论文题目：Rethinking Pooled Ride-Hailing as Large-Scale Simulations Reveal System Limits

论文链接：https://doi.org/10.3390/smartcities9040062

期刊名称：Smart Cities

期刊主页：https://www.mdpi.com/journal/smartcities

一、引言

近日，来自美国劳伦斯伯克利国家实验室的Haitam Laarabi研究员及其团队在Smart Cities期刊上发表了一篇文章。该团队基于开源、基于代理的区域交通模型BEAM，开发并验证了三种网约拼车匹配算法，并结合需求跟踪重定位算法，在旧金山湾区的真实路网与高网约车采用率场景中进行了大规模模拟实验。研究发现了一个反直觉的系统性现象：越严格促进点对点拼车，绕行负担反而削弱了匹配可行性，导致车辆载客率下降，空驶里程增加，加剧交通拥堵。研究还揭示了拼车效率受到再平衡策略、车队规模与算法设计等多重因素的非线性制约，指出当人口采样达到40%时系统动态趋于稳定。该项研究对于科学评估共享出行系统的环境效益、指导城市交通政策与可持续出行规划具有重要意义。

BEAM 中网约车模块的结构

二、材料与方法

本研究旨在揭示网约拼车系统在实际大规模运营中未能达到理论预期的深层机制。为此，作者基于开源、代理、活动基础的区域交通模型BEAM（Behavior, Energy, Autonomy, and Mobility），构建了一套完整的网约车运营模拟框架。BEAM是一个完全多模态、基于代理的交通模拟平台，网约车管理模块是其中最复杂的子模块，由一个独立智能体RideHailManager（RHM）协调整个车队运营，下设四个子组件：Customer Dispatch Manager、Rebalancing Manager、Charge Dispatch Manager和Depot Parking Manager。在本研究中，该团队聚焦于Rebalancing Manager与Customer DispatchManager两个核心组件。

三、分析与结果

作者基于开源、代理、活动基础的区域交通模型BEAM，构建了一套完整的网约车运营模拟框架。BEAM是一个完全多模态、智能体导向的交通模拟平台，其核心结构包含以下几个关键模块：活动基础出行生成模块根据合成人口的每日活动计划（如工作、购物、休闲）生成出行需求；模式选择模块采用多项Logit模型，允许每个出行者在出发时刻基于实时报价（票价、等待时间、行程时间）和个人时间价值，在单人网约车、拼车网约车、自驾、步行、骑行及四种公交子模式（步行/骑行/自驾/网约车接驳公交）之间动态选择；进化学习模块使智能体在多次模拟迭代中通过变异（探索新模式）和选择（保留更优计划）不断优化自身出行策略，直至系统收敛到动态用户均衡；路网与交通仿真模块基于OpenStreetMap路网和多智能体道路交通流模拟，计算车辆的实际行驶时间和拥堵效应；网约车管理模块是BEAM中最复杂的子模块，由一个独立智能体RideHailManager（RHM）协调整个车队运营，下设四个子组件：Customer Dispatch Manager、Rebalancing Manager、Charge Dispatch和Depot Parking Manager。在本研究中，团队聚焦于Rebalancing Manager与Customer Dispatch Manager两个核心组件。

在研究中，作者采用了一种对距离高度敏感的需求跟踪重新定位算法，该算法基于平方反比定律。该算法通过将估计的需求视为引力场中的质量来模拟这一物理定律；因此，车辆向需求区域的吸引力与车辆所在位置距离的平方成反比。

在拼车匹配算法方面，团队设计并比较了三种算法。第一种是最优Alonso-Mora算法：先构建请求-车辆二分图过滤候选对，再构建请求-行程-车辆三分图枚举所有可行的拼车组合，最后通过混合整数规划求解全局最优匹配。第二种是贪婪Alonso-Mora算法：跳过二分图构建环节，异步地为每辆车构建请求-行程子图，然后直接使用贪婪赋值进行匹配，牺牲全局最优以换取计算效率。第三种是团队自主提出的贪婪车辆中心算法，所提出的算法分三个步骤进行。给定用户提交的出行请求列表和在一定时间窗口内收集的网约车车辆状态，算法首先对输入数据进行筛选，然后启动第二阶段，将车辆与用户进行匹配。一旦确定了潜在行程列表，第三阶段将基于两个指标进行最终分配：车辆池大小和延误总和。

