Portfolio Design and Pricing for Multimodal Mobility-on-Demand Services Considering Traveler Responses
作者: Jungeun Lee, Jeong hwan Jeon, Youngseo Kim
分类: eess.SY
发布日期: 2026-10-06
💡 一句话要点
提出实时框架优化多模式按需出行服务的设计与定价
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 按需出行 服务设计 定价优化 乘客选择 计算效率 交通管理
📋 核心要点
- 现有的按需出行服务在服务选择和定价上面临盈利能力与运营可行性之间的挑战。
- 论文提出的实时框架通过联合优化服务菜单、票价和车辆行程计划来解决这一问题。
- 实验结果表明，联合设计和定价显著提高了运营商的服务利润，并提升了计算效率。
📝 摘要（中文）
按需出行（MoD）平台能够提供专属、拼车和公共交通连接服务，以满足不同乘客的需求。然而，确定提供哪些服务及其定价具有挑战性，因为盈利能力依赖于乘客选择和运营可行性。本文提出了一种实时框架，联合优化服务菜单、票价和车辆行程计划，基于广义嵌套Logit（GNL）模型来模拟乘客选择，捕捉服务选项之间的相关替代性。通过使用Fenchel对偶性，将非线性目标从票价域转化为选择概率域，从而实现涉及广义熵项的凹最大化。通过使用纽约市真实出行记录进行的操作模拟评估该框架，结果显示联合设计和定价使运营商服务利润提高了28.4%和8.5%。此外，提出的重构方法在计算效率上比直接解决原始定价问题快18.8倍，适用于实时MoD操作。
🔬 方法详解
问题定义：本文旨在解决按需出行服务中服务选择与定价的优化问题，现有方法往往无法同时考虑乘客选择和运营可行性，导致盈利能力不足。
核心思路：提出一种实时框架，通过广义嵌套Logit模型模拟乘客选择，联合优化服务菜单、票价和车辆行程计划，以提高盈利能力和运营效率。
技术框架：整体架构包括乘客选择建模、服务菜单与票价优化、车辆行程计划设计等模块。首先，通过GNL模型捕捉乘客对不同服务选项的选择，然后利用Fenchel对偶性将优化问题转化为选择概率域的凹最大化问题。
关键创新：最重要的创新在于将非线性票价优化问题转化为选择概率域的优化，显著提高了计算效率，使得实时操作成为可能。
关键设计：在模型中设置了广义熵项作为优化目标，确保了乘客选择的相关替代性被有效捕捉，同时优化算法设计使得计算速度大幅提升。
🖼️ 关键图片
📊 实验亮点
实验结果显示，联合设计和定价使运营商的服务利润提高了28.4%和8.5%，相比于单独优化服务菜单和票价。此外，提出的框架在计算效率上比直接解决原始定价问题快18.8倍，显著提升了实时操作的可行性。
🎯 应用场景
该研究的潜在应用领域包括城市交通管理、共享出行平台和公共交通系统。通过优化服务设计与定价，能够提升运营商的盈利能力，同时为乘客提供更优质的出行选择，具有重要的实际价值和社会影响。
📄 摘要（原文）
Mobility-on-demand (MoD) platforms can offer exclusive, pooled, and transit-connected services to accommodate different passenger needs. However, determining which services to offer and at what prices is challenging because profitability depends on both passenger choices and operational feasibility. This paper proposes a real-time framework that jointly optimizes service menus, fares, and vehicle trip plans for individual MoD requests. Passenger choices are modeled using a generalized nested logit (GNL) model that captures correlated substitution among service options based on vehicle sharing and transit use. To solve the resulting nonlinear fare-optimization problem, we use Fenchel duality to transform the nonlinear objective from the fare domain to the choice-probability domain, yielding a concave maximization involving a generalized entropy term. We evaluate the framework through operational simulations using real-world New York City trip records. Joint portfolio design and pricing improve operator service margins by 28.4% and 8.5% compared with optimizing only service menus and only fares, respectively. Furthermore, the proposed reformulation is up to 18.8 times faster than solving the original pricing problem directly in fare space, improving computational efficiency for real-time MoD operations.