[論文レビュー] Proactive rebalancing and speed-up techniques for on-demand high capacity vehicle pooling.

Yang Liu, Samitha Samaranayake|arXiv (Cornell University)|Feb 9, 2019

Transportation and Mobility Innovations被引用数 6

ひとこと要約

本稿では、オンデマンドの高容量車両プールシステムの性能を向上させるための高速化技術と予測的再配置アルゴリズムを提案する。探索空間の剪定、I/O削減、並列処理を活用することで、マンハッタンのタクシーデータ上での計算時間を最大97.67%短縮した。歴史的需要パターンを用いた予測的車両再配置により、サービス率は平均4.8%向上し、待機時間と総遅延はそれぞれ平均5.0%および10.7%削減された。

ABSTRACT

By proposing speed-up techniques and a proactive rebalance algorithm, we improve the Mobility-on-Demand fleet management approach in [1] on both computational performance and system performance. The speed-up techniques comprise search space pruning and parallelization Input/Output reduction, which reduce the computation time by up to 97.67% in experiments on taxi trips in Manhattan, New York City. The proactive rebalancing algorithm guides idle vehicles to future demand based on a probability distribution estimated using historical data, which increases the service rate by 4.8% on average, and decreases the waiting time and total delay by 5.0% and 10.7% on average respectively.

研究の動機と目的

• オンデマンドモビリティシステムにおける高容量車両プールの計算効率を向上させること。
• モビリティオンデマンドサービスのファミリー管理における待機時間とシステム遅延を低減すること。
• 予測された需要に基づく予測的車両再配置を通じてシステム性能を向上させること。
• 動的ライドマッチング環境でのリアルタイム応答性を維持するスケーラブルな最適化技術を統合すること。

提案手法

• 高速化技術には、マッチング段階で非効率な車両-需要ペairを除外するための探索空間の剪定が含まれる。
• 複数の計算ユニットにわたる処理を高速化するために、マッチング計算の並列化が適用されている。
• マッチング段階におけるデータアクセスパターンの最適化により、I/O削減が達成され、ディスクおよびメモリのボトルネックが最小限に抑えられた。
• 予測的再配置アルゴリズムは、歴史的データを用いて将来の需要確率を推定し、それに応じて空いている車両を再配置する。
• 歴史的移動データから導かれる確率分布を活用して、需要が発生する前に需要が高くなる地域へ車両を再配置する。
• リアルタイムライドマッチングと予測的車両再配置を統合することで、システム全体のパフォーマンス指標が向上した。

実験結果

リサーチクエスチョン

• RQ1 オンデマンドの高容量車両プールにおける計算パフォーマンスをどのように大幅に改善できるか？
• RQ2 予測的車両再配置は、待機時間とシステム遅延をどの程度低減できるか？
• RQ3 大規模なライドマッチングにおいて、計算時間を短縮するうえで最も効果的な高速化技術は何か？
• RQ4 歴史的需要パターンに基づく予測的車両再配置は、システムサービス率にどのように影響を与えるか？
• RQ5 剪定、並列処理、I/O最適化の組み合わせにより、都市タクシーデータセット上でニアリアルタイムのパフォーマンスを達成できるか？

主な発見

• 提案された高速化技術を用いることで、マンハッタンのタクシー移動データ上での計算時間が最大97.67%短縮された。
• 予測的再配置アルゴリズムにより、平均してサービス率が4.8%向上した。
• 予測的再配置による車両の可用性向上のおかげで、平均待機時間が5.0%減少した。
• 予測的戦略を用いることで、全移動の総遅延が平均10.7%削減された。
• 探索空間の剪定、並列処理、I/O削減の組み合わせにより、大規模な都市データセット上でもニアリアルタイムのパフォーマンスが達成された。
• 実世界のデータ実験を通じて、高需要状況下でも高いスケーラビリティと応答性を維持した。