[论文解读] On the Real-time Vehicle Placement Problem

Abhinav Jauhri, Carlee Joe‐Wong+1 more|arXiv (Cornell University)|Dec 4, 2017

Transportation and Mobility Innovations参考文献 15被引用 4

一句话总结

本文提出两种分布式在线学习算法——FTL-CH 和 PP-LH——用于拼车系统中的实时车辆调度，以最小化乘客等待时间。通过利用来自美国四个城市共1000万次请求数据中时空出行请求模式的自相似性，算法实现了接近最优的性能表现，其中 PP-LH 平均优于 FTL-CH 0.75%，并在旧金山实现了 11.7% 的接驾操作在 30 秒内完成。

ABSTRACT

Motivated by ride-sharing platforms' efforts to reduce their riders' wait times for a vehicle, this paper introduces a novel problem of placing vehicles to fulfill real-time pickup requests in a spatially and temporally changing environment. The real-time nature of this problem makes it fundamentally different from other placement and scheduling problems, as it requires not only real-time placement decisions but also handling real-time request dynamics, which are influenced by human mobility patterns. We use a dataset of ten million ride requests from four major U.S. cities to show that the requests exhibit significant self-similarity. We then propose distributed online learning algorithms for the real-time vehicle placement problem and bound their expected performance under this observed self-similarity.

研究动机与目标

• 通过主动的实时车辆调度，解决拼车平台中最小化乘客等待时间的挑战。
• 在子3分钟时间间隔和约100米网格单元的空间尺度下，制定细粒度的实时车辆调度问题。
• 设计无需集中协调的分布式在线学习算法，以适应动态且具有自相似性的时空需求模式。
• 在真实出行请求数据中观察到的自相似性条件下，理论界定这些算法的期望性能。
• 使用美国四大主要城市的实际数据，将所提方法与基线方法及最优预言机（oracle）进行对比评估。

提出的方法

• 将城市建模为 ε×ε 的网格单元（ε=100m），时间采样间隔 τε=3 分钟，记录每个单元的接车（Pt）和下车（Dt−1）次数。
• 定义奖励函数 Rt 为每个单元的平均成功接车次数：Rt = (1/nt) × Σi,j min(Pt[i,j], Γt[i,j])，其中 Γt 为车辆调度决策。
• 提出 FTL-CH（带循环启发式的 Follow-the-Leader）：选择前一时间段内历史接车次数最高的邻近单元。
• 提出 PP-LH（基于泊松过程的领导者启发式）：利用近期接车数据的泊松过程速率（λ）的最大似然估计，选择最具潜力的单元。
• 利用请求模式的自相似性（分形维数 D2 ∈ (1,2)）对算法性能进行理论界定，表明 FTL-CH 的期望奖励与最优策略相差 O(εD2)。
• 将算法应用于芝加哥、洛杉矶、纽约和旧金山的真实数据集，基于 7 天周期、每 3 分钟一个时间快照进行奖励对比。

实验结果

研究问题

• RQ1 在线学习算法能否有效应对动态且具有自相似性的时空需求模式下的实时车辆调度？
• RQ2 如何利用出行请求数据中的自相似性来提升实时车辆调度算法的性能？
• RQ3 在观测到的自相似性条件下，FTL-CH 和 PP-LH 等在线算法的理论性能边界是什么？
• RQ4 在真实世界数据中，FTL-CH 和 PP-LH 与均匀随机放置（URand-NH）和最优预言机（OPT）相比表现如何？
• RQ5 有限的历史数据（如仅一个时间间隔）是否足以支持有效的实时调度决策？

主要发现

• 在所有四个城市中，PP-LH 算法在奖励（公式 1）上平均优于 FTL-CH 0.75%，且在理论边界下表现统计等价。
• 在旧金山，PP-LH 实现了 11.7% 的接车操作在请求发出后 30 秒内完成，展现出对实时需求的高响应能力。
• PP-LH 的平均奖励分别为：芝加哥 11.1%，洛杉矶 7.2%，纽约 10.2%；洛杉矶表现最低，归因于其较低的自相似性（D2）。
• 理论分析表明，FTL-CH 的期望奖励与最优策略相差 O(εD2)，其中 D2 ∈ (1,2) 表明请求模式具有自相似性。
• 在泊松过程假设下，PP-LH 与 FTL-CH 的期望性能等价，验证了使用 λ 的最大似然估计的合理性。
• 最优预言机（OPT）的奖励显著高于所有算法，表明实时调度策略仍有巨大优化空间。