旅游巴士路线优化对城市道路网络的宏观影响：基于微观仿真的跨尺度时空分析

《Transportation Engineering》：Macroscopic impacts of optimised tourist bus routes on urban road networks: a spatiotemporal analysis

　　

城市旅游业的快速增长已成为全球城市经济发展的关键驱动力。在这一生态系统中，城市旅游巴士作为旅游交通的重要方式，高效地将游客连接至分散的兴趣点（Points of Interest，POIs）。然而，巴士车队的无序扩张给城市道路网络带来了前所未有的压力。旅游巴士以其较大的物理尺寸、较低的行车速度以及独特的运营行为（如在人口密集的商业区频繁靠路边停靠以便乘客上下车）为特征，产生了显著的负外部性。它们在引发局部拥堵的同时降低了整体网络容量，从而干扰了居民的背景交通流。

为缓解这些交通挑战，近年来的研究大量集中于开发先进的旅游路线算法。传统的城市旅游运营主要依赖静态的离线调度范式。这些方法论途径涵盖从精确求解器（Exact Solvers）到元启发式算法（Metaheuristics），在本研究的语境中，后者代表了传统优化方法的最高级形式，即在路线优化过程中不纳入实时交通信息。这些方法的主要目标是支持多目标优化，在平衡旅行时间和运营成本的同时提升游客的个性化体验。与此相对，人工智能（Artificial Intelligence，AI）框架的出现代表了向互联、响应式交通系统的转型。基于深度强化学习（Deep Reinforcement Learning，DRL）的AI框架通过持续利用实时网络状态，在生成动态和自适应路线方案方面相比传统调度方法展现出令人瞩目的性能。

尽管当前算法在车辆层面表现优异，能够为单个车辆或特定旅游巴士队列确定最优轨迹，但在网络层面却暴露出一个关键脆弱性。大多数当代路线模型基于交通网络是静态的或具有无限容量的简化假设来定义其目标函数。因此，它们常常忽视旅游巴士与周围车辆之间的动态物理交互。现有文献中的空白在于缺乏对多辆大型旅游巴士同时执行由以车辆为中心的路由算法生成的"最优"路线时所引发网络范围效应的研究。这些算法固有的将交通集中到特定风景路线或热门POI的趋势，带来了产生瓶颈效应的严重风险，可能加剧城市整体拥堵。因此，仅仅依据路线系统内部、以车辆为中心的目标函数来评估其有效性，最佳方式是通过微观交通仿真框架来量化网络范围的外部性。

本文通过开发一个集成评估框架来填补这一尚未探索的空白，该框架通过实时微观仿真将多范式路线行程明确地与宏观网络性能联系起来，专门针对城市旅游巴士。至关重要的是，本研究的主要目标并不仅仅是比较不同算法的计算搜索效率，而是系统地评估两种截然不同的运营范式：离线静态规划与实时动态自适应。通过有意地将静态元启发式基线方法与动态AI方法进行对比，本研究旨在量化实时信息在缓解旅游引发的瓶颈方面的系统价值。关键是，本研究回应了"路由悖论"（Routing Paradox）现象，即为个体车辆效用而优化的路由算法在集体执行时反而无意中降低了宏观网络容量。本文并非提出一种新颖的路由模型或优化方法，而是实施代表性算法来生成数据集，并随后通过交通控制接口（Traffic Control Interface，TraCI）将其操作化，以捕捉涌现的物理交互。

本文的主要贡献有三方面，将关注点从以车辆为中心的算法设计转向系统性的网络范围评估：（1）城市旅游中"路由悖论"的实证证明：该研究提供了定量证据，表明静态优化的行程虽然在孤立模型中对个体车辆而言是数学最优的，但当应用于受限物理网络中的大容量车队时，会引发严重的局部溢出和非线性吞吐量退化。（2）集成跨尺度评估框架：为弥合传统旅游行程设计问题（Tourist Trip Design Problem，TTDP）求解器与交通物理之间的鸿沟，本研究开发了一个框架，明确将离散路由决策（微观行为）与涌现的容量变化（宏观性能）联系起来。这使得对标准运筹学中通常被忽视的算法外部性进行物理量化成为可能。（3）实时自适应性的定量评估：通过严格的多尺度基准测试，该研究表明动态路由（以Double DQN为代表）是一种有效的运营机制。实时自适应策略不仅提高了计算搜索效率，更有助于在近临界需求条件下保持宏观容量（维持宏观基本图MFD流量）并缓解局部环境外部性（CO₂热点）。

**论文解读**

**一、研究背景与问题提出**

城市旅游业的快速增长使其成为全球城市经济发展的关键驱动力。在这一生态系统中，城市旅游巴士作为连接游客与分散的兴趣点（Points of Interest，POIs）的重要交通方式，发挥着不可替代的作用。然而，旅游巴士车队规模的持续扩张给城市道路网络带来了巨大压力。旅游巴士具有车身尺寸大、运行速度低、在商业密集区频繁靠路边停靠上下客等独特的运营特征，这些特征在引发局部拥堵的同时，降低了道路网络的整体容量，严重干扰了城市居民的日常交通流。

