车路云一体化（VRC）赋能下机场陆侧出租车调度仿真优化方法研究

《Green Energy and Intelligent Transportation》：VRC-Enabled Simulation-Optimization Approach for Airport Landside Traffic Scheduling under Connected Vehicle Systems

　　

专业术语翻译（论文摘要） 提出了一种车路云一体化（Vehicle-Road-Cloud, VRC）赋能下机场出租车调度的仿真优化框架。建立了一个数据驱动的驾驶员决策模型，该模型在流量与状态之间引入负反馈机制。设计了一种三层匹配与动态积分机制，以兼顾公平性与运行效率。提出了一种大语言模型（Large Language Model, LLM）引导的粒子群优化（Particle Swarm Optimization, PSO）算法，用于跨时间尺度的高维参数联合优化。基于真实数据的仿真结果表明，所提方法实现了30.1%的吞吐量提升以及20.7%的基尼系数（Gini coefficient）下降。

论文解读文章

一、研究背景与问题

航空运输需求的持续增长对机场陆侧交通系统构成了严峻挑战。在碳达峰、碳中和目标与智能交通发展的背景下，出租车作为连接机场与城市腹地的核心交通方式，亟需绿色化与智能化转型。机场出租车运营与普通城市巡游出租车存在显著差异，其空间封闭性与到达周期性使得供需匹配呈现高度时空动态性。机场出租车调度包含三个相互耦合的子过程：驾驶员到达后的排队决策、出发层的实时车客匹配，以及驾驶员群体间的长期收益均衡。这三个过程形成闭环：队列长度影响放行节奏，匹配效率决定队列吸收能力，收益分配通过驾驶员进入意愿反馈至车辆供给。然而，闭环运行需要实时全局信息，传统管理范式因多系统间的信息孤岛与传输延迟而无法提供此条件。车路云一体化架构通过路侧感知、车路通信（V2I）与云计算，将多源异构数据整合为全局状态视图，为系统级闭环控制提供了信息基础。

尽管信息基础已具备，现有方法仍存在三大根本性困难。第一，动态耦合与反馈缺失：排队模型将服务率视为常数、驾驶员进入视为固定概率，而现实中驾驶员进入取决于等待时间与预期收益，匹配效率决定队列吸收，独立优化易引发振荡。第二，非平稳客流下的自适应补偿：效率导向的匹配惩罚短途驾驶员，而固定参数补偿无法适应动态客流漂移，同时在补偿设计中保持先入先出（FIFO）顺序具有挑战性。第三，跨时间尺度联合优化：匹配参数（分钟/小时级）与积分参数（日/周级）需要全年仿真进行统一优化，而高维参数空间存在大量适应度变化低于1%的平坦区域，启发式算法易陷入局部最优。

二、研究内容与主要结论

针对上述挑战，研究人员在车路云一体化架构下提出了一种融合动态积分与大语言模型引导粒子群优化的机场出租车车队调度方法。研究基于长春龙嘉国际机场2022至2024年间13,494条真实航班到达记录，完成了客流到达分布特征刻画、时间结构与排队动力学分析、收益结构参数标定等仿真环境参数校准工作。研究得出以下主要结论：所提方法实现了30.1%的吞吐量提升与20.7%的基尼系数下降；大语言模型引导使粒子群优化收敛速度提升约2.8倍；驾驶员决策机制模型相比固定概率基线获得4.9%的性能提升。该研究发表在《Green Energy and Intelligent Transportation》期刊。

三、关键技术方法

研究人员采用了以下几项核心技术方法。其一，建立了数据驱动的驾驶员进入/空返决策机制模型，以时间可行性约束与双策略成本收益分解形式化驾驶员决策，在车路云信息支持下构建到达流量与队列长度间的负反馈回路。其二，设计了动态短途补偿积分（Short-trip Compensation Points, SCP）机制，以每日收益中位数为自适应阈值，通过基于积分的虚拟队列前进机制在保持FIFO物理顺序的同时实现收益再分配。其三，提出了三层递进匹配策略，将出发层8个上客泊位划分为快速通道区、辅助通道区与标准通道区，按乘客需求特征分流至对应专用通道。其四，构建了大语言模型引导的粒子群优化（LLM-guided PSO）算法，通过偏置初始化、收敛状态评估与差异化重启三阶段引导实现跨时间尺度高维参数联合优化。仿真数据来源为长春龙嘉国际机场真实航班运行记录。

