[论文解读] Gaussian Process-Based Decentralized Data Fusion and Active Sensing for Mobility-on-Demand System

Jie Chen, Kian Hsiang Low+1 more|arXiv (Cornell University)|Jun 2, 2013

Gaussian Processes and Bayesian Inference参考文献 11被引用 14

一句话总结

该论文提出了一种基于高斯过程的去中心化数据融合（GP-DDF+）与主动感知（DAS）框架，用于在基于自主机器人车辆的按需出行（MoD）系统中实现实时、细粒度的出行需求预测。通过将稀疏近似高斯过程模型的计算分布在车辆之间，GP-DDF+ 在保证可扩展性和时间效率的同时，实现了与集中式方法相当的预测性能；同时，DAS 通过引导车辆前往信息量最高的区域，提升了预测精度并间接优化了车队再平衡。

ABSTRACT

Mobility-on-demand (MoD) systems have recently emerged as a promising paradigm of one-way vehicle sharing for sustainable personal urban mobility in densely populated cities. In this paper, we enhance the capability of a MoD system by deploying robotic shared vehicles that can autonomously cruise the streets to be hailed by users. A key challenge to managing the MoD system effectively is that of real-time, fine-grained mobility demand sensing and prediction. This paper presents a novel decentralized data fusion and active sensing algorithm for real-time, fine-grained mobility demand sensing and prediction with a fleet of autonomous robotic vehicles in a MoD system. Our Gaussian process (GP)-based decentralized data fusion algorithm can achieve a fine balance between predictive power and time efficiency. We theoretically guarantee its predictive performance to be equivalent to that of a sophisticated centralized sparse approximation for the GP model: The computation of such a sparse approximate GP model can thus be distributed among the MoD vehicles, hence achieving efficient and scalable demand prediction. Though our decentralized active sensing strategy is devised to gather the most informative demand data for demand prediction, it can achieve a dual effect of fleet rebalancing to service the mobility demands. Empirical evaluation on real-world mobility demand data shows that our proposed algorithm can achieve a better balance between predictive accuracy and time efficiency than state-of-the-art algorithms.

研究动机与目标

• 为解决在人口密集的城市中，由于事件、天气或中断导致出行需求模式不可预测波动时，实现实时、细粒度的出行需求感知与预测的挑战。
• 设计一种去中心化的数据融合算法，使其在保持与集中式稀疏 GP 近似相当的预测精度的同时，降低计算与通信开销。
• 开发一种主动感知策略，引导自主车辆前往收集最具信息量的需求数据，从而提升预测精度并间接实现车队再平衡。
• 通过实证验证，所提出的框架在预测精度与时间效率之间实现了优于现有最先进方法的平衡。
• 证明主动感知不仅提升了预测性能，还通过提高用户接载率和降低等待时间，增强了车队服务表现。

提出的方法

• 该框架采用对数高斯过程（ℓGP）建模时空出行需求，这是一种适用于非高斯、偏态需求模式的贝叶斯非参数模型。
• 提出一种新颖的去中心化数据融合算法 GP-DDF+，将稀疏近似 GP 模型的计算分布于 MoD 车辆之间，实现无需集中协调的可扩展且高效的预测。
• 理论分析证明，GP-DDF+ 实现了与集中式稀疏 GP 近似相当的预测性能，确保了在去中心化架构下仍具备高精度。
• 一种去中心化的主动感知（DAS）策略利用预测不确定性（方差）引导空闲车辆前往信息增益最高的区域，以最大化未来预测的数据效用。
• DAS 策略被设计为在最小化预测误差的同时，通过引导车辆前往采样不足或高需求区域，改善车队分布。
• 系统通过实时获取车辆接载数据，利用本地计算与邻近车辆通信更新预测，避免依赖全局基础设施。

实验结果

研究问题

• RQ1 去中心化数据融合算法是否能在保持与集中式稀疏 GP 近似相当的预测精度的同时，实现可扩展性与高效性？
• RQ2 基于预测不确定性的主动感知能否引导自主车辆收集最具信息量的需求数据，从而提升预测精度？
• RQ3 主动感知策略是否能同时改善车队再平衡与服务表现，如降低用户等待时间并提高接载率？
• RQ4 随着 MoD 系统中自主车辆数量的增加，所提框架的性能如何变化？
• RQ5 在精度、时间效率和服务质量方面，该去中心化方法相较于现有集中式或半集中式方法，优势有多大？

主要发现

• GP-DDF+ 实现了与集中式稀疏 GP 近似相当的预测精度，理论保证成立，同时通过车辆间分布计算实现了可扩展性与高效性。
• 基于真实世界数据的实证评估表明，GP-DDF+ 在预测精度与时间效率的平衡上优于现有最先进方法（FGP 与 GP-DDF）。
• 随着车辆数量增加（K=10,20,30），所有算法在预测精度与服务表现上均有所提升，但 GP-DDF+ 凭借分布式计算保持了更优的时间效率。
• 主动感知策略降低了车队失衡（KLD），并导致更短的平均车辆巡游轨迹、更低的用户等待时间以及更高的总接载量，体现了对预测与服务的双重增益。
• 该框架具有良好的可扩展性：更多车辆能更有效地收集需求热点区域与采样稀疏区域的数据，从而同时提升预测与服务效果。
• 结果证实，主动感知不仅提升了预测性能，还自然地实现了车队再平衡，因为处于高不确定性区域的车辆更可能接载用户，从而减少系统整体低效性。