为应对上述挑战，学术界近年来致力于开发先进的旅游路线算法。传统方法主要依赖静态离线调度范式，从精确求解器到元启发式算法（Metaheuristics），均以支持多目标优化为核心目标，在旅行时间、运营成本与游客体验之间寻求平衡。人工智能（Artificial Intelligence，AI）框架特别是深度强化学习（Deep Reinforcement Learning，DRL）的出现，标志着向互联响应式交通系统的转型，能够持续利用实时网络状态生成动态自适应的路线方案。

然而，现有算法虽然在车辆层面表现出色，却存在一个关键的网络层面脆弱性：大多数当代路线模型的目标函数基于交通网络静态化或无限容量的简化假设，忽略了旅游巴士与周围车辆之间的动态物理交互。现有研究的空白在于缺乏对多辆大型旅游巴士同时执行"最优"路线时所引发网络范围效应的探讨。以车辆为中心的路由算法倾向于将交通集中到特定风景路线或热门POI，由此产生的瓶颈效应可能加剧城市整体拥堵，这一现象被概括为"路由悖论"（Routing Paradox）。因此，亟需构建一个能够量化算法外部性的跨尺度评估框架。

本研究正是针对上述空白展开，核心目的并非简单比较不同算法的计算搜索效率，而是系统评估两种截然不同的运营范式——离线静态规划与实时动态自适应——对宏观网络性能的影响。研究人员通过有意对比静态元启发式基线方法与动态AI方法，量化实时信息在缓解旅游交通瓶颈方面的系统价值。

**二、关键技术方法**

本研究构建了一个基于微观仿真的集成评估框架，包含三个核心模块。（1）城市网络与需求建模：利用OSMnx和NetworkX从OpenStreetMap提取越南芽庄（Nha Trang）的真实路网拓扑数据（共7,028个节点、17,468条边、308个经验证的POI），背景交通采用非齐次泊松过程生成，OD矩阵基于土地利用权重因子合成，使宏观需求在高峰时段达到路网容量的85%–90%；旅游巴士建模为重载车辆，设定了特定的运动学参数（车长12.0 m、最高速度85 km/h、加速度1.2 m/s²）及300秒的强制停靠时间（dwell time），该参数基于芽庄主要POI的实地调查数据。（2）多范式路线生成：涵盖固定路线（最近邻启发式）、遗传算法（Genetic Algorithm，GA）离线全局优化和Double DQN在线自适应决策三种路由范式，三者共用相同的POI候选池、效用评分及时间预算约束（T_max = 14,400 s）。（3）微观仿真执行与多尺度评估：通过交通控制接口（TraCI API）在SUMO平台（v1.18.0）中动态注入路线，车辆行为采用Krauss跟驰模型和LC2013换道模型，排放计算使用集成的HBEFA3微观排放模型，以300秒时间窗口和网络范围空间范围提取宏观基本图（Macroscopic Fundamental Diagram，MFD）状态。

**三、研究结果**

**3.1 微观网络摩擦：时间损失与队列溢出**

研究发现，在路网以85%–90%容量运行的近临界条件下，引入重载旅游巴士车队引发了显著的时空扰动。在平均时间损失（Average Time Loss）方面，固定路线策略在车队规模超过N = 30后呈现急剧的非线性退化，伴随大规模的上限方差，表明不可预测的级联队列溢出。GA通过离线全局分散路线提供了适度改善，但其确定性执行使其在面对动态瓶颈时依然脆弱，最终导致严重延误。相比之下，Double DQN智能体利用TraCI API实时观测网络状态，持续将车辆重新路由至非拥堵路段，在N = 50时将平均时间损失相较于基线降低超过60%。在空间-时间队列动态方面，研究人员聚焦于芽庄中央商务区沿海主干道与密集商业网格交汇的关键交叉口瓶颈进行分析：固定路线策略因所有巴士遵循同一条预定义路线及300秒的强制路边停靠，迅速产生持续性队列溢出，队列长度超过500米且无明显消散迹象；GA通过将巴士分配至多条预定义静态路线来减少路线重叠，队列长度稳定在约350米，但呈现锯齿状平台特征，反映局部信号周期失效及缓慢的恢复过程；Double DQN智能体通过连续状态观测机制实时检测队列形成并自适应调整路线决策，有效限制了队列传播。

**3.2 宏观容量退化：吞吐量与MFD偏移**

微观摩擦和局部溢出不可避免地成为系统范围容量退化的催化剂。在网络吞吐量方面，将未受干扰的基线网络（约完成50,000次出行）与各路由策略进行对比：固定路线策略在N = 50极端饱和条件下引发高达71.04% ± 3.63%的吞吐量损失；GA部分缓解了退化，但最终仍导致37.07% ± 3.24%的容量损失；Double DQN智能体通过动态处理网络状态并执行实时绕行，将退化限制在24.15% ± 2.29%。经双样本t检验，GA与Double DQN之间12.92%的绝对吞吐量保持差异具有高度统计显著性（p < 0.01）。在MFD偏移方面，固定路线策略引发严重的MFD曲线向下和向左偏移，表现为局部溢出使下游路段"饥饿"而导致的容量急剧下降；GA虽部分维持了峰值流量，但缺乏实时自适应性最终使系统进入拥堵状态；Double DQN策略通过基于实时观测持续平衡空间负荷，使MFD轨迹更接近基线，延长了自由流状态并维持了显著更高的运行流量。

