[论文解读] Arc-Flags Meet Trip-Based Public Transit Routing

Großmann, Ernestine, Sauer, Jonas+2 more|arXiv (Cornell University)|Nov 12, 2021

Data Management and Algorithms被引用 1

一句话总结

该论文通过引入基于分区的HypTBTR变体，增强了基于行程的公共交通路由（TBTR）算法，该变体通过优化超图分区，在大规模公共交通网络上将查询时间减少了23–37%。此外，论文提出了一种One-To-Many TBTR变体，使配置查询的处理速度提升了90–95%；并采用多级分区策略，将填充计算量减少了5–53%，显著提升了预处理阶段的可扩展性和实时公共交通应用的实用性。

ABSTRACT

This paper proposes multiple extensions to the popular bicriterion transit routing approach -- Trip-Based Transit Routing (TBTR). Specifically, building on the premise of the HypRAPTOR algorithm, we first extend TBTR to its partitioning variant -- HypTBTR. However, the improvement in query times of HyTBTR over TBTR comes at the cost of increased preprocessing. To counter this issue, two new techniques are proposed -- a One-To-Many variant of TBTR and multilevel partitioning. Our One-To-Many algorithm can rapidly solve profile queries, which not only reduces the preprocessing time for HypTBTR, but can also aid other popular approaches such as HypRAPTOR. Next, we integrate a multilevel graph partitioning paradigm in HypTBTR and HypRAPTOR to reduce the fill-in computations. The efficacy of the proposed algorithms is extensively tested on real-world large-scale datasets. Additional analysis studying the effect of hypergraph partitioning tools (hMETIS, KaHyPar, and an integer program) along with different weighting schemes is also presented.

研究动机与目标

• 在保持较低预处理开销的前提下，提升大规模网络中公共交通路由的查询效率。
• 解决现有双准则公共交通路由方法（如TBTR和HypRAPTOR）中存在的可扩展性瓶颈。
• 为实时移动应用提供更快的配置查询（One-To-Many）支持。
• 通过多级图分区减少分区后公共交通网络中的填充计算量。
• 评估超图分区工具（hMETIS、KaHyPar、IP）和加权方案对路由性能的影响。

提出的方法

• 提出HypTBTR，作为TBTR的基于分区的扩展，通过超图分区将公共交通网络划分为子网络，以加速查询处理。
• 引入TBTR的One-To-Many变体，以高效计算多个出发时间的配置查询，从而减少预处理时间。
• 提出一种新颖的超图分区加权方案，平衡子网络大小与切点数量，以最小化填充量并提升性能。
• 将多级分区范式应用于HypTBTR和HypRAPTOR，通过在多级上优化分区细化，减少填充计算量。
• 使用真实世界国家级别的公共交通数据集，评估不同分区工具（hMETIS、KaHyPar、IP）和目标函数的性能表现。
• 采用双准则优化框架，聚焦于行程时间和换乘次数，通过迭代轮次处理生成帕累托最优行程集合。

实验结果

研究问题

• RQ1 通过超图分区实现基于分区的路由，是否能在不产生过高预处理成本的前提下，减少TBTR的查询时间？
• RQ2 与标准TBTR相比，TBTR的One-To-Many扩展在加速配置查询方面效果如何？
• RQ3 多级分区在HypTBTR和HypRAPTOR中能将填充计算减少多少？
• RQ4 不同的超图分区工具（hMETIS、KaHyPar、IP）和加权方案对路由性能和预处理开销有何影响？
• RQ5 所提出的扩展是否能使TBTR在实时、大规模公共交通应用中具备可扩展性和实用性？

主要发现

• 与标准TBTR相比，HypTBTR在三个国家级别的公开数据集上将查询时间减少了23–37%。
• 与单独处理每个出发时间相比，One-To-Many TBTR变体使配置查询处理速度提升了90–95%。
• 多级分区在不同数据集中将填充计算量减少了5–53%，显著提升了预处理效率。
• 超图分区工具的选择（hMETIS、KaHyPar、IP）和加权方案对切点数量和整体性能有显著影响。
• 尽管性能有所提升，但部分分区实例产生了过多的切点，表明未来工作需进一步优化目标函数。
• 所提出的扩展通过解决关键的预处理瓶颈，使TBTR在实时移动公共交通应用中更具可扩展性和实用性。