机器学习分析揭示谁将从受保护的自行车道中受益

Josiah02

多伦多大学工程系研究人员的一项新分析利用机器学习来帮助回答一个棘手的问题：应该在哪里设置新的受保护的自行车道才能发挥最大的效益？
“目前，一些人可以很好地使用受保护的自行车基础设施：他们可以骑自行车去上班、去杂货店或去娱乐场所，”土木与矿物工程系博士后研究员、 《交通地理学杂志》上发表的一篇新论文的主要作者玛德琳·邦斯玛·费舍尔 (Madeleine Bonsma-Fisher) 说。
“更多的车道可以增加他们可以到达的目的地的数量，之前的研究表明，这将增加骑自行车的次数。
“然而，许多人几乎或根本无法使用受保护的自行车基础设施，这限制了他们出行的能力。这就提出了一个问题：是最大化连接目的地和潜在出行的数量更好，还是专注于最大化能够从网络访问中受益的人数更重要？”
Bonsma-Fisher 和她的团队（包括她的联合导师 Shoshanna Saxe 教授和 Timothy Chan 教授以及博士生 Bo Lin）使用机器学习和优化来帮助做出此类决策。这是一项需要新计算方法的挑战。
“这种优化问题就是所谓的 NP 难题，这意味着解决该问题所需的计算能力会随着网络规模的扩大而迅速扩大，”Saxe 说。
“如果你在多伦多这样规模的城市使用传统的优化算法，一切都会崩溃。但博士生 Bo Lin 发明了一种非常酷的机器学习模型，它可以考虑 1,000 多个不同基础设施项目的数百万种组合，以测试哪些地方最适合建造新的自行车基础设施。”
研究团队以多伦多作为北美任何大型以汽车为导向城市的代表，绘制了未来主要街道自行车道网络地图，并根据两大类策略进行了优化。
第一种方法，他们称之为功利主义方法，侧重于最大限度地增加在 30 分钟内仅使用有受保护的自行车道的路线进行的出行次数，而不考虑这些出行的乘客是谁。
第二种，他们称之为基于公平的，旨在最大限度地增加至少与网络有某种联系的人数。
Bonsma-Fisher 说：“如果你优化公平性，你会得到一个更加分散、市中心区域不那么集中的地图。”
“你确实可以骑自行车到达城市中更多的地方，但总体而言，平均可达性的提高会稍微小一些。”
萨克斯说：“这其中存在着一种权衡。”
“这种权衡是暂时的，假设我们最终将拥有覆盖全市的完整自行车网络，但它对于我们目前的工作方式而言很有意义，而且考虑到建设自行车基础设施所面临的持续挑战，这种权衡可能会持续很长时间。”
另一个重要发现是，无论采取何种策略，有些路线似乎是必不可少的。
“例如，布鲁尔西街 (Bloor West) 的自行车道在所有场景中都会出现，”萨克斯说。
“这些自行车道甚至让不住在附近的人受益，是最大程度提高自行车网络公平性和效用的关键。它们的影响在各个模型中是如此一致，以至于挑战了自行车道是地方问题、只影响附近居民的想法。在我们的模型中，优化的基础设施反复为相当远的社区提供服务。
该团队已与多伦多的城市规划人员分享数据，以帮助制定有关基础设施投资的持续决策。未来，该团队希望将他们的分析应用到其他城市。
Bonsma-Fisher 说：“无论你当地存在什么问题，或者你最终做出什么选择，真正重要的是要清楚了解你的目标并检查你是否实现了这些目标。”
“这种分析可以提供一种基于证据、数据驱动的方法来回答这些棘手的问题。”