[논문 리뷰] Online Predictive Optimization Framework for Stochastic Demand-Responsive Transit Services

Inon Peled, Kelvin Lee외 3명|arXiv (Cornell University)|2019. 02. 26.

Transportation Planning and Optimization참고 문헌 58인용 수 4

한 줄 요약

이 논문은 정량적 회귀와 가우시안 커플라를 통합하여 확률적 수요 분포를 모델링하고, 시나리오 기반 강건 최적화를 통해 동적으로 노선과 수차를 설계하는 온라인 예측 최적화 프레임워크를 제안한다. 기존의 방법들과는 달리 전체 예측 분포를 활용함으로써 실시간 캠퍼스 이동 데이터에서 near-optimal 해를 달성하며, 성능이 뛰어나다.

ABSTRACT

This study develops an online predictive optimization framework for dynamically operating a transit service in an area of crowd movements. The proposed framework integrates demand prediction and supply optimization to periodically redesign the service routes based on recently observed demand. To predict demand for the service, we use Quantile Regression to estimate the marginal distribution of movement counts between each pair of serviced locations. The framework then combines these marginals into a joint demand distribution by constructing a Gaussian copula, which captures the structure of correlation between the marginals. For supply optimization, we devise a linear programming model, which simultaneously determines the route structure and the service frequency according to the predicted demand. Importantly, our framework both preserves the uncertainty structure of future demand and leverages this for robust route optimization, while keeping both components decoupled. We evaluate our framework using a real-world case study of autonomous mobility in a university campus in Denmark. The results show that our framework often obtains the ground truth optimal solution, and can outperform conventional methods for route optimization, which do not leverage full predictive distributions.

연구 동기 및 목표

• 기존의 이동 수단 프레임워크에서 수요 예측과 공급 최적화를 별개의 과정으로 다루며, 일반적으로 점추정 기반인 점을 메우기 위한 것.
• 미래 수요의 불확실성을 유지하고 활용하여 강건한 이동 네트워크 설계를 위한 통합적이고 온라인 기반의 프레임워크 개발.
• 공간-시간 수요 예측을 기반으로 자율 셔틀의 실시간 동적 노선 및 수차 최적화를 가능하게 하기.
• 수요 예측과 공급 최적화를 분리하면서도 기원-도착지 쌍 간의 상관관계를 유지하기.
• 대학 캠퍼스에서 실시간 WiFi 추적 이동 데이터를 활용하여 프레임워크의 효과성을 입증하기.

제안 방법

• 각 기원-도착지(OD) 쌍 간의 이동 수의 누적분포함수(CDF)를 정량적 회귀를 통해 추정한다.
• 모수적 분포를 조합하여 공간-시간 수요 분포의 공동 분포를 구성하기 위해 가우시안 커플라를 구축한다. 이는 서로 다른 OD 간 상관관계를 유지한다.
• 공동 수요 분포에서 샘플링하여 공급 최적화를 위한 확률적 시나리오를 생성한다.
• 각 샘플된 수요 시나리오에 대해 최적의 노선 구조와 서비스 수차를 결정하기 위한 선형계획법(LP) 모델을 수립한다.
• 모든 샘플에서 가장 자주 나타나는 최적 해를 다음 시간 간격의 최종 운영 계획으로 선정한다.
• 커플라를 통한 예측과 최적화 모듈 간 분리로 모듈화되고 확장 가능한 구현이 가능하다.

실험 결과

연구 질문

• RQ1 전체 예측 수요 분포를 강건한 공급 최적화와 통합한 프레임워크가 동적 이동 노선 설정에서 기존의 점추정 기반 방법보다 뛰어난 성능을 발휘할 수 있는가?
• RQ2 정량적 회귀와 가우시안 커플라가 실생활 이동 환경에서 인파의 공동 공간-시간 분포를 얼마나 효과적으로 모델링할 수 있는가?
• RQ3 수요의 불확실성을 유지함으로써 동적으로 재구성된 이동 네트워크의 강건성과 최적성은 어느 정도 향상되는가?
• RQ4 실시간 운영 환경에서 시나리오 기반 최적화 접근법은 얼마나 확장 가능하고 효율적인가?
• RQ5 미래 수요가 사후 관측된 경우, 프레임워크가 실제 최적 해에 가까운 해를 도출할 수 있는가?

주요 결과

• 사후 관측 결과와 비교했을 때, 프레임워크는 실제 최적 해에 자주 도달함으로써 높은 해의 정확도를 보였다.
• 특히 최고의 예측 모델($DNN_{1}^{Ind}$ 및 $GBoost_{1}^{Mul}$)을 사용할 경우, 점추정 기반의 기존 최적화 방법보다 프레임워크가 뛰어난 성능을 발휘한다.
• 전체 예측 분포, 특히 정량 기반의 모수적 추정과 커플라 기반의 공동 모델링을 활용함으로써 더 강건하고 정확한 노선 및 수차 결정이 가능하다.
• 온라인 공급 최적화는 계산적으로 실현 가능하며, 각 샘플링과 LP 해법에 몇 초 내외로 소요되며, 해 집계(빈도 기반 선택)는 몇 초 더 추가된다.
• 시나리오 기반 접근법은 실시간 운영이 가능하며, 대규모 문제에 대해서도 병렬 처리에 적합하다.
• 예측 가능한 파rameter의 분포를 추정할 수 있는 임의의 확률적 선형계획 문제에 일반화 가능하므로, 이동 노선 설계를 넘어 넓은 응용 가능성을 지닌다.