1. 从一道赛题到真实世界的调度难题

2019年高教社杯全国大学生数学建模竞赛的C题，题目叫“机场的出租车问题”。乍一看，这像是一个经典的排队论或者优化问题，很多初次接触的同学可能会直接去翻运筹学的教材，找几个现成的模型往里套。但如果你真的在机场打过车，或者稍微了解一点城市交通的运作，就会意识到这道题远不止是纸上谈兵。它背后是一个每天都在真实上演的、涉及司机、乘客、机场管理方乃至整个城市交通效率的复杂博弈。

这道题的核心，说白了，就是机场出租车该怎么排队、怎么接客、怎么走，才能让大家都“不吃亏”。乘客不想在到达厅外排长队等车，司机不想空跑几十公里到机场却拉不到合适的活儿，机场管理方希望客流疏散得快、秩序井然，城市交通系统则希望减少无效的空驶里程。这几个目标之间，往往存在着直接的矛盾。比如，为了快速疏散乘客，似乎应该让所有到达的出租车都立刻进入蓄车池排队；但这样一来，司机可能会面临长达数小时的等待，收入效率极低，久而久之就没有司机愿意来机场了，最终受害的还是乘客。

所以，这道赛题的价值，在于它逼迫参赛者跳出单一的“最优解”思维，去理解一个多主体、多目标、动态变化的真实系统。它不是一个有标准答案的数学题，而是一个需要你建立模型去描述、分析和权衡的现实问题。你的模型好坏，不在于用了多么高深的算法，而在于是否抓住了主要矛盾，是否合理地量化了各方的利益（比如司机的“机会成本”、乘客的“等待焦虑”），以及提出的方案是否具备可操作性。接下来，我就结合当年解题的思路和后续的一些思考，把这个问题掰开揉碎了讲清楚，你会看到数学建模如何一步步照进现实。

2. 问题拆解：司机、乘客与系统的三角博弈

拿到题目，第一步永远是仔细读题，把模糊的描述转化为清晰、可建模的要素。2019年C题的场景通常基于某个大型机场，我们需要定义几个关键角色和他们的行为逻辑。

2.1 司机的决策模型：去机场还是不去？

这是整个问题的起点。出租车司机是独立的决策者。他的选择很简单：当前在市区放下乘客后，是空驶去机场排队拉客，还是在市区继续巡游揽客？

这个决策取决于他对两个选项的预期收益的判断。去机场的收益，是机场到市区的里程费（可能包含返程高速费），但成本是前往机场的空驶油费和时间成本，以及在机场蓄车池的漫长等待时间。在市区巡游的收益，则是一个基于历史经验的、单位时间内的平均收入。

我们可以用一个简化的公式来刻画司机的决策心理：E(机场) = (机场到市区平均车费 - 空驶至机场成本) / (空驶时间 + 平均排队等待时间 + 上下客时间)E(市区) = 市区单位时间平均营收

司机比较E(机场)和E(市区)。如果E(机场)显著高于E(市区)，就会有大量司机涌向机场，导致排队时间激增，从而降低E(机场)，直到两者达到一个动态平衡。反之，如果E(机场)太低，司机就不愿去，机场就会出现出租车短缺，乘客排队时间变长。

这里的一个关键参数是“平均排队等待时间”。它不是一个固定值，而是由到达机场的出租车数量（供给）和出港旅客的出租车需求（需求）共同决定的。这立刻将问题引向了一个需要动态模拟的领域。

2.2 乘客的需求与等待：长队因何而起？

乘客的需求相对单纯：下飞机后，前往出租车候车点，排队上车。需求的数量和强度取决于航班的到达波次。大型机场的航班到达具有明显的“潮汐性”和“脉冲性”——比如傍晚可能有一个国际航班到达高峰，瞬间产生数百名需要打车的旅客。

乘客的体验核心指标是排队等待时间。这个时间由两个环节决定：

1. 排队上车时间：取决于候车点可同时上车的车位数量（即服务台数量）和排队队列的长度。
2. 车辆供给等待时间：如果蓄车池里没有车，即使有空车位，乘客也得等车来。这直接关联到司机的决策模型。

