[論文レビュー] Proactive rebalancing and speed-up techniques for on-demand high capacity ridesourcing services

Yang Liu, Samitha Samaranayake|arXiv (Cornell University)|Feb 9, 2019

Transportation and Mobility Innovations参考文献 11被引用数 4

ひとこと要約

本稿では、リアルタイムで高容量のライドシェアリングファミリー管理フレームワークの性能を向上させるために、高速化技術と確率的プロアクティブな再均衡化手法を提案する。探索空間の削減と並列処理におけるI/Oオーバーヘッドの低減により、計算時間が最大97.67%短縮された。一方、歴史的需要確率に基づくプロアクティブな再均衡化により、サービス率が4.8%向上し、待機時間と総遅延はそれぞれ5.0%および10.7%削減された。

ABSTRACT

We present a probabilistic proactive rebalancing method and speed-up techniques for improving the performance of a state-of-the-art real-time high-capacity fleet management framework [1]. We improve on both computational efficiency and system performance. The speed-up techniques include search-space pruning and I/O cost reduction for parallelization, reducing the computation time by up to 97.67%, in experiments on taxi trips in New York City. The proactive rebalancing routes idle vehicles to future demands based on probabilistic estimates from historical demand, increasing the service rate by 4.8% on average, and decreasing the waiting time and total delay by 5.0% and 10.7% on average, respectively.

研究の動機と目的

• リアルタイムで高容量のライドシェアリングファミリー管理システムの計算効率を向上させること。
• 大規模な車両ルーティングおよび割り当て問題を解く際の計算時間を短縮すること。
• 歴史的需要パターンを用いて、アイドル状態の車両を需要の高い地域へ事前に移動させることで、システムのパフォーマンスを向上させること。
• 並列処理におけるリクエスト-車両適合性チェックにおけるI/Oボトルネックを低減すること。
• 予測による車両再配置を通じて、サービス率を向上させ、待機時間と遅延時間を短縮すること。

提案手法

• トリップの妥当性計算中に評価される一般化されたピックアップ・デリバリー問題の数を減らすために、2つの探索空間のプルーニング技術が適用される。
• 計算ユニット間の重複する車両データを削減することで、並列リクエストパーティショニングにおける不要なデータ転送を最小限に抑えるI/O低減技術が導入される。
• 将来のリクエスト割り当てのマージナル確率推定値を用いて、アイドル車両を高い利便性を持つ場所へ誘導する確率的プロアクティブな再均衡化手法が使用される。
• この手法は、歴史的需要分布を活用して将来の需要ホットスポットを予測し、車両の位置を将来の利用度に合わせて整列させる。
• これらの技術は[1]の最先端のいつでも最適なファミリー管理システムに統合され、最適性を保持しつつ計算を高速化する。
• 予測の有効性を高めるために、将来の需要をモデル化するために仮想リクエストがILP定式化で使用される。

実験結果

リサーチクエスチョン

• RQ1 探索空間のプルーニング技術は、解の品質を損なわせることなく、高容量のライドシェアリングシステムにおける計算時間を短縮できるか？
• RQ2 並列処理におけるリクエスト-車両適合性チェックにおけるI/Oオーバーヘッドをどのように低減すれば、スケーラビリティが向上するか？
• RQ3 歴史的需要に基づく確率的プロアクティブな再均衡化は、サービス率、待機時間、遅延といったシステムパフォーマンス指標にどの程度の向上効果をもたらすか？
• RQ4 提案された高速化技術は、ファミリーの規模と需要の複雑さが増加するに従って、どのようにスケーリングするか？
• RQ5 高速化技術とプロアクティブな再均衡化を組み合わせた場合、全体のシステム効率とパフォーマンスにどのような影響を与えるか？

主な発見

• 実験では、1000台の車両と10人容量のファミリーが高需要制約下にある状況で、高速化技術により計算時間が最大97.67%短縮された。
• 全テスト設定における平均計算時間短縮率は87.46%であり、最適性に損なわれることなく実現された。
• プロアクティブな再均衡化により、平均してサービス率が4.8%向上し、6時間の間に4068人の追加乗客が対応された。
• 待機時間は平均で5.0%短縮され、全テストケースにおいて平均して総遅延が10.7%削減された。
• 待機時間の最大短縮（24.28秒）と総遅延の最大短縮（68.51秒）は、3000台の車両と4人容量のファミリーが高需要制約下にある状況で発生した。
• 高速化技術とプロアクティブな再均衡化の統合により、元のフレームワークに比べて平均で81.44%の計算時間短縮が達成された。