[论文解读] Trip-Based Public Transit Routing Using Condensed Search Trees

Sascha Witt|arXiv (Cornell University)|Jul 5, 2016

Data Management and Algorithms参考文献 22被引用 6

一句话总结

本文提出了一种新颖的速度加速技术，用于基于行程的公共交通路线规划，采用压缩搜索树，灵感源自转移模式（Transfer Patterns）与枢纽标记（Hub Labelling）。该方法在国家规模的网络上实现了亚毫秒级的查询响应时间，用于计算帕累托最优行程（最小化到达时间和换乘次数），其查询速度相比现有最先进方法最高提升两个数量级，同时仅使预处理开销增加一个数量级。

ABSTRACT

We study the problem of planning Pareto-optimal journeys in public transit networks. Most existing algorithms and speed-up techniques work by computing subjourneys to intermediary stops until the destination is reached. In contrast, the trip-based model focuses on trips and transfers between them, constructing journeys as a sequence of trips. In this paper, we develop a speed-up technique for this model inspired by principles behind existing state-of-the-art speed-up techniques, Transfer Pattern and Hub Labelling. The resulting algorithm allows us to compute Pareto-optimal (with respect to arrival time and number of transfers) 24-hour profiles on very large real-world networks in less than half a millisecond. Compared to the current state of the art for bicriteria queries on public transit networks, this is up to two orders of magnitude faster, while increasing preprocessing overhead by at most one order of magnitude.

研究动机与目标

• 为解决在大型公共交通网络中高效计算帕累托最优行程的挑战，平衡到达时间和换乘次数。
• 在不牺牲路由准确性或不成比例增加预处理成本的前提下，降低实时交通系统中的查询响应时间。
• 将转移模式（Transfer Patterns）与枢纽标记（Hub Labelling）的原理适配至基于行程的路由模型（该模型以行程而非站点为基本单元）。
• 在国家规模的网络上实现高效多准则概要查询（例如24小时行程规划），同时保持极低延迟。
• 在查询性能、预处理成本与内存消耗之间实现平衡，使该方法在现有方法中达到帕累托最优。

提出的方法

• 该方法将交通网络建模为以行程为节点、行程间换乘为边的图结构，换乘信息通过站点索引和最小换乘时间预先计算。
• 采用压缩搜索树——一种优化的数据结构，可紧凑表示换乘关系，并支持高效的查询处理。
• 该方法结合了转移模式的原理，预先计算行程间的换乘模式，同时借鉴枢纽标记的思想，利用分层标记加速搜索过程。
• 查询处理利用前缀树和后缀树，高效探索候选行程路径，同时尽早剪枝非帕累托最优路径。
• 该算法在大规模范围内预计算并存储换乘信息，避免运行时对步行路径和最小换乘时间的评估。
• 通过在搜索过程中维护帕累托最优行程集合，并使用支配性检查剔除次优路径，支持双准则查询（到达时间和换乘次数）。

实验结果

研究问题

• RQ1 基于行程的路由模型是否能在大规模公共交通网络上实现帕累托最优行程的亚毫秒级查询性能？
• RQ2 所提出的压缩搜索树技术在查询时间、预处理成本和内存使用方面，与现有加速方法（如Transfer Patterns和Hub Labelling）相比表现如何？
• RQ3 转移模式与枢纽标记的原理在多大程度上可被适配至基于行程的模型，以提升查询效率？
• RQ4 在国家规模的网络上应用该技术时，预处理开销与查询性能之间的权衡如何？
• RQ5 该方法在具有高行程多样性与复杂换乘模式的大都市网络中是否具备良好的可扩展性？

主要发现

• 该方法在大型真实世界网络上计算帕累托最优的24小时行程概要时间少于0.5毫秒，实现亚毫秒级查询响应。
• 对于双准则查询，该方法相比当前最先进方法（包括Scalable Transfer Patterns和PTL）最快提升两个数量级，同时仅使预处理成本增加一个数量级。
• 在德国、瑞士和瑞典等国家规模的网络上，该方法的平均查询时间低于1毫秒，且预处理成本比PTL低一个数量级。
• 尽管PTL具有巨大的预处理开销，该方法在大规模网络上的查询速度仍显著优于PTL，并且相比Scalable Transfer Patterns在查询性能上提升两个数量级。
• 在伦敦和马德里等大都市网络中，查询时间保持在毫秒级别，尽管由于行程多样性更高而略高于国家规模网络。
• 该算法在查询时间、预处理成本与内存消耗之间实现了帕累托最优的权衡，使其成为目前针对大规模交通网络的最快双准则概要查询方法。