[论文解读] Fast Detour Computation for Ride Sharing

Robert Geisberger, Dennis Luxen+3 more|ArXiv.org|Jul 30, 2009

Data Management and Algorithms参考文献 4被引用 25

一句话总结

本文提出了一种快速计算拼车系统中最小绕行路径的算法，使即使在起点和终点为任意位置（而非预定义枢纽）的情况下，也能实现司机与乘客的高效匹配。通过利用分层路由和距离表计算，该方法实现了亚5ms的查询响应时间，并将真实数据集上的匹配率从70%提升至90%，显著提升了对农村及非中心区域的灵活性与覆盖范围。

ABSTRACT

Todays ride sharing services still mimic a better billboard. They list the offers and allow to search for the source and target city, sometimes enriched with radial search. So finding a connection between big cities is quite easy. These places are on a list of designated origin and distination points. But when you want to go from a small town to another small town, even when they are next to a freeway, you run into problems. You can't find offers that would or could pass by the town easily with little or no detour. We solve this interesting problem by presenting a fast algorithm that computes the offers with the smallest detours w.r.t. a request. Our experiments show that the problem is efficiently solvable in times suitable for a web service implementation. For realistic database size we achieve lookup times of about 5ms and a matching rate of 90% instead of just 70% for the simple matching algorithms used today.

研究动机与目标

• 为解决当前拼车平台依赖预定义起点和终点导致的农村或非中心区域匹配率低下问题。
• 通过计算任意接送点的最小绕行路径，实现灵活匹配，而非依赖人工预定义路线。
• 开发一种可扩展、适合网络服务的算法，高效计算拼车供给与需求之间的合理匹配，且绕行距离有界。
• 在查询时间更短、匹配覆盖更广方面超越现有方法（如交通节点路由），尤其在真实扰动数据集上表现更优。

提出的方法

• 该算法将道路网络建模为图 G=(V,E)，路径长度由边权重定义，并以最短路径距离 μ(u,v) 作为绕行计算的基准。
• 提出‘合理匹配’的正式定义：司机路线的绕行距离最多为最短路径的 (1+ε) 倍，以实现乘客的最小绕行。
• 通过在收缩层次结构中进行正向和反向搜索，计算距离表，从而快速获取所有供给的 μ(s′,ti) 和 μ(ti,t′)。
• 采用基于桶的存储结构，按空间邻近性对供给进行分组，减少每个请求的距离查询次数，提升可扩展性。
• 支持后处理过滤，移除违反时间或路线约束的供给，确保仅返回有效匹配。
• 对真实世界节点位置进行扰动，以模拟任意起点和终点，同时保留真实数据中观察到的行程长度指数分布特性。

实验结果

研究问题

• RQ1 是否存在一种可扩展的算法，能够为任意起点和终点之间的拼车匹配计算最小绕行路径，而不仅限于预定义枢纽？
• RQ2 与现有技术（如交通节点路由）相比，所提算法在查询速度和匹配率方面的表现如何？
• RQ3 该算法在真实拼车数据上，尤其在非中心或农村地区，能将匹配率提升至何种程度？
• RQ4 在包含数万个供给的大规模数据集上，该算法如何保持效率与准确性？
• RQ5 数据扰动（模拟任意接送点）对匹配覆盖率和算法性能有何影响？

主要发现

• 对于10,000个供给，请求平均匹配时间仅为5.1ms；对于100,000个供给，为63ms，显著快于交通节点路由（相同数据集需340ms）。
• 在最大10%绕行距离下，匹配率从标准方法的70%提升至超过94%（10,000个供给），表明覆盖范围有显著提升。
• 在100,000个供给的数据集上，10%绕行距离下匹配率达99.7%，20%时达100%，表明算法具有高度可扩展性与鲁棒性。
• 即使采用优化技术（如交通节点路由），该算法仍优于2k+1次最短路径查询，展现出更优的效率。
• 真实数据扰动保留了行程长度的指数分布，验证了实验中所用合成数据集的真实性。
• 当桶大小过大时，算法性能会下降，但可通过将供给分配至多个时间窗口或使用更大图结构来降低每桶负载，从而缓解此问题。