[논문 리뷰] Proactive rebalancing and speed-up techniques for on-demand high capacity vehicle pooling.

Yang Liu, Samitha Samaranayake|arXiv (Cornell University)|2019. 02. 09.

Transportation and Mobility Innovations인용 수 6

한 줄 요약

이 논문은 온디맨드 고용량 차량 공유 시스템의 성능을 향상시키기 위해 속도 향상 기법과 능동적 리밸런싱 알고리즘을 제안한다. 검색 공간 축소, 입출력(I/O) 감소, 병렬 처리를 통해 맨해튼 택시 데이터 기준으로 계산 시간을 최대 97.67% 감소시켰으며, 역사적 수요 패턴을 활용한 능동적 차량 재배치는 서비스율을 평균 4.8% 향상시키고, 대기 시간과 총 지연 시간을 각각 5.0%와 10.7% 감소시켰다.

ABSTRACT

By proposing speed-up techniques and a proactive rebalance algorithm, we improve the Mobility-on-Demand fleet management approach in [1] on both computational performance and system performance. The speed-up techniques comprise search space pruning and parallelization Input/Output reduction, which reduce the computation time by up to 97.67% in experiments on taxi trips in Manhattan, New York City. The proactive rebalancing algorithm guides idle vehicles to future demand based on a probability distribution estimated using historical data, which increases the service rate by 4.8% on average, and decreases the waiting time and total delay by 5.0% and 10.7% on average respectively.

연구 동기 및 목표

• 온디맨드 모빌리티 시스템의 고용량 차량 공유에서 계산 효율성을 향상시키기 위해.
• 모빌리티 온 디맨드 서비스의 플릿 관리에서 대기 시간과 시스템 지연 시간을 줄이기 위해.
• 예측된 수요를 기반으로 한 능동적 차량 재배치를 통해 시스템 성능을 향상시키기 위해.
• 실시간 반응성을 유지하면서도 확장 가능한 최적화 기법을 통합하기 위해.

제안 방법

• 속도 향상 기법은 매칭 과정에서 비가능한 차량-수요 쌍을 제거하기 위해 검색 공간 축소를 포함한다.
• 병렬 처리를 적용하여 다수의 컴퓨팅 유닛을 통해 매칭 계산을 가속화한다.
• 매칭 단계 동안 데이터 접근 패턴을 최적화하여 디스크 및 메모리 병목 현상을 최소화함으로써 I/O를 감소시킨다.
• 능동적 리밸런싱 알고리즘은 역사적 데이터를 활용해 향후 수요 확률을 추정하고 이를 바탕으로 유휴 차량을 재배치한다.
• 이 시스템은 역학적 운행 데이터에서 유도된 확률 분포를 활용해 수요가 발생하기 전에 고수요 지역으로 차량을 이동시킨다.
• 실시간 라이드 매칭과 예측 기반 차량 재배치를 통합하여 시스템 전체 성능 지표를 향상시킨다.

실험 결과

연구 질문

• RQ1 온디맨드 고용량 차량 공유에서 계산 성능을 어떻게 크게 향상시킬 수 있는가?
• RQ2 능동적 차량 재배치는 대기 시간과 시스템 지연 시간을 얼마나 줄일 수 있는가?
• RQ3 대규모 라이드 매칭에 있어 가장 효과적인 속도 향상 기법은 무엇인가?
• RQ4 역사적 수요 패턴을 기반으로 한 예측적 차량 재배치는 시스템 서비스율에 어떤 영향을 미치는가?
• RQ5 검색 공간 축소, 병렬 처리, I/O 최적화의 조합이 대도시 택시 데이터 세트에서 거의 실시간 성능을 달성할 수 있는가?

주요 결과

• 제안된 속도 향상 기법을 맨해튼 택시 운행 데이터에 적용하여 계산 시간을 최대 97.67% 감소시켰다.
• 능동적 리밸런싱 알고리즘이 평균 서비스율을 4.8% 향상시켰다.
• 능동적 재배치로 인한 차량 가용성 향상으로 평균 대기 시간이 5.0% 감소했다.
• 능동 전략을 적용한 결과, 모든 운행의 총 지연 시간이 평균 10.7% 감소했다.
• 검색 공간 축소, 병렬 처리, I/O 감소의 조합이 대규모 도시 데이터 세트에서 거의 실시간 성능을 달성했다.
• 실제 도시 데이터 실험을 통해 고용량 조건에서도 높은 확장성과 반응성을 유지했다.