[論文レビュー] Impact of Detour-Aware Policies on Maximizing Profit in Ridesharing

Arpita Biswas, Ragavendran Gopalakrishnan+4 more|arXiv (Cornell University)|Jun 8, 2017

Transportation and Mobility Innovations参考文献 14被引用数 11

ひとこと要約

本稿は、経路の迂回に基づく割引を前提としたリアルタイムのライドシェアマッチングのためのグリーディヒューリスティクス、利益最大化の割引要因を最適化するための適応的学習アルゴリズム（IDFLA）、および迂回対応ルーティングと利益性のトレードオフを評価する。ニューヨーク市タクシーのデータを用いたシミュレーションでは、ヒューリスティクスが最適法の1/100,000の時間で最大90%の最適性を達成し、IDFLAは16回未満の反復で最適な割引を学習し、100%の市場シェアの増加が、品質向上ルーティングポリシーに起因する1回あたりの利益減少を相殺する。

ABSTRACT

This paper provides efficient solutions to maximize profit for commercial ridesharing services, under a pricing model with detour-based discounts for passengers. We propose greedy heuristics for real-time ride matching that offer different trade-offs between optimality and speed. Simulations on New York City (NYC) taxi trip data show that our heuristics are up to 90% optimal and 10^5 times faster than the (necessarily) exponential-time optimal algorithm. Commercial ridesharing service providers generate significant savings by matching multiple ride requests using heuristic methods. The resulting savings are typically shared between the service provider (in the form of increased profit) and the ridesharing passengers (in the form of discounts). It is not clear a priori how this split should be effected, since higher discounts would encourage more ridesharing, thereby increasing total savings, but the fraction of savings taken as profit is reduced. We simulate a scenario where the decisions of the passengers to opt for ridesharing depend on the discount offered by the service provider. We provide an adaptive learning algorithm IDFLA that learns the optimal profit-maximizing discount factor for the provider. An evaluation over NYC data shows that IDFLA, on average, learns the optimal discount factor in under 16 iterations. Finally, we investigate the impact of imposing a detour-aware routing policy based on sequential individual rationality, a recently proposed concept. Such restricted policies offer a better ride experience, increasing the provider's market share, but at the cost of decreased average per-ride profit due to the reduced number of matched rides. We construct a model that captures these opposing effects, wherein simulations based on NYC data show that a 7% increase in market share would suffice to offset the decreased average per-ride profit.

研究の動機と目的

• 経路の迂回に基づく料金設定下で、最適なライドマッチングがNP困難であり、リアルタイム性能が求められる商業的ライドシェアリングにおける利益最大化の課題に取り組む。
• ライドシェアリングの採用を促進する割引（これは採用を増加させるが、提供者利益を減少させる）と、提供者利益の最適なバランスを特定する。
• 順次個人合理的性（SIR）に基づく迂回対応ルーティングポリシーの採用による利益性のトレードオフを評価する。これは乗車品質を向上させるが、可能なマッチの範囲を制限する。
• SIR制約付きポリシー下での1回あたりの利益減少を相殺するための最小市場シェアの増加をモデル化・定量化する。

提案手法

• 経路の迂回に基づく割引下で最適性と速度の両立を図るリアルタイムライドマッチングのための整数線形計画法（ILP）と、グリーディヒューリスティクスの族を提案する。
• ユーザーの採用行動を提示された割引の関数としてモデル化し、パrameterを段階的に改善することで最適な割引要因を学習する、適応的学習アルゴリズムIDFLAを開発する。
• 順次個人合理的性（SIR）に基づく迂回対応ルーティングポリシーを課し、乗客が単独移動より悪くならないことを保証することで、ユーザー体験と市場シェアの向上を図る。
• ニューヨーク市タクシーの移動データを用いて、さまざまな割引水準とルーティング制約下でのライドマッチング、ユーザー採用行動、利益性をシミュレートする。
• ユーザーの選択行動を確率的モデルで表現し、ユーザーは偏りのあるコインを投げてライドシェアリング採用を決定する。その偏りは割引、迂回コスト、市場シェアの動態に依存する。
• SIR制約付きポリシー下での1回あたりの利益減少を相殺するための最小市場シェア増加を測定することで、利益性のトレードオフを定量的に評価する。

実験結果

リサーチクエスチョン

• RQ1 経路の迂回に基づく割引下で、正確な解法がNP困難であるにもかかわらず、利益最大化を図るリアルタイムライドシェアマッチングを、いかに効率的に近似できるか。
• RQ2 ユーザー採用が提示された割引に依存するモデル下で、ユーザー採用の増加と提供者利益の両立を図る最適な割引要因は何か。
• RQ3 順次個人合理的性（SIR）に基づく迂回対応ルーティングポリシーを採用することで、1回あたりの利益はどの程度減少するか。また、市場シェアの増加がその損失を相殺できるか。
• RQ4 SIR制約付きルーティングポリシー下での1回あたりの利益減少を相殺するための最小市場シェア増加はどの程度か。

主な発見

• 提案されたグリーディヒューリスティクスは、実世界のニューヨーク市データにおいて、正確な指数時間アルゴリズムの100,000分の1の時間で最大90%の最適利益を達成する。
• IDFLAアルゴリズムは平均して16回未満の反復で最適な割引要因を学習し、ユーザー採用と提供者利益の両立を効果的に実現する。
• 市場シェアが7%増加すれば、順次個人合理的性（SIR）に基づく迂回対応ルーティングポリシーの採用に起因する1回あたりの利益減少を完全に相殺できる。
• シミュレーションの結果、任意の $ c_{\text{in}} \geq 200 $ に対して、SIR-$ \gamma $ ポリシーを適用した場合、ベースラインよりも高い全体的利益が得られる $ \gamma $ の範囲が存在することが示された。
• 利益性曲線は中間の $ \gamma $ 値でピークを示し、過度な迂回制限がマッチの可能性を低下させ、結果として利益を減少させるというトレードオフが存在することが示された。
• 結果は、SIRのような品質向上ポリシーが、市場シェアのわずかな増加をもたらすならば、利益に影響を及たない、あるいは利益をもたらす可能性があることを示しており、2016年にLyftが70%の市場シェアを拡大した実世界の事例と一致する。