[論文レビュー] Balancing bike sharing systems (BBSS): instance generation from the CitiBike NYC data

Tommaso Urli|arXiv (Cornell University)|Dec 13, 2013

Urban Transport and Accessibility参考文献 2被引用数 5

ひとこと要約

本稿では、CitiBike NYCの実データを用いて、バランス調整可能な自転車共有システム（BBSS）の現実的で静的なベンチマークインスタンスを生成する手法を提案する。2013年9月の深夜スナップショットを分析することで、駅ごとの自転車台数、目標レベル、およびGoogleマップを用いた駅間距離を特定し、40〜240駅の規模が段階的に増加する180の多様なインスタンスを生成。各インスタンスは、バランスの取れたソースおよびシンク駅を備えており、再現可能な最適化テストを可能にする。

ABSTRACT

Bike sharing systems are a very popular means to provide bikes to citizens in a simple and cheap way. The idea is to install bike stations at various points in the city, from which a registered user can easily loan a bike by removing it from a specialized rack. After the ride, the user may return the bike at any station (if there is a free rack). Services of this kind are mainly public or semi-public, often aimed at increasing the attractiveness of non-motorized means of transportation, and are usually free, or almost free, of charge for the users. Depending on their location, bike stations have specific patterns regarding when they are empty or full. For instance, in cities where most jobs are located near the city centre, the commuters cause certain peaks in the morning: the central bike stations are filled, while the stations in the outskirts are emptied. Furthermore, stations located on top of a hill are more likely to be empty, since users are less keen on cycling uphill to return the bike, and often leave their bike at a more reachable station. These issues result in substantial user dissatisfaction which may eventually cause the users to abandon the service. This is why nowadays most bike sharing system providers take measures to rebalance them. Over the last few years, balancing bike sharing systems (BBSS) has become increasingly studied in optimization. As such, generating meaningful instance to serve as a benchmark for the proposed approaches is an important task. In this technical report we describe the procedure we used to generate BBSS problem instances from data of the CitiBike NYC bike sharing system.

研究の動機と目的

• 最適化研究を支援するため、現実的で再現可能なBBSSベンチマークインスタンスを生成すること。
• 現実世界のデータに基づく標準化された、公開可能なBBSSインスタンスの不足を解消すること。
• ピーク利用パターンや空間的アンバランスといった現実世界のダイナミクスを反映させること。
• 一貫性のある、データ駆動型の問題インスタンスを提供することで、最適化アルゴリズムの公平な比較を可能にすること。
• スケーラブルでオープンソースのインスタンスジェネレータを通じて、効率的なリバランス戦略の開発を支援すること。

提案手法

• 2013年5月から11月にかけて、10分間隔で25,000件のCitiBike NYCスナップショットを収集し、作業日を対象とした。
• 各駅の自転車台数の時間的分布を計算し、第1四分位数と第3四分位数を用いて、流出源（ソース）と流入先（シンク）を特定した。
• 空または満杯の駅のリスクを最小限に抑えるために、$ disp_s = \big\rfloor C_s - (C_s - (max_s - min_s))/2 \big\rfloor - max_s $ というディスプレースメント値を定義した。
• インスタンス生成の出発点として、2013年9月の深夜スナップショットを選択し、リバランスが一晩かけて行われると仮定した。
• 中央部に位置するため、駅ID 294をデポとして選定し、他のインスタンスの駅選定から除外した。
• 目的関数の範囲を広げ、多様性を確保するために、ソースおよびシンクグループからランダムに駅を選択してインスタンスを生成した。

実験結果

リサーチクエスチョン

• RQ1 現実世界の自転車共有データから、現実的で静的なBBSS問題インスタンスをどのように生成できるか？
• RQ2 CitiBike NYCのような大都市の自転車共有システムにおける、自転車のアンバランスの時間的および空間的パターンは何か？
• RQ3 歴史的利用データから、駅レベルの自転車台数と目標レベルをどのように導出すれば、現実世界のアンバランスを反映できるか？
• RQ4 デポ選定と駅サンプリング戦略が、生成されたインスタンスの多様性と現実性に与える影響は何か？
• RQ5 都市環境における実際の移動時間と経路を反映するように、駅間距離をどのように正確にモデル化できるか？

主な発見

• 著者らは、CitiBike NYCの実データを用いて、40〜240駅の規模が段階的に増加する180の静的BBSSインスタンスを成功裏に生成した。
• 深夜スナップショットを用いて初期自転車台数（$b_s$）と目標レベル（$\hat{b}_s$）を設定し、時間的現実性を確保した。
• ジェネレータは、目的関数の範囲を広げるために、ソースおよびシンクグループから駅を選択するバランスの取れたサンプリング戦略を採用している。
• 駅間距離はGoogleマップAPIを用いてメートルおよび分単位で計算され、正確な移動コスト入力を提供した。
• ジェネレータはMITライセンスの下でオープンソースであり、https://bitbucket.org/tunnuz/citibike-nyc-generator で公開されている。
• 標準的なBBSSインスタンスとは異なり、このデータセットでは移動時間に積算時間（積み込み・降ろし時間）を含まず、異なる運用ポリシーの柔軟なモデル化を可能にしている。