[论文解读] Proactive rebalancing and speed-up techniques for on-demand high capacity ridesourcing services

Yang Liu, Samitha Samaranayake|arXiv (Cornell University)|Feb 9, 2019

Transportation and Mobility Innovations参考文献 11被引用 4

一句话总结

本文提出加速技术与基于概率的主动再平衡方法，以提升实时高容量共享出行车队管理框架的性能。通过剪枝搜索空间并减少并行化过程中的I/O开销，计算时间最高减少97.67%；基于历史需求概率的主动再平衡使服务率提高4.8%，等待时间与总延迟分别减少5.0%和10.7%。

ABSTRACT

We present a probabilistic proactive rebalancing method and speed-up techniques for improving the performance of a state-of-the-art real-time high-capacity fleet management framework [1]. We improve on both computational efficiency and system performance. The speed-up techniques include search-space pruning and I/O cost reduction for parallelization, reducing the computation time by up to 97.67%, in experiments on taxi trips in New York City. The proactive rebalancing routes idle vehicles to future demands based on probabilistic estimates from historical demand, increasing the service rate by 4.8% on average, and decreasing the waiting time and total delay by 5.0% and 10.7% on average, respectively.

研究动机与目标

• 提升实时高容量共享出行车队管理系统的计算效率。
• 减少求解大规模车辆路径与分配问题的计算时间。
• 通过利用历史需求模式主动将空驶车辆重新定位至高需求区域，提升系统性能。
• 最小化并行化请求-车辆兼容性检查中的I/O瓶颈。
• 通过预测性车辆再定位提高服务率，减少等待时间与总延迟。

提出的方法

• 应用两种搜索空间剪枝技术，以减少在行程可行性计算过程中评估的广义接送问题数量。
• 引入一种I/O减少技术，通过减少计算单元间重叠的车辆数据，最小化并行请求分区中的冗余数据传输。
• 采用基于概率的主动再平衡方法，利用未来请求分配的边缘概率估计，引导空驶车辆前往高效益位置。
• 该方法利用历史需求分布预测未来需求热点，并使车辆位置与预期未来利用率保持一致。
• 将这些技术整合进[1]中的最先进“随时最优”车队管理框架，保持最优性的同时加速计算。
• 在ILP公式中使用虚拟请求以建模未来需求，提升再平衡效果。

实验结果

研究问题

• RQ1 搜索空间剪枝技术是否能在不牺牲解质量的前提下，减少高容量共享出行系统中的计算时间？
• RQ2 如何最小化并行化请求-车辆兼容性检查中的I/O开销，以提升可扩展性？
• RQ3 基于历史需求的概率主动再平衡在多大程度上能改善服务率、等待时间与延迟等系统性能指标？
• RQ4 所提出的加速技术在车队规模与需求复杂度增加时，其可扩展性如何？
• RQ5 将加速技术与主动再平衡相结合，对整体系统效率与性能有何影响？

主要发现

• 在高需求约束下，1000辆、每辆车容量为10的车队实验中，加速技术使计算时间最高减少97.67%。
• 所有测试配置的平均计算时间减少87.46%，且未损失解的最优性。
• 主动再平衡使服务率平均提高4.8%，相当于6小时内多服务4068名乘客。
• 等待时间平均减少5.0%，总延迟平均减少10.7%。
• 在高需求约束下，3000辆、每辆车容量为4的车队中，等待时间最大减少24.28秒，总延迟最大减少68.51秒。
• 加速技术与主动再平衡的集成，使计算时间相比原始框架平均减少81.44%。