一种面向出行按需服务的预测式机会约束再平衡方法

本文研究出行按需（MoD）服务（如Uber或滴滴出行）中的供需失衡问题。此类失衡源于随机出行需求的不均衡，可通过主动再平衡空车来预防。为此，我们提出一种将估计的随机出行需求模式纳入随机模型预测控制（SMPC）以再平衡空车的MoD网约车服务方法。更确切地说，我们首先使用高斯过程回归（GPR）估计乘客出行需求，其为时间模式预测提供需求不确定界。随后我们为自动驾驶网约车服务建立SMPC，并将带不确定界的需求预测整合进滚动时域MoD优化。为保障上述优化在估计随机需求预测下满足约束，我们采用具有用户定义置信区间的概率约束方法。带概率约束的滚动时域MoD优化因而要求机会约束模型预测控制（CCMPC）。所提方法益处有二。其一，来自数据的出行需求不确定性预测可自然嵌入MoD优化框架。我们表明，对于给定的最小车队规模，各站点失衡可以用户定义概率保持在某阈值以下。其二，CCMPC可进一步松弛为混合整数线性规划（MILP），且我们证明该MILP可作为相应线性规划求解，其总存在整数解。最后，我们通过高保真交通仿真证明，通过将机会约束上的置信界调谐至接近最优预言机性能即可达成。相较仅使用GPR均值预测，相应客户中位等待时间减少4%。