当大量乘客同时到达，而蓄车池车辆不足时，就会形成长队。这不仅影响乘客体验，还可能造成候车区拥堵，引发安全隐患。

2.3 机场管理方的目标：效率与公平的权衡

管理方看似是规则的制定者，但其目标也是多元的：

• 效率目标：最大化单位时间内疏散的旅客数量，降低平均乘客等待时间。
• 公平目标：保障先来排队的司机优先接到客人（先进先出，FIFO），维持排队秩序。
• 系统稳定性目标：避免出现司机长时间无客可接的“司机荒”，或乘客长时间无车可坐的“车荒”这两种极端情况。
• 社会效益目标：一定程度上减少出租车空驶里程，降低能源消耗和道路压力。

这些目标之间常常冲突。例如，为了快速疏散乘客（效率），可能会允许部分车辆“插队”或开辟应急通道，但这破坏了FIFO原则（公平）。再比如，强制所有出租车都进入蓄车池排队，保证了秩序，但可能因为等待时间过长而吓退司机，损害长期稳定性。

题目往往会要求我们针对这些矛盾，提出“更好的”调度方案。因此，我们的模型必须能够量化评估不同方案下，各方指标的变化。

3. 模型构建：从概念到数学公式

理解了问题内核后，就需要用数学语言来构建模型。通常，这个问题适合采用离散事件系统仿真的方法，因为涉及大量的随机事件（航班到达、司机决策、乘客上车等）。但作为数模竞赛，我们也需要提炼出一些核心的解析模型或优化模型来支撑论点。

3.1 核心一：基于排队论的供需平衡分析

我们可以将机场出租车系统抽象为一个多服务台的排队系统。

• 顾客：需要出租车的乘客。
• 服务台：出租车上客点的一个个车位。
• 顾客到达过程：取决于航班到达时刻表，可以近似为若干个非齐次泊松过程。
• 服务时间：乘客从队尾走到车位、放置行李、上车的时间，可以假设服从一个正态分布。

但这里的复杂性在于，“服务台”背后的“服务员”（出租车）并不是始终待命的，它来自于一个由司机决策驱动的“出租车到达流”。因此，这是一个顾客（乘客）和服务员（出租车）都在随机到达的复杂排队网络。

一个简化的分析思路是，在较长时间尺度上（如一天），假设系统达到稳态，我们可以建立司机供给与乘客需求的平衡方程：

λ_driver * P_go = λ_passenger

其中：

• λ_driver：全市范围内，单位时间内完成上一单并面临“是否去机场”决策的司机数量。
• P_go：司机决策中去机场的概率，这个概率是预期收益E(机场)的函数，可以用逻辑回归（Logit）模型来描述：P_go = exp(β * E(机场)) / (exp(β * E(机场)) + exp(β * E(市区)))。β是敏感度参数。
• λ_passenger：单位时间内到达机场并需要出租车的乘客数量，可以从航班数据估算。

这个方程揭示了系统的自我调节机制：如果乘客太多（λ_passenger增大），排队时间会缩短（等待时间减少），E(机场)升高，导致P_go增大，从而吸引更多司机（λ_driver * P_go增大），直到重新平衡。

3.2 核心二：司机决策的微观仿真模拟

为了更细致地刻画动态过程，仿真模型几乎是必不可少的。我们可以模拟一个时间步长（如1分钟）内发生的事件：

1. 更新系统状态：当前蓄车池车辆数、乘客队列长度、时间。
2. 生成乘客：根据当前时间查询航班到达表，生成一批新乘客加入队列。
3. 司机到达决策：模拟一批市区司机完成订单，根据当前已知的（或预估的）机场排队时间W_q计算E(机场)，并与E(市区)比较，以概率P_go决定前往机场。若决定前往，则为其生成一个“在途”状态，经过一段行驶时间后，车辆进入蓄车池。
4. 上车过程：如果蓄车池有车且乘客队列非空，则按照 FIFO 规则，让车辆到上客点接客，乘客离开队列，车辆进入“载客行驶”状态（一段时间后从系统中消失，模拟送达目的地）。
5. 计算指标：累计计算乘客平均等待时间、司机平均排队时间、系统吞吐量等。

通过调整模型中的参数（如司机对收益的敏感度β、市区营收水平、航班密度），我们可以观察系统在不同条件下的表现，这比纯粹的解析分析更直观，也更能应对题目中可能出现的复杂情景（如“短途载客司机可优先返回排队”等特殊规则）。

