借力摩拜單車軌跡大數據, 微軟亞洲研究院如何更好規劃自行車道?

AI科技評論按：本文獲微軟研究院AI頭條授權轉載，原標題為《大數據freestyle: 共享單車軌跡數據助力城市合理規劃自行車道》，AI科技評論做了不改動原意的編輯。

近年來，異軍突起的共享單車極大地解決了人們共同麵臨的“最後一公裏”難題，然而，共享單車發展迅猛，自行車道建設卻始終沒有能夠跟上腳步。幸運的是摩拜單車大量的軌跡數據為我們提供了一種新的思路：利用大數據和AI技術，使用一種數據驅動的方式更為合理地規劃自行車道的建設。

在剛剛結束的SIGKDD 2017大會上，微軟亞洲研究院城市計算組發表了一篇名為“Planning Bike Lanes based on Sharing Bikes’ Trajectories”的論文，利用摩拜自行車的軌跡大數據解決如今城市自行車道的規劃問題，最終形成企業、政府和廣大人民群眾的三贏局麵。

論文地址：https://www.microsoft.com/en-us/research/publication/planning-bike-lanes-based-sharing-bikes-trajectories/

城市計算組

城市計算是一個交叉學科，是計算機科學以城市為背景，跟城市規劃、交通、能源、環境、社會學和經濟等學科融合的新興領域。更具體的說，城市計算是一個通過不斷獲取、整合和分析城市中多種異構大數據來解決城市所麵臨的挑戰的過程。城市計算將無處不在的感知技術、高效的數據管理和分析算法，以及新穎的可視化技術相結合，致力於提高人們的生活品質、保護環境和促進城市運轉效率。城市計算幫助我們理解各種城市現象的本質，甚至預測城市的未來。

以下為城市計算組撰寫的詳細介紹：

早在上世紀七八十年代，中國曾被稱為自行車大國。當時，大多數人的出行都依賴於自行車，以至於自行車成為了中國當時結婚所要求的“三大件”之一。隨著經濟的快速增長，越來越多的私家汽車進入了普通民眾的生活，為大眾的出行帶來了極大的便利。但隨之而來的卻是各種城市問題：交通擁堵、空氣汙染等等。

最近一年，共享單車的出現為人們提供了一種便利的自行車共享方式，用戶可以輕鬆地在任何地方使用智能手機來實現自行車的租借服務。於是自行車重返上路，成為城市用戶喜愛的出行方式。以摩拜單車為例，目前它已擁有超過1億注冊用戶，日訂單量約2500萬。與此同時，政府也非常願意在群眾中推廣共享單車的使用。因為共享單車可以降低城市的道路擁堵，減輕空氣汙染，提高公共交通的使用效率，對人們來說也是更加健康的出行方式。

但是，目前的自行車道建設卻沒能跟上共享單車所帶來的新的騎行需求。如果沒有良好的自行車道規劃，很多時候騎行的人們隻能和機動車一起使用機動車道路，這就使人們的騎行體驗大打折扣，並且還可能產生潛在的交通事故。因此，政府希望能夠規劃出更有效的自行車道來提升大眾的騎行體驗。

從城市角度看，自行車道的規劃存在一定的要求和限製: 首先，建設每條專門的自行車道都需要消耗一定的資源，比如政府預算和道路空間等；其次，自行車道作為一種公共資源，政府希望它能夠更好地服務更多的人，並覆蓋更長的個人騎行軌跡；最後，為了施工和管理的便利，政府更希望這些道路的建設能夠在整個路網上連成有限個區域（下圖右圖），而不是在整個城市中分散的分布（下圖左圖）。然而，要同時滿足這些建設限製要求的規劃是一個非常困難的組合優化問題。

幸運的是，摩拜單車的用戶在使用過程中記錄了非常有價值的軌跡信息，真實地反映了人們的騎行需求，使得我們有機會利用大數據和數據挖掘技術更有效、合理地規劃自行車道的建設。

在KDD 2017大會上所發表的“Planning Bike Lanes based on Sharing Bikes’ Trajectories ”論文中，我們提出了一個基於貪心思想的近似解法，來實現自行車道規劃方案的推薦。該算法包括兩個步驟：

基於路網距離的空間聚類；

基於貪心的網絡擴展（Greedy Network Expansion）。

在第一步計算中，我們首先根據用戶在各條道路上的騎行數據選出Top-M 條用戶騎行最頻繁的候選路段，然後利用這些路段之間的距離進行hierarchical spatial clustering （層次空間聚類，每次我們都合並兩個路網距離上最接近的路段聚類，並知道最後的結果隻剩下K個聚類）。最後在每個聚類（cluster）中，我們會選擇騎行最頻繁的路段作為下一步貪心網絡擴展的起始點。

在第二步的計算中，每一次我們都將這些起始路段的鄰接路段作為候選集合，然後檢驗每一個候選路段所能夠帶來的單位長度上所有軌跡分數的提升。接下來，我們每一輪都選擇能夠給現有方案帶來最大提升的路段作為結果，直至預算被使用完（如下圖所示）。

通過以下計算方式，每條軌跡都會為新的路段給出一個得分:

其中，segs(τ)表示這條軌跡被我們的建設方案所分成的連續的段數，s.l表示每一段的長度，而α則是一個調節參數，當該數值越大時，更多的分數就會被給予更連續的規劃方案，因為在連續的自行車道上騎行會有更好的體驗。比如，相對於下圖a 中不連續的自行車道設計方案，用戶更希望在b 圖中設計的自行車道方案上騎行。

利用該算法，我們在上海的摩拜單車數據上做了一係列的實驗。比如，想在上海周邊5個區域內建設30km的自行車道，下圖就是算法所推薦的一個方案，可以看到算法覆蓋了這個區域所有的6個地鐵站。

為了更好地評估算法所產生的自行車道規劃方案的優劣，我們親自去了上海做了實地調研。在金運路地鐵站附近，我們發現除了有規模不小的萬達虹橋商場，周圍2公裏內還坐落著許多高密度的居民區。騎行在這個區域內是最方便的出行方式，所以我們在這裏看到了密度很高的騎行數據。我們還發現，在這個區域內政府隻在主要幹道上修建了專門的自行車道（下圖中藍色線道路），我們的算法同樣也給出了在這裏修建自行車道的建議。

更進一步，我們的算法在那些支路和小區周圍的道路上也給出了修建自行車道的建議（上圖紅色線道路），因為那些道路連接了各個居民區，從數據上也可以看到很多騎行軌跡。但是目前這些地方並沒有專門的自行車道，由於各種不規範停車，自行車用戶隻能在人行道上騎行，或者在機動車道中間騎行，這樣的騎行體驗自然大打折扣，交通事故的發生也在所難免。

而根據我們係統提出的建議，政府可以在這些支路上修建自行車道，或者先在這些地方增強違章停車的管理，以減少事故發生的可能性，並且提升民眾的騎行體驗。

該係統得到了上海市政府的高度評價。上海市徐彙區發改委副主任張嵐說：“根據人們騎行共享單車的數據分析結論，為政府合理規劃自行車道提供了重要的決策參考。”

總的來說，我們在本篇論文中提出了一種更加以數據為驅動的方案，利用大量摩拜單車的軌跡數據為政府推薦自行車道的規劃和建設。最終，我們希望能夠利用大數據和人工智能這些新興技術，實現企業、政府和廣大人民群眾的三方共贏，打造一個更加便利、美好、智能的生活環境！