[論文レビュー] Speed-up Heuristic for an On-Demand Ride-Pooling Algorithm

Roman Engelhardt, Florian Dandl+1 more|arXiv (Cornell University)|Jul 29, 2020

Transportation and Mobility Innovations参考文献 14被引用数 17

ひとこと要約

本稿では、大規模な動的車両ルーティングにおける計算時間を削減しつつ、解の品質を維持するための高速化ヒューリスティクスを提案する。三つのルールに基づく車両選択ヒューリスティクスを導入することで探索空間を縮小し、全体で2.5倍の高速化を達成。特に計算コストが最も高い段階では8倍の高速化を実現した。解の品質は、全ステップを実行する完全なアルゴリズムと比較して、距離削減の70%とほぼすべての要請を満たす水準を維持した。

ABSTRACT

With ongoing developments in digitalization and advances in the field of autonomous driving, on-demand ride pooling is a mobility service with the potential to disrupt the urban mobility market. Nevertheless, to apply this kind of service successfully efficient algorithms have to be implemented for effective fleet management to exploit the benefits associated with this mobility service. Especially real time computation of finding beneficial assignments is a problem not solved for large problem sizes until today. In this study, we show the importance of using advanced algorithms by comparing a fast, but simple insertion heuristic algorithm with a state-of-the-art multi-step matching algorithm. We test the algorithms in various scenarios based on private vehicle trip OD-data for Munich, Germany. Results indicate that in the tested scenarios by using the multi-step algorithm up to 8$\%$ additional requests could be served while also 10$\%$ additional driven distance could be saved. However, computational time for finding optimal assignments in the advanced algorithm exceeds real time rather fast as problem size increases. Therefore, several aspects to reduce the computational time by decreasing redundant checks of the advanced multi step algorithm are introduced. Finally, a refined vehicle selection heuristic based on three rules is presented to furthermore reduce the computational effort. In the tested scenarios this heuristic can speed up the most cost intensive algorithm step by a factor of over 8, while keeping the number of served requests almost constant and maintaining around 70$\%$ of the driven distance saved in the system. Considering all algorithm steps, an overall speed up of 2.5 could be achieved.

研究の動機と目的

• フェームサイズの増加に伴い計算量が爆発的に増加するNP困難なマッチング問題に起因する、大規模なオンデマンドライドプールシステムにおける計算ボトル neck を解消すること。
• 車両-要請マッチング段階における冗長計算を削減することで、高度なマルチステップマッチングアルゴリズムのリアルタイム実行可能性を向上させること。
• 実用的導入に向け、実行時間を著しく短縮しつつも、特に要請受容率と距離削減の両面で高い解の品質を維持すること。
• 空間的・時間的要請パターンを活用して、1件の要請あたりの候補車両数を制限するヒューリスティクスに基づく車両選択戦略を開発すること。
• ミュンヘン（ドイツ）のような都市部の高密度環境において、最適化されたアルゴリズム設計によりスケーラブルかつリアルタイムのライドプール運用を実現すること。

提案手法

• アロンソ＝モラら（2015）が提唱したマルチステップODRPアルゴリズムを採用。この手法は、共有可能性ネットワークと時間拡張ルーティングを用いて問題を分離する。
• 三つのルールに基づく車両選択ヒューリスティクスを導入：(1) 発着地への近接性、(2) 取りまとめまでの予想移動時間、(3) 既存の要請とルートの整合性。
• 時間ステップを跨いで事前に計算済みの車両-要請バンドル（V2RB）の組み合わせをキャッシュし、再計算を回避する。
• 特に計算コストが最も高い段階、すなわちV2RBデータベースの構築にのみヒューリスティクスを適用し、その処理時間を8倍高速化した。
• ハイブリッドアプローチを採用：ベースラインとして高速挿入ヒューリスティクスを用い、性能のトレードオフを比較する。
• ミュンヘンの実際の個人用車両のODデータを用いたシミュレーションフレームワークを実装し、需要レベル（5%、10%、15%）の変動に応じた性能評価を実施。

実験結果

リサーチクエスチョン

• RQ1 マルチステップオンデマンドライドプールアルゴリズムにおける計算時間の削減は、解の品質を損なわず、どの程度達成可能か？
• RQ2 高度なマルチステップアルゴリズムは、単純な挿入ヒューリスティクスと比較して、要請受容率および距離削減の点でどの程度優れているか？
• RQ3 車両選択ルールによる探索空間の縮小は、フェームサイズと需要の増加に伴い、アルゴリズムのスケーラビリティにどのような影響を与えるか？
• RQ4 時間ステップを跨いで事前に計算済みのV2RBをキャッシュすることで、動的ライドプールにおける冗長計算を顕著に削減できるか？
• RQ5 需要密度の異なる状況、特にピーク時において、ヒューリスティクスの有効性はどのように変化するか？

主な発見

• テストされたミュンヘンのシナリオにおいて、マルチステップアルゴリズムは挿入ヒューリスティクスを上回り、最大8%多くの要請を処理し、走行距離を10%多く削減した。
• 提案された車両選択ヒューリスティクスにより、V2RBデータベース構築の処理時間が8倍に高速化された。これは、最も計算コストの高い段階である。
• 極めて積極的な探索空間の縮小にもかかわらず、ヒューリスティクスは完全なアルゴリズムが達成する距離削減の70%を維持し、ほぼすべての要請を処理した。
• 全体としてのアルゴリズムは、すべての段階で2.5倍の高速化を達成した。特に計算コストの高いフェーズで顕著な改善が見られた。
• 需要が高まる時期にヒューリスティクスは最も効果的であり、ルートの重複が増加し、車両選択ルールの収束性が向上するためである。
• 問題サイズがさらに大きくなると、ヒューリスティクスの高速化効果はさらに増大すると予想される。なぜなら、指数関数的に増加するコンponentsを標的としている一方、影響を受けないステップは二次関数的にしか増加しないからである。