3.3 核心三：优化模型的建立——以“优先权”调度为例

原题中一个经典的子问题是：对于目的地很近的“短途客”，司机往往不愿接，因为排队几小时只赚个起步价，亏大了。这导致短途乘客等待时间极长，司机也可能因此与乘客发生争执。如何解决？

一个被广泛探讨的方案是“短途票”或“优先返回”机制。接短途客的司机，在送客后可以凭凭证返回机场，并进入一个“优先队列”快速接下一单。如何设计这个机制才能有效？

这可以构建一个优化模型。设我们的目标是在不过度损害长途司机利益的前提下，最小化短途乘客的平均等待时间。

决策变量：优先权规则的具体参数，例如“短途”的定义距离D_s（公里），以及优先返回后的排队位置（例如直接进入队伍前20%的位置）。

约束条件：

1. 长途司机的平均排队时间增长不超过ΔT（一个可接受的阈值）。
2. 系统总吞吐量（单位时间送走的乘客数）不能下降。
3. 规则简单，易于执行（可操作约束）。

目标函数：Minimize W_s（短途乘客平均等待时间）。

然后，我们可以将前面的仿真模型作为一个“计算器”，嵌入到优化框架中。对于给定的一组决策变量（D_s, 优先位置），运行仿真得到W_s、长途司机等待时间等结果。再采用启发式算法（如模拟退火、遗传算法）来搜索使目标函数最优的决策变量组合。

这个建模过程清晰地展示了：我们将一个现实的管理问题，转化为了一个带有仿真约束的数学优化问题。

4. 方案设计与程序实现要点

基于模型分析，我们可以提出一些具体的调度方案，并用程序进行验证。这里的关键是，方案要具体，可量化，可比较。

4.1 方案一：动态信息发布与诱导系统

这是成本较低、易于实施的方案。核心思想是解决司机和乘客之间的信息不对称。

• 模型依据：司机的决策依赖于对机场排队时间W_q的预估。如果这个预估不准（例如，司机根据两小时前的经验决策），就会导致供给与需求的错配。
• 方案设计：机场通过APP、广播或入口显示屏，实时发布或预测未来30-60分钟的：
  1. 当前蓄车池排队车辆数。
  2. 预计排队等待时间。
  3. 近期航班到达信息（未来1小时预计旅客量）。
• 程序实现要点：在仿真中，我们需要为司机设定两种信息模式：“完全信息”（司机知晓实时W_q）和“滞后信息”（司机根据过去某段时间的平均W_q决策）。对比两种模式下，系统波动性（如排队长度方差）和平均效率的差异。你会发现，提供实时、准确的预测信息，能显著平滑司机到达流，减少“车扎堆”和“车荒”的交替出现。

4.2 方案二：分级调度与短途优先通道

这是针对短途客问题的直接解决方案。

• 模型依据：通过优化模型，我们找到了最优的短途定义距离D_s和优先规则。
• 方案设计：
  1. 乘客上车时，司机或调度员询问大致目的地（或通过电子终端选择）。
  2. 目的地距离小于D_s（例如，10公里）被判定为短途。
  3. 接短途客的司机，在送客后，可在规定时间（如40分钟内）凭电子回执返回机场，进入“优先蓄车池”。优先蓄车池的车辆，以固定比例（如每接3辆长途车，插队接1辆优先车）被放行到上客点。
• 程序实现要点：在仿真程序中，需要新增“短途乘客”属性、“优先蓄车池”数据结构。上车逻辑变为：先检查普通蓄车池，按规则放行；同时，按比例从优先蓄车池放行。关键是要准确模拟“优先规则”对普通司机排队时间的影响，并验证短途乘客等待时间是否真的下降，以及系统整体效率（如所有乘客的平均等待时间）是否改善。一个常见的陷阱是：如果优先比例设置过高，会导致普通司机等待时间激增，严重打击他们来机场的积极性，最终系统崩溃。因此，仿真的参数敏感性分析至关重要。

