[논문 리뷰] SOUP: Spatial-Temporal Demand Forecasting and Competitive Supply

Bolong Zheng, Qi Hu외 5명|arXiv (Cornell University)|2020. 09. 24.

Transportation and Mobility Innovations참고 문헌 53인용 수 4

한 줄 요약

이 논문은 라이드셰링 시스템에서 공간-시간 수요 예측 및 경쟁적 공급을 위한 SOUP 프레임워크를 제안한다. 공간-시간에 걸친 요청 예측을 위한 정확한 그래프 컨볼루션 네트워크 모델인 ST-GCSL과, 수요-공급 균형을 고려해 에이전트의 유휴 시간을 최소화하는 수요 인식 경로 계획 알고리즘인 DROP을 도입하였으며, 실제 데이터에서 최신 기술 대비 최대 26.8초의 대기 시간 단축을 기록하여 뛰어난 성능을 보였다.

ABSTRACT

We consider a setting with an evolving set of requests for transportation from an origin to a destination before a deadline and a set of agents capable of servicing the requests. In this setting, an assignment authority is to assign agents to requests such that the average idle time of the agents is minimized. An example is the scheduling of taxis (agents) to meet incoming requests for trips while ensuring that the taxis are empty as little as possible. In this paper, we study the problem of spatial-temporal demand forecasting and competitive supply (SOUP). We address the problem in two steps. First, we build a granular model that provides spatial-temporal predictions of requests. Specifically, we propose a Spatial-Temporal Graph Convolutional Sequential Learning (ST-GCSL) algorithm that predicts the service requests across locations and time slots. Second, we provide means of routing agents to request origins while avoiding competition among the agents. In particular, we develop a demand-aware route planning (DROP) algorithm that considers both the spatial-temporal predictions and the supplydemand state. We report on extensive experiments with realworld and synthetic data that offer insight into the performance of the solution and show that it is capable of outperforming the state-of-the-art proposals.

연구 동기 및 목표

• 동적 라이드셰링 시스템에서 에이전트(예: 택시)의 평균 유휴 시간을 최소화하기 위해.
• 도시 도로망 전역에서 공간-시간 수요 패턴을 정확하게 예측하기 위해.
• 경로 할당 시 수요-공급 균형을 통해 에이전트 간 경쟁을 줄이기 위해.
• 실시간 수요 예측과 지능형 에이전트 라우팅을 통합하는 데이터 기반 프레임워크를 개발하기 위해.
• 기존 방법보다 유휴 시간, 대기 시간, 요청 만료 비율을 줄이는 데 성능을 뛰어나게 하기 위해.

제안 방법

• 세분화된 요청 모델링을 위해 공간 영역과 시간 슬롯을 다수 수준으로 분할하는 전략을 제안한다.
• 그래프 컨볼루션과 순차적 모델링을 사용해 공간-시간 의존성을 포착하는 공간-시간 그래프 컨볼루션 순차 학습 모델인 ST-GCSL을 도입한다.
• 실시간 공간-시간 예측과 수요-공급 균형을 활용해 유휴 에이전트에게 최적의 경로를 할당하는 수요 인식 경로 계획 알고리즘인 DROP을 설계한다.
• 장기 수요 예측을 위해 오프라인 ST-GCSL 모델을, 실시간 에이전트 재배치를 위해 온라인 DROP 모듈을 활용한다.
• 도로망의 비유클리드 공간 관계를 모델링하기 위해 그래프 컨볼루션을 사용하여 CNN 기반 방법 대비 예측 정확도를 향상시킨다.
• 그래프 컨볼루션과 순차적 모델링을 조합해 시간 동적성을 포착하여 향후 요청에 대한 효율적이고 정확한 예측을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 러닝을 활용해 도시 교통 네트워크의 공간-시간 수요 패턴을 어떻게 정확하게 예측할 수 있는가?
• RQ2 그래프 컨볼루션 네트워크 모델은 택시 수요 데이터의 복잡한 공간-시간 의존성을 어느 정도 포착할 수 있는가?
• RQ3 유휴 에이전트의 경로 계획을 어떻게 최적화하여 경쟁과 유휴 시간을 줄일 수 있는가?
• RQ4 실시간 수요 예측과 공급 인식 라우팅을 통합한 프레임워크가 기존 딜리버리 전략을 뛰어넘을 수 있는가?
• RQ5 수요-공급 균형은 에이전트 유휴 시간과 요청 만료에 어떤 영향을 미치는가?

주요 결과

• ST-GCSL 모델은 실제 데이터셋에서 기준 모델 대비 공간-시간 수요 예측 정확도에서 뛰어난 성능을 보였다.
• 뉴욕 데이터셋에서 DROP 알고리즘은 기준 RD 방법 대비 평균 유휴 시간을 최대 10초 감소시켰다.
• DROP은 RD 방법 대비 평균 대기 시간을 26.8초 감소시켜 승객 경험을 크게 향상시켰다.
• 프레임워크는 RD 방법 대비 요청 만료 비율을 0.73% 감소시켜 더 나은 요청 이행 성능를 나타냈다.
• ST-GCSL과 DROP의 통합은 전체 시스템 효율성과 에이전트 활용도 향상에 상당한 기여를 하였다.
• 제안된 방법은 고수요 지역으로의 에이전트 분포 균형을 통해 ‘집단 이동 효과(herding effect)’를 효과적으로 완화하였다.