[論文レビュー] Data-Driven Robust Taxi Dispatch under Demand Uncertainties

Fei Miao, Shuo Han+7 more|arXiv (Cornell University)|Mar 20, 2016

Transportation and Mobility Innovations参考文献 25被引用数 4

ひとこと要約

本稿では、仮説検定に基づく不確実性集合を用いて空間的・時間的需要の不確実性をモデル化するデータ駆動型のロバスト配車枠組みを提案する。これにより、余剰走行距離を最小化しながらサービスの公平性を維持する計算的に取り扱いやすい最適化が可能になる。2次モーメント情報を2次円錐（SOC）不確実性集合を介して組み込むことで、非ロバスト手法と比較して平均需要供給比誤差を31.7%削減し、余剰走行距離を10.13%（年間約2000万マイル）削減する。また、最悪ケース性能に対するチューナブルな確率的保証水準を提供する。

ABSTRACT

In modern taxi networks, large amounts of taxi occupancy status and location data are collected from networked in-vehicle sensors in real-time. They provide knowledge of system models on passenger demand and mobility patterns for efficient taxi dispatch and coordination strategies. Such approaches face new challenges: how to deal with uncertainties of predicted customer demand while fulfilling the system's performance requirements, including minimizing taxis' total idle mileage and maintaining service fairness across the whole city; how to formulate a computationally tractable problem. To address this problem, we develop a data-driven robust taxi dispatch framework to consider spatial-temporally correlated demand uncertainties. The robust vehicle dispatch problem we formulate is concave in the uncertain demand and convex in the decision variables. Uncertainty sets of random demand vectors are constructed from data based on theories in hypothesis testing, and provide a desired probabilistic guarantee level for the performance of robust taxi dispatch solutions. We prove equivalent computationally tractable forms of the robust dispatch problem using the minimax theorem and strong duality. Evaluations on four years of taxi trip data for New York City show that by selecting a probabilistic guarantee level at 75%, the average demand-supply ratio error is reduced by 31.7%, and the average total idle driving distance is reduced by 10.13% or about 20 million miles annually, compared with non-robust dispatch solutions.

研究の動機と目的

• 空間的・時間的相関を持つ乗客需要の不確実性のもとで、タクシーの余剰走行距離を最小化し、サービスの公平性を維持する課題に対処すること。
• 真の確率分布が既知でない場合でも、需要モデルの不確実性を考慮できる計算的に取り扱いやすいロバスト最適化枠組みを構築すること。
• 仮説検定理論を用いてデータ駆動型の不確実性集合を構築し、配車性能に確率的保証を提供すること。
• チューナブルな確率的保証水準を可能にすることで、最悪ケースのロバスティック性と平均ケースのパフォーマンスのバランスを図ること。
• 実世界のニューヨーク市タクシーのデータを用いてフレームワークを評価し、実用的パフォーマンスの向上を示すこと。

提案手法

• 不確実性需要に関しては目的関数が凹関数で、意思決定変数に関しては凸関数となる多段階ロバスト最適化問題を定式化し、強い双対性を用いて取り扱いやすい解法を可能にする。
• 時空的特徴（カテゴリカルな時間的・空間的要因）に応じてデータを分割することで、需要ベクトルの不確実性集合を仮説検定の原則に基づいて構築する。
• ミニマックス定理と強い双対性を用いて、多面体（ボックス）および2次円錐（SOC）不確実性集合の両方に対して、元のロバスト配車問題の等価な凸再定式化を導出する。
• 4年間のニューヨーク市タクシー移動データを用いて不確実性集合を推定し、さまざまな確率的保証水準（1−ε）におけるパフォーマンスを検証する。
• サンプルされた需要のテストサブセットにおいて、平均余剰走行距離や需要供給比誤差などの指標を用いて、ロバスト解と非ロバスト配車を比較する。
• 最悪ケースのロバスティック性と平均ケースのパフォーマンスの最適なトレードオフを得るために、確率的保証水準（ε）をチューニングする。

実験結果

リサーチクエスチョン

• RQ1 既知の確率分布を仮定せずに、タクシー需要の不確実性における空間的・時間的相関を効果的にモデル化する方法は何か？
• RQ2 需要の不確実性のもとで、タクシー配車における最悪ケースのロバスティック性と平均ケースのパフォーマンスのトレードオフは何か？
• RQ3 異なる不確実性集合構造（ボックス型対SOC）が、計算コストおよび実効的な配車パフォーマンスに与える影響は何か？
• RQ4 実世界のデータにおいて、最悪ケースコストと平均配車コストの最適なバランスをとる確率的保証水準（1−ε）は何か？
• RQ5 データ駆動型のロバスト最適化は、大規模なタクシーネットワークにおいて、余剰走行距離と需要供給不一致をどの程度削減できるか？

主な発見

• 提案されたロバスト配車フレームワークは、非ロバスト解と比較して平均需要供給比誤差を31.7%削減する。
• フレームワークは平均総余剰走行距離を10.13%削減し、ニューヨーク市では年間約2000万マイルに相当する。
• 2次円錐（SOC）不確実性集合はボックス型集合を上回り、2次モーメント情報の組み込みにより、より低い最小平均コストを達成する。
• SOC不確実性集合ではε = 0.25が最良の平均パフォーマンスをもたらし、ボックス型集合ではε = 0.3が最小の平均コストを達成する。
• ロバスト解は、実証的テストにおいて常に名目の1−ε水準を超える実際の達成率を示し、確率的保証水準（1−ε）を一貫して満たす。
• フレームワークは、最悪ケースのロバスティック性と平均パフォーマンスの間でチューナブルなトレードオフを可能にし、大規模なタクシーネットワークにおける実世界の展開に適している。