[논문 리뷰] Data-Driven Robust Taxi Dispatch under Demand Uncertainties

Fei Miao, Shuo Han외 7명|arXiv (Cornell University)|2016. 03. 20.

Transportation and Mobility Innovations참고 문헌 25인용 수 4

한 줄 요약

이 논문은 가정 검정 기반의 불확실성 집합을 사용하여 공간-시간 수요 변동성을 모델링하는 데이터 기반 강건한 택시 배차 프레임워크를 제안한다. 이는 계산적으로 다루기 쉬운 최적화를 가능하게 하여 유휴 주행 거리를 최소화하면서도 서비스 공정성을 유지한다. 두 번째 순서 모멘트 정보를 두 번째 순서 컨피 봉우리(SOC) 불확실성 집합을 통해 통합함으로써, 비강건한 접근 방식에 비해 평균 수요-공급 비율 오차를 31.7% 감소시키고 유휴 주행 거리를 10.13% 감소시켰다(연간 약 2,000만 마일). 또한 악성 상황 성능에 대한 조정 가능한 확률 보장 수준을 제공한다.

ABSTRACT

In modern taxi networks, large amounts of taxi occupancy status and location data are collected from networked in-vehicle sensors in real-time. They provide knowledge of system models on passenger demand and mobility patterns for efficient taxi dispatch and coordination strategies. Such approaches face new challenges: how to deal with uncertainties of predicted customer demand while fulfilling the system's performance requirements, including minimizing taxis' total idle mileage and maintaining service fairness across the whole city; how to formulate a computationally tractable problem. To address this problem, we develop a data-driven robust taxi dispatch framework to consider spatial-temporally correlated demand uncertainties. The robust vehicle dispatch problem we formulate is concave in the uncertain demand and convex in the decision variables. Uncertainty sets of random demand vectors are constructed from data based on theories in hypothesis testing, and provide a desired probabilistic guarantee level for the performance of robust taxi dispatch solutions. We prove equivalent computationally tractable forms of the robust dispatch problem using the minimax theorem and strong duality. Evaluations on four years of taxi trip data for New York City show that by selecting a probabilistic guarantee level at 75%, the average demand-supply ratio error is reduced by 31.7%, and the average total idle driving distance is reduced by 10.13% or about 20 million miles annually, compared with non-robust dispatch solutions.

연구 동기 및 목표

• 공간-시간적으로 상관관계가 있는 승객 수요의 불확실성 하에서 택시 유휴 주행 거리를 최소화하고 서비스 공정성을 유지하는 데 도전하는 것.
• 정확한 진정한 분포를 가정하지 않고도 수요 모델의 불확실성을 고려할 수 있는 계산적으로 다루기 쉬운 강건 최적화 프레임워크를 개발하는 것.
• 가정 검정 이론을 활용하여 데이터 기반의 불확실성 집합을 구성함으로써 배차 성능에 대한 확률 보장을 제공하는 것.
• 조정 가능한 확률 보장 수준을 통해 악성 상황의 강건성과 평균 상황 성능 사이의 균형을 이루는 것.
• 실제 뉴욕 시 택시 데이터를 기반으로 프레임워크를 평가하여 실용적인 성능 향상을 입증하는 것.

제안 방법

• 불확실한 수요에 대해 목적함수가 오목이고 의사결정 변수에 대해 볼록인 다단계 강건 최적화 문제를 수립함으로써, 강력한 이중성 원리에 기반한 계산 가능 해결을 가능하게 한다.
• 시간적 및 공간적 특성의 범주형 변수로 데이터를 분할하여 상관관계를 포착하는 원칙에 기반해 수요 벡터의 불확실성 집합을 구성한다.
• 최소-최대 정리와 강력한 이중성을 활용하여, 다각형(박스) 및 제2차원 컨피 봉우리(SOC) 불확실성 집합에 대해 강건한 배차 문제의 등가 볼록 재구성식을 유도한다.
• 4년간의 뉴욕 시 택시 이동 데이터를 활용하여 불확실성 집합을 추정하고, 다양한 확률 보장 수준(1−ε)에서 성능를 검증한다.
• 샘플링된 수요의 테스트 서브셋에서 평균 유휴 거리와 수요-공급 비율 오차 등의 지표를 사용해 강건한 해와 비강건한 배차를 비교한다.
• 악성 상황 성능에 대한 최적의 균형을 찾기 위해 확률 보장 수준(ε)을 조정한다.

실험 결과

연구 질문

• RQ1 정확한 확률 분포를 가정하지 않고도 공간-시간 수요 불확실성의 상관관계를 효과적으로 모델링할 수 있는가?
• RQ2 수요 불확실성 하에서 택시 배차의 악성 상황 강건성과 평균 상황 성능 사이의 상호 교환 관계는 어떠한가?
• RQ3 다양한 불확실성 집합 구조(박스 대비 SOC)가 계산 비용과 실증적 배차 성능에 어떤 영향을 미치는가?
• RQ4 실제 데이터에서 악성 상황 비용과 평균 배차 비용을 최적의 균형으로 맞추기 위한 확률 보장 수준(1−ε)은 얼마인가?
• RQ5 데이터 기반 강건 최적화는 대규모 택시 네트워크에서 유휴 주행 거리와 수요-공급 불일치를 얼마나 줄일 수 있는가?

주요 결과

• 제안된 강건한 배차 프레임워크는 비강건한 해에 비해 평균 수요-공급 비율 오차를 31.7% 감소시켰다.
• 프레임워크는 평균 총 유휴 주행 거리를 10.13% 감소시켰으며, 이는 뉴욕 시에서 연간 약 2,000만 마일에 해당한다.
• 제2차원 컨피 봉우리(SOC) 불확실성 집합은 박스 유형 집합보다 우수한 성능을 보였으며, 두 번째 순서 모멘트 정보를 포함함으로써 더 낮은 최소 평균 비용을 달성했다.
• SOC 불확실성 집합의 경우 ε = 0.25에서 평균 성능이 최고였고, 박스 집합의 경우 ε = 0.3에서 평균 비용이 최소였다.
• 강건한 해는 실증 테스트에서 항상 명시된 1−ε 수준을 초과하는 실제 성공률을 보이며, 항상 확률 보장 수준(1−ε)을 충족했다.
• 이 프레임워크는 악성 상황 강건성과 평균 성능 사이의 조정 가능한 균형을 가능하게 하여, 대규모 택시 네트워크의 실질적 구현에 적합하다.