[논문 리뷰] Fairness-Enhancing Vehicle Rebalancing in the Ride-hailing System

Xiaotong Guo, Hanyong Xu외 3명|arXiv (Cornell University)|2023. 12. 29.

Transportation and Mobility Innovations인용 수 4

한 줄 요약

이 논문은 승객 대기 시간의 편향을 줄이고 서비스의 공정성을 햖스키기 위해 사회적 인지 기반 공간-시간 그래프 컨볼루션 네트워크(SA-STGCN)를 통합한 공정성 향상 차량 재분배 프레임워크를 제안한다. 이는 공정성 통합 매칭-통합 차량 재분배(MIVR) 모델을 통해 균형 잡힌 차량 배치를 실현한다. 이 접근법은 예측 편향을 감소시키고 서비스의 공정성을 향상시켜 대기 시간 표준편차를 6.48% 감소시키고 평균 대기 시간은 0.49% 감소시켰으며, 공정성과 운영 효율성의 상호 이득을 달성한다.

ABSTRACT

The rapid growth of the ride-hailing industry has revolutionized urban transportation worldwide. Despite its benefits, equity concerns arise as underserved communities face limited accessibility to affordable ride-hailing services. A key issue in this context is the vehicle rebalancing problem, where idle vehicles are moved to areas with anticipated demand. Without equitable approaches in demand forecasting and rebalancing strategies, these practices can further deepen existing inequities. In the realm of ride-hailing, three main facets of fairness are recognized: algorithmic fairness, fairness to drivers, and fairness to riders. This paper focuses on enhancing both algorithmic and rider fairness through a novel vehicle rebalancing method. We introduce an approach that combines a Socio-Aware Spatial-Temporal Graph Convolutional Network (SA-STGCN) for refined demand prediction and a fairness-integrated Matching-Integrated Vehicle Rebalancing (MIVR) model for subsequent vehicle rebalancing. Our methodology is designed to reduce prediction discrepancies and ensure equitable service provision across diverse regions. The effectiveness of our system is evaluated using simulations based on real-world ride-hailing data. The results suggest that our proposed method enhances both accuracy and fairness in forecasting ride-hailing demand, ultimately resulting in more equitable vehicle rebalancing in subsequent operations. Specifically, the algorithm developed in this study effectively reduces the standard deviation and average customer wait times by 6.48% and 0.49%, respectively. This achievement signifies a beneficial outcome for ride-hailing platforms, striking a balance between operational efficiency and fairness.

연구 동기 및 목표

• 이민자 및 사회경제적 불평등이 심한 지역에서의 접근성 부족 문제를 해결하기 위해, 편향된 수요 예측 및 재분배 전략으로 인한 증가하는 공정성 문제를 해결하고자 한다.
• 모델 아키텍처에 사회경제적 데이터와 공간-시간 패턴을 통합하여 수요 예측의 알고리즘 편향을 줄이고자 한다.
• 특히 저소득 및 역사적으로 소외된 지역에서의 고객 대기 시간 격차를 최소화함으로써 승객의 공정성을 향상시키고자 한다.
• 낮은 수요 지역에서의 불리함을 악화시키는 피드백 루프를 방지하기 위해 운영 효율성과 공정한 서비스 배포를 균형 잡는 차량 재분배 전략을 개발하고자 한다.
• 공정성과 운영 효율성 양측을 동시에 최적화함으로써 전체 시스템 성능이 향상되는 파레토 개선이 달성될 수 있음을 입증하고자 한다.

제안 방법

• SA-STGCN 모델은 사회경제적 데이터(예: 빈곤 수준 등)를 코딩한 사회적 풍부화된 인접 행렬을 통합하여 수요 예측에서 공간 표현을 향상시킨다.
• 모델은 특히 낮은 수요 및 저소득 지역에서의 예측 오차를 최소화하기 위해 편향 감소 정규화를 적용한다.
• MIVR 모델의 공정성 통합 목표 함수는 평균 대기 시간과 대기 시간 분산을 최적화 목표로 하며, 공정성과 효율성을 균형 잡기 위해 하이퍼파rameter λ 및 γ를 사용한다.
• MIVR 모델은 차량 재분배 이동을 우선적으로 균형 잡힌 지역 간 차량 분포를 고려하여 할당하는 매칭 통합 접근법을 사용한다.
• 시스템은 뉴욕시에서 수집한 실제 릭헤일링 데이터를 기반으로 훈련된 시뮬레이터를 통해 평가되었으며, 공간적 및 시간적 수요 패턴은 실제 택시 이동 데이터와 비교 검증되었다.
• 목표 함수 내 λ 및 γ의 하이퍼파ram터 튜닝을 통해 평균 대기 시간과 대기 시간 표준편차를 동시에 감소시킬 수 있었다.

(a) NYC Ride-Hailing Demand Distribution (by taxi zones)

실험 결과

연구 질문

• RQ1 공간-시간 그래프 신경망에 사회경제적 데이터를 통합하면 다양한 도시 지역에서 릭헤일링 수요 예측의 공정성이 향상되는가?
• RQ2 공정성 통합 차량 재분배 모델은 고수요 지역과 저수요 지역 간 고객 대기 시간 격차를 어느 정도 줄일 수 있는가?
• RQ3 수요 예측의 공정성 향상이 이후 재분배 운영에서 더 균형 잡힌 차량 배치와 서비스 공정성을 이끌어내는가?
• RQ4 공정성과 운영 효율성 양측을 동시에 최적화함으로써 릭헤일링 시스템에서 파레토 개선을 달성할 수 있는가?
• RQ5 공정성 인지 목표 함수의 하이퍼파rameter는 평균 대기 시간과 대기 시간 분산 간의 상호 교환 관계에 어떻게 영향을 미치는가?

주요 결과

• SA-STGCN 모델은 정확도와 공정성 측면에서 기존 수요 예측 모델보다 뚜렷이 뛰어나며, 특히 저소득 및 저수요 지역에서 두드러진 성능 향상을 보였다.
• 공정성 통합 MIVR 모델은 고객 대기 시간의 표준편차를 6.48% 감소시켜 지역 간 대기 시간 분포의 공정성이 향상되었음을 시사한다.
• 제안된 프레임워크를 통해 평균 고객 대기 시간은 0.49% 감소하여 시스템 효율성이 향상됨을 입증하였다.
• 공정성과 효율성의 동시 최적화 결과, 공정성과 운영 성능가 둘 다 향상되는 파레토 개선이 달성되었다.
• 낮은 수요, 소외된 지역에서의 차량 수가 부족해지는 악성 피드백 루프를 효과적으로 차단하였다.
• 결과적으로 수요 예측 및 재분배 과정에 공정성을 통합할 경우, 시스템 성능을 희생시키지 않고도 더 포괄적인 이동성 결과를 이끌 수 있음을 시사한다.

(b) NYC Poverty Map (by census tracts)