内容导读：

研究组博士后王瑶莉最近在国际交通和地理领域知名学术期刊 Journal of Transport Geography上正式发表题为《基于出行目的的合作式拼车 》的论文（英文原题为Collaborative Activity-based Ridesharing）(Wang, Winter, & Tomko, 2018)。该文章是她在墨尔本大学跟随Stephan Winter教授攻读博士学位时完成的工作，她的博士研究致力于在社会和行为心理方面提出创新方法来提高小轿车利用率。文章提出了一种新的拼车算法，名为基于出行目的的合作式拼车，其目的是解决拼车中信任机制和绕路时间两大痛点。该算法的要点是：1）引入社交网络以提高相互熟悉的出行者之间拼车的概率；2）考虑出行者的出行目的和相应的可选目的地，选择提高拼车概率的路线；3）比较上述两种机理的优缺点，构造一个同时考虑社交网络和出行目的的方法，不仅为运算提供启发式算法，还能兼顾信任和时空灵活性两个问题。

作者简介：

王瑶莉，博士，现为北京大学遥感与地理信息系统研究所时空大数据与社会感知实验室博士后研究员。北京大学2008级地理信息系统本科，美国佐治亚大学2012级地理学硕士，澳大利亚墨尔本大学2014级基础设施工程（地理信息方向）博士。主要研究兴趣是城市空间和社交网络中的时空行为研究与智慧城市交通数据挖掘与创新方法。致力于用带有科学理论高度和创新性的方法为实际工程问题提供可落地的解决方案。爱好摄影、写博客、旅行、户外运动（徒步和攀岩）。

研究介绍：

多篇引用文献指出，影响民众采纳拼车这种出行方式的两大因素是信任机制和绕路时间。前者指陌生人之间出于安全、个人隐私和偏好等方面的考虑不愿意拼车，后者指为和他人拼车可能的等待与绕行时间成本。这篇文章是在王瑶莉前两篇博士期间完成的工作基础上展开的。为了更好理解本文内容，现对前两部分工作做简要介绍。第一篇文章为 How much is trust: The cost and benefit of ridesharing with friends (Wang, Winter, & Ronald, 2017), 该文章发表于国际期刊Computers, Environment, and Urban Systems。文章提出了基于社交网络的拼车算法，即假设出行者与社交网络中距离较近（更熟悉）的其他出行者拼车和绕路的意愿更高，而对距离较远（更陌生）的出行者拼车意愿和绕路意愿较低。文章工作测试不同社交网络拓扑和空间结构对拼车的影响。第二篇文章为Activity-based ridesharing: Increasing flexibility by time geography (Wang, Kutadinata, & Winter, 2016), 发表于2016年ACM SIGSPATIAL年会会刊，并获得当年大会最佳论文奖。文章利用时间地理学原理提出，出行是目的导向的，因此对于弹性较大的活动，可以选则时空可达范围内的多个目的地，从而减少绕行且增加拼车成功概率。

图1. 拼车算法流程图

在上述二文基础上，本文采用基于个体模拟的方法对算法的有效性和优势进行验证。如图1所示，模块一(M1)初始化每个人一天的行程以及社交网络结构。文章中的拼车算法为静态的，仅用于验证算法在考虑全局出行需求下的有效性。模块二(M2)沿用Activity-based ridesharing中提出的算法对每个出行者一天的行程进行分段，将全天分为若干出行链（即相互间出行安排影响较大联系紧密的一系列出行），从而可以利用时间地理学方法选择在每条出行链上的可达范围和针对出行目的的可选目的地，从而增加拼车概率。第三模块(M3)是一种利用社交网络进行的筛选机制，即在时空可达的基础上，拼车时优先选择与较为熟悉的出行者拼车。具体方法是，对社交网络中不同“熟悉”程度的出行者赋予不同的时空约束条件：对于一度和二度联系，以社交网络的边作为索引，找到联结的潜在出行伙伴，然后用时间地理学方法计算二人的可达范围，看其交集是否足够满足二人拼车的时空约束；对陌生人，进行全局搜索得到服从时空约束的潜在出行伙伴。模块四(M4)是在M3得到的拼车矩阵（节点为出行者，边的权重为0或1，即不可拼与可拼）基础上做优化，得到使得全局拼车数量最多的最优解。

文章在实验阶段进行交叉检验，测试了不同社交网络的拓扑（不同度、小世界模型或随机模型）和空间形态（社交网络分布在空间随机或服从距离衰减）、是否用时间地理学方法找多个目的地等变量下的结果。实验最终验证了该算法的有效性：相比单纯的基于社交网络的拼车，该算法可以提高拼车数量；相比于基于活动的拼车，该算法可有效提高运算效率并可以有针对性地提高熟悉的人相互拼车的概率。

Wang, Y., Kutadinata, R., & Winter, S. (2016). Activity-based ridesharing: Increasing flexibility by time geography. In ACM SIGSPATIAL (p. 1). San Francisco, CA. http://doi.org/10.1145/2996913.2997002

Wang, Y., Winter, S., & Ronald, N. (2017). How much is trust: The cost and benefit of ridesharing with friends. Computers, Environment and Urban Systems, 65, 103–112. http://doi.org/10.1016/j.compenvurbsys.2017.06.002

Wang, Y., Winter, S., & Tomko, M. (2018). Collaborative activity-based ridesharing. Journal of Transport Geography, online. http://doi.org/10.1016/j.jtrangeo.2018.08.013