4.3 方案三：预约接驳与定向派单

这是一个更前沿的思路，借鉴了网约车模式。

• 模型依据：将完全随机的即时匹配，部分转变为可预测的预约匹配，可以“削峰填谷”，提高车辆利用率和匹配效率。
• 方案设计：机场推出官方预约平台。旅客可在航班落地前（如提前2小时）预约出租车，并输入目的地。系统将这些预约单，定向派发给愿意承接、且位置合适的出租车司机（不一定是已经在机场排队的）。对于接预约单的司机，可以给予一定的调度费奖励或免排队权益。
• 程序实现要点：仿真难度较大，需要引入预约订单生成模型、司机抢单或派单模型。可以简化处理：假设一部分乘客（如20%）会提前预约。预约订单的产生时间均匀分布在航班落地前2小时内。系统有一批“预约专用司机”，他们不进入普通蓄车池，而是根据派单前往机场指定地点接客。我们需要比较“纯排队模式”和“混合（排队+预约）模式”下，系统关键指标的变化。程序实现的关键在于如何公平地分配预约订单和即时订单的资源，避免预约司机挤占了即时乘客的车辆供给。

4.4 程序实现（Python伪代码框架）

这里给出一个最核心的仿真循环的伪代码框架，帮助理解如何将上述模型落地。

import numpy as np import pandas as pd class AirportTaxiSimulator: def __init__(self, flight_schedule, sim_time=24*60): # 模拟24小时，以分钟为单位 self.time = 0 self.sim_time = sim_time self.flight_schedule = flight_schedule # DataFrame，包含航班到达时间、乘客数 self.passenger_queue = [] # 等待的乘客列表 self.pool_queue = [] # 蓄车池车辆队列 (FIFO) self.priority_pool_queue = [] # 优先蓄车池队列 self.drivers_on_way = [] # 正在前往机场的司机列表（包含到达时间） # 统计指标 self.total_passenger_wait_time = 0 self.total_driver_pool_time = 0 self.passengers_served = 0 self.drivers_served = 0 def generate_passengers(self): """根据航班时刻表生成乘客""" # 查找当前时间点到达的航班 arriving_flights = self.flight_schedule[self.flight_schedule['arrival_time'] == self.time] for _, flight in arriving_flights.iterrows(): num_passengers = flight['passenger_count'] # 假设需要出租车的比例，例如60% taxi_demand = np.random.binomial(num_passengers, 0.6) for _ in range(taxi_demand): # 为每个乘客生成一个目的地类型（短途/长途） is_short = np.random.rand() < 0.2 # 假设20%为短途 self.passenger_queue.append({'id': len(self.passenger_queue), 'wait_start': self.time, 'is_short': is_short}) def driver_decision(self, current_pool_wait_time): """模拟一批司机决策是否来机场""" # 假设每个时间步有少量司机完成市区订单并决策 num_deciding_drivers = np.random.poisson(lam=0.5) # 泊松过程 for _ in range(num_deciding_drivers): # 计算预期收益（简化版） fare_long = 150 # 长途平均车费150元 fare_short = 30 # 短途平均车费30元 cost_to_airport = 50 # 空驶至机场成本（油费+时间折价） # 机场收益期望是长短途车费的加权平均，减去成本，再除以总时间 avg_fare = 0.8 * fare_long + 0.2 * fare_short # 基于乘客比例 earning_potential = avg_fare - cost_to_airport time_total = 30 + current_pool_wait_time + 10 # 空驶30分+排队+上下客10分 E_airport = earning_potential / time_total # 元/分钟 E_city = 1.0 # 假设市区营收为1元/分钟 # Logit 选择模型 p_go = np.exp(E_airport) / (np.exp(E_airport) + np.exp(E_city)) if np.random.rand() < p_go: travel_time = np.random.normal(30, 5) # 前往机场时间，正态分布 arrival_time = self.time + int(travel_time) self.drivers_on_way.append({'arrival_time': arrival_time}) def update_driver_arrival(self): """更新在途司机状态，到达的进入蓄车池""" arrivals = [d for d in self.drivers_on_way if d['arrival_time'] <= self.time] for driver in arrivals: self.pool_queue.append({'enter_time': self.time}) # 进入普通蓄车池 self.drivers_on_way.remove(driver) def boarding_process(self): """上车过程：从蓄车池派车接客""" # 简单规则：有车有客就接，优先接普通乘客，按比例插队优先车辆 boarding_count = 0 while self.passenger_queue and (self.pool_queue or self.priority_pool_queue): # 