[論文レビュー] SOUP: Spatial-Temporal Demand Forecasting and Competitive Supply

Bolong Zheng, Qi Hu+5 more|arXiv (Cornell University)|Sep 24, 2020

Transportation and Mobility Innovations参考文献 53被引用数 4

ひとこと要約

本稿では、ライドシェアリングシステムにおける空間的・時間的需要予測および競争的供給を実現するSOUPというフレームワークを提案する。ST-GCSLと呼ばれるグラフ畳み込みニューラルネットワークモデルを導入し、空間的・時間的要因を考慮した正確なリクエスト予測を実現するとともに、需要に配慮したルート計画アルゴリズムであるDROPを提案。このアルゴリズムは、供給と需要のバランスを最適化することでエージェントの無駄な待機時間を短縮し、実世界のデータ上での実験で最先端手法を上回る性能を示し、待機時間の短縮が最大26.8秒に達する。

ABSTRACT

We consider a setting with an evolving set of requests for transportation from an origin to a destination before a deadline and a set of agents capable of servicing the requests. In this setting, an assignment authority is to assign agents to requests such that the average idle time of the agents is minimized. An example is the scheduling of taxis (agents) to meet incoming requests for trips while ensuring that the taxis are empty as little as possible. In this paper, we study the problem of spatial-temporal demand forecasting and competitive supply (SOUP). We address the problem in two steps. First, we build a granular model that provides spatial-temporal predictions of requests. Specifically, we propose a Spatial-Temporal Graph Convolutional Sequential Learning (ST-GCSL) algorithm that predicts the service requests across locations and time slots. Second, we provide means of routing agents to request origins while avoiding competition among the agents. In particular, we develop a demand-aware route planning (DROP) algorithm that considers both the spatial-temporal predictions and the supplydemand state. We report on extensive experiments with realworld and synthetic data that offer insight into the performance of the solution and show that it is capable of outperforming the state-of-the-art proposals.

研究の動機と目的

• 動的なライドシェアリングシステムにおけるエージェント（例：タクシー）の平均待機時間を最小化すること。
• 都市の道路網全体にわたる空間的・時間的需要パターンを正確に予測すること。
• ルート割り当ての段階で供給と需要のバランスを取ることで、エージェント間の競争を軽減すること。
• リアルタイムの需要予測と知能的なエージェントルーティングを統合するデータ駆動型フレームワークの構築。
• 待機時間、待機時間、リクエスト有効期限切れ率の低減において、既存手法を上回ること。

提案手法

• 空間的領域と時間スロットを段階的に分割する戦略を提案し、リクエストモデリングの細分化を実現。
• 空間的・時間的依存関係をグラフ畳み込みと順序付きモデリングを用いて捉える、空間的・時間的グラフ畳み込み逐次学習モデルであるST-GCSLを導入。
• リアルタイムの空間的・時間的予測と供給需要のバランスを活用し、無駄な待機時間を最小化する最適なルートを無停車エージェントに割り当てる需要配慮型ルート計画アルゴリズムであるDROPを設計。
• 長期的な需要予測にはオフラインのST-GCSLモデルを、リアルタイムのエージェント再配置にはオンラインのDROPモジュールを活用。
• 道路網における非ユークリッド的空間的関係をモデル化するため、CNNベースの手法よりも精度の高い予測を実現するためのグラフ畳み込みを採用。
• グラフ畳み込みと順序付きモデリングを統合することで、時間的ダイナミクスを捉え、将来的なリクエストの効率的かつ正確な予測を可能に。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いて、都市交通網における空間的・時間的需要パターンをどのように正確に予測できるか。
• RQ2 グラフ畳み込みネットワークモデルは、タクシー需要データに内在する複雑な空間的・時間的依存関係をどの程度正確に捉えることができるか。
• RQ3 無停車エージェントのルート計画を最適化することで、競争と待機時間をどの程度軽減できるか。
• RQ4 リアルタイムの需要予測と供給認識ルーティングを統合したフレームワークは、既存のディスパッチ戦略を上回る性能を示せるか。
• RQ5 供給と需要のバランスが、エージェントの待機時間とリクエスト有効期限切れ率に与える影響は何か。

主な発見

• ST-GCSLモデルは、実世界のデータセット上での空間的・時間的需要予測精度において、ベースラインモデルを上回った。
• ニューヨークデータセット上での実験では、DROPアルゴリズムがベースラインのRD手法と比較して、平均待機時間を最大10秒短縮した。
• DROPはRD手法と比較して、平均待機時間を26.8秒短縮し、乗客体験の向上が顕著に見られた。
• フレームワーク全体として、RD手法と比較してリクエスト有効期限切れ率を0.73%低減した。これは、リクエストの遂行性が向上したことを示している。
• ST-GCSLとDROPの統合により、全体のシステム効率とエージェントの利用効率が顕著に向上した。
• 提案手法は、需要の高い地域へのエージェント分布のバランスを取ることで、ヘリング効果を効果的に緩和した。