[论文解读] Dial-a-ride problem with modular platooning and en-route transfers

Zhexi Fu, Joseph Y.J. Chow|arXiv (Cornell University)|Dec 1, 2022

Transportation and Mobility Innovations被引用 4

一句话总结

本文提出了模块化按需出行问题（MDARP），这是一种利用可动态组队的模块化车辆并支持途中换乘的新型按需出行框架。该研究提出了一种混合整数线性规划模型，并设计了一种受斯坦纳树启发的大型邻域搜索启发式算法，实测场景下相比传统按需服务，车辆行驶成本降低最高达52.0%，乘客服务时间减少35.6%，总成本降低29.4%。

ABSTRACT

Modular vehicles (MV) possess the ability to physically connect/disconnect with each other and travel in platoon with less energy consumption. A fleet of demand-responsive transit vehicles with such technology can serve passengers door to door or have vehicles deviate to platoon with each other to travel at lower cost and allow for en-route passenger transfers before splitting. A mixed integer linear programming (MILP) model is formulated to solve this "modular dial-a-ride problem" (MDARP). A heuristic algorithm based on Steiner-tree-inspired large neighborhood search is developed to solve the MDARP for practical scenarios. A set of small-scale synthetic numerical experiments are tested to evaluate the optimality gap and computation time between exact solutions of the MDARP using commercial software and the proposed heuristic. Large-scale experiments are conducted on the Anaheim network with 378 candidate join/split nodes to further explore the potentials and identify the ideal operation scenarios of MVs. The results show that MV technology can save up to 52.0% in vehicle travel cost, 35.6% in passenger service time, and 29.4% in total cost against existing on-demand mobility services in the scenarios tested. Results suggest that MVs best benefit from platooning by serving "enclave pairs" as a hub-and-spoke service.

研究动机与目标

• 为解决按需出行服务中的低效问题，整合可动态组队及途中乘客换乘的模块化车辆。
• 开发一种混合整数线性规划（MILP）模型，以捕捉模块化车辆运营的复杂性，包括车辆合并、拆分及换乘操作。
• 设计一种基于大型邻域搜索（LNS）的启发式算法，其构造阶段受斯坦纳树启发，以高效求解大规模MDARP实例。
• 在真实城市路网中评估模块化车辆相较于传统按需通勤服务在成本与时间上的节省效果。
• 识别模块化车辆能发挥最大效益的理想运营场景，特别是通过枢纽-辐射服务模式。

提出的方法

• 构建一种混合整数线性规划（MILP）模型以表示MDARP，包含车辆合并/拆分决策、乘客路径规划及组队约束。
• 设计一种基于大型邻域搜索（LNS）的启发式算法，其构造阶段受斯坦纳树启发，以生成高质量的初始解。
• 实施一种局部搜索过程，通过修改车辆路径、组队形态及换乘点来探索邻域解。
• 采用分解策略，聚焦于候选合并/拆分节点，以降低大规模实例的计算复杂度。
• 在小规模实例上将启发式算法与精确MILP解进行对比，以评估最优性差距与计算时间。
• 采用拥有378个候选合并/拆分节点的安纳海姆路网作为大规模测试平台，以评估性能与可扩展性。

实验结果

研究问题

• RQ1 模块化组队与途中换乘如何影响按需出行中的车辆行驶成本、乘客服务时间及总成本？
• RQ2 与精确MILP解相比，所提出的启发式算法在小规模实例上的最优性差距与计算时间如何？
• RQ3 在何种运营场景下，模块化车辆能实现最大的成本与时间节省？
• RQ4 模块化车辆的性能如何随不同网络拓扑结构与需求模式而变化？
• RQ5 ‘孤岛对’与枢纽-辐射结构在最大化模块化车辆运营效益中起到何种作用？

主要发现

• 在实测场景中，模块化车辆相比传统按需出行服务，车辆行驶成本最高降低52.0%。
• 通过优化组队与换乘协调，乘客服务时间最高减少35.6%。
• 通过行驶成本与运营成本的综合节省，系统总成本最高降低29.4%。
• 所提出的启发式算法在小规模实例上相比精确MILP求解器，能以显著更短的计算时间获得近似最优解。
• 当模块化车辆以枢纽-辐射系统模式服务‘孤岛对’时，效益最为显著。
• 在安纳海姆路网上的大规模实验验证了MDARP框架的可扩展性与实际可行性。