四、研究结果

RQ1：匹配策略的效率提升

实验对比了所提方法（三层匹配+完整积分机制，经LLM-PSO优化）与传统随机匹配及无积分三层匹配。结果表明，三层匹配将高峰小时吞吐量从36.2±1.8提升至47.1±1.2辆/小时，提升幅度达30.1%。其物理机制在于单泊位占用时间减少约40%，释放的能力转化为高峰吞吐储备。效率增益高度集中于14:00–17:00高峰时段。值得注意的是，无积分机制的三层匹配综合得分反而低于传统随机匹配，实证确立了匹配优化与积分补偿协同的必要性。

RQ2：积分机制的公平性效应与组件消融

通过积分组件消融、匹配层级消融与交叉贡献析因消融三个层次的实验量化各组件贡献。积分组件消融显示，移除绿色能源积分（GRP）与高峰清运积分（PCP）均未造成实质性性能下降，而SCP实现了最大的基尼系数降幅，从0.1873降至0.1486，相对降低20.7%。匹配层级消融显示，辅助通道贡献了+17.4%的效率增益，快速通道进一步贡献+10.8%。交叉贡献析因消融揭示了匹配与SCP之间存在显著的超加性协同效应：联合优化的综合得分超过各独立贡献的线性之和，其物理机制在于高效匹配处理更多低收益行程，为SCP创造更多补偿触发场景，而SCP通过虚拟前进稳定短途驾驶员的排队意愿，形成正向闭环耦合。

RQ3：搜索效率对比与最优参数结构

在600次评估的统一预算下对比了五种搜索策略。LLM引导的PSO仅需61次评估即达到目标得分，相比标准PSO的168次实现2.8倍加速，相比MSO的104次实现1.7倍加速，相比ABC的334次实现5.5倍加速。遗传算法（GA）在600次评估内未能达到阈值。在最终解质量上，LLM引导的PSO优于标准PSO 1.9%、优于GA 2.6%，且运行间标准差最小。接口消融实验显示，初始化引导单独贡献1.40倍加速，叠加方向引导达到2.05倍，完整三阶段达到2.75倍。收敛最优参数呈现"慢放行+强补偿"特征。

RQ4：参数敏感性与鲁棒性

通过二维网格扫描与一维灵敏度扫描评估参数敏感性。二维灵敏度热力图显示，最优性能区域集中于带状空间，补偿强度位于[18,28]区间，覆盖搜索空间约25%，表明参数具有相当宽容度。六个核心参数的一维灵敏度曲线均呈现宽平坦响应区间，仅在极端边界处出现显著退化。精英粒子的皮尔逊相关矩阵呈现两个聚类结构：第一聚类（SCP强度、衰减率、放行间隔）反映公平优先的调控策略，第二聚类（三层匹配权重、批量规模）反映效率优先的调度策略，平均绝对相关系数约0.30，表明存在适度结构化关联而无高共线性。

RQ5：驾驶员决策机制的贡献验证

对比了四种进入决策模型（机制模型、固定概率、随机、全进入）。机制模型相比固定概率基线获得4.9%的性能提升，增益源于对系统状态的自适应响应能力而非平均进入率的差异。

五、讨论与结论

研究讨论部分指出，效率导向的匹配策略不可避免地加剧驾驶员群体内的收益差距，而动态积分机制通过虚拟积分实现跨周期收益再分配，在不破坏蓄车场FIFO物理排队顺序的前提下缓解了这一矛盾。三层匹配与SCP积分之间存在显著的正向交互效应，联合优化实现了帕累托改进。大语言模型引导的粒子群优化通过注入预训练中积累的交通调度领域知识，在零样本阶段收缩初始搜索空间，解决了代理模型在早期样本稀疏时预测精度受限的问题。研究结论表明，所提出的车路云一体化赋能仿真优化框架能够有效提升机场陆侧出租车调度的效率、公平性与稳定性，为智能交通环境下的机场地面交通管理提供了可行的技术路径。