[论文解读] Speed-up Heuristic for an On-Demand Ride-Pooling Algorithm

Roman Engelhardt, Florian Dandl+1 more|arXiv (Cornell University)|Jul 29, 2020

Transportation and Mobility Innovations参考文献 14被引用 17

一句话总结

本文提出了一种针对按需拼车算法的加速启发式方法，以在大规模动态车辆路径规划中减少计算时间，同时保持解决方案质量。通过引入基于三条规则的车辆选择启发式方法以剪枝搜索空间，该方法实现了整体2.5倍的加速——尤其将最耗时的步骤时间减少了8倍——同时保持了完整多步算法70%的距离节省和几乎全部的服务请求量。

ABSTRACT

With ongoing developments in digitalization and advances in the field of autonomous driving, on-demand ride pooling is a mobility service with the potential to disrupt the urban mobility market. Nevertheless, to apply this kind of service successfully efficient algorithms have to be implemented for effective fleet management to exploit the benefits associated with this mobility service. Especially real time computation of finding beneficial assignments is a problem not solved for large problem sizes until today. In this study, we show the importance of using advanced algorithms by comparing a fast, but simple insertion heuristic algorithm with a state-of-the-art multi-step matching algorithm. We test the algorithms in various scenarios based on private vehicle trip OD-data for Munich, Germany. Results indicate that in the tested scenarios by using the multi-step algorithm up to 8$\%$ additional requests could be served while also 10$\%$ additional driven distance could be saved. However, computational time for finding optimal assignments in the advanced algorithm exceeds real time rather fast as problem size increases. Therefore, several aspects to reduce the computational time by decreasing redundant checks of the advanced multi step algorithm are introduced. Finally, a refined vehicle selection heuristic based on three rules is presented to furthermore reduce the computational effort. In the tested scenarios this heuristic can speed up the most cost intensive algorithm step by a factor of over 8, while keeping the number of served requests almost constant and maintaining around 70$\%$ of the driven distance saved in the system. Considering all algorithm steps, an overall speed up of 2.5 could be achieved.

研究动机与目标

• 解决大规模按需拼车系统中的计算瓶颈问题，其中NP难的匹配问题随车队规模增大而复杂度急剧上升。
• 通过减少车辆与请求匹配阶段的冗余计算，提升先进多步匹配算法的实时可行性。
• 在大幅缩短运行时间的同时，保持高水平的解决方案质量，特别是请求接受率和距离节省。
• 开发一种基于启发式的车辆选择策略，利用空间和时间上的请求模式，限制每项请求的候选车辆数量。
• 通过优化算法设计，实现在慕尼黑等密集城市环境中可扩展的实时拼车运营。

提出的方法

• 采用Alonso-Mora等人（2015）提出的多步ODRP算法，该算法通过共享网络和时间扩展路径规划解耦问题。
• 引入基于三条规则的车辆选择启发式方法：（1）与出发地的距离近，（2）预期到达接载点的时间短，（3）与已有请求的路线兼容。
• 缓存并重用跨时间步长的先前计算出的可行车辆-请求组（V2RB）组合，避免重复计算。
• 将该启发式方法专门应用于最耗时的步骤——构建V2RB数据库——使其时间减少8倍。
• 采用混合方法：以快速插入启发式作为基线，与优化后的多步算法对比性能权衡。
• 使用慕尼黑真实私家车出行OD数据构建仿真框架，评估在不同需求水平（5%、10%、15%）下的性能表现。

实验结果

研究问题

• RQ1 基于启发式的车辆选择策略在多步按需拼车算法中能在多大程度上减少计算时间，而不会牺牲解决方案质量？
• RQ2 与简单插入启发式相比，先进多步算法在请求接受率和距离节省方面的性能表现如何？
• RQ3 通过车辆选择规则剪枝搜索空间，对算法可扩展性的影响如何，尤其是在车队规模和需求增加时？
• RQ4 在动态拼车中，跨时间步长缓存先前计算的V2RB是否能显著减少冗余计算？
• RQ5 该启发式方法在不同需求密度下，特别是在高峰时段，其有效性如何变化？

主要发现

• 在测试的慕尼黑场景中，多步算法相比插入启发式可多服务高达8%的请求，并减少10%的行驶距离。
• 所提出的车辆选择启发式方法使构建V2RB数据库的时间减少了8倍，这是最耗时的步骤。
• 尽管进行了激进的剪枝，该启发式方法仍保持了完整算法70%的距离节省，并保留了几乎全部的服务请求。
• 整体算法在所有步骤中实现了2.5倍的加速，尤其在最耗时的计算阶段收益最大。
• 由于车辆路线重叠增加且车辆选择规则收敛性更好，该启发式方法在高需求时段最为有效。
• 随着问题规模增大，预期加速效果将进一步提升，因为该启发式方法针对的是呈指数增长的组件，而未受影响的步骤仅呈二次方增长。