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：新的受保护自行车道应放置在哪里才能提供最大效益？

“现在，有些人确实可以很好地获得受保护的自行车基础设施：他们可以骑自行车去上班、去杂货店“或者去娱乐场所，”土木与矿物工程系的博士后研究员、发表在《交通地理杂志。

“更多的车道可以增加他们可以到达的目的地的数量，并且之前的作品展示这将增加骑自行车出行的次数。

“然而，许多人很少或根本无法使用受保护的自行车基础设施，这限制了他们的出行能力。这就提出了一个问题：最大化互联目的地和潜在出行的数量是否更好，或者更重要的是专注于最大限度地增加可以从网络访问中受益的人数？”

Bonsma-Fisher 和她的团队，包括她的共同导师 Shoshanna Saxe 教授和 Timothy Chan 教授，以及博士。学生 Bo Lin – 使用机器学习和优化来帮助做出此类决策。这是一个需要新计算方法的挑战。

“这种优化问题就是所谓的 NP 难问题，这意味着解决该问题所需的计算能力会随着网络规模的扩大而快速扩展，”Saxe 说。

“如果你在多伦多这么大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种非常酷的机器学习模型，可以考虑 1000 多个不同基础设施项目的数百万种组合进行测试建设新的自行车基础设施最有影响力的地方是什么？”

该团队以多伦多作为任何以汽车为导向的北美大型城市的替代品，生成了主要街道上未来自行车道网络的地图，并根据两种主要类型的策略进行了优化。

第一种方法被他们称为功利主义方法，重点是在 30 分钟内最大限度地增加仅使用受保护的自行车道路线所能完成的行程数量，而不考虑这些行程的执行者是谁。

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网络有一定联系的人数。

Bonsma-Fisher 表示：“如果您针对公平性进行优化，您会得到一张更加分散且较少集中在市中心地区的地图。”

“城市中确实有更多的地方骑自行车的可达性最低，但平均可达性的总体增益也较小。”

“这需要权衡，”萨克斯说。

“假设我们最终将在整个城市拥有一个完整的自行车网络，这种权衡是暂时的，但它对于我们同时做事的方式是有意义的，并且考虑到建设自行车基础设施的持续挑战，它可能会持续很长时间。”

另一个重要发现是，无论采取什么策略，有些路线似乎都是必不可少的。

“例如，布洛尔西沿线的自行车道出现在所有场景中，”萨克斯说。

“这些自行车道甚至能让那些不住在附近的人受益，并且是最大限度地提高自行车网络的公平性和效用的关键干线。它们的影响在不同模型中是如此一致，以至于它挑战了这样的想法：自行车道是一个局部问题，仅影响附近的人。在我们的模型中，优化的基础设施反复出现，可以为相距很远的社区提供服务。

该团队已经与多伦多的城市规划者分享他们的数据，以帮助为有关基础设施投资的持续决策提供信息。展望未来，该团队希望将他们的分析应用到其他城市。

“无论您当地的问题是什么，或者您最终做出什么选择，清楚地了解您的目标并检查您是否实现了这些目标都非常重要，”邦斯马·费舍尔说。

“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。”