[论文解读] Online Predictive Optimization Framework for Stochastic Demand-Responsive Transit Services

Inon Peled, Kelvin Lee+3 more|arXiv (Cornell University)|Feb 26, 2019

Transportation Planning and Optimization参考文献 58被引用 4

一句话总结

本文提出了一种在线预测优化框架，用于需求响应型公共交通服务，通过整合分位数回归与高斯拷贝（Gaussian copulas）来建模随机需求分布，再利用基于场景的鲁棒优化方法动态设计路线与频率。该框架通过利用完整的预测分布，优于传统方法，在真实校园出行数据中实现了近似最优解。

ABSTRACT

This study develops an online predictive optimization framework for dynamically operating a transit service in an area of crowd movements. The proposed framework integrates demand prediction and supply optimization to periodically redesign the service routes based on recently observed demand. To predict demand for the service, we use Quantile Regression to estimate the marginal distribution of movement counts between each pair of serviced locations. The framework then combines these marginals into a joint demand distribution by constructing a Gaussian copula, which captures the structure of correlation between the marginals. For supply optimization, we devise a linear programming model, which simultaneously determines the route structure and the service frequency according to the predicted demand. Importantly, our framework both preserves the uncertainty structure of future demand and leverages this for robust route optimization, while keeping both components decoupled. We evaluate our framework using a real-world case study of autonomous mobility in a university campus in Denmark. The results show that our framework often obtains the ground truth optimal solution, and can outperform conventional methods for route optimization, which do not leverage full predictive distributions.

研究动机与目标

• 弥合现有公共交通框架中需求预测与供给优化被视作独立、通常基于点估计的过程所存在的空白。
• 开发一种统一的在线框架，以保留并利用未来需求中的不确定性，实现稳健的公共交通网络设计。
• 利用时空需求预测，实现实时、动态的自动驾驶接驳车路线与频率优化。
• 在保持各起讫对之间相关结构的同时，将需求预测与供给优化解耦。
• 利用大学校园的真实WiFi追踪出行数据，证明该框架的有效性。

提出的方法

• 使用分位数回归估计每一起讫对（OD对）之间客流动量计数的边际累积分布函数（CDF）。
• 构建高斯拷贝，将边际分布组合为联合的时空需求分布，保留各OD对之间的交叉相关性。
• 从联合需求分布中抽样，生成用于供给优化的随机场景。
• 建立线性规划（LP）模型，为每个抽样得到的需求场景确定最优路线结构与服务频率。
• 将所有样本中出现频率最高的最优解选为下一时间间隔的最终运行计划。
• 通过拷贝实现预测与优化模块的解耦，支持模块化与可扩展的实现。

实验结果

研究问题

• RQ1 一种将需求的完整预测分布与鲁棒供给优化相结合的框架，是否能在动态公交路线规划中优于传统的基于点估计的方法？
• RQ2 分位数回归与高斯拷贝在真实出行环境中，对人群移动的联合时空分布建模的有效性如何？
• RQ3 在多大程度上保留需求不确定性能够提升动态重构公共交通网络的鲁棒性与最优性？
• RQ4 在实时运行环境中，基于场景的优化方法在可扩展性与效率方面表现如何？
• RQ5 当未来需求已知（事后观察）时，该框架能否获得接近真实最优解的解？

主要发现

• 在基于事后观测的评估中，该框架频繁达到真实最优解，表明其解的准确性较高。
• 与依赖需求点估计的传统优化方法相比，该框架表现更优，尤其在使用表现最佳的预测模型（$DNN_{1}^{Ind}$ 与 $GBoost_{1}^{Mul}$）时。
• 使用完整的预测分布——特别是基于分位数的边际估计与基于拷贝的联合建模——可带来更稳健、更准确的路线与频率决策。
• 在线供给优化在计算上是可行的，每个样本与LP求解仅需几秒钟，解聚合（基于频率的选择）也仅多耗几秒。
• 该框架的基于场景的方法支持实时运行，且易于并行化，即使在大规模问题中亦适用。
• 该框架可推广至任何可估计参数预测分布的随机线性规划问题，表明其在公共交通路线规划之外也具有广泛适用性。