斯坦福大学的研究人员利用人工智能开发了一种新的方法，通过优化道路收费来缓解交通拥堵。这种方法使用了一种直观的动态方法，根据特定道路上的车辆数量和时间来调整收费，从而平衡道路供应和驾驶需求。
这种实用的方法可以改善拥堵定价，这是一种由全球多个城市的监管机构引入的收费系统，鼓励驾驶者避开拥挤的市区或高峰时段的繁忙道路。Devansh Jalota，斯坦福大学计算和数学工程的博士生，是描述这项发现的论文的主要作者。他说：“我们已经展示了一种简单、实用、直观的方法，有效地优化收费并减少交通拥堵。”
这项新研究是Jalota和他的合作者、斯坦福自动系统实验室的主任Marco Pavone的更大的研究议程的一部分。这个议程旨在为设计激励方案奠定基础，这些方案通过减少拥堵来提高交通网络的效率，同时也考虑到社会考虑因素，如方案设计中的公平性。
拥堵定价是这个追求的有希望的工具，其目的是最小化总的交通拥堵成本。不仅对被困在路上的人来说很烦人，交通堵塞还导致了包括失去工作效率、额外的碳排放和噪声产生等问题。
然而，提出有效实现交通减少目标的适当收费已经证明是具有挑战性的。一个关键原因是关于驾驶者的行程属性的信息的不可获取，例如起点和终点，以及驾驶者对他们的时间的价值——也就是他们愿意为更短的通勤时间支付多少。这种信息不仅本质上无法收集，而且还带来了隐私问题。
Jalota和他的同事们对这个困境采取了新的方法。研究人员利用了在线学习，这是机器学习和AI的一个子领域。在线学习涉及到观察数据的到来，以此更新基于这种连续数据流的规定算法的行为。这种基于序列到达数据做出规定决策的策略，与吸收完整的数据集来提高预测能力的方法不同，后者在许多其他机器学习应用中很常见。
Jalota和同事们开发的在线学习方法涉及到根据驾驶者行为的观察动态调整道路收费。研究人员的关键实践洞察是，衡量道路供应和需求的唯一数据点是在给定时间内道路上的汽车总数。幸运的是，这种信息已经通过现代感应技术（如环形探测器，这是一种放置在路面中用于计数汽车和触发交通灯变化的传感器）在城市中常常可用。
通过选择A路而不是B路的独立自利行为，驾驶者揭示了总体偏好，从而显示出可以增加拥堵定价收费的地方，以激励旅行者选择其他路线或其他交通方式。
Jalota说：“我们的在线学习方法根据观察到的交通网络道路的总流量在每个时间段调整收费，而不依赖于用户的任何其他行程属性，从而保护了用户的隐私。”
除了方法的实用性和简单性外，研究团队还通过显示其与拥有用户行程属性完整信息的“全知”“神谕”相比较的性能，验证了其性能。在对真实世界的交通网络进行进一步测试时，研究人员发现，新方法甚至超过了几种传统的拥堵定价方法。
作为下一步，研究人员计划进一步将2021年论文中开发的公平的拥堵定价方法与新研究中使用的基于学习的方法结合起来。为了推动这个研究方向，Jalota和Pavone正在共同组织一个关于“在城市基础设施和网络系统设计中桥接学习和算法公平性”的研讨会，该研讨会将在2023年5月9日在德克萨斯州的圣安东尼奥举行。
随着拥堵定价可能会在更多的城市——包括旧金山和纽约市——出现，新的提高方案效率和公平性的方法可能会受到欢迎。
Jalota说：“我们已经开发了一种简单而有效的在线学习方法，用于动态调整道路收费，这种方法在计算上可行，实际上可行。我们认为这里有真正的潜力来增强拥堵定价。”
相关资料：原文链接
