車輛運輸是現代生活的基石，推動著貨物與人員的流動、生產力提升及經濟成長。然而，其代價高昂：駕駛平均一生中有 2.6 年時間花在路上，而私家車和廂型車目前約佔全球二氧化碳排放量的 10%。因此，高效利用運輸網路至關重要。道路交通路徑規劃能否像航空業管理空域或網際網路路由數據封包那樣，進行全系統管理？
儘管地面交通歷來缺乏實體控制塔，但數位平台為更協調的未來提供了強大的願景。導航服務、聯網車輛、智慧城市和自動駕駛車輛的普及，都為改善運輸資源的測量與最佳化提供了機會。Google Research 已透過 Project Green Light 專案展示了基礎設施層面干預的強大力量，該專案利用 AI 來最佳化城市交通號誌。
不幸的是，最佳化車輛網路已被證明極具挑戰性。雖然個別車輛的路徑規劃在所有頂級導航產品中都是標準功能，但全系統的路徑最佳化尚未實現。儘管存在網路最佳化的理論模型，但大規模的實證驗證仍然有限，從而阻礙了進一步的進展。
在《Nature Cities》期刊發表的研究「透過導航應用程式干預緩解城市壅塞實驗」中，我們首次提出了一項大規模、真實世界的導航平台應用研究，旨在改善交通狀況。我們證明，即使只協調一小部分行程來分散車流，也能顯著提升整個城市的行車速度並減少碳排放。這項研究也建立了一個實驗框架，旨在從個別行程最佳化轉向合作式路徑規劃典範，以提升整體網路效率。
我們在美國 10 個主要城市進行了一項實驗，以證明有針對性的低成本路徑干預措施在改善整體交通狀況方面的有效性。在這項研究中，Google Maps 演算法經過修改，會優先選擇行車時間和路段類型相似的替代路線，有效地將車流從預選的壅塞路段引導開。
在為期六個月的時間裡，我們採用了全市範圍的交替式（也稱為交叉式）實驗設計，在連續幾天內輪流使用這種處理組（修改後的）和對照組（未修改的）路徑規劃演算法，以適當地衡量這種干預措施的效果。干預措施是系統性地應用於整個城市，而非隨機選擇個別行程。
在「處理組」的日子裡，修改後的路徑規劃會將所有遇到預選壅塞路段的行程，引導至行車時間相似的替代路線。由於這項實驗，觀察到的行程中不到 2% 收到了修改後的路徑建議。
為了設定實驗，我們根據壅塞程度和真實數據的可用性選擇了城市。對於每個城市，我們根據歷史壅塞模式，選擇了大約 100 個路段，這些路段的特點是經常出現瓶頸或在尖峰需求時段交通密度高。
為了量化我們提出的路徑干預措施的效果，我們採用了分層貝氏結果建模框架進行分析。這種方法同時在城市總體層面和局部每小時層面建模參數，提供了一種靈活的方式來捕捉共享變異，而無需施加嚴格約束。它還能促進城市和時間段之間的信息共享，使得特定城市或時間的估計可以從其他子群體的效應估計中借鑒經驗。
研究發現，即使是這些小規模的干預措施，也導致交通狀況顯著且具有統計學意義的改善。平均而言，在所有城市中，我們觀察到目標路段的行車速度中位數增加了約 2%，這相當於燃油消耗率中位數減少了 0.5% 到 1.0%。在受影響的更大範圍路段（即所有受干預影響的路段，包括車流被引導離開或引導至的路段）上，行車速度中位數增加了約 0.35%，在早晨和下午交通最繁忙時段則增加了 0.5%。
以本研究考慮的城市規模和能源需求來看，這相當於每個城市每年可能節省數千噸的二氧化碳當量排放。
行車速度和排放率的改善在整個網路中普遍存在且具有統計學意義。這些效益是將車輛從主要瓶頸路段策略性分流的結果；透過有效分散這些車流，即使吸收了更高的車輛流量，周邊道路仍能保持更高的平均速度和更低的總體排放。
這項研究清楚地表明，網路導航技術可以成為一種強大的工具，用於主動塑造交通流量以造福社會。透過協調一小部分行程，我們可以實現惠及所有道路使用者的系統性效益，不僅僅是使用特定應用程式的人。值得注意的是，導航使用者和非使用者都共享了目標路段交通緩解的優勢，從而帶來了整體網路的行車時間改善和二氧化碳當量排放的減少。
除了立即緩解壅塞之外，這項工作還為嚴謹、基於實驗的交通管理方法建立了藍圖。隨著智慧城市基礎設施的成熟，這裡展示的實驗途徑，利用連通性來測量和促進系統級變化，可以應用於更廣泛的挑戰，例如複雜城市環境中的動態號誌控制和即時網路最佳化。儘管這些結果顯示了相對簡單的改道路徑的潛力，但它們為未來汽車、基礎設施和具備網路感知能力的路線規劃協同運作，以最佳化整個社區的出行效率和永續性奠定了基礎。
這項工作是與 Alexandre Bayen、Andrew Tomkins、Theophile Cabannes、Kevin Chen、Yechen Li、Marc Nunkesser、Prem Ramaswami、Eray Turkel、Shoshana Vasserman 和 Haizheng Zhang 合作進行的。
