The power of collaboration: How we can reduce traffic congestion

协作的力量：如何减少交通拥堵

play silent looping video

pause silent looping video

unmute video

mute video

2026年7月7日

Neha Arora 和 Aboudy Kreidieh，Google Research 软件工程师

我们展示了导航应用中网络感知路由对提高网络效率的影响。

快速链接

• 论文

• 分享 复制链接 ×

车辆运输支撑着现代生活的许多方面，使货物和人员的流动、生产力和经济增长成为可能。然而，代价是高昂的：驾驶员平均一生中有2.6年时间在道路上度过，而私人汽车和货车现在占全球二氧化碳排放量的约10%。因此，高效利用交通网络至关重要。能否像航空管理空域或互联网路由数据包一样，以系统化方式管理道路交通路由？尽管地面交通历史上缺乏物理控制塔，但数字平台为更协调的未来提供了强有力的洞察。

导航服务、联网车辆、智慧城市和自动驾驶车辆的普及，都为改善交通资源的测量和优化提供了机会。Google Research 已经通过 Project Green Light 项目展示了基础设施级干预的力量，该项目利用人工智能优化城市交通灯。不幸的是，优化车辆网络已被证明具有挑战性。虽然所有顶级导航产品都采用单个车辆路由的标准方法，但尚未实现系统级路由优化。尽管存在网络优化的理论模型，但大规模实证验证仍有限，从而阻碍了进一步进展。

在发表于《Nature Cities》的《通过路由应用干预实现城市拥堵缓解实验》中，我们首次进行了大规模真实世界研究，探讨导航平台在改善交通方面的应用。我们证明，即使协调一小部分行程以分散交通，也能显著提高全市驾驶速度并减少排放。它还建立了一个实验框架，从单次行程优化向增强整体网络效率的协作路由范式演进。

实验

我们在美国10个主要城市进行了实验，以证明有针对性的低成本路由干预在改善整体交通状况方面的有效性。在本研究中，Google Maps 算法被修改为优先选择具有相似旅行时间和路段类型的替代路线，从而有效引导行程避开预先选定的拥堵路段。

在为期六个月的实验中，我们采用了全市范围的回溯（也称为交叉）实验设计，在连续的天数中交替使用该干预措施和对照（未修改）路由算法，以适当衡量该干预措施的效果。与随机选择个别行程不同，该干预措施在整个城市中系统性地应用。在“干预”日，修改后的路由引导所有遇到预先选定拥堵路段的行程转向具有相似旅行时间的替代路线。由于此次实验，不到2%的观察行程收到了修改后的路由建议。

为了设置实验，我们根据拥堵程度和真实数据的可用性选择了城市。对于每个城市，我们根据历史拥堵模式选择了约100条道路段，这些路段通常在高峰需求期间存在反复出现的瓶颈或高交通密度。下图展示了一个这样的示例。

根据image_width确定适当的宽度

对于移动图像，使用默认宽度

在本研究中，我们在路线规划阶段修改了经过预先选定路段的行程的感知成本，这些路段表现出不成比例的高需求和/或拥堵水平。这些修改将具有相似成本替代路径的行程重新路由到其他路段，从而减少了原本会出现在这些路段的交通流量。

结果

为了量化我们提出的路线干预措施的影响，我们采用了分层贝叶斯结果建模框架进行分析。这种方法同时在城市整体层面和局部小时层面建模参数，提供了一种灵活的方式来捕捉共享变化而不会施加严格约束。它还实现了城市之间和时间段之间的信息共享，使特定城市或时间段的估计值能够借用其他子组的影响估计值。

研究发现，即使这些小规模的干预措施也带来了可衡量的、具有统计显著性的交通状况改善。在所有城市中，我们观察到目标路段驾驶速度的中位数增加了约2%，对应燃料消耗率的中位数减少了0.5%至1.0%。在受影响路段的更大集合中（即所有受到干预影响的路段，包括被重新引导远离或引导至这些路段的交通），驾驶速度的中位数增加了约0.35%，在早晚高峰时段交通最繁忙时增加了0.5%。在本研究考虑的城市规模和能源需求下，这相当于每个城市每年可能减少数千吨二氧化碳当量排放。

对行程旅行时间、速度和估计排放量的预测结果。每个图表量化了干预措施结果的后验概率分布，并以速度或排放率的百分比变化表示。我们看到目标路段和受影响路段的速度及燃料消耗率都有显著改善。在所有受影响路段上计算的结果显然更加分散但仍然积极，尤其是在高峰时段。

在全网范围内，驾驶速度和排放率的改善既普遍又具有统计显著性。这些增益是通过战略性地将车辆从主要瓶颈分流实现的；通过高效分散这些交通流量，即使在吸收更多车辆的情况下，周边道路仍能保持更高的平均速度和更低的整体排放。这种行为在下图中有所说明。

结论

本研究清楚地表明，联网导航技术可以成为主动塑造交通流的强大工具，从而造福社会。通过协调一小部分行程，我们就能实现对所有道路使用者都有益的系统性收益——而不仅仅是使用特定应用的用户。值得注意的是，导航用户和非用户都能共享缓解目标路段拥堵的优势，从而在全网络范围内提升出行时间效率，并减少二氧化碳当量排放。

除了即时缓解拥堵之外，这项工作为基于严谨实验方法的交通管理提供了一套蓝图。随着智慧城市基础设施的成熟，本文展示的实验路径——利用连接性来测量和推动系统级变革——可以应用于更广泛的挑战，例如复杂城市环境中的动态信号控制和实时网络优化。虽然这些结果展示了相对简单路径调整的潜力，但它们为未来汽车、基础设施和网络感知路由协同优化出行效率和可持续性的社区奠定了基础。

致谢

本研究与Alexandre Bayen、Andrew Tomkins、Theophile Cabannes、Kevin Chen、Yechen Li、Marc Nunkesser、Prem Ramaswami、Eray Turkel、Shoshana Vasserman和Haizheng Zhang合作完成。

• 标签：

• 算法与理论

• 气候与可持续性

• 数据挖掘与建模

其他相关文章

• 2026年6月30日 扩展我们的热韧性数据至50多个全球城市 气候与可持续性 · 地球AI · 开源模型与数据集

• 2026年6月25日 通过线性弹性缓存优化云经济 算法与理论 · 数据管理

• 2026年6月16日 从像素到规划：用于自然恢复的地球AI 气候与可持续性 · 地球AI · 机器智能 · 开源模型与数据集

×

❮

❯