Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance

这是一份关于《结构化空间失衡下共享出行再平衡的近似模型》（Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance）论文的详细技术总结。

1. 研究背景与问题定义 (Problem Definition)

核心问题：
共享出行系统（如共享单车、共享汽车、网约车）面临持续的空间供需失衡问题。车辆倾向于在热门目的地聚集，导致出发地车辆短缺。运营商必须通过空车调度（再平衡）将车辆从盈余区移至亏损区，这产生了巨大的运营成本（空驶里程，VKT）。

现有挑战：

• 计算复杂性： 精确计算最小再平衡距离需要求解运输线性规划（Transportation Linear Program, LP），其复杂度为 $O(n^3 \log n)$。在城市规模（大量区域节点）下，这种精确求解对于迭代规划或实时决策来说计算负担过重。
• 现有模型局限： 现有的解析模型多针对“一对多”（如从仓库到客户）的路径问题（TSP/VRP），缺乏针对“多对多”（车辆再平衡）且包含结构化空间失衡（Structured Spatial Imbalance）的闭式近似公式。随机匹配理论（RBMP）通常假设供需均值为零，无法处理系统性的供需错配。

研究目标：
推导最小再平衡距离的闭式近似模型（Closed-form approximation models），使其能够仅依赖区域几何参数和供需失衡程度进行快速估算，无需求解复杂的优化问题。

---

2. 方法论 (Methodology)

2.1 核心概念定义

• 服务区域： 假设为矩形区域 $\Omega = [0, L] \times [0, W]$，面积 $R=LW$，长宽比$\kappa = L/W$。
• 供需密度： 定义出发地密度 $f(x)$ 和目的地密度 $g(x)$。
• 失衡指数 (Imbalance Index, $I$)： 引入标量指标 $I = \frac{1}{2} \int_\Omega |f(x) - g(x)| dx$（即总变差距离）。
  • $I=0$ 表示完美平衡。
  • $I=1$ 表示供需在空间上完全分离。
  • 该指标量化了供需错配的幅度，而非具体的空间位置。
• 目标函数： 最小化再平衡总距离，即计算 Wasserstein-1 距离（Earth Mover's Distance, EMD），记为 $W_1(f, g)$。

2.2 模型推导

论文分别推导了两种度量标准下的模型：

A. 曼哈顿度量 (Manhattan Metric, $L_1$)

• 适用场景： 网格状道路网络（如纽约、芝加哥）。
• 推导逻辑：
  1. 利用 Beckmann 流公式将问题转化为连续向量流场的最小化问题。
  2. 轴分解近似： 将二维问题分解为东西向（x 轴）和南北向（y 轴）两个独立的一维问题。总成本近似为两个方向成本之和。
  3. 通过一维积分推导，证明单轴成本与失衡指数 $I$ 和该轴长度成正比。
• 最终公式：
  $$W_1^M \approx C_M \cdot I \cdot \sqrt{R} \cdot g_M(\kappa)$$
  其中 $g_M(\kappa) = \frac{\kappa + 1}{\sqrt{\kappa}}$ 是形状因子，$C_M$ 是校准常数。

B. 欧几里得度量 (Euclidean Metric, $L_2$)

• 适用场景： 自由移动（如无人机、理论下界）或作为曼哈顿距离的理论参考。
• 推导逻辑：
  1. 利用傅里叶模态分析（Fourier mode analysis），将失衡场分解为主要的东西向和南北向模态。
  2. 证明主要模态的成本贡献同样与 $I \cdot (L+W)$ 成正比。
• 最终公式：
  $$W_1^E \approx C_E \cdot I \cdot \sqrt{R} \cdot g_M(\kappa)$$
  形状因子 $g_M(\kappa)$ 与曼哈顿模型相同，仅校准常数 $C_E$ 不同。

C. 统一模型与理论界限

• 统一形式： 总再平衡里程 $E[VKT] \approx C \cdot I \cdot (\lambda h) \cdot R^{3/2} \cdot g_M(\kappa)$。
  • 揭示了 $R^{3/2}$ 的缩放规律：面积增加导致车辆数量增加（$\propto R$）且平均移动距离增加（$\propto \sqrt{R}$）。
  • 证明了正方形区域（$\kappa=1$）能最小化再平衡成本。
• 理论界限： 证明了 $W_1 \le I \cdot \sqrt{R} \cdot g_M(\kappa)$，即模型给出的近似值在理论上限之内。

---

3. 关键贡献 (Key Contributions)

