[論文レビュー] Online Predictive Optimization Framework for Stochastic Demand-Responsive Transit Services

Inon Peled, Kelvin Lee+3 more|arXiv (Cornell University)|Feb 26, 2019

Transportation Planning and Optimization参考文献 58被引用数 4

ひとこと要約

本稿では、需要応答型トランジットサービスのオンライン予測最適化フレームワークを提案する。このフレームワークは、確率的需要分布をモデル化するために分位数回帰とガウス・コプールを統合し、シナリオベースのロバスト最適化を用いて動的に経路と頻度を設計する。予測分布の全情報を活用することで、従来の手法を上回り、実世界のキャンパス移動データにおいてほぼ最適解に近い結果を達成する。

ABSTRACT

This study develops an online predictive optimization framework for dynamically operating a transit service in an area of crowd movements. The proposed framework integrates demand prediction and supply optimization to periodically redesign the service routes based on recently observed demand. To predict demand for the service, we use Quantile Regression to estimate the marginal distribution of movement counts between each pair of serviced locations. The framework then combines these marginals into a joint demand distribution by constructing a Gaussian copula, which captures the structure of correlation between the marginals. For supply optimization, we devise a linear programming model, which simultaneously determines the route structure and the service frequency according to the predicted demand. Importantly, our framework both preserves the uncertainty structure of future demand and leverages this for robust route optimization, while keeping both components decoupled. We evaluate our framework using a real-world case study of autonomous mobility in a university campus in Denmark. The results show that our framework often obtains the ground truth optimal solution, and can outperform conventional methods for route optimization, which do not leverage full predictive distributions.

研究の動機と目的

• 需要予測と供給最適化を別々のプロセスとして扱う従来のトランジットフレームワークのギャップを解消する。
• 将来の需要における不確実性を保持・活用できる統合的でオンラインなフレームワークを構築し、ロバストなトランジットネットワーク設計を実現する。
• 空間的・時間的需要予測を用いて、自律走行シャトルのリアルタイムで動的かつ最適な経路と頻度最適化を可能にする。
• 需要予測と供給最適化を分離しつつ、出発地・目的地（OD）ペア間の相関構造を維持する。
• 大学キャンパスのWiFiトラッキングによる実世界の移動データを用いて、フレームワークの有効性を実証する。

提案手法

• 各出発地・目的地（OD）ペア間の移動回数の累積分布関数（CDF）を、分位数回帰を用いて推定する。
• マージナル分布を結合して、空間的・時間的需要分布の連合分布を構築するため、ガウス・コプールを構築する。これにより、OD間の相関構造が保持される。
• 連合需要分布からサンプリングを行い、供給最適化のための確率的シナリオを生成する。
• 各サンプルされた需要シナリオに対して、最適な経路構造とサービス頻度を決定する線形プログラミング（LP）モデルを定式化する。
• すべてのサンプルにおいて最も頻繁に出現する最適解を選択し、次の時間ラグにおける最終運用計画とする。
• コプールを介して予測と最適化のモジュールを分離することで、モジュラーかつスケーラブルな実装を可能にする。

実験結果

リサーチクエスチョン

• RQ1 需要の完全な予測分布とロバストな供給最適化を統合したフレームワークが、動的トランジットルーティングにおいて、従来の点推定に基づく手法を上回るか？
• RQ2 分位数回帰とガウス・コプールは、実世界の移動環境における群衆移動の連合空間的・時間的分布をどの程度効果的にモデル化できるか？
• RQ3 需要の不確実性を保持することで、動的に再構成されたトランジットネットワークのロバスト性と最適性はどの程度向上するか？
• RQ4 実時間運用環境において、シナリオベースの最適化アプローチはどの程度スケーラブルで効率的か？
• RQ5 将来の需要が事後的に分かっている状況で、フレームワークは真の最適解に近い解を得られるか？

主な発見

• 後向き観察（a posteriori）に基づいて評価した結果、フレームワークは真の最適解に頻繁に到達しており、解の正確性が非常に高いことが示された。
• 点推定に依存する従来の最適化手法よりも、特に最も性能の優れた予測モデル（$DNN_{1}^{Ind}$ および $GBoost_{1}^{Mul}$）を用いた場合に顕著に優れた性能を発揮した。
• 全予測分布の活用、特に分位数に基づくマージナル推定とコプールに基づく連合モデリングにより、よりロバストで正確な経路と頻度意思決定が可能になった。
• オンライン供給最適化は計算的に実行可能であり、各サンプルとLPの解法に数秒しかかわず、解の集約（頻度ベース選択）も数秒で完了する。
• フレームワークのシナリオベースのアプローチにより、リアルタイム運用が可能であり、大規模問題に対しても並列処理に適している。
• 予測可能なパrameterの分布が推定可能な任意の確率的線形計画問題に一般化可能であるため、本フレームワークはトランジットルーティングを越えて広範な応用が期待できる。