[论文解读] A greedy approach for increased vehicle utilization in ridesharing networks

Aqsa Ashraf Makhdomi, Iqra Altaf Gillani|arXiv (Cornell University)|Apr 2, 2023

Transportation and Mobility Innovations被引用 4

一句话总结

该论文提出了一种基于贪心算法与k跳滑动窗口的路线推荐系统，专为拼车平台设计，通过利用预测的起讫点对来最大化车辆利用率并减少车队规模。通过将路线推荐问题建模为局部搜索窗口内的子模优化，该方法实现了接近最优的性能（仅比最优结果低1.3倍），并通过高效匹配具有重叠路线的乘客，显著降低了车辆数量，展示了在纽约市和华盛顿特区数据集上的实时可行性与环境效益。

ABSTRACT

In recent years, ridesharing platforms have become a prominent mode of transportation for the residents of urban areas. As a fundamental problem, route recommendation for these platforms is vital for their sustenance. The works done in this direction have recommended routes with higher passenger demand. Despite the existing works, statistics have suggested that these services cause increased greenhouse emissions compared to private vehicles as they roam around in search of riders. This analysis provides finer details regarding the functionality of ridesharing systems and it reveals that in the face of their boom, they have not utilized the vehicle capacity efficiently. We propose to overcome the above limitations and recommend routes that will fetch multiple passengers simultaneously which will result in increased vehicle utilization and thereby decrease the effect of these systems on the environment. As route recommendation is NP-hard, we propose a k-hop-based sliding window approximation algorithm that reduces the search space from entire road network to a window. We further demonstrate that maximizing expected demand is submodular and greedy algorithms can be used to optimize our objective function within a window. We evaluate our proposed model on real-world datasets and experimental results demonstrate superior performance by our proposed model.

研究动机与目标

• 为解决拼车平台中车辆容量利用率不足的问题，该问题导致温室气体排放增加和效率低下。
• 通过引入乘客请求的预测起讫点，而非仅依赖需求密度，改进路线推荐。
• 通过优化具有重叠路线的共享行程，减少满足所有乘客请求所需的车辆数量。
• 开发一种可扩展的实时解决方案，以克服最优路线推荐问题的NP难复杂性。

提出的方法

• 提出基于k跳的滑动窗口机制，将搜索空间从整个路网缩小至局部区域，提升计算效率。
• 将路线推荐问题建模为在窗口内最大化预期乘客请求数量，该问题被证明具有子模性，从而可使用具有近似保证的贪心算法。
• 采用反向贪心方法估算所需最小车队规模，通过将起讫点图转换为车辆数量图，并求解最小路径覆盖问题。
• 利用纽约市和华盛顿特区的历史出租车数据集，模拟并验证模型在真实世界需求模式下的表现。
• 采用动态滑动窗口机制，沿预期乘客需求方向向前移动，以保持相关性与效率。
• 将路线推荐与车队规模估算整合为统一系统，以支持可持续且成本效益高的拼车运营。

实验结果

研究问题

• RQ1 将乘客请求的预测起讫点纳入路线推荐，是否能显著提升拼车平台的车辆利用率？
• RQ2 基于起讫点对的最优路线推荐问题是否为NP难问题？若是，能否实现高效近似？
• RQ3 k跳滑动窗口方法在显著缩小搜索空间的同时，能否保持高质量的路线推荐？
• RQ4 与现有基线方法相比，基于子模优化的贪心算法在提升车辆利用率和减少车队规模方面效果如何？
• RQ5 所提出的系统能否实现实时部署且延迟较低？其在一天中不同时间段的表现如何？

主要发现

• 在6×6公里的测试区域内，所提模型的近似比达到最优值的1.3倍，表明其性能接近理论最优。
• 通过高效匹配具有重叠路线的乘客，该模型显著减少了车队规模，使道路上的车辆数量减少。
• 系统响应路线查询的时间约为1.1秒，证明了其在生产级拼车平台中实现实时部署的可行性。
• 车队规模随时间动态调整，在早高峰（7–11点）和晚高峰（16–20点）达到峰值，深夜（2–7点）则下降，与真实世界的需求模式一致。
• 用于车队规模估算的反向贪心方法能有效识别满足所有请求所需的最少车辆数，其结果已通过纽约市和华盛顿特区的实际需求数据验证。
• 在需求分散程度较高的时段，模型表现最佳，非高峰时段的近似比接近1.0，表明其具备鲁棒性与可扩展性。