An End-to-End Smart Predict-then-Optimize Framework for Vehicle Relocation Problems in Large-Scale Vehicle Crowd Sensing

要約

ユビキタスなモバイル デバイスは、車両群衆センシング (VCS) の開発を促進しました。
特に、車両センシング システムは、多様なセンシング シナリオの下で、内蔵センサーを介して都市の時空間データを柔軟に取得する際に大きな可能性を示します。
ただし、車両システムは、乗車リクエストとルートが異種であるため、カバレッジに偏りがあることがよくあります。
高いセンシング範囲を達成するには、車両の分布とターゲットのセンシング分布の間の乖離を最小限に抑えるために車両を最適に再配置することが重要な課題となります。
従来のアプローチでは通常、2 段階の予測→最適化 (PTO) プロセスが採用されています。まず、リアルタイムの車両分布を予測し、続いて予測に基づいて最適な再配置戦略を生成します。
ただし、このアプローチでは、上流の予測からの誤差が伝播するため、最適とは言えない意思決定が行われる可能性があります。
この目的を達成するために、深層学習アーキテクチャ内の予測に最適化を統合することにより、エンドツーエンドの Smart Predict-then-Optimize (SPO) フレームワークを開発します。また、フレームワーク全体は、タスク固有のマッチングの発散を最小限に抑えることでトレーニングされます。
上流の予測エラー。
方法論的には、二次計画法 (QP) によって車両再配置問題を定式化し、乗算器の交互方向法 (ADMM) に基づく新しいアンローリング アプローチを SPO フレームワーク内に組み込んで QP 層の勾配を計算し、バックプロパゲーションと勾配ベースの最適化を容易にします。
エンドツーエンドの学習のために。
提案されたフレームワークの有効性は、香港の実世界のタクシー データセットによって検証されています。
一般的な SPO フレームワークは、交互微分法を利用して、不確実性のある意思決定の問題に対処する新しい概念を提示し、インテリジェント交通システムにおけるアプリケーションを進歩させる大きな可能性を示しています。

要約(オリジナル)

Ubiquitous mobile devices have catalyzed the development of vehicle crowd sensing (VCS). In particular, vehicle sensing systems show great potential in the flexible acquisition of spatio-temporal urban data through built-in sensors under diverse sensing scenarios. However, vehicle systems often exhibit biased coverage due to the heterogeneous nature of trip requests and routes. To achieve a high sensing coverage, a critical challenge lies in optimally relocating vehicles to minimize the divergence between vehicle distributions and target sensing distributions. Conventional approaches typically employ a two-stage predict-then-optimize (PTO) process: first predicting real-time vehicle distributions and subsequently generating an optimal relocation strategy based on the predictions. However, this approach can lead to suboptimal decision-making due to the propagation of errors from upstream prediction. To this end, we develop an end-to-end Smart Predict-then-Optimize (SPO) framework by integrating optimization into prediction within the deep learning architecture, and the entire framework is trained by minimizing the task-specific matching divergence rather than the upstream prediction error. Methodologically, we formulate the vehicle relocation problem by quadratic programming (QP) and incorporate a novel unrolling approach based on the Alternating Direction Method of Multipliers (ADMM) within the SPO framework to compute gradients of the QP layer, facilitating backpropagation and gradient-based optimization for end-to-end learning. The effectiveness of the proposed framework is validated by real-world taxi datasets in Hong Kong. Utilizing the alternating differentiation method, the general SPO framework presents a novel concept of addressing decision-making problems with uncertainty, demonstrating significant potential for advancing applications in intelligent transportation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google