区分可靠性后，移动随需应变服务能否做得更好

在第一步中，我们使用一周的需求数据运行模拟。我们跟踪每个O节点上服务于行程请求的车辆，并记录平均等待时间。通过计算每辆车的比例，我们求助于基于枚举的优化，因为由于平均取车延迟表达式中的复杂积分，选择概率的导数在分析上是可处理的。平均等待时间值，我们得到了每个O节点平均等待时间的概率质量函数。概率质量函数反映了在网络上拥有车辆的可能性，该车辆可以在每个O节点上以一定的平均等待时间满足需求。在第二步中，以平均等待时间（即皮卡车的位置）为条件，我们生成等待时间分布，并找到最佳等待时间百分比，以便在每个O节点为乘客显示，从而最大化选择常规MoD服务的条件概率。然后，我们计算乘客在每个O节点选择常规MoD服务的期望概率，其中期望值取步骤1中获得的概率质量函数的平均等待时间。下面提供了这些步骤的详细信息。步骤1：我们在2013年5月的第一周运行MoD service simulator fortaxi demand。在这个模拟中，我们首先预测每个乘客选择常规MoD服务的概率，考虑平均等待时间作为显示的等待时间，并假设没有取车延迟。然后，我们从一个遵循0到1之间均匀分布的随机变量中提取adraw。

如果generatedrandom数低于其预测概率，则乘客选择常规MoD服务。如果乘客最终选择常规MoDservice，则乘客将在模拟器内服务；否则，无需采取进一步行动。在一周的时间内，考虑节点i上的triprequests由具有一组平均等待时间t的车辆提供服务∈ Ti。通过计算每个平均等待时间值t的比例，我们得到概率质量fi（t）。第2步：对于每个平均等待时间t，可通过列举等待时间分布中的候选百分比，并找出最大值Pi，t，*MoD=最大DW∈WPi，tMoD（dw）（1），其中W是要显示的一组候选等待时间，Pi，tMoD（dw）是给定平均等待时间t的demandat节点i选择常规MoD服务的预测概率∈ tian和显示的等待时间dw。我们正在做一个隐含的假设，即概率质量FID不会随显示的等待时间而变化。给定平均等待时间的概率质量函数fi，我们可以计算在最佳显示策略下，乘客在节点i选择常规MoD服务的预期概率Ei：Ei=Xt∈畅通节能法（t）·Pi，t，*MoD（2）MoD的预期跳闸接受率通过取节点间EI的加权平均值获得，其中节点i的权重是该节点的需求。我们考虑为常规的MoD服务提供1500辆固定的单乘车辆，并使用最先进的MoD模拟器【10】为乘客分配车辆。当出租车需求由如此规模的航班服务时，乘客的平均等待时间在1-2分钟[10]的范围内，我们将可靠服务的等待时间设置为2分钟。

对于每个请求，σ从预先定义的范围中随机选择，并用于生成等待时间分布。然后，我们在等待时间分布中以1%的步长计算[20，80]范围内的百分比。为了捕捉等待时间不确定性程度的影响，我们在三个不同σ范围内进行实验：[0.1，1.0]，[0.4，1.0]和[0.8，1.0]分钟。我们报告了整个需求的最佳百分位数的平均值。当i）等待时间分布的最佳百分位数和ii）等待时间的预期值显示给乘客时，我们还计算常规MoD服务的行程接受率。结果汇总在表4中。与图1类似，最优等待时间百分比随着分布方差的增加而增加，以规避迟到的高风险。通过优化显示的等待时间信息，常规的MoD服务可以获得额外的9.9%到11.7%的行程接受率，即每月增加约1207665到1421247次行程。表4：性能指标比较STD。偏差（σ）行程接受率使用EWTbTrip接受率使用最优DWTCREADESS inTrip接受率最优等待时间百分比[0.1，1.0]0.338 0.437 0.099 0.258[0.4，1.0]0.334 0.451 0.117 0.288[0.8，1.0]0.328 0.441 0.113 0.391bEWT：预期等待时间；cDWT：显示等待时间4结论我们提供了一个整合需求方和供应方的框架，以了解MoDservices环境下提货时间可靠性的影响。在需求方面，我们估计了英国国防部服务接送延误对乘客选择这些服务的可能性的影响。在供应方面，我们将需求侧估计纳入基于微观模拟的优化中，以确定MoD服务应显示的最佳等待时间，以吸引更多乘客。

在数值实验中，我们表明，通过显示适当的等待时间信息，MoDservice可以获得大约10%的额外行程接受率。然而，这项研究依赖于一个简单的实验设计和对等待时间分布的各种假设。因此，出现了两个关键的研究途径。首先，可以设计一系列更全面的离散选择实验来解释显示的信息对乘客在当前行程和未来行程中使用MoD服务的偏好的影响。第二，未来与跨国公司合作的研究可以通过用等待时间的重新分配来校准所提出的优化方法，从而有助于为这项研究增加更多的现实性。参考文献【1】Bruce Schaller。新汽车：Lyft、优步和美国城市的未来。SchallerConsulting，2018年。[2] 里贾娜·克鲁洛和古里·尚卡尔·米什拉。破坏性运输：美国打车的采用、利用和影响。加利福尼亚大学戴维斯分校交通研究所，加利福尼亚州戴维斯市，研究报告UCD-ITS-RR-17072017。[3] Farzad Alemi、Giovanni Circella、SusanHandy和Patricia Mokhtarian。对旅行者使用优步有什么影响？探索影响加利福尼亚州采用按需乘车服务的因素。《旅游行为与社会》，13:88–104，2018年。[4] 乔杜里（Choudhury）、朗扬（Lang Yang）、乔·奥德·阿布雷乌（Joaode Abreu e Silva）和本·阿基瓦（Moshe Ben Akiva）的魅力。智能模式和服务的建模偏好：里斯本案例研究。运输研究A部分：政策与实践，2018年115:15–31。[5] 亚历山德拉·科宁（Alexandra K¨onig）、塔比亚·邦斯（Tabea Bonus）和扬·格里彭科文（Jan Grippenkoven）。运用联合分析法分析城市居民对骑行服务属性的评价。可持续性，10（10）：37112018。[6] Yang Liu、Prateek Bansal、Ricardo Daziano和Samitha Samaranayake。

在按需移动系统设计中集成模式选择的框架。交通研究C部分：新兴技术，2018年。[7] Samitha Samaranayake、Sebastien Blandin和A Bayen。随机网络中可靠路由的一类易于处理的算法。《社会和行为科学百科全书》，17:341–3632011。[8] Michel Gendreau、Ola Jabali和Walter Rei。50周年特邀文章《随机车辆路径的未来研究方向》。《运输科学》，50（4）：1163–1173，2016年。[9] 杨柳、塞巴斯蒂安·布兰丁和萨米莎·马拉纳亚克。公交网络中的随机准时到达问题。运输研究B部分：方法学，119:122–1382019。[10] 哈维尔·阿隆索·莫拉、萨米莎·萨马拉纳亚克、亚历克斯·瓦勒、埃米利奥·弗拉佐利和丹尼尔·罗斯。通过动态出行车辆分配实现按需高容量骑乘共享。《国家科学院学报》，114（3）：462–4672017。[11] 保罗·桑蒂、乔瓦尼·雷斯塔、迈克尔·塞尔、斯坦尼斯拉夫·索波列夫斯基、史蒂文·H·斯特罗加茨和卡洛·拉蒂。量化与可共享性网络共享车辆的好处。《国家科学院学报》，111（37）：13290–132942014。