[論文レビュー] Fast Detour Computation for Ride Sharing

Robert Geisberger, Dennis Luxen+3 more|ArXiv.org|Jul 30, 2009

Data Management and Algorithms参考文献 4被引用数 25

ひとこと要約

本稿では、乗車・降車地点が事前に定義されたハブに限定されない任意の場所に対しても、効率的なドライバーと乗客のマッチングを可能にする、高速な最小デューティ（迂回経路）計算アルゴリズムを提案する。階層的ルーティングと距離テーブル計算を活用することで、5ms未満の照会時間と、現実的データセット上でのマッチング率の70%から90%への向上を達成し、地方や中心部外の地域における柔軟性とカバレッジを顕著に向上させる。

ABSTRACT

Todays ride sharing services still mimic a better billboard. They list the offers and allow to search for the source and target city, sometimes enriched with radial search. So finding a connection between big cities is quite easy. These places are on a list of designated origin and distination points. But when you want to go from a small town to another small town, even when they are next to a freeway, you run into problems. You can't find offers that would or could pass by the town easily with little or no detour. We solve this interesting problem by presenting a fast algorithm that computes the offers with the smallest detours w.r.t. a request. Our experiments show that the problem is efficiently solvable in times suitable for a web service implementation. For realistic database size we achieve lookup times of about 5ms and a matching rate of 90% instead of just 70% for the simple matching algorithms used today.

研究の動機と目的

• 現在のライドシェアリングプラットフォームが事前に定義された出発地・目的地に依存するという制限を解消し、地方や中心部外の地域でのマッチング率が低くなる問題を是正すること。
• 手動でのルート事前定義を不要とし、任意のピックアップ・ドロップオフ地点に対して最小限のデューティを計算することで、柔軟なマッチングを可能にすること。
• 制限付きデューティを伴うライドオファーとリクエストの間で妥当な適合を効率的に計算できる、スケーラブルでウェブサービス対応のアルゴリズムを開発すること。
• トランジットノードルーティングなどの既存手法を上回り、特に現実的で摂動を加えたデータセットにおいて、照査時間を短縮するとともにマッチングカバレッジを向上させること。

提案手法

• アルゴリズムは道路網をグラフ G=(V,E) としてモデル化し、辺の重みで経路長を定義し、デューティ計算のベースラインとして最短経路距離 μ(u,v) を用いる。
• 「妥当な適合」を形式的に定義し、ドライバーの経路が最短経路の (1+ε) 倍以内にずれることを許容することで、乗客の最小限のデューティを実現する。
• 収縮ハイアラルキー内での前方および後方探索を用いて距離テーブルを計算し、すべてのオファーについて μ(s′,ti) および μ(ti,t′) を高速に計算可能にする。
• バケットベースのデータ構造を用いて、空間的近接性に基づきオファーをグループ化し、リクエストあたりの距離照査回数を削減することでスケーラビリティを向上させる。
• 時間的・ルート制約に違反するオファーを後処理で除外することで、有効なマッチングのみを返すようにする。
• 実世界のノード位置を摂動させることで、任意の出発地・目的地をシミュレートし、実データで観察される旅程長の指数分布を保持する。

実験結果

リサーチクエスチョン

• RQ1 事前に定義されたハブを越えて、任意の出発地・目的地間で最小デューティを計算できるスケーラブルなアルゴリズムは、実現可能か？
• RQ2 トランジットノードルーティングなどの既存手法と比較して、照査速度とマッチング率の面で、提案手法はどの程度優れているか？
• RQ3 現実のライドシェアリングデータ、特に中心部外や地方の地域において、このアルゴリズムはどの程度マッチング率を向上させられるか？
• RQ4 10万件以上のオファーを含む大規模データセットを処理する際、このアルゴリズムは効率的かつ正確に動作するか？
• RQ5 任意のピックアップ・ドロップオフ地点をシミュレートするためのデータ摂動処理は、マッチングカバレッジおよびアルゴリズムのパフォーマンスにどのような影響を与えるか？

主な発見

• 10,000件のオファーでは平均リクエストマッチング時間が5.1ms、100,000件では63msにまで短縮され、同様のデータセットで340msを要するトランジットノードルーティングよりも顕著に高速である。
• 標準的手法を用いた場合のマッチング率70%から、最大10%のデューティ許容範囲で10,000件のオファーに対して94%を超えるマッチング率に向上し、カバレッジの顕著な向上を示している。
• 100,000件のオファーを含むデータセットでは、10%のデューティで99.7%のマッチング率、20%では100%のマッチング率を達成しており、高いスケーラビリティとロバストネスを示している。
• 最適化手法を用いたトランジットノードルーティングで2k+1回の最短経路照査を実行する場合でさえ、本アルゴリズムはその効率性を上回っており、優れた性能を発揮している。
• 実世界データの摂動処理により、旅程長の指数分布が保持され、実験で用いられた合成データセットの現実性が裏付けられた。
• バケットサイズが大きくなるとアルゴリズムのパフォーマンスが低下するが、これは複数の時間窓にオファーを分散させたり、より大きなグラフを用いることで緩和可能である。