[论文解读] Impact of Detour-Aware Policies on Maximizing Profit in Ridesharing

Arpita Biswas, Ragavendran Gopalakrishnan+4 more|arXiv (Cornell University)|Jun 8, 2017

Transportation and Mobility Innovations参考文献 14被引用 11

一句话总结

本文提出了基于绕行折扣的实时拼车匹配贪心启发式方法，一种自适应学习算法（IDFLA）以优化利润最大化的折扣因子，并评估了绕行感知路由与盈利能力之间的权衡。在纽约市出租车数据上的仿真结果表明，该启发式方法在仅需最优方法1/100,000时间的情况下，实现了高达90%的最优性；IDFLA在16次迭代内即可学习到最优折扣；7%的市场份额增长可抵消因提升质量的路由策略导致的单车利润下降。

ABSTRACT

This paper provides efficient solutions to maximize profit for commercial ridesharing services, under a pricing model with detour-based discounts for passengers. We propose greedy heuristics for real-time ride matching that offer different trade-offs between optimality and speed. Simulations on New York City (NYC) taxi trip data show that our heuristics are up to 90% optimal and 10^5 times faster than the (necessarily) exponential-time optimal algorithm. Commercial ridesharing service providers generate significant savings by matching multiple ride requests using heuristic methods. The resulting savings are typically shared between the service provider (in the form of increased profit) and the ridesharing passengers (in the form of discounts). It is not clear a priori how this split should be effected, since higher discounts would encourage more ridesharing, thereby increasing total savings, but the fraction of savings taken as profit is reduced. We simulate a scenario where the decisions of the passengers to opt for ridesharing depend on the discount offered by the service provider. We provide an adaptive learning algorithm IDFLA that learns the optimal profit-maximizing discount factor for the provider. An evaluation over NYC data shows that IDFLA, on average, learns the optimal discount factor in under 16 iterations. Finally, we investigate the impact of imposing a detour-aware routing policy based on sequential individual rationality, a recently proposed concept. Such restricted policies offer a better ride experience, increasing the provider's market share, but at the cost of decreased average per-ride profit due to the reduced number of matched rides. We construct a model that captures these opposing effects, wherein simulations based on NYC data show that a 7% increase in market share would suffice to offset the decreased average per-ride profit.

研究动机与目标

• 为解决在绕行定价下最大化商业拼车利润的挑战，其中最优匹配是NP难问题且对实时性能要求极高。
• 确定乘客折扣（可提升拼车采纳率）与提供方利润（随折扣提高而下降）之间的最优平衡。
• 评估采用绕行感知路由策略（如顺序个体理性）对盈利能力的影响，此类策略可提升乘车质量但会限制可行匹配。
• 建立并量化为补偿质量增强路由约束导致的单车利润下降，所需最低的市场份额增长。

提出的方法

• 提出一种整数线性规划（ILP）和一系列贪心启发式方法，用于在绕行折扣下实现实时拼车匹配，平衡最优性与速度。
• 开发一种自适应学习算法IDFLA，通过建模用户采纳率与提供折扣的关系，并迭代优化参数，以学习最优折扣因子。
• 基于顺序个体理性（SIR）实施绕行感知路由策略，确保乘客不会比独自出行更差，从而提升用户体验和市场份额。
• 使用纽约市出租车行程数据模拟拼车匹配、用户采纳行为及不同折扣水平和路由约束下的盈利能力。
• 采用概率性用户选择模型，用户通过抛掷一个偏置硬币决定是否采纳拼车，偏置取决于折扣、绕行成本及市场份额动态。
• 通过测量在SIR约束策略下，为补偿单车利润下降所需最小的市场份额增长，量化盈利能力的权衡。

实验结果

研究问题

• RQ1 在绕行折扣下，如何高效地近似实时拼车匹配以最大化利润，考虑到精确解是NP难问题？
• RQ2 在用户采纳率取决于提供折扣的模型下，使用户采纳率与提供方利润达到最优平衡的折扣因子是什么？
• RQ3 采用基于顺序个体理性的绕行感知路由策略在多大程度上会减少单车利润？市场份额的增加能否弥补这一损失？
• RQ4 在SIR约束路由策略下，为补偿单车利润下降，所需最小的市场份额增长是多少？

主要发现

• 所提出的贪心启发式方法在真实纽约市数据上，实现高达90%最优利润，且速度比精确的指数时间算法快100,000倍。
• IDFLA算法平均在16次迭代内即可学习到最优折扣因子，有效平衡用户采纳率与提供方利润。
• 7%的市场份额增长足以完全抵消采用基于顺序个体理性的绕行感知路由策略所导致的单车平均利润下降。
• 仿真结果表明，对于任意 $ c_{\text{in}} \geq 200 $，均存在一组 $ \gamma $ 值，使得实施SIR-$ \gamma $策略的总体利润高于基线。
• 盈利能力曲线在中等 $ \gamma $ 值处达到峰值，表明存在权衡：过度的绕行限制会降低匹配可行性，从而减少利润。
• 结果表明，若能带来适度的市场份额增长，如2016年Lyft实现的70%市场份额增长，质量增强策略（如SIR）可实现利润中性甚至盈利。