每接3个普通车，尝试接1个优先车（如果存在） if boarding_count % 4 == 3 and self.priority_pool_queue: driver = self.priority_pool_queue.pop(0) pool_time = self.time - driver['enter_time'] self.total_driver_pool_time += pool_time self.drivers_served += 1 elif self.pool_queue: driver = self.pool_queue.pop(0) pool_time = self.time - driver['enter_time'] self.total_driver_pool_time += pool_time self.drivers_served += 1 else: break # 没有普通车了，但本轮规则不允许只接优先车（可根据需要调整） passenger = self.passenger_queue.pop(0) wait_time = self.time - passenger['wait_start'] self.total_passenger_wait_time += wait_time self.passengers_served += 1 # 如果接的是短途客，该司机可能获得优先权（简化：直接生成一个优先司机未来到达） if passenger['is_short'] and np.random.rand() < 0.8: # 80%短途司机选择返回 return_time = self.time + np.random.randint(20, 60) # 20-60分钟后返回 # 这里简化为直接加入优先蓄车池的未来列表，实际应更复杂 # 为简化，我们假设他立即进入优先池（这并不合理，仅为示例） # 更合理的做法是记录该司机，在其return_time时间点加入priority_pool_queue pass boarding_count += 1 def run(self): """主仿真循环""" for self.time in range(self.sim_time): # 1. 生成新乘客 self.generate_passengers() # 2. 司机决策（基于当前或历史的排队时间估算） # 估算当前排队时间：蓄车池车辆数 * 平均上车时间 / 上客点数量 avg_boarding_time = 2 # 分钟/人 num_boarding_points = 10 current_wait_estimate = len(self.pool_queue) * avg_boarding_time / num_boarding_points if num_boarding_points > 0 else 60 self.driver_decision(current_wait_estimate) # 3. 更新司机到达 self.update_driver_arrival() # 4. 上车过程 self.boarding_process() # 5. (可选) 记录每一时刻的队列长度等状态，用于绘图分析 # 仿真结束，计算平均指标 avg_passenger_wait = self.total_passenger_wait_time / self.passengers_served if self.passengers_served > 0 else 0 avg_driver_pool = self.total_driver_pool_time / self.drivers_served if self.drivers_served > 0 else 0 print(f"仿真结束。平均乘客等待时间：{avg_passenger_wait:.2f} 分钟") print(f"平均司机蓄车池等待时间：{avg_driver_pool:.2f} 分钟") print(f"服务乘客总数：{self.passengers_served}") print(f"服务司机总数：{self.drivers_served}") # 使用示例 if __name__ == "__main__": # 创建一个简单的航班时刻表（示例） flight_data = [] for hour in [9, 12, 15, 18, 21]: # 每天几个到达高峰 for _ in range(5): # 每个高峰5个航班 flight_data.append({'arrival_time': hour*60 + np.random.randint(-30, 30), 'passenger_count': np.random.randint(150, 300)}) flight_schedule = pd.DataFrame(flight_data) simulator = AirportTaxiSimulator(flight_schedule, sim_time=24*60) simulator.run()

注意：以上是高度简化的示例代码，用于阐述仿真逻辑框架。真实竞赛中，需要根据题目给出的具体数据（如精确的航班表、乘客出行距离分布、司机成本参数等）进行大幅度的细化和调整。例如，乘客的目的地分布、司机的差异化决策逻辑、复杂的优先规则等，都需要更精细的数据结构和算法来实现。

5. 论文写作与模型评价的实战心得

建好了模型，写好了程序，最后一步是把你的思考清晰、有说服力地呈现在论文里。这部分往往比建模本身更能拉开差距。

5.1 如何清晰地表达你的模型

1. 图文并茂：一张好的系统流程图、仿真时序图或概念框架图，能抵千言万语。在论文开头，就应该用一张图把“司机决策-乘客到达-排队上车-反馈调节”这个闭环画清楚。
2. 符号说明表：在建立数学模型之前，先列一个表，把所有用到的变量、符号、含义和单位写清楚。这能让评委快速理解你的公式。
3. 分步阐述：不要一下子抛出最终的大公式。按照“问题分解 -> 基本假设 -> 子模型建立（如司机决策模型）-> 子模型建立（如排队模型）-> 模型集成（如仿真框架）”的逻辑顺序，一步步推导。让评委能跟着你的思路走。
4. 说清假设：每一个假设都要说明其合理性。例如，“假设乘客目的地距离服从对数正态分布”，可以补充说明“根据本市出租车运营数据统计，此分布能较好拟合实际情况”。如果题目没给数据，可以写“基于常识和简化分析的需要，我们假设...”。

