[논문 리뷰] Planning and Operations of Mixed Fleets in Mobility-on-Demand Systems

Kaidi Yang, Matthew Tsao외 2명|arXiv (Cornell University)|2020. 08. 18.

Transportation and Mobility Innovations참고 문헌 28인용 수 8

한 줄 요약

이 논문은 모빌리티온디맨드(MoD) 시스템에서 자율주행차(AV)와 인간 운전차(HV)가 공존하는 혼합 허브를 조정하기 위해 스태일베르크 게임 기반 프레임워크를 제안한다. 이는 계획 수립을 위한 정적인 모델과 실시간 운영을 위한 모델 예측 제어(MPC) 알고리즘을 조합한 이중 접근 방식을 사용한다. 이 방법은 전략적 보상과 HV 행동 모델링을 통해 시스템 수익을 최대 32% 향상시키고 성능을 12% 향상시킨다.

ABSTRACT

Automated vehicles (AVs) are expected to be beneficial for Mobility-on-Demand (MoD), thanks to their ability of being globally coordinated. To facilitate the steady transition towards full autonomy, we consider the transition period of AV deployment, whereby an MoD system operates a mixed fleet of automated vehicles (AVs) and human-driven vehicles (HVs). In such systems, AVs are centrally coordinated by the operator, and the HVs might strategically respond to the coordination of AVs. We devise computationally tractable strategies to coordinate mixed fleets in MoD systems. Specifically, we model an MoD system with a mixed fleet using a Stackelberg framework where the MoD operator serves as the leader and human-driven vehicles serve as the followers. We develop two models: 1) a steady-state model to analyze the properties of the problem and determine the planning variables (e.g., compensations, prices, and the fleet size of AVs), and 2) a time-varying model to design a real-time coordination algorithm for AVs. The proposed models are validated using a case study inspired by real operational data of a MoD service in Singapore. Results show that the proposed algorithms can significantly improve system performance.

연구 동기 및 목표

• 완전 자동화로의 전환 과정에서 AV와 HV가 공존하는 MoD 시스템에서 차량 불균형 문제를 해결하기 위해.
• AV는 중앙에서 조정되지만 HV는 자기 이익을 추구하는 전략적 행동을 모델링하기 위해.
• 혼합 허브 MoD 시스템에서 계획 수립과 실시간 조정을 위한 계산적으로 타당한 전략을 개발하기 위해.
• 싱가포르 기반 MoD 서비스의 실제 운영 데이터를 사용하여 제안된 프레임워크를 검증하기 위해.
• AV 통합과 HV에 대한 보상 메커니즘 최적화로 인한 성능 향상을 정량화하기 위해.

제안 방법

• MoD 운영자가 리더로, HV가 팔로워로 작용하는 스탑엘베르크 게임으로 혼합 허브 조정 문제를 수립한다.
• 시스템 균형을 분석하고 최적의 계획 변수(예: AV 허브 규모, 가격 설정, 보상)를 도출하기 위해 정적인 모델을 개발한다.
• 동적인 수요와 HV 반응에 기반한 실시간 AV 조정을 가능하게 하기 위해 시간에 따라 변화하는 모델 예측 제어(MPC) 알고리즘을 제안한다.
• VOT(시간가치)와 가중치 파라미터의 변동에 대한 민감도 분석을 위해 일괄 분석(One-at-a-Time 방법)을 통합한다.
• 실제 네트워크 및 수요 조건 하에서 모델를 校정하고 검증하기 위해 싱가포르 MoD 서비스의 실제 데이터를 사용한다.
• 이전 연구에서 유도된 비선형 반응 함수를 사용하여 HV 행동을 모델링하여, 인cent리브에 기반한 전략적 운행 선택을 반영한다.

실험 결과

연구 질문

• RQ1 AV는 중앙에서 관리되지만 HV는 자기 이익을 추구하는 조건에서, 혼합 허브 AV 및 HV를 MoD 시스템에서 최적으로 조정하는 방법은 무엇인가?
• RQ2 시스템 수준 성능을 극대화하기 위한 핵심 계획 변수(예: 보상, 가격 설정, AV 허브 규모)는 무엇인가?
• RQ3 MPC를 통한 실시간 조정은 분산된 HV 행동에 비해 시스템 성능을 어떻게 향상시키는가?
• RQ4 HV의 시간가치(VOT) 및 목적 함수에서 HV 행동에 대한 가중치 파라미터의 추정 오차에 대해 MPC 성능은 얼마나 민감한가?
• RQ5 AV 통합과 HV에 대한 전략적 보상으로 시스템 수익은 얼마나 향상될 수 있는가?

주요 결과

• 제안된 MPC 기반 조정 전략은 AV가 없는 기준 기준선 대비 시스템 수익을 최대 32% 향상시킨다.
• HV에 대한 보상 최적화는 HV가 할당된 운행을 수락하도록 유도하여 시스템 수익을 8% 향상시킨다.
• HV 행동을 고려한 전략적 계획 수립은 그러한 조정이 없는 기준선 대비 12% 성능 향상을 이룬다.
• MPC 알고리즘은 파라미터 변동에 대해 강건하다: HV 시간가치(VOT)가 0.2–0.3 SGD/분 범위 내에 있거나, 가중치 파rameter λ가 3를 초과할 경우 성능이 안정을 유지한다.
• 민감도 분석 결과, VOT 추정치가 진짜 값에서 너무 벗어나 있거나 λ가 너무 낮을 경우 성능이 크게 악화되며, 정확한 파라미터 校정의 중요성을 시사한다.
• 이 프레임워크는 싱가포르에서의 실제 운영 데이터를 기반으로 검증되어 실생활 MoD 시스템에 대한 실용성과 확장 가능성을 입증한다.