一项最近的研究利用机器学习解决一个具有挑战性的问题:确定新的保护自行车道的最佳位置,以最大化其效益。研究团队结合了先进的机器学习技术和优化方法来指导此类决策,这需要创新的计算策略。
来自多伦多大学工程学院的研究人员进行了一项最近的研究,利用机器学习解决一个复杂的问题:新的保护自行车道的最佳位置在哪里,以实现最大的益处?
“目前,一些个人可以很好地访问保护自行车道,使他们能够骑自行车上班、购物或去休闲场所,”土木与矿业工程系的博士后研究员、发表在《交通地理学杂志》上的一篇论文的主要作者马德琳·博恩斯马-费舍尔解释道。
“增加车道数量可以增加可达目的地的多样性,早期研究表明,这可能会导致骑车出行次数的增加。
“然而,许多人缺乏足够的安全骑行路线,这限制了他们的流动性。这个情况提出了一个问题:我们应该优先考虑连接目的地和潜在出行次数的数量,还是应该专注于最大化对最大数量人群的访问?”
博恩斯马-费舍尔和她的同事——包括共同指导的肖沙娜·萨克斯教授和蒂莫西·陈教授,以及博士生林博——利用机器学习和优化来提供此类决策的清晰性。解决这个问题需要新颖的计算技术。
“这个特定的优化挑战被称为NP难题,这意味着解决它的计算需求会随着网络规模的增加而急剧增加,”萨克斯指出。
“在规模像多伦多这样的城市上使用传统优化方法会导致失败。然而,林博开发了一种创新的机器学习模型,能够分析超过1,000个不同基础设施项目的数百万种组合,以确定在哪里建设影响深远的新骑行路线。”
以多伦多作为北美大型汽车中心城市的代表,研究人员创建了沿主要道路的潜在自行车道网络地图,并使用两种一般策略进行了优化。
第一种策略,称为功利主义方法,旨在最大化通过保护自行车道在30分钟内可实现的出行次数,而不考虑谁从这些出行中受益。
第二种策略,被称为关注公平,旨在增加至少有一些访问骑行网络的个体数量。
“优化公平会导致一张更广泛、更加分散的地图,而不会过于集中在市中心地区,”博恩斯马-费舍尔指出。
“虽然这种方法确实增强了城市更多地区的可达性,但可能会导致整体可达性平均提高幅度略微降低。”
“这存在一种权衡,”萨克斯解释道。
“这种权衡是暂时的,假设一个广泛的骑行网络最终会覆盖整个城市,但对于我们当前的行动来说这是重要的,并且由于建立骑行基础设施的持续挑战,这种情况可能会持续。”
另一个重要发现是识别出某些路线无论采用何种策略似乎都是至关重要的。
“例如,布劳尔西的自行车道在每种情景中都出现,”萨克斯补充道。
“这些自行车道不仅惠及附近的居民,而且作为增强自行车网络中公平和效用的重要联接。它们在所有模型中的持续重要性挑战了自行车道仅仅是影响附近人群的局部问题的观点。我们优化后的基础设施一贯表明,远离这些地区的社区也会获益。”
研究团队已经在与多伦多市规划者分享他们的发现,以帮助做出明智的基础设施投资决策。他们还希望将他们的分析方法应用于未来的其他城市。
“无论你的当地挑战或做出的决策如何,重要的是要清晰理解你的目标,并评估是否正在实现这些目标,”博恩斯马-费舍尔建议道。
“这种类型的分析可以提供一种基于证据、数据驱动的方法来解决这些困难的问题。”