**3.3 环境外部性：车辆排放**

不协调的旅游巴士车队引发的级联式走-停交通波产生了可测量的环境外部性。研究人员利用SUMO集成的排放模型对CO₂进行了全仿真时段（7,200秒）的时空分布追踪。固定路线策略下，巴士集中在同一条预定义路线并在沿海瓶颈处陷入持续拥堵，在300秒时间聚合窗口内累积空间排放超过250 kg的热点阈值；GA通过将巴士分配至多条离线生成的静态路线来减少路线重叠，虽然避免了单一大规模沿海拥堵，但盲目执行导致拥堵扩散至背景交通，在仿真后期（t = 120分钟）产生了多个分散的严重排放热点；Double DQN智能体在承认300秒强制停靠时间所导致的必然局部排放核心的同时，通过持续处理实时网络状态并在线自适应路线决策，使个体巴士能够绕过饱和路段，有效控制了拥堵的空间范围，减少了交通相关CO₂排放热点的空间扩散。

**3.4 综合时空综合分析**

研究人员构建了交叉对照微观摩擦指标（平均时间损失和最大队列长度）与宏观瞬时流量的时空矩阵。分析表明，固定路线策略在N = 30时即触发向超临界状态的过早转变，表现为高峰需求时段（t = 90分钟）流量崩溃和延误飙升；GA虽通过离线优化路线提供了适度缓冲，但在N = 40时最终被随机扰动击穿，无法消散持续性拥堵；Double DQN智能体通过TraCI动态处理实时状态观测，即使在最严峻的N = 50车队规模下仍有效抑制了队列溢出的传播，经双样本t检验（p < 0.01），其实现的容量保持具有统计显著性。

**四、讨论与结论**

在讨论部分，研究人员指出，研究结果揭示了以车辆为中心的旅游路线模型在动态物理网络中的脆弱性，而Double DQN智能体的网络级表现则体现了从离线规划到动态状态空间导航的运营转型。这种比较中固有的信息不对称——静态求解器与实时智能体之间的差异——是审慎的方法论选择，反映了实际运营中离线规划与自适应路由的现实区别。动态路由策略并非仅仅优化单条路线，而是与更稳定的MFD运行条件和降低的CO₂排放热点空间集中度相关联。

在实际部署方面，研究人员讨论了若干关键条件：必须平衡交通效率与游客体验，引入"软时间窗"并与旅游运营商协调；可能需要集中式车队调度器来协调分配；需要地方交通管理部门的参与，将此框架作为战略决策支持工具；以及与智能城市基础设施（如自适应信号控制系统SCATS或SCOOT）的集成，实现动态公交信号优先（Transit Signal Priority，TSP）。

在方法局限性方面，研究人员承认当前框架虽然利用从研究区域收集的经验微观数据（交叉口信号配时、旅游巴士停靠时间）进行了校准，但缺乏针对现实世界宏观交通统计数据的交叉验证；OD需求矩阵基于土地利用权重合成；标准车道跟驰模型简化了摩托车复杂动态，未能完全捕捉东南亚发展中国家的混合交通特征；此外，不同路由范式自主选择的POI子集差异可能引入空间混杂效应。

研究结论如下：本研究表明，在所考虑的模拟近容量条件下，静态旅游巴士路由虽然在数学上对孤立车辆是最优的，但与严重的宏观容量退化相关——在多个随机种子平均下，该刚性方法在高峰饱和状态下引发了高达71%（± 3.63%）的吞吐量损失。反之，Double DQN智能体通过利用实时网络状态，有助于保持网络容量，将吞吐量退化限制在24%（± 2.29%），并通过动态实时重新分配空间负荷来最小化环境外部性。统计显著性检验表明这些性能改善具有稳健性（p < 0.01），并非初始条件的虚假产物。然而，当前框架虽然作为受控压力测试在微观层面利用经验数据进行了本地校准，但根本上缺乏针对现实世界宏观交通统计数据的交叉验证，依赖于标准车道跟驰模型而忽略了非车道摩托车动态，并采用了去中心化的"自私路由"假设加上固定时间信号控制。为弥合仿真到现实的差距，未来研究应针对经验交通数据验证模拟的宏观退化并纳入混合交通摩托车行为；进一步探索对称算法比较（如为元启发式方法配备动态重调度能力），以在同等实时信息条件下分离算法搜索效率的贡献；此外，将架构扩展至多智能体强化学习（Multi-Agent Reinforcement Learning，MARL）并集成智能自适应信号控制，可实现协作车队协调与现代城市基础设施的联合优化。