[论文解读] CrowdExpress: A Probabilistic Framework for On-Time Crowdsourced Package Deliveries

Chao Chen, Sen Yang+4 more|arXiv (Cornell University)|Sep 8, 2018

Transportation and Mobility Innovations参考文献 49被引用 3

一句话总结

CrowdExpress 提出了一种概率框架，通过利用载客出租车实现准时、低成本的包裹递送。该框架通过挖掘历史出租车GPS轨迹构建交通网络，并采用在线自适应调度算法，以最大化准时送达概率来规划包裹路径。在纽约市出租车数据上的评估显示，其准时送达成功率超过94%，平均计算时间低于25毫秒。

ABSTRACT

Speed and cost of logistics are two major concerns to on-line shoppers, but they generally conflict with each other in nature. To alleviate the contradiction, we propose to exploit existing taxis that are transporting passengers on the street to relay packages collaboratively, which can simultaneously lower the cost and accelerate the speed. Specifically, we propose a probabilistic framework containing two phases called CrowdExpress for the on-time package express deliveries. In the first phase, we mine the historical taxi GPS trajectory data offline to build the package transport network. In the second phase, we develop an online adaptive taxi scheduling algorithm to find the path with the maximum arriving-on-time probability "on-the-fly" upon real- time requests, and direct the package routing accordingly. Finally, we evaluate the system using the real-world taxi data generated by over 19,000 taxis in a month in the city of New York, US. Results show that around 9,500 packages can be delivered successfully on time per day with the success rate over 94%, moreover, the average computation time is within 25 milliseconds.

研究动机与目标

• 通过利用现有出租车乘客流量来解决物流中成本与速度之间的冲突。
• 通过协作式出租车中继实现准时包裹递送，同时不降低乘客服务品质。
• 开发一种可扩展的实时系统，基于概率准时送达估计动态调度包裹路径。
• 通过轨迹数据挖掘和自适应路径规划，克服乘客和包裹需求模式的不确定性。

提出的方法

• 离线阶段：挖掘历史出租车GPS轨迹，构建概率性包裹运输网络，建模不同地点之间的潜在中继路径。
• 在线阶段：采用自适应出租车调度算法，为每项包裹请求计算准时送达概率最高的路径。
• 使用概率模型估计每条候选路线准时到达的可能性，同时考虑动态的乘客需求和交通状况。
• 整合实时出租车可用性和乘客路径数据，通过指定的中转站指导包裹路径决策。
• 在构建的运输网络上应用动态规划或图搜索技术，寻找最优中继序列。
• 利用出租车轨迹的时空聚类，识别高概率中继点，提升路径规划效率。

实验结果

研究问题

• RQ1 能否有效利用现有载客出租车，在几乎不增加额外成本或努力的情况下实现包裹准时递送？
• RQ2 如何对实时乘客和包裹需求的不确定性进行建模，以实现可靠的准时递送预测？
• RQ3 在动态共享出行环境中，何种路径规划策略能最大化准时送达的概率？
• RQ4 在真实世界条件下，该系统在准时递送率和计算效率方面的表现如何？

主要发现

• 该系统利用真实纽约市出租车数据，每天成功递送约9,500个包裹，准时递送成功率超过94%。
• 路径规划的平均计算时间低于25毫秒，展现出适合实时部署的高效率。
• 通过对比评估验证，该框架在准时递送性能上显著优于基线算法。
• 对出租车轨迹的概率建模使得即使在高需求不确定性下，也能准确估计递送概率。
• 通过历史数据离线构建运输网络，为在线路径决策提供了可扩展且可重用的基础设施。
• 该方法通过在多辆出租车之间实现多跳中继，有效解决了长距离包裹递送问题，克服了单次乘车递送的局限性。