摘要
近年来随着我国经济蓬勃发展，以及人民对美好生活的向往，居民出行需求增加，导致机动车保有量持续增长。随之而来的交通运输拥堵、能源消耗和环境污染问题日益突出。出租车合乘出行模式的出现因其在降低乘客等待时间和出行成本以及提高车辆利用率上的优势，可以为优化出租车调度系统和提高乘客服务水平提供一种新的解决方案。 本文在综合分析了现有网约车平台合乘模式的优缺点以及近年来国内外对合乘出行问题研究的基础上，提出了网约出租车动态合乘匹配问题（ Dynamic Ride-sharing Matching Problem of Online Taxi，DRMP-OT）。以最小化合乘系统中所有乘客等待时间成本和出行成本之和为目标，构建了 DRMP-OT 模型。模型使用软时间窗约束，同时考虑了路径约束、合乘约束、时间约束与负载约束，并引入成本约束以保障乘客和司机的基本利益。之后，使用真实案例和 Gurobi 优化求解器测试了模型的有效性。为了解决大规模动态合乘问题，本文设计了将多智能体强化学习 QMIX 算法和自适应大邻域搜索算法相结合的优化算法以及相应的动态仿真框架。并根据某市某区的真实出租车订单数据构建了小、大两种规模的案例测试本文提出的算法。测试结果表明：本文的算法在所有案例上均有较好的表现，其中在大规模案例测试中本文算法相比于实际情况，平均节省了 29.84%的出行成本。此外，虽然本文未考虑最小化使用车辆数，算法计算结果与实际情况相比仍减少了 22.40%的车辆使用。测试还显示了合乘系统相对于不合乘系统存在显著优势，其在等待时间成本、出行成本和使用车辆数上分别平均减少了20.05%、15.87%和18.96%。案例测试还分析了滚动时域周期时长、聚类规模以及合乘费用折扣率对算法求解效果与乘客成本的影响。 本文所提出的数学模型和算法能够为优化网约出租车动态合乘系统的乘客车辆匹配与车辆路径优化提供理论支撑，并为广大居民提供更多的出行模式选择。
NETL