多伦多大学工程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：新的受保护的自行车道应该放在哪里才能提供最大的效益？

　　“现在，有些人可以很好地使用受保护的自行车基础设施：他们可以骑自行车上班，去杂货店或去娱乐场所，”土木与矿物工程系博士后马德琳·邦斯玛-费舍尔说，他是《交通地理杂志》上发表的一篇新论文的主要作者。

　　“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，这将增加自行车旅行的数量。”

　　“然而，许多人很少或根本没有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：究竟是把连接的目的地和潜在旅行的数量最大化更好，还是把重点放在让更多的人受益于高铁网络上更重要？”

　　邦斯玛-费舍尔和她的团队——包括她的共同导师，肖珊娜·萨克斯教授和蒂莫西·陈教授，以及博士生林波——使用机器学习和优化来帮助做出这样的决定。这是一个需要新的计算方法的挑战。

　　Saxe说：“这种优化问题被称为np困难问题，这意味着解决它所需的计算能力随着网络规模的增长而迅速扩展。”

　　“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。但是博士生林博发明了一个非常酷的机器学习模型，它可以考虑1000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设新的自行车基础设施。”

　　该团队将多伦多作为北美任何一个以汽车为导向的大型城市的代表，沿着主要街道绘制了未来自行车道网络的地图，并根据两种广泛的策略进行了优化。

　　第一种，他们称之为功利主义的方法，专注于在30分钟内最大限度地利用有保护的自行车道的路线，而不考虑这些路线是由谁来完成的。

　　第二种，他们称之为基于股权的，旨在最大限度地增加至少与该网络有某种联系的人数。

　　邦斯玛-费舍尔说：“如果你对公平性进行优化，你得到的地图就会更加分散，而不是集中在市中心。”

　　“城市中确实有更多的地方具备了最低限度的自行车可达性，但平均可达性的总体增长也有所减少。”

　　“这是一种权衡，”萨克斯说。

　　“假设我们最终将在整个城市建立一个完整的自行车网络，这种权衡是暂时的，但它对我们同时如何做事情是有意义的，并且考虑到建设自行车基础设施的持续挑战，它可能会持续很长一段时间。”

　　另一个重要发现是，无论采取何种战略，有些路线似乎都是必不可少的。

　　“例如，沿着布卢尔西的自行车道在所有场景中都会出现，”萨克斯说。

　　“这些自行车道甚至使那些不住在附近的人受益，是最大化自行车网络公平性和效用的关键干线。”它们对不同车型的影响是如此一致，以至于挑战了自行车道是地方问题、只影响附近人群的观点。优化的基础设施在我们的模型中反复出现，为相当远的社区服务。

　　该团队已经与多伦多的城市规划者分享了他们的数据，以帮助为正在进行的基础设施投资决策提供信息。展望未来，该团队希望将他们的分析也应用到其他城市。

　　邦斯玛-费舍尔说：“不管你的当地问题是什么，或者你最终做出了什么选择，清楚地了解你的目标是什么，并检查你是否达到了目标，这一点非常重要。”

　　“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。”

　　更多信息：Madeleine Bonsma-Fisher等人，探索自行车基础设施规划中的地理公平-效率权衡，交通地理杂志（2024）。DOI: 10.1016/j.jtrangeo.2024.104010期刊信息：交通地理杂志由多伦多大学提供引文：机器学习分析揭示了谁受益于受保护的自行车道（2024,10月15日）从https://techxplore.com/news/2024-10-machine-analysis-benefits-bike-lanes.html检索2024年10月16日。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。