5.2 灵敏度分析与模型检验：证明你的模型“健壮”

模型结果出来了，不能只说“我们得到了一个数”。必须进行灵敏度分析，回答“如果某个参数变了，结果会怎么变？我们的结论还成立吗？”

• 关键参数：通常选择那些不确定性高或对结果影响大的参数。例如：司机对收益的敏感度（β）、市区单位时间营收（E_city）、短途乘客的比例、航班密集程度。
• 分析方法：让单个参数在合理范围内变动（如±20%），观察系统关键输出（如平均等待时间、司机收益）的变化趋势。可以用折线图直观展示。
• 结论表述：不能只说“有影响”。要说“当参数A在[XX, YY]区间内变化时，指标B的变化范围是[MM, NN]，相对变化率为Z%。这表明我们的方案对该参数不敏感/较为敏感，在实际应用中应注重该参数的准确估计。”

5.3 关于“摘要”和“优缺点分析”的致命细节

• 摘要：这是评委第一眼看到的内容，决定了他对你的第一印象。必须用300-500字概括全部精华：针对什么问题、用了什么方法（模型）、得到了什么主要结果（关键数据）、提出了什么方案、有什么特色或结论。避免在摘要里写背景意义和琐碎细节。写完后自己读一遍，看是否能让一个没看过全文的人明白你做了什么、做得多好。
• 优缺点分析：这是体现你思维深度和诚实性的地方。优点要具体，比如“本模型创新性地将Logit离散选择模型与多服务台排队网络结合，更真实地刻画了司机的微观决策行为”。缺点更要实在，不能轻描淡写写“模型有简化”。要写“本模型假设乘客目的地分布是静态的，未考虑工作日与周末的差异，这可能导致对短长途客流比例估计偏差。未来可引入时间序列预测模型进行动态调整。” 这样的缺点分析，反而显示了你的思考深度。

5.4 那些容易丢分的“坑”

1. 模型与问题脱节：建了一个复杂的仿真模型，但最后的结果分析没有紧扣题目要求回答的问题。一定要时刻对照赛题要求，你的每一个模型输出，都要能直接或间接地回答题目的设问。
2. 只有模拟，没有分析：运行程序输出了大量数据，但论文里只是罗列表格。必须对数据进行分析！说明数据揭示了什么规律？为什么会出现峰值和谷值？不同方案对比，差异在哪里？为什么会有这种差异？
3. 方案缺乏可操作性：提出的管理建议天马行空，不考虑成本、技术实现难度或司乘双方的接受度。最好的方案往往是简单、微调、能利用现有设施的。例如，“动态信息发布”就比“新建一个智能调度中心”更靠谱。
4. 忽略可视化：通篇文字和公式，没有一张图。折线图、柱状图、热力图、流程图都是强大的表达工具。一张好的图能让你的结果一目了然。
5. 程序代码一团糟：虽然论文里不要求附全部代码，但如果你需要展示核心算法，代码片段应整洁、有注释。如果提交支撑材料，代码的结构清晰、变量名有意义、有必要的README说明，会是一个很大的加分项。

回过头看，“机场的出租车问题”绝不仅仅是一道数学题。它是一次完整的系统工程思维训练：从界定问题、量化关系、建立模型、仿真实验、结果分析到提出方案。真正解决这个问题，需要的不仅是数学和编程能力，更是对复杂系统运行逻辑的深刻理解，以及将抽象模型与具体现实紧密联系的能力。这道题的价值，在于它像一把钥匙，帮你打开了用理性工具分析和优化真实世界的大门。当你下次在机场排队时，脑海里浮现的或许不再是焦躁，而是那些流动的方程和等待被调度的算法，这大概就是数模带给人的、一种独特的观察世界的视角吧。