[論文レビュー] A greedy approach for increased vehicle utilization in ridesharing networks

Aqsa Ashraf Makhdomi, Iqra Altaf Gillani|arXiv (Cornell University)|Apr 2, 2023

Transportation and Mobility Innovations被引用数 4

ひとこと要約

本稿では、予測された出発地・目的地ペアを活用して車両利用率を最大化し、フリート規模を削減するための、グリーディでkホップスライディングウィンドウベースのルート推薦システムを提案する。局所的な探索ウィンドウ内でのサブモジュラ最適化としてルート推薦問題をモデル化することで、最適解の1.3倍以内というほぼ最適な性能を達成し、重複するルートを持つ乗客を効率的にペアリングすることで車両数を削減し、ニューヨーク市およびワシントンD.C.のデータセットにおいてリアルタイムでの実装可能性と環境的利点を示している。

ABSTRACT

In recent years, ridesharing platforms have become a prominent mode of transportation for the residents of urban areas. As a fundamental problem, route recommendation for these platforms is vital for their sustenance. The works done in this direction have recommended routes with higher passenger demand. Despite the existing works, statistics have suggested that these services cause increased greenhouse emissions compared to private vehicles as they roam around in search of riders. This analysis provides finer details regarding the functionality of ridesharing systems and it reveals that in the face of their boom, they have not utilized the vehicle capacity efficiently. We propose to overcome the above limitations and recommend routes that will fetch multiple passengers simultaneously which will result in increased vehicle utilization and thereby decrease the effect of these systems on the environment. As route recommendation is NP-hard, we propose a k-hop-based sliding window approximation algorithm that reduces the search space from entire road network to a window. We further demonstrate that maximizing expected demand is submodular and greedy algorithms can be used to optimize our objective function within a window. We evaluate our proposed model on real-world datasets and experimental results demonstrate superior performance by our proposed model.

研究の動機と目的

• ライドシェアリングプラットフォームにおける車両容量の未利用を是正し、温室効果ガス排出量の増加と非効率性を低減すること。
• 需要密度に依存するのではなく、乗客要請の予測された出発地および到着地を組み込むことで、ルート推薦を改善すること。
• 重複するルートを持つ乗客を最適化して共有乗車を促進することで、すべての乗客要請を満たすために必要な車両数を削減すること。
• NP困難な最適ルート推薦の複雑性を克服するスケーラブルでリアルタイム対応可能なソリューションを開発すること。

提案手法

• 全道路ネットワークから局所的領域に探索空間を縮小するためのkホップベースのスライディングウィンドウを提案し、計算効率を向上させる。
• ウィンドウ内での期待される乗客要請数の最大化としてルート推薦問題をモデル化し、これがサブモジュラであることが証明され、近似保証付きのグリーディアルゴリズムの適用が可能になる。
• 出発地・到着地グラフを車両数グラフに変換し、最小パスカバー問題を解くことで、最小フリート規模を推定するバックワードグリーディアプローチを適用する。
• ニューヨーク市およびワシントンD.C.のヒストリカルタクシー・データセットを用い、実世界の需要パターンに基づいてモデルをシミュレートおよび検証する。
• 予測された乗客需要の方向に前方にスライドする動的ウィンドウスライディングメカニズムを採用し、関連性と効率性を維持する。
• ルート推薦とフリート規模推定を統合したシステムを構築し、持続可能でコスト効率の良いライドシェアリング運用を支援する。

実験結果

リサーチクエスチョン

• RQ1 乗客要請の予測された出発地および到着地をルート推薦に組み込むことで、ライドシェアリングプラットフォームにおける車両利用率を顕著に向上させることができるか？
• RQ2 出発地・到着地ペアに基づく最適ルート推薦問題はNP困難であるか。もしそうであれば、効率的に近似可能か？
• RQ3 kホップスライディングウィンドウアプローチは、探索空間を大幅に縮小しつつ、高い品質のルート推薦を維持できるか？
• RQ4 サブモジュラ最適化を用いたグリーディアルゴリズムは、既存のベースラインと比較して、車両利用率の向上とフリート規模の削減にどの程度効果を発揮するか？
• RQ5 提案されたシステムはリアルタイム展開にスケーラブルか。また、1日中の異なる時間帯でのパフォーマンスはどのようになるか？

主な発見

• 6×6 kmのテスト領域において、提案モデルは最適な車両利用率の1.3倍という近似比を達成しており、理論的最適解に非常に近い性能を示している。
• 重複するルートを持つ乗客を効率的にペアリングすることで、既存のベースラインと比較して顕著にフリート規模が削減され、道路上の車両数が減少している。
• ルートクエリへの応答時間が約1.1秒で、生産環境でのライドシェアリングプラットフォームへのリアルタイム展開が可能であることを示している。
• フリート規模は1日を通じて動的に変化し、朝と夕方のラッシュアワー（7–11時および16–20時）にピークに達し、深夜（2–7時）には低下する。これは実世界の需要パターンと整合的である。
• バックワードグリーディアプローチは、すべての要請を満たすために必要な最小車両数を効果的に同定しており、ニューヨーク市およびワシントンD.C.の実際の需要データと照合された結果が得られている。
• 需要分散が大きい時間帯（オフピーク時）ではモデルの性能が最も高く、近似比が1.0に近づくことが確認され、強固でスケーラブルな性能を示している。