[論文レビュー] Modeling Ride-Sourcing Matching and Pickup Processes based on Additive Gaussian Process Models

Zheng Zhu, Meng Xu+3 more|arXiv (Cornell University)|Apr 29, 2022

Transportation and Mobility Innovations被引用数 4

ひとこと要約

本稿では、空間的・時間的要因、需要および供給の共変量を用いて、ライドシェアリングのマッチングおよびピックアッププロセスを正確にモデル化するための加法的ガウス過程モデル（AGPM）を提案する。杭州のデータを用いた評価において、AGPMは解析的モデルおよび機械学習モデルを上回る推定精度を示し、空き車両の再配置戦略の設計に有効である。

ABSTRACT

Matching and pickup processes are core features of ride-sourcing services. Previous studies have adopted abundant analytical models to depict the two processes and obtain operational insights; while the goodness of fit between models and data was dismissed. To simultaneously consider the fitness between models and data and analytically tractable formations, we propose a data-driven approach based on the additive Gaussian Process Model (AGPM) for ride-sourcing market modeling. The framework is tested based on real-world data collected in Hangzhou, China. We fit analytical models, machine learning models, and AGPMs, in which the number of matches or pickups are used as outputs and spatial, temporal, demand, and supply covariates are utilized as inputs. The results demonstrate the advantages of AGPMs in recovering the two processes in terms of estimation accuracy. Furthermore, we illustrate the modeling power of AGPM by utilizing the trained model to design and estimate idle vehicle relocation strategies.

研究の動機と目的

• ライドシェアリング運用におけるモデルの適合度と解析的扱いやすさのバランスをとるデータ駆動型のモデルフレームワークを開発すること。
• 過去の研究では、解析的扱いやすさが重視された一方で、モデルとデータの適合度がしばしば無視されていたというギャップを解消すること。
• 実世界のライドシェアリングシステムにおけるマッチングおよびピックアッププロセスの正確なモデル化を通じて、運用上のインサイトを提供すること。
• 実世界の杭州データを用いて、AGPMの性能を解析的モデルおよび機械学習モデルと比較して評価すること。
• 訓練されたモデルが、空き車両の再配置戦略の設計および推定に実用的に有効であることを示すこと。

提案手法

• AGPMフレームワークは、マッチ数やピックアップ数を出力とし、空間的・時間的要因、需要および供給の変数を入力とする。
• ガウス過程の加法的構造により、共変量と結果の間の解釈可能な非線形関係をモデル化できる。
• カーネルベースのアプローチを用いることで、複雑な依存関係を捉えつつ計算効率を維持する。
• モデルのトレーニングは、中国・杭州で収集された実世界のライドシェアリングデータを用いて実施される。
• フレームワークは不確実性の定量化をサポートし、運用計画に向けた確率的予測を提供する。
• 訓練されたAGPMは、空き車両の再配置戦略のシミュレーションおよび有効性の推定に応用される。

実験結果

リサーチクエスチョン

• RQ1 加法的ガウス過程モデルは、従来のモデルと比較して、ライドシェアリングのマッチングおよびピックアッププロセスのダイナミクスをどの程度うまく捉えられるか？
• RQ2 AGPMは、マッチ数およびピックアップ数の予測において、解析的モデルおよび機械学習モデルと比較して相対的にどの程度の推定精度を達成するか？
• RQ3 AGPMフレームワークは、ライドシェアリングシステムにおける空き車両の再配置戦略の設計および評価を支援できるか？
• RQ4 空間的・時間的要因、需要および供給の共変量が、モデルの観点からマッチングおよびピックアッププロセスにどのように影響を与えるか？
• RQ5 AGPMは、高いデータ適合度を達成しつつ、どの程度の解析的扱いやすさを維持できるか？

主な発見

• AGPMは、マッチ数およびピックアップ数の推定において、解析的モデルおよび機械学習モデルを顕著に上回る性能を示す。
• 共変量と結果の間の非線形的で複雑な関係を捉える能力のおかげで、より高い推定精度が達成されている。
• AGPMの加法的構造により、各共変量が予測に与える寄与度を解釈可能な形で分解できる。
• 訓練されたAGPMは、空き車両の再配置戦略の設計および評価を効果的に支援し、実運用上の価値を示している。
• フレームワークは、優れたデータ適合度を達成しつつも、解析的扱いやすさを維持しており、従来のモデルアプローチにおける主要な制限を解消している。
• 杭州のデータを用いた実証的結果から、AGPMが異なる空間的・時間的条件下でも頑健で一般化可能であることが確認された。