贪婪近似算法流程图

研究采用旧金山湾区的真实数据构建场景，包括OpenStreetMap路网、GTFS公交时刻表、UrbanSim生成的775万合成人口及土地利用数据。网约车定价参数基于芝加哥市2018-2022年约4500万条真实TNC出行记录拟合得到。交通流量通过 Google Maps API 和美国公路性能监测系统（HPMS）车辆行驶里程（VMT）估算值收集的速度和行程时间进行验证，公交客流量则通过大都会交通委员会提供的机构级乘车统计数据进行验证。网约车系统经过校准，空驶率设定为 40%，等待时间为 7 分钟，拼车匹配率设定为 60%–75%。网约车司机不允许拒绝行程，因此在调度方面，无论班次类型如何，他们的行为都相同；然而，根据芝加哥数据集的经验数据，人工驾驶车辆的班次是有限的。一旦乘客选择网约车，他们就会发送拼车或单人乘车的请求。网约车管理系统会将这些请求收集到一个缓冲区中，并每隔几分钟，首先对拼车请求执行拼车算法，然后根据行驶时间，将剩余的单人乘车请求分配给距离最近的可用车辆。最后，车辆会被派往接载乘客。

为验证模拟结果的稳健性，团队系统性地开展了三组敏感性分析：第一组考察再平衡敏感度（从0.05到0.2）与车队规模（占私人车辆存量的3%至3.6%）的组合影响；第二组在高峰小时1167个通勤出行请求与全天场景下，对比三种拼车算法在不同“每车请求数”设置下的匹配效率与计算开销；第三组则测试了人口采样比例（从10%到100%）对网约车系统关键性能指标的收敛性影响。

比较了 SFBay 情景下，车队规模占比和重新定位敏感性变化时的结果

实验结果呈现出多个重要发现。在再平衡方面，随着再平衡敏感度的提高，车辆行驶里程、人均能耗和空驶里程均显著上升，而车辆平均载客率反而下降——在低再平衡场景下载客率可维持在1.13以上，而在高再平衡场景下则降至0.9以下，即平均每辆车载客不足一人。更关键的是，再平衡敏感度与系统绩效之间呈现倒U型关系：适度再平衡可提升服务覆盖与匹配率，但过度再平衡会导致车辆在途中被中途截留，反而降低高需求区域的有效供给，并加剧拥堵，促使出行者转向其他交通方式。在拼车算法对比中，最优Alonso-Mora算法虽然能将拼车请求匹配率提升至98%，但其单次匹配计算时间在每车请求数为20时即超过16小时，完全无法用于实际运营或大规模仿真；而贪婪车辆中心算法在每车请求数为12时，匹配时间仅为244分钟，且能在全天场景下将匹配出行数提升至97%、拼车比例提升至52%，同时保持可接受的等待时间与出行时间。研究表明，即使是最优算法，强行追求高拼车率也会因大幅增加绕行里程和出行延误，反而在迭代学习中驱使用户放弃拼车乃至网约车。在人口采样方面，当采样比例从10%提升至40%时，单位车辆里程客运量和车队利用率两项指标均快速上升并趋于稳定，超过40%后边际增益极小而计算负担急剧增加，因此40%被确定为网约车系统动态分析的有效采样阈值。

人口样本规模对总体乘客量和车队运营特征的影响

五、展望与结论

综合上述实验结果，研究得出一个系统性结论——越严格地促进点对点拼车，绕行负担越会削弱匹配可行性，导致车辆载客量下降而非上升，同时空驶里程增加，整体VMT不降反升。这一现象的根本原因在于再平衡空驶、绕行延误、算法可行性与用户行为反馈构成了多重交互的负反馈机制。研究定量给出了操作边界：再平衡敏感度不应超过0.2，车队规模调整相比再平衡是更高效的优化手段，点对点拼车的边际收益在RPV>4后迅速递减。该研究为共享出行政策的科学制定提供了清晰的仿真证据和操作边界。

引用格式：

Laarabi, H.; Needell, Z.A.; Waraich, R.A.; Spurlock, C.A. Rethinking Pooled Ride-Hailing as Large-Scale Simulations Reveal System Limits. Smart Cities 2026, 9, 62. https://doi.org/10.3390/smartcities9040062

期刊介绍

主编：Prof. Dr. Pierluigi Siano, University of Salerno, Italy

Smart Cities（ISSN 2624-6511）是一本由 MDPI 出版的国际型开放获取同行评审英文学术期刊，专注于发表智慧城市领域的最新研究进展，目前已被 ESCI、Scopus、PubMed、Dimensions以及DOAJ 等重要数据库收录。Smart Cities发文领域包括但不限于智慧城市的核心技术与方法、智慧城市的关键应用领域、智慧城市交叉领域融合以及韧性智慧城市建设等，重点关注利用先进的信息技术、通信技术及数据分析工具，推动城市资源优化配置、公共服务改善、管理效率提升及居民生活质量提高等议题的原创论文，综述、通讯等类型，致力于为智慧城市相关研究提供一个优质、高效、快速的发表服务平台，有效促进智慧城市最新科研成果的推广和传播，加快推进智慧城市新生态建设。

2024 Impact Factor: 5.5

2025 CiteScore: 13.0

Time to First Decision: 25.5 Days

Acceptance to Publication: 3.9 Days