[论文解读] Proactive rebalancing and speed-up techniques for on-demand high capacity vehicle pooling.

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

Transportation and Mobility Innovations被引用 6

一句话总结

本文提出加速技术与主动再平衡算法，以提升按需高容量车辆共享系统的性能。通过采用搜索空间剪枝、I/O优化与并行化，曼哈顿出租车数据上的计算时间最高减少97.67%；利用历史需求模式进行主动车辆调度，使服务率提升4.8%，平均等待时间与总延迟分别减少5.0%与10.7%。

ABSTRACT

By proposing speed-up techniques and a proactive rebalance algorithm, we improve the Mobility-on-Demand fleet management approach in [1] on both computational performance and system performance. The speed-up techniques comprise search space pruning and parallelization Input/Output reduction, which reduce the computation time by up to 97.67% in experiments on taxi trips in Manhattan, New York City. The proactive rebalancing algorithm guides idle vehicles to future demand based on a probability distribution estimated using historical data, which increases the service rate by 4.8% on average, and decreases the waiting time and total delay by 5.0% and 10.7% on average respectively.

研究动机与目标

• 提升按需出行系统中高容量车辆共享的计算效率。
• 降低车队管理中按需出行服务的等待时间与系统延迟。
• 通过基于预测需求的主动车辆再分配提升系统性能。
• 集成可扩展的优化技术，确保在动态乘车匹配环境中保持实时响应能力。

提出的方法

• 加速技术包括搜索空间剪枝，以在匹配过程中剔除不可行的车辆-需求配对。
• 对匹配计算进行并行化处理，以加速在多个计算单元上的处理速度。
• 通过优化匹配阶段的数据访问模式，实现I/O减少，以最小化磁盘与内存瓶颈。
• 主动再平衡算法利用历史数据估算未来需求概率，并据此重新定位空闲车辆。
• 系统基于历史行程数据推导出的概率分布，指导车辆在需求出现前预先调度至高需求区域。
• 该方法将实时乘车匹配与预测性车辆再分配相结合，以提升整体系统性能指标。

实验结果

研究问题

• RQ1 如何显著提升按需高容量车辆共享系统的计算性能？
• RQ2 主动车辆再分配在多大程度上可减少等待时间与系统延迟？
• RQ3 在大规模乘车匹配中，哪些加速技术最有效以减少计算时间？
• RQ4 基于历史需求模式的预测性车辆再分配如何影响系统服务率？
• RQ5 剪枝、并行化与I/O优化的组合能否在城市出租车数据集上实现近实时性能？

主要发现

• 在曼哈顿出租车行程数据上，使用所提出的加速技术，计算时间最高减少97.67%。
• 主动再平衡算法使服务率平均提升4.8%。
• 由于通过主动再分配提升了车辆可用性，平均等待时间减少5.0%。
• 在主动策略下，所有行程的总延迟平均降低10.7%。
• 搜索空间剪枝、并行化与I/O减少的组合使大规模城市数据集上实现近实时性能成为可能。
• 在真实世界数据实验中，系统在高需求条件下仍保持高可扩展性与响应能力。