[论文解读] Data-Driven Robust Taxi Dispatch under Demand Uncertainties

Fei Miao, Shuo Han+7 more|arXiv (Cornell University)|Mar 20, 2016

Transportation and Mobility Innovations参考文献 25被引用 4

一句话总结

本文提出了一种数据驱动的鲁棒出租车调度框架，通过基于假设检验的不确定性集对时空需求不确定性进行建模，实现计算上可处理的优化，从而在保持服务公平性的同时最小化空驶里程。通过利用二阶矩信息构建二阶锥（SOC）不确定性集，与非鲁棒方法相比，该方法将平均需求-供给比率误差降低了31.7%，空驶距离减少了10.13%（约每年2000万英里），并可调节最坏情况性能的概率保证水平。

ABSTRACT

In modern taxi networks, large amounts of taxi occupancy status and location data are collected from networked in-vehicle sensors in real-time. They provide knowledge of system models on passenger demand and mobility patterns for efficient taxi dispatch and coordination strategies. Such approaches face new challenges: how to deal with uncertainties of predicted customer demand while fulfilling the system's performance requirements, including minimizing taxis' total idle mileage and maintaining service fairness across the whole city; how to formulate a computationally tractable problem. To address this problem, we develop a data-driven robust taxi dispatch framework to consider spatial-temporally correlated demand uncertainties. The robust vehicle dispatch problem we formulate is concave in the uncertain demand and convex in the decision variables. Uncertainty sets of random demand vectors are constructed from data based on theories in hypothesis testing, and provide a desired probabilistic guarantee level for the performance of robust taxi dispatch solutions. We prove equivalent computationally tractable forms of the robust dispatch problem using the minimax theorem and strong duality. Evaluations on four years of taxi trip data for New York City show that by selecting a probabilistic guarantee level at 75%, the average demand-supply ratio error is reduced by 31.7%, and the average total idle driving distance is reduced by 10.13% or about 20 million miles annually, compared with non-robust dispatch solutions.

研究动机与目标

• 为在不确定的、具有时空相关性的乘客需求下最小化出租车空驶里程并保持服务公平性提供解决方案。
• 开发一种计算上可处理的鲁棒优化框架，能够考虑需求模型的不确定性，而无需假设存在已知的真实分布。
• 利用假设检验理论构建数据驱动的不确定性集，为调度性能提供概率保证。
• 通过可调节的概率保证水平，平衡最坏情况下的鲁棒性与平均情况下的性能。
• 在真实的新 York 市出租车数据上评估该框架，以证明其在实际应用中的性能提升。

提出的方法

• 将多阶段鲁棒优化问题建模为在不确定需求下为凹函数、在决策变量下为凸函数的形式，利用强对偶性实现可计算的求解。
• 基于假设检验原理构建需求向量的不确定性集，通过按类别时间与空间特征对数据进行划分，以捕捉相关性。
• 运用极大极小定理与强对偶性，推导出针对多面体（盒型）和二阶锥（SOC）不确定性集的等价凸重构形式。
• 利用四年来纽约市出租车行程的实证数据估计不确定性集，并在不同概率保证水平（1−ε）下验证性能。
• 通过平均空驶距离和需求-供给比率误差等指标，将鲁棒解与非鲁棒调度进行对比，评估在抽样需求测试子集上的表现。
• 调节概率保证水平（ε），以找到最坏情况鲁棒性与平均情况性能之间的最佳权衡。

实验结果

研究问题

• RQ1 如何在不假设已知概率分布的前提下，有效建模出租车需求不确定性中的时空相关性？
• RQ2 在需求不确定性下，出租车调度中存在最坏情况鲁棒性与平均情况性能之间的权衡如何？
• RQ3 不同结构的不确定性集（盒型与SOC）如何影响计算成本与实际调度性能？
• RQ4 在真实数据中，何种概率保证水平（1−ε）能最优平衡最坏情况成本与平均调度成本？
• RQ5 数据驱动的鲁棒优化在大规模出租车网络中，能在多大程度上减少空驶里程与需求-供给不匹配？

主要发现

• 所提出的鲁棒调度框架相较于非鲁棒解，将平均需求-供给比率误差降低了31.7%。
• 该框架将平均总空驶里程减少了10.13%，相当于在纽约市每年减少约2000万英里。
• 与盒型不确定性集相比，二阶锥（SOC）不确定性集表现更优，因其包含了二阶矩信息，从而实现了更低的最小平均成本。
• 对于SOC不确定性集，ε = 0.25时达到最佳平均性能；而对于盒型集，ε = 0.3时实现最小平均成本。
• 鲁棒解在实证测试中始终满足所设定的概率保证水平（1−ε），实际成功率始终高于名义上的1−ε水平。
• 该框架实现了最坏情况鲁棒性与平均性能之间的可调节权衡，适用于大规模出租车网络的实际部署。