[논문 리뷰] Real-Time Dispatching of Large-Scale Ride-Sharing Systems: Integrating Optimization, Machine Learning, and Model Predictive Control

Connor Riley, Pascal Van Hentenryck외 1명|arXiv (Cornell University)|2020. 03. 24.

Transportation and Mobility Innovations참고 문헌 13인용 수 6

한 줄 요약

이 논문은 기계학습 기반 수요 예측, 공백 차량 이동을 위한 모델 예측 제어(MPC), 실시간 라이드셰어 딜리버리 최적화를 통합한 엔드 투 엔드 프레임워크 A-RTRS를 제안한다. 이는 모든 테스트 케이스에서 평균 대기 시간을 30% 감소시키며, 고수요 지역에서는 최대 55%까지 감소시킨다. 이는 예측된 영역 수준의 수요 예측과 넓은 공간-시간 해상도에서의 확장 가능한 MPC를 활용해 차량를 사전에 이동시킴으로써 달성된다.

ABSTRACT

This paper considers the dispatching of large-scale real-time ride-sharing systems to address congestion issues faced by many cities. The goal is to serve all customers (service guarantees) with a small number of vehicles while minimizing waiting times under constraints on ride duration. This paper proposes an end-to-end approach that tightly integrates a state-of-the-art dispatching algorithm, a machine-learning model to predict zone-to-zone demand over time, and a model predictive control optimization to relocate idle vehicles. Experiments using historic taxi trips in New York City indicate that this integration decreases average waiting times by about 30% over all test cases and reaches close to 55% on the largest instances for high-demand zones.

연구 동기 및 목표

• 서비스 보장을 갖춘 대규모 실시간 라이드셰어 시스템을 통해 도시 이동의 혼잡을 완화하는 것.
• 라이드셰어 시스템의 평균 대기 시간을 줄이되, 승차 거리 및 차량 수용 능력 제약 조건을 유지하는 것.
• 예측 모델과 모델 예측 제어(MPC)를 활용해 공백 차량을 사전에 이동시켜 시스템 효율성을 향상시키는 것.
• 세분화된 최적화와 군집화된 MPC 및 기계학습 기반 예측을 융합함으로써 실시간 딜리버리에서 상당한 운영 성과를 달성할 수 있음을 입증하는 것.
• 낮은 수요 지역에서의 낮은 대기 시간을 유지하면서 이동 오버헤드를 최소화함으로써 공정성과 확장성을 확보하는 것.

제안 방법

• A-RTRS는 요청 배치와 주기적 최적화를 통해 스케일링 가능한 실시간 수요를 처리하기 위해 윈도우 기반 롤링 하ORIZON을 사용한다.
• 시간에 따른 영역 간 수요를 예측하기 위해 기계학습 모델을 활용하여 사전에 차량 이동을 가능하게 한다.
• 공간과 시간의 더 넓은 해상도에서 모델 예측 제어(MPC)를 적용하여, 라우팅 결정 이전에 공백 차량을 이동시켜 향후 수요 커버리지 향상을 도모한다.
• 승차 거리 및 수용 능력 제약 조건을 강제하는 최첨단 다이얼-어라이드 최적화 알고리즘을 통합하여 차량 할당 및 라우팅을 수행한다.
• 프레임워크는 에포크 단위로 운영되며, MPC 단계는 공백 차량 이동을 위해 덜 자주 실행되고, 그 다음에 보류 중이거나 서비스되지 않은 요청에 대한 세밀한 라우팅 최적화가 이어진다.
• A-RTRS는 모든 요청이 서비스되도록 보장하며, 지연된 서비스에 대한 점점 증가하는 벌점이 적용되며, 수요 예측 및 시스템 캘리브레이션을 위해 역사적 데이터를 사용한다.

실험 결과

연구 질문

• RQ1 기계학습 기반 수요 예측과 모델 예측 제어(MPC)를 통합하면 실시간 라이드셰어 딜리버리 최적화 성능이 향상되는가?
• RQ2 사전에 차량을 이동시키는 전략이 고수요 도시 지역에서 평균 대기 시간을 얼마나 줄이는가?
• RQ3 하이브리드 MPC-최적화 접근 방식의 성능은 순수하게 단기적 또는 반응적인 딜리버리 전략과 비교해 어떻게 다른가?
• RQ4 시스템은 이동 오버헤드를 최소화하면서도 저수요 지역에서 낮은 대기 시간을 유지하는가?
• RQ5 시스템 성능은 수요 예측 모델의 정확도에 얼마나 민감한가?

주요 결과

• 기본 대비 이동 없이 운영되는 기준 대비 A-RTRS는 모든 테스트 케이스에서 평균 대기 시간을 30% 감소시킨다.
• 특히 고수요 지역에서 가장 큰 인스턴스에서 평균 대기 시간은 거의 55% 감소한다.
• 2,000대의 차량(수용 능력 4)만으로도 평균 대기 시간 2.51분, 표준편차 1.16분을 유지한다.
• 이동 이점은 고수요 지역에서 가장 두드러지며, 이 경우 개선률은 최대 55%에 이르며, 저수요 지역은 일관되게 낮은 대기 시간을 유지한다.
• 83% 이상의 차량이 운영 시간의 17% 이하만을 이동에 사용하여 낮은 운영 오버헤드를 나타낸다.
• 예측 정확도와 직접적인 연관이 있는 성능 향상 덕분에, A-RTRS는 이동 없이 운영되는 M-RTRS 및 현실적으로 구현 불가능한 OA-RTRS보다 고수요 인스턴스에서 뛰어난 성능을 보인다.