[논문 리뷰] Speed-up Heuristic for an On-Demand Ride-Pooling Algorithm

Roman Engelhardt, Florian Dandl외 1명|arXiv (Cornell University)|2020. 07. 29.

Transportation and Mobility Innovations참고 문헌 14인용 수 17

한 줄 요약

이 논문은 대규모 동적 차량 경로 최적화에서 계산 시간을 줄이면서도 해의 품질을 유지하기 위해 온디맨드 라이드풀링 알고리즘의 속도 향상 히ュ리스틱을 제안한다. 차량 선택을 위한 세 가지 규칙을 도입하여 탐색 공간을 단순화함으로써, 전체적으로 2.5배의 속도 향상을 달성하였으며, 특히 가장 비용이 많이 드는 단계에서 8배의 감소를 이룩하였다. 이는 전체 알고리즘 대비 거리 절감률의 70%와 거의 모든 요청을 처리한 수준의 성능 유지와도 맞물린다.

ABSTRACT

With ongoing developments in digitalization and advances in the field of autonomous driving, on-demand ride pooling is a mobility service with the potential to disrupt the urban mobility market. Nevertheless, to apply this kind of service successfully efficient algorithms have to be implemented for effective fleet management to exploit the benefits associated with this mobility service. Especially real time computation of finding beneficial assignments is a problem not solved for large problem sizes until today. In this study, we show the importance of using advanced algorithms by comparing a fast, but simple insertion heuristic algorithm with a state-of-the-art multi-step matching algorithm. We test the algorithms in various scenarios based on private vehicle trip OD-data for Munich, Germany. Results indicate that in the tested scenarios by using the multi-step algorithm up to 8$\%$ additional requests could be served while also 10$\%$ additional driven distance could be saved. However, computational time for finding optimal assignments in the advanced algorithm exceeds real time rather fast as problem size increases. Therefore, several aspects to reduce the computational time by decreasing redundant checks of the advanced multi step algorithm are introduced. Finally, a refined vehicle selection heuristic based on three rules is presented to furthermore reduce the computational effort. In the tested scenarios this heuristic can speed up the most cost intensive algorithm step by a factor of over 8, while keeping the number of served requests almost constant and maintaining around 70$\%$ of the driven distance saved in the system. Considering all algorithm steps, an overall speed up of 2.5 could be achieved.

연구 동기 및 목표

• 플릿 규모가 증가함에 따라 복잡도가 급격히 증가하는 NP-완전 매칭 문제로 인해 발생하는 대규모 온디맨드 라이드풀링 시스템의 계산 병목 현상 해결.
• 차량-요청 매칭 단계에서의 부과적 계산을 줄여 고도화된 다단계 매칭 알고리즘의 실시간 적용 가능성을 향상.
• 실제 구현을 위해 런타임을 극적으로 단축하면서도 높은 해의 품질(특히 요청 수용률과 거리 절감)을 유지.
• 공간적·시간적 요청 패턴을 활용하여 각 요청에 대한 후보 차량 수를 제한하는 히ュ리스틱 기반 차량 선택 전략 개발.
• 최적화된 알고리즘 설계를 통해 뮌헨, 독일과 같은 고밀도 도시 환경에서 확장 가능하고 실시간으로 작동하는 라이드풀링 운영을 가능하게 함.

제안 방법

• 알론소-모라 등 (2015) 이 제안한 다단계 ODRP 알고리즘을 변형하여 공유 가능성 네트워크와 시간 확장 경로 최적화를 통해 문제를 분리.
• 세 가지 규칙에 기반한 차량 선택 히ュ리스틱 도입: (1) 출발지로부터의 거리, (2) 수거까지 예상 소요 시간, (3) 기존 요청과의 경로 호환성.
• 시간 단위 간에 이전에 계산된 타당한 차량-요청 번들(V2RB) 조합을 캐시하고 재사용하여 재계산을 방지.
• 특히 가장 계산 비용이 높은 단계인 V2RB 데이터베이스 구축 단계에 이 히ュ리스틱을 적용하여 시간을 8배로 단축.
• 하이브리드 접근법을 사용: 기준으로서의 빠른 삽입 히ュ리스틱과 최적화된 다단계 알고리즘을 결합하여 성능 상호 비교.
• 뮌헨의 실제 민간 차량 이동 원천 데이터(출발지-도착지)를 활용한 시뮬레이션 프레임워크를 구현하여 다양한 수요 수준(5%, 10%, 15%)에서 성능 평가.

실험 결과

연구 질문

• RQ1 다단계 온디맨드 라이드풀링 알고리즘에서 히ュ리스틱 기반 차량 선택 전략이 해의 품질을 훼손하지 않고 계산 시간을 얼마나 줄일 수 있는가?
• RQ2 고도화된 다단계 알고리즘과 단순 삽입 히ュ리스틱 간의 요청 수용률과 거리 절감 측면에서의 성능 비교는 어떠한가?
• RQ3 차량 선택 규칙에 의한 탐색 공간 단순화가 플릿 규모와 수요 증가에 따라 알고리즘의 확장성에 어떤 영향을 미치는가?
• RQ4 시간 단위 간에 이전에 계산된 V2RB를 캐시함으로써 다이나믹 라이드풀링에서의 중복 계산을 상당히 줄일 수 있는가?
• RQ5 히ュ리스틱의 효과는 특히 정점 시간대에서 수요 밀도에 따라 어떻게 변화하는가?

주요 결과

• 테스트된 뮌헨 시나리오에서 다단계 알고리즘이 삽입 히ュ리스틱보다 최대 8% 더 많은 요청을 수용하고, 주행 거리의 10% 더 절감한다.
• 제안된 차량 선택 히ュ리스틱은 V2RB 데이터베이스 구축에 소요되는 시간을 8배로 단축시켰다. 이는 가장 계산 비용이 높은 단계이다.
• 강력한 탐색 공간 단순화에도 불구하고, 히ュ리스틱은 전체 알고리즘의 70% 수준의 거리 절감률을 유지하며 거의 모든 요청을 처리한다.
• 전체 알고리즘은 모든 단계에서 2.5배의 속도 향상을 달성하였으며, 특히 가장 비용이 많이 드는 계산 단계에서 가장 큰 성과를 보였다.
• 히ュ리스틱은 수요가 높은 시기 동안 가장 효과적이며, 경로 겹침이 많아지고 차량 선택 규칙의 수렴도 향상되기 때문이다.
• 문제 크기가 커질수록 속도 향상 비율이 더 커질 것으로 예상되며, 이는 히ュ리스틱이 지수적으로 증가하는 컴포넌트를 타겟으로 하기 때문이다. 반면 영향을 받지 않는 단계는 제곱근 비율로 증가한다.