[论文解读] SOUP: Spatial-Temporal Demand Forecasting and Competitive Supply

Bolong Zheng, Qi Hu+5 more|arXiv (Cornell University)|Sep 24, 2020

Transportation and Mobility Innovations参考文献 53被引用 4

一句话总结

本文提出SOUP，一种用于网约车系统中时空需求预测与竞争性供给的框架。它引入了ST-GCSL，一种图卷积网络模型，用于在时空维度上实现精准的请求预测；并提出DROP，一种需求感知的路径规划算法，通过平衡供需来最小化代理（如出租车）的空驶时间，在真实世界数据上表现优于最先进方法，等待时间最高减少26.8秒。

ABSTRACT

We consider a setting with an evolving set of requests for transportation from an origin to a destination before a deadline and a set of agents capable of servicing the requests. In this setting, an assignment authority is to assign agents to requests such that the average idle time of the agents is minimized. An example is the scheduling of taxis (agents) to meet incoming requests for trips while ensuring that the taxis are empty as little as possible. In this paper, we study the problem of spatial-temporal demand forecasting and competitive supply (SOUP). We address the problem in two steps. First, we build a granular model that provides spatial-temporal predictions of requests. Specifically, we propose a Spatial-Temporal Graph Convolutional Sequential Learning (ST-GCSL) algorithm that predicts the service requests across locations and time slots. Second, we provide means of routing agents to request origins while avoiding competition among the agents. In particular, we develop a demand-aware route planning (DROP) algorithm that considers both the spatial-temporal predictions and the supplydemand state. We report on extensive experiments with realworld and synthetic data that offer insight into the performance of the solution and show that it is capable of outperforming the state-of-the-art proposals.

研究动机与目标

• 最小化动态网约车系统中代理（如出租车）的平均空驶时间。
• 在城市道路网络中准确预测时空需求模式。
• 通过在路径分配过程中平衡供需，减少代理之间的竞争。
• 开发一个数据驱动的框架，整合实时需求预测与智能代理路径规划。
• 在减少空驶时间、等待时间及请求超时率方面优于现有方法。

提出的方法

• 提出多层次分区策略，以定义空间区域与时间时段，实现对请求的细粒度建模。
• 引入ST-GCSL，一种时空图卷积序列学习模型，利用图卷积与序列建模捕捉时空依赖关系。
• 设计DROP，一种需求感知的路径规划算法，结合实时时空预测与供需平衡，为闲置代理分配最优路径。
• 采用离线ST-GCSL模型进行长期需求预测，使用在线DROP模块实现实时代理重定位。
• 利用图卷积建模道路网络中的非欧几里得空间关系，相比基于CNN的方法提升预测准确性。
• 结合图卷积与序列建模，捕捉时间动态，实现对未来请求的高效且精准预测。

实验结果

研究问题

• RQ1 如何利用深度学习准确预测城市交通网络中的时空需求模式？
• RQ2 图卷积网络模型在多大程度上能够捕捉出租车需求数据中的复杂时空依赖关系？
• RQ3 如何优化闲置代理的路径规划以减少竞争与空驶时间？
• RQ4 一个整合实时需求预测与供给感知路径规划的框架是否能优于现有调度策略？
• RQ5 供需平衡对减少代理空驶时间与请求超时率有何影响？

主要发现

• ST-GCSL模型在真实世界数据集上的时空需求预测精度优于基线模型。
• 与基线RD方法相比，DROP算法在纽约数据集上将平均空驶时间减少最多10秒。
• 与RD方法相比，DROP将平均等待时间减少26.8秒，显著改善了乘客体验。
• 与RD方法相比，该框架将请求超时率降低0.73%，表明请求满足率更高。
• ST-GCSL与DROP的集成显著提升了整体系统效率与代理利用率。
• 所提方法通过在高需求区域均衡分配代理，有效缓解了群体聚集效应（herding effect）。