[論文レビュー] Real-Time Dispatching of Large-Scale Ride-Sharing Systems: Integrating Optimization, Machine Learning, and Model Predictive Control

Connor Riley, Pascal Van Hentenryck+1 more|arXiv (Cornell University)|Mar 24, 2020

Transportation and Mobility Innovations参考文献 13被引用数 6

ひとこと要約

本稿では、機械学習ベースの需要予測、アイドル車両の再配置にためのモデル予測制御（MPC）、リアルタイムのライドシェア配車最適化を統合したエンドツーエンドフレームワークA-RTRSを提案する。本手法は、全テストケースで平均待機時間を30%削減し、需要が高まる地域では最大55%まで短縮する。これは、予測されたゾーン単位の需要予測と、粗い空間時間スケールでのスケーラブルなMPCを用いて、事前に車両を再配置することで達成される。

ABSTRACT

This paper considers the dispatching of large-scale real-time ride-sharing systems to address congestion issues faced by many cities. The goal is to serve all customers (service guarantees) with a small number of vehicles while minimizing waiting times under constraints on ride duration. This paper proposes an end-to-end approach that tightly integrates a state-of-the-art dispatching algorithm, a machine-learning model to predict zone-to-zone demand over time, and a model predictive control optimization to relocate idle vehicles. Experiments using historic taxi trips in New York City indicate that this integration decreases average waiting times by about 30% over all test cases and reaches close to 55% on the largest instances for high-demand zones.

研究の動機と目的

• 都市の混雑を軽減するため、サービス保証を伴いながら最小限の待機時間を実現する大規模リアルタイムライドシェアシステムを実現すること。
• ライドシェアシステムにおける平均待機時間を短縮しつつ、乗車時間と車両定員制約を維持すること。
• 予測モデルとモデル予測制御（MPC）を用いて、アイドル車両を事前に再配置することで、システム効率を向上させること。
• 細粒度最適化と粗粒度MPCおよびML予測をハイブリッド化することで、リアルタイム配車において顕著な運用上の利点が得られることを示すこと。
• 低需要地域での待機時間を低く保ちつつ、再配置のオーバーヘッドを最小限に抑えることで、公平性とスケーラビリティを確保すること。

提案手法

• A-RTRSは、リクエストのバッチ処理と定期的な最適化を用いたローリングホライゾンを採用し、大規模なリアルタイム需要を処理する。
• 需要予測のための機械学習モデルを用いて、時間経過に伴うゾーン間需要を予測し、車両の事前再配置を可能にする。
• モデル予測制御（MPC）を、より粗いゾーンおよび時間の粒度で適用し、ルーティング意思決定の前にアイドル車両を再配置することで、将来的な需要カバレッジを向上させる。
• 乗車時間と定員制約を厳守するように、最新のダイヤル・ア・ライド最適化アルゴリズムを統合して車両の割り当てとルーティングを実行する。
• フレームワークはエポック単位で動作する：MPCステップは比較的頻度が低く、アイドル車両の再配置が行われ、その後、保留中および未処理のリクエストに対して詳細なルーティング最適化が実施される。
• A-RTRSはすべてのリクエストを満たすことを保証し、遅延サービスに対しては増加するペナルティを適用する。また、需要予測とシステムキャリブレーションに歴史的データを用いる。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースの需要予測とモデル予測制御（MPC）を統合することで、リアルタイムライドシェア配車のパフォーマンスが向上するか？
• RQ2 事前に再配置を行うことで、需要が高まる都市部のゾーンにおける平均待機時間はどの程度短縮されるか？
• RQ3 ハイブリッドMPC-最適化アプローチのパフォーマンスは、純粋に短絡的または反応的な配車戦略と比べてどうか？
• RQ4 本フレームワークは、低需要地域での待機時間を低く保ちつつ、再配置のオーバーヘッドを最小限に抑えることができるか？
• RQ5 システムのパフォーマンスは、需要予測モデルの精度にどの程度敏感か？

主な発見

• A-RTRSは、再配置なしのベースラインと比較して、全テストケースで平均待機時間を30%削減した。
• 特に需要が最も高いインスタンスでは、平均待機時間がほぼ55%短縮された。
• 2,000台の車両（1台あたり4名の定員）を用いて、平均待機時間は2.51分（標準偏差1.16分）を維持した。
• 再配置の恩恵は、需要が高まる地域で最も顕著で、改善度は最大55%に達した。一方、低需要地域では一貫して低い待機時間が維持された。
• 83%以上の車両が、稼働時間の17%未満しか再配置に費やさなかったため、運用オーバーヘッドが低いことが示された。
• 本フレームワークは、再配置なしのM-RTRSおよび現実的ではないが最適なOA-RTRSよりも、需要が高まるインスタンスで優れたパフォーマンスを示した。性能向上は、予測精度に直接関連していた。