[论文解读] Real-Time Dispatching of Large-Scale Ride-Sharing Systems: Integrating Optimization, Machine Learning, and Model Predictive Control

Connor Riley, Pascal Van Hentenryck+1 more|arXiv (Cornell University)|Mar 24, 2020

Transportation and Mobility Innovations参考文献 13被引用 6

一句话总结

该论文提出A-RTRS，一种端到端框架，整合了基于机器学习的需求预测、模型预测控制（MPC）用于空驶车辆重新定位，以及实时拼车调度的优化。该框架在所有测试案例中将平均等待时间减少30%，在高需求区域最多减少55%，通过使用预测性区域级需求预测和粗粒度时空下的可扩展MPC，主动重新定位车辆。

ABSTRACT

This paper considers the dispatching of large-scale real-time ride-sharing systems to address congestion issues faced by many cities. The goal is to serve all customers (service guarantees) with a small number of vehicles while minimizing waiting times under constraints on ride duration. This paper proposes an end-to-end approach that tightly integrates a state-of-the-art dispatching algorithm, a machine-learning model to predict zone-to-zone demand over time, and a model predictive control optimization to relocate idle vehicles. Experiments using historic taxi trips in New York City indicate that this integration decreases average waiting times by about 30% over all test cases and reaches close to 55% on the largest instances for high-demand zones.

研究动机与目标

• 通过实现大规模实时拼车系统并提供服务保障，同时将等待时间最小化，缓解城市交通拥堵。
• 在维持行程时长和车辆容量约束的前提下，减少拼车系统中的平均等待时间。
• 通过利用预测模型和模型预测控制（MPC）主动重新定位空驶车辆，提升系统效率。
• 证明将细粒度优化与粗粒度MPC及机器学习预测相结合，可在实时调度中带来显著的运营收益。
• 通过在低需求区域保持低等待时间的同时最小化重新定位开销，确保公平性和可扩展性。

提出的方法

• A-RTRS采用滚动时域策略，结合请求批量处理和周期性优化，以实现大规模实时需求的处理。
• 它使用机器学习模型对时间维度上的区域间需求进行预测，从而实现对车辆的主动重新定位。
• 在更粗粒度的区域和时间尺度上应用模型预测控制（MPC），在调度决策前重新定位空驶车辆，以提升未来的需求覆盖能力。
• 系统集成了先进的按需接送优化算法，用于车辆指派与路径规划，同时强制执行行程时长和容量约束。
• 该框架以周期运行：MPC步骤执行频率较低，用于重新定位空驶车辆，随后对挂起和未服务的请求执行详细路径优化。
• A-RTRS确保所有请求均被服务，延迟服务的惩罚逐渐增加，并利用历史数据进行需求预测和系统校准。

实验结果

研究问题

• RQ1 将基于机器学习的需求预测与模型预测控制相结合，能否提升实时拼车调度的性能？
• RQ2 在高需求城市区域，主动车辆重新定位在多大程度上能减少平均等待时间？
• RQ3 与纯粹的短视或反应式调度策略相比，混合MPC-优化方法的性能如何？
• RQ4 该框架是否在保持低需求区域等待时间的同时，最小化了重新定位开销？
• RQ5 系统的性能对需求预测模型的准确性有多敏感？

主要发现

• 与无重新定位基线相比，A-RTRS在所有测试案例中将平均等待时间减少30%。
• 在最大规模实例中，特别是在高需求区域，平均等待时间减少了近55%。
• 系统仅使用2,000辆容量为4的车辆，即可将平均等待时间维持在2.51分钟（标准差1.16分钟）。
• 重新定位的收益在高需求区域最为显著，改善幅度最高达55%，而低需求区域则保持持续低等待时间。
• 超过83%的车辆在运营时间内花费少于17%的时间用于重新定位，表明运营开销极低。
• 在高需求实例中，该框架优于M-RTRS（无重新定位）和OA-RTRS（最优但不切实际）方案，性能提升与预测准确性直接相关。