1. 引入结构化失衡指数： 首次将总变差距离（Total Variation Distance）作为核心标量指标，用于量化共享出行中的系统性供需错配，填补了现有随机匹配理论无法处理结构性失衡的空白。
2. 统一的闭式近似模型： 推导出了适用于矩形区域的曼哈顿和欧几里得度量下的最小再平衡距离公式。模型结构统一，包含面积缩放项（$R^{3/2}$）、失衡指数（$I$）和形状因子（$g_M(\kappa)$）。
3. 严格的理论界限： 证明了最小再平衡距离的上界，为近似模型的准确性提供了理论保障。
4. 多尺度验证：
   • 数值实验： 针对 500 组随机生成的供需分布（涵盖不同面积、长宽比和分布类型），与精确 LP 解进行对比。
   • 实证案例： 使用 2026 年 1 月纽约市（NYC）网约车（FHV）数据，覆盖 263 个交通分析区，验证了模型在真实路网约束下的泛化能力。

---

4. 研究结果 (Results)

4.1 数值校准与精度

• 校准常数：
  • 曼哈顿模型校准常数 $\hat{C}_M \approx 0.1440$。
  • 欧几里得模型校准常数 $\hat{C}_E \approx 0.1189$。
  • 两者比值 $\hat{C}_E / \hat{C}_M \approx 0.825$，与理论预测的 $\pi/4 \approx 0.785$ 非常接近。
• 预测精度：
  • 曼哈顿模型在 500 个测试实例上的平均绝对百分比误差（MAPE）为 18.9%。
  • 欧几里得模型 MAPE 为 25.2%（略高，因傅里叶近似引入了额外误差）。
  • 模型在 $R^{3/2}$ 缩放律上的拟合度极高（$R^2 > 0.89$），验证了面积缩放指数的理论预测（误差<2%）。
• 鲁棒性： 模型在不同需求分布（均匀、聚类、方向性不对称）下均表现稳健，尽管校准常数 $C$ 会随需求的空间聚集程度变化（例如，方向性不对称需求导致 $C$ 增大）。

4.2 纽约市案例研究 (NYC Case Study)

• 场景设置： 对比了“全纽约五区”和“曼哈顿岛”两个场景。
• 发现：
  • 面积缩放效应： 纽约全区的再平衡里程约为曼哈顿岛的 3.3 倍，与 $\sqrt{R}$ 的缩放比例（约 3.0 倍）高度一致。
  • 校准常数差异： 真实数据的校准常数（$\approx 0.08 - 0.11$）低于合成数据（$0.144$），这是因为真实需求具有空间相关性（如通勤走廊），导致局部供需抵消更多，降低了有效再平衡距离。
  • 预测表现：
    • 全纽约场景：验证集 MAPE 为 13.8%。
    • 曼哈顿场景：验证集 MAPE 为 30.2%（曼哈顿长条形几何和极端天气/节假日导致的结构性偏差增加了预测难度）。
  • 理论最小值： 计算得出，仅为了恢复平衡，纽约市每日需空驶约 23.8 万公里，31 天累计约 738 万公里。

---

5. 意义与应用 (Significance & Implications)

1. 无求解器的决策工具： 为运营商和系统设计师提供了一种无需运行复杂优化算法即可快速估算再平衡成本的“基准工具”（Benchmarking tool）。
2. 运营策略优化：
   • 区域划分： 模型表明将大区域划分为小区域（Sub-regions）可显著降低 $R$，从而降低 $R^{3/2}$ 带来的成本。且对于各向同性需求，正方形区域是最优划分形状。
   • 频率调整： 可帮助确定最优的再平衡频率 $h$，平衡再平衡成本与供需失衡带来的服务损失。
   • 激励政策评估： 量化了减少失衡指数 $I$（例如通过动态定价引导用户）对降低总空驶里程的线性影响。
3. 跨领域应用： 该逻辑不仅适用于共享出行，还可推广至库存重定位、人道主义救援物资分发、仓库机器人调度等任何涉及空间失衡修正的系统。
4. 局限性说明： 模型假设区域为矩形，且校准常数 $C$ 需针对特定需求模式进行经验校准。未来工作可探索非规则多边形区域及考虑规模经济（如使用卡车进行批量调度）的成本结构。

总结：
该论文成功地将复杂的共享出行再平衡问题转化为一个简洁的解析公式，揭示了区域面积、形状和供需失衡程度对再平衡成本的定量影响规律。这不仅填补了理论空白，更为城市交通规划者提供了极具实用价值的规划与评估工具。