[論文レビュー] Gaussian Process-Based Decentralized Data Fusion and Active Sensing for Mobility-on-Demand System

Jie Chen, Kian Hsiang Low+1 more|arXiv (Cornell University)|Jun 2, 2013

Gaussian Processes and Bayesian Inference参考文献 11被引用数 14

ひとこと要約

本稿では、自律的ロボット車両を用いたモビリティ・オン・デマンド（MoD）システムにおけるリアルタイムで詳細な移動需要予測を実現する、ガウス過程に基づく分散型データ統合（GP-DDF+）およびアクティブセンシング（DAS）フレームワークを提案する。スパースな近似ガウス過程モデルの計算を車両に分散させることで、GP-DDF+は中央集権的な手法と同等の予測性能を達成しながら、スケーラビリティと時間効率を保証する。一方、DASは予測の不確実性に基づき、情報量の多い領域へ車両を誘導することで、予測精度の向上と同時並行的にフリートの再配置を最適化する。

ABSTRACT

Mobility-on-demand (MoD) systems have recently emerged as a promising paradigm of one-way vehicle sharing for sustainable personal urban mobility in densely populated cities. In this paper, we enhance the capability of a MoD system by deploying robotic shared vehicles that can autonomously cruise the streets to be hailed by users. A key challenge to managing the MoD system effectively is that of real-time, fine-grained mobility demand sensing and prediction. This paper presents a novel decentralized data fusion and active sensing algorithm for real-time, fine-grained mobility demand sensing and prediction with a fleet of autonomous robotic vehicles in a MoD system. Our Gaussian process (GP)-based decentralized data fusion algorithm can achieve a fine balance between predictive power and time efficiency. We theoretically guarantee its predictive performance to be equivalent to that of a sophisticated centralized sparse approximation for the GP model: The computation of such a sparse approximate GP model can thus be distributed among the MoD vehicles, hence achieving efficient and scalable demand prediction. Though our decentralized active sensing strategy is devised to gather the most informative demand data for demand prediction, it can achieve a dual effect of fleet rebalancing to service the mobility demands. Empirical evaluation on real-world mobility demand data shows that our proposed algorithm can achieve a better balance between predictive accuracy and time efficiency than state-of-the-art algorithms.

研究の動機と目的

• イベント、天候、または障害の影響により予測不能に変動する都市部の高密度な都市環境において、リアルタイムで詳細な移動需要のセンシングと予測を実現すること。
• 予測精度が中央集権的なスパースGP近似と同等である一方で、計算および通信のオーバーヘッドを低減する分散型データ統合アルゴリズムを設計すること。
• 自律的車両が最も情報量の多い需要データを収集するように誘導するアクティブセンシング戦略を開発し、予測精度の向上と同時に、フリートの再配置を間接的に改善すること。
• 提案フレームワークが、最先端の手法と比較して、予測精度と時間効率のバランスをより良く達成することを実証的に検証すること。
• アクティブセンシングが予測精度の向上に加え、ピックアップ率の向上とユーザーの待機時間の短縮といった、フリートサービスのパフォーマンス向上にも寄与することを示すこと。

提案手法

• フレームワークは、非ガウス的で歪度のある需要パターンに適したベイジアン非パrametricモデルである対数ガウス過程（ℓGP）を用いて、時空間的移動需要をモデル化する。
• 本稿では、MoD車両にスパース近似ガウス過程モデルの計算を分散させる、新しい分散型データ統合アルゴリズムであるGP-DDF+を提案する。これにより、中央集権的な調整を必要とせず、スケーラブルで効率的な予測が可能になる。
• 理論的分析により、GP-DDF+が中央集権的なスパースGP近似と同等の予測性能を達成することを証明しており、分散化にもかかわらず高い精度を保証する。
• 分散型アクティブセンシング（DAS）戦略は、予測の不確実性（分散）を用いて、情報量の高い領域へアイドル状態の車両を誘導し、将来の予測に向けたデータの有効性を最大化する。
• DASポリシーは、予測誤差を最小化すると同時に、未十分にサンプリングされた領域や需要が高いための地域へ車両を誘導することで、フリートの分布を改善することを目的として設計されている。
• システムは車両のピックアップから得られるリアルタイムの需要データを統合し、ローカルな計算と近隣車両との通信を用いて予測を更新する。これにより、グローバルインfrastrucutureへの依存を回避する。

実験結果

リサーチクエスチョン

• RQ1 分散型データ統合アルゴリズムは、中央集権的なスパースGP近似と同等の予測精度を達成しながら、スケーラビリティと効率性を確保できるか？
• RQ2 予測の不確実性に基づくアクティブセンシングは、予測精度を向上させるために最も情報量の多い需要データを収集するように自律的車両を誘導できるか？
• RQ3 アクティブセンシング戦略は、ユーザーの待機時間の短縮やピックアップ率の向上といった、フリートの再配置とサービスパフォーマンスの両方を同時に改善できるか？
• RQ4 MoDシステム内の自律的車両の数が増加するに従って、提案フレームワークのパフォーマンスはどのようにスケーリングするか？
• RQ5 中央集権的または準中央集権的な既存手法と比較して、分散アプローチは、精度、時間効率、およびサービス品質の観点でどの程度優れているか？

主な発見

• GP-DDF+ は理論的に保証されたように、中央集権的なスパースGP近似と同等の予測精度を達成する。同時に、車両に計算を分散させることでスケーラビリティと効率性を実現する。
• 実世界のデータを用いた実証的評価により、GP-DDF+ は最先端の手法（FGPおよびGP-DDF）と比較して、予測精度と時間効率のバランスにおいて優れた性能を示す。
• 車両数が増加する（K=10,20,30）に従い、すべてのアルゴリズムで予測精度とサービスパフォーマンスが向上するが、GP-DDF+ は分散計算のおかげで優れた時間効率を維持する。
• アクティブセンシング戦略は、フリートのアンバランス（KLD）を低減し、平均的な車両走行軌跡を短くし、ユーザーの待機時間を短くし、総ピックアップ数を増加させる。予測とサービスの両面で二重の利点を示している。
• フレームワークは効果的にスケーリング可能である：より多くの車両が、需要のホットスポットおよびサンプリングが不足している地域でのデータ収集を向上させ、予測とサービスの両方の結果を改善する。
• 結果から、アクティブセンシングが予測精度の向上に寄与するだけでなく、高不確実性領域にいる車両がユーザーをより多くピックアップするため、自然にフリートの再配置が行われ、システム全体の非効率性が低減することが確認された。