多倫多大學工程研究人員的一項新分析利用機器學習來幫助回答一個棘手的問題：新的受保護自行車道應放置在哪裡才能提供最大效益？

「現在，有些人確實可以很好地獲得受保護的自行車基礎設施：他們可以騎腳踏車去上班、去雜貨店「或去娛樂場所，」土木與礦物工程系的博士後研究員、發表在《交通地理雜誌。

「更多的車道可以增加他們可以到達的目的地的數量，並且之前的作品展示這將增加騎自行車出遊的次數。

「然而，許多人很少或根本無法使用受保護的自行車基礎設施，這限制了他們的出行能力。這就提出了一個問題：最大化互聯目的地和潛在出行的數量是否更好，或者更重要的是專注於最大限度地增加可以從網絡訪問中受益的人數？

Bonsma-Fisher 和她的團隊，包括她的共同導師 Shoshanna Saxe 教授和 Timothy Chan 教授，以及博士。學生 Bo Lin – 使用機器學習和優化來幫助做出此類決策。這是一個需要新計算方法的挑戰。

「這種優化問題就是所謂的 NP 難問題，這意味著解決該問題所需的運算能力會隨著網路規模的擴大而快速擴展，」Saxe 說。

「如果你在多倫多這麼大的城市使用傳統的最佳化演算法，一切都會崩潰。但是博士生林博發明了一種非常酷的機器學習模型，可以考慮1000 多個不同基礎設施項目的數百萬種組合進行測試建設新的自行車基礎設施最有影響力的地方是什麼？

該團隊以多倫多作為任何以汽車為導向的北美大型城市的替代品，生成了主要街道上未來自行車道網絡的地圖，並根據兩種主要類型的策略進行了優化。

第一種方法被他們稱為功利主義方法，重點是在 30 分鐘內最大限度地增加僅使用受保護的自行車道路線所能完成的行程數量，而不考慮這些行程的執行者是誰。

第二種，他們稱之為基於股權的，旨在最大限度地增加至少與網路有一定聯繫的人數。

Bonsma-Fisher 表示：“如果您針對公平性進行最佳化，您會得到一張更加分散且較少集中在市中心地區的地圖。”

“城市中確實有更多的地方騎自行車的可及性最低，但平均可達性的總體增益也較小。”

「這需要權衡，」薩克斯說。

「假設我們最終將在整個城市擁有一個完整的自行車網絡，這種權衡是暫時的，但它對於我們同時做事的方式是有意義的，並且考慮到建設自行車基礎設施的持續挑戰，它可能會持續很長時間。

另一個重要發現是，無論採取什麼策略，有些路線似乎都是不可或缺的。

「例如，布洛爾西沿線的自行車道出現在所有場景中，」薩克斯說。

「這些自行車道甚至能讓那些不住在附近的人受益，並且是最大限度地提高自行車網路的公平性和效用的關鍵幹線。它們的影響在不同模型中是如此一致，以至於它挑戰了這樣的想法：自行車道是局部問題，只影響附近的人。在我們的模型中，最佳化的基礎設施反覆出現，可以為相距很遠的社區提供服務。

該團隊已經與多倫多的城市規劃者分享他們的數據，以幫助為基礎設施投資的持續決策提供資訊。展望未來，團隊希望將他們的分析應用到其他城市。

「無論您當地的問題是什麼，或者您最終做出什麼選擇，清楚地了解您的目標並檢查您是否實現了這些目標都非常重要，」邦斯馬·費舍爾說。

“這種分析可以提供一種基於證據、數據驅動的方法來回答這些棘手的問題。”