1.7亿出租车轨迹里，MIT找到了大城市治堵“秘方”

正文

请到「今天看啥」查看全文

拼车？这个任性的方案，听起来跟MIT的鼎鼎大名有一些莫名的违和感。道理DT君都懂，是骡子是马还是需要拉出来遛遛。

▍ 拼车的建议不是忽悠，背后有大数据计算的科学基础

如果你有过在机场排队等出租车的经历，你大概就会明白“拼车”的含义。那些拉你拼车的出租车司机们，都是想通过最大效率的运用车辆的运输资源，获取更多的资金收益。

某种程度上来说，MIT感知城市实验室的“拼车”方案，与拉客的那些出租车司机并没有本质的不同：都是倡导大家一起共享乘车资源，让每辆汽车的运输效率最大化。

20世纪70年代，受到石油危机的影响，美国开始系统性地研究“拼车”问题。危机期间，汽车的使用数量急剧减少。城市旺盛的运输需求，导致越来越多的人不得不接受与他人“拼出租车”的出行方案。那段时间，大量的拼车行为极大地缓解了纽约的城市交通压力。石油危机后，一些学者开始正式提出用拼车的方案解决交通难题。

说起来容易，但传统的拼车方案有一个很大的困难：即如何调度出租车资源，在最短线路上让最多的乘客上车下车。说白了，这其实是一个数学问题。理论上讲，拼车问题可以被看做一个“动态搭车”的情况——在一个清晰的时间间隔（Time Window）内，一定数量的乘客（货物）如何高效地在特定地点被收集、投放。

传统的研究会使 用线性规划 （Linear Programming）的方法。不过这种方法会很大程度上受到变量数量的影响，只能用于小规模的路线优化情景，比如在机场。

但是纽约每天有成千上万辆出租车在运营，产生海量的行驶记录，这是传统的线性规划无法胜任的城市场景。于是MIT的极客们用大数据的方法，将拼车这个时空共享问题， 转换成了 图论 （Graph Theory）框架，发明了“共享网络”（Shareability Network）模型。

（图片说明：基于图论的方法计算拼车路线的过程，详情可以参阅参考资料3: Quantifying the benefits of vehicle pooling with shareability network）

这个模型不仅解决了共享拼车的效率问题，还能够无压力地对海量数据进行计算。他们搜集了纽约2011年共13586辆注册出租车的一亿五千万条行驶数据，分析他们的行驶线路，接送乘客的情况等等，最终形成了一个动态的拼车调度方案。不仅如此，他们甚至 把结果做成了一个大型的可视化交互页面 （HubCab） ，让用户自己去体会在纽约搭乘出租车的情况。

▍

请到「今天看啥」查看全文