在芝加哥大都市区应用该方法，实现交通乘客量提升33.3%，特别改善了非高峰时段的服务可达性。

📝 摘要（中文）

共享自动驾驶车辆（SAVs）对传统交通服务构成竞争，但重新设计多模态交通网络可以利用SAVs作为接驳工具，提高服务效率和覆盖率。本文提出了一种优化框架，解决多模态交通频率与SAV车队规模的联合优化问题，旨在最大化总交通乘客量（包括SAV接驳行程并减去上车拒绝）在预算约束下的多个时间段内的表现。考虑到内生模式选择（公共交通、点对点SAV、驾驶）和路线选择，同时允许通过将频率设为零进行战略性路线移除。由于问题的非线性、非凸特性及大规模网络的计算挑战，本文开发了一种混合解决方案，结合粒子群优化的元启发式方法与非线性规划进行局部解的细化。应用于芝加哥大都市区的多模态网络，结果显示通过优化交通路线频率和SAV整合，交通乘客量提高了33.3%。

🔬 方法详解

问题定义：本文旨在解决多模态交通频率与共享自动驾驶车辆规模的联合优化问题。现有方法在整合SAVs与传统交通服务方面存在不足，导致服务效率低下和乘客流失。

核心思路：论文提出的核心思路是通过混合优化框架，结合粒子群优化与非线性规划，来同时优化交通频率和SAV车队规模，以最大化乘客量。此设计旨在有效应对问题的非线性和非凸特性。

技术框架：整体架构包括三个主要模块：1) 基于SAV利用率的等待时间分析模型；2) 多模态网络分配模型用于路线选择；3) 多项式逻辑回归模型用于模式选择行为。通过这些模块，避免了在主要优化循环中进行计算密集型模拟。

关键创新：最重要的技术创新在于将元启发式方法与非线性规划相结合，形成了一种新的解决方案，显著提高了计算效率和优化效果。与现有方法相比，该框架在处理大规模网络时表现出更好的可扩展性和灵活性。

关键设计：在参数设置上，采用了适应性调整的粒子群优化参数，损失函数设计为最大化乘客量与预算约束的平衡，网络结构则基于多模态交通流动特性进行优化。具体细节包括对SAV等待时间的解析近似模型和多模态网络的分配策略。

📊 实验亮点

实验结果显示，应用该优化框架后，芝加哥大都市区的交通乘客量提高了33.3%。这一提升主要得益于优化后的交通路线频率和SAV的有效整合，尤其是在非高峰时段，显著改善了服务可达性。

🎯 应用场景

该研究的潜在应用领域包括城市交通规划、共享出行服务优化以及公共交通系统的整合。通过优化多模态交通网络，可以有效提升城市交通的服务质量和效率，具有重要的实际价值和社会影响。未来，该框架可推广至其他城市或地区的交通系统优化中。

📄 摘要（原文）

Shared autonomous vehicles (SAVs) bring competition to traditional transit services but redesigning multimodal transit network can utilize SAVs as feeders to enhance service efficiency and coverage. This paper presents an optimization framework for the joint multimodal transit frequency and SAV fleet size problem, a variant of the transit network frequency setting problem. The objective is to maximize total transit ridership (including SAV-fed trips and subtracting boarding rejections) across multiple time periods under budget constraints, considering endogenous mode choice (transit, point-to-point SAVs, driving) and route selection, while allowing for strategic route removal by setting frequencies to zero. Due to the problem's non-linear, non-convex nature and the computational challenges of large-scale networks, we develop a hybrid solution approach that combines a metaheuristic approach (particle swarm optimization) with nonlinear programming for local solution refinement. To ensure computational tractability, the framework integrates analytical approximation models for SAV waiting times based on fleet utilization, multimodal network assignment for route choice, and multinomial logit mode choice behavior, bypassing the need for computationally intensive simulations within the main optimization loop. Applied to the Chicago metropolitan area's multimodal network, our method illustrates a 33.3% increase in transit ridership through optimized transit route frequencies and SAV integration, particularly enhancing off-peak service accessibility and strategically reallocating resources.