[논문 리뷰] Modeling Ride-Sourcing Matching and Pickup Processes based on Additive Gaussian Process Models

Zheng Zhu, Meng Xu외 3명|arXiv (Cornell University)|2022. 04. 29.

Transportation and Mobility Innovations인용 수 4

한 줄 요약

이 논문은 공간적, 시간적, 수요 및 공급 공변량을 사용하여 라이드소싱 매칭 및 픽업 과정을 정확하게 모델링하기 위해 추가 가우시안 프로세스 모델(AGPM)을 제안한다. 항저우 데이터를 바탕으로 평가한 결과, AGPM은 분석적 모델 및 기계학습 모델보다 추정 정확도에서 뛰어나며, 비어 있는 차량 재배치 전략 설계에 효과적임을 보였다.

ABSTRACT

Matching and pickup processes are core features of ride-sourcing services. Previous studies have adopted abundant analytical models to depict the two processes and obtain operational insights; while the goodness of fit between models and data was dismissed. To simultaneously consider the fitness between models and data and analytically tractable formations, we propose a data-driven approach based on the additive Gaussian Process Model (AGPM) for ride-sourcing market modeling. The framework is tested based on real-world data collected in Hangzhou, China. We fit analytical models, machine learning models, and AGPMs, in which the number of matches or pickups are used as outputs and spatial, temporal, demand, and supply covariates are utilized as inputs. The results demonstrate the advantages of AGPMs in recovering the two processes in terms of estimation accuracy. Furthermore, we illustrate the modeling power of AGPM by utilizing the trained model to design and estimate idle vehicle relocation strategies.

연구 동기 및 목표

• 라이드소싱 운영을 위한 모델 적합도와 분석 가능성의 균형을 이루는 데이터 기반 모델링 프레임워크를 개발하기 위해.
• 이전 연구에서 분석 가능성은 고려했으나 모델-데이터 적합도가 종종 간과된 점을 보완하기 위해.
• 실제 라이드소싱 시스템에서 매칭 및 픽업 과정의 정확한 모델링을 통해 운영 통찰을 도출하기 위해.
• 실제 항저우 데이터를 사용하여 AGPM의 성능을 분석적 모델 및 기계학습 모델과 비교하기 위해.
• 학습된 모델이 비어 있는 차량 재배치 전략 설계 및 평가에 실용적으로 활용될 수 있음을 입증하기 위해.

제안 방법

• AGPM 프레임워크는 매칭 수 또는 픽업 수를 출력으로 하고, 공간적, 시간적, 수요 및 공급 변수를 입력으로 사용한다.
• 가우시안 프로세스의 추가 구조는 공변량과 결과 간의 해석 가능한 비선형 관계를 가능하게 한다.
• 모델은 복잡한 의존성을 포착하면서도 계산 효율성을 유지하기 위해 커널 기반 접근법을 사용한다.
• 모델 훈련은 중국 항저우에서 수집한 실세계 라이드소싱 데이터를 사용하여 수행된다.
• 프레임워크는 불확실성 정량화를 지원하며 운영 계획을 위한 확률적 예측을 제공한다.
• 학습된 AGPM은 비어 있는 차량 재배치 전략의 시뮬레이션 및 효과성 평가에 적용된다.

실험 결과

연구 질문

• RQ1 추가 가우시안 프로세스 모델은 기존 모델 대비 라이드소싱 매칭 및 픽업 과정의 역학을 얼마나 잘 포착할 수 있는가?
• RQ2 AGPM의 추정 정확도는 매칭 및 픽업 예측에서 분석적 모델 및 기계학습 모델 대비 상대적으로 얼마나 높은가?
• RQ3 AGPM 프레임워크는 라이드소싱 시스템에서 비어 있는 차량 재배치 전략의 설계 및 평가를 지원할 수 있는가?
• RQ4 공간적, 시간적, 수요 및 공급 공변량이 모델에 따라 매칭 및 픽업 과정에 어떤 영향을 미치는가?
• RQ5 고도의 데이터 적합도를 달성하면서도 AGPM은 얼마나 높은 분석 가능성 유지가 가능한가?

주요 결과

• AGPM은 매칭 수 및 픽업 수 추정에서 분석적 모델 및 기계학습 모델을 모두 뛰어나는 성능을 보였다.
• 공변량과 결과 간의 비선형적이고 복잡한 관계를 포착할 수 있는 능력 덕분에 더 높은 추정 정확도를 달성했다.
• AGPM의 추가 구조 덕분에 각 공변량이 예측에 기여하는 정도를 해석 가능한 방식으로 분해할 수 있었다.
• 학습된 AGPM은 비어 있는 차량 재배치 전략의 설계 및 평가를 성공적으로 지원하여 실질적인 운영적 가치를 입증했다.
• 우수한 데이터 적합도를 달성하면서도 분석 가능성 유지라는 기존 모델링 접근법의 핵심 한계를 해결했다.
• 항저우 데이터에 대한 실증 결과는 AGPM이 다양한 공간적 및 시간적 조건에서 강건하고 일반화 가능한 성능을 보임을 확인했다.