Surrogate-based Real-time Curbside Management for Ride-hailing and Delivery Operations
作者: Suyash C. Vishnoi, Michele D. Simoni
分类: eess.SY
发布日期: 2023-10-05
💡 一句话要点
提出基于代理模型的实时路边管理以优化叫车和配送操作
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 路边管理 交通优化 代理模型 实时控制 高斯过程回归 混合仿真 元启发式算法
📋 核心要点
- 现有的路边管理方法在处理实时交通流时面临高计算成本和非线性优化问题的挑战。
- 论文提出了一种基于代理模型的优化方案，通过替代耗时的仿真实现实时控制，提升了效率。
- 实验结果表明，所提方法在多辆叫车车辆的场景中，能够将拥堵改善20.65%，展示了其有效性。
📝 摘要（中文）
本研究探讨了基于代理模型的优化方法，以实现实时路边交通管理。通过优化问题的构建，旨在减少因车辆停靠而导致的道路拥堵，并在模型预测控制框架中实施。采用混合仿真方法，使主要交通流与单独建模的停靠车辆相互作用。由于优化问题的非线性特性，结合了元启发式算法。然而，由于仿真耗时，无法用于实时控制，因此采用训练好的代理模型来替代仿真。比较了多种建模技术的准确性和计算可行性，发现高斯过程回归最适合用作代理模型。最终，针对多辆叫车车辆的实际应用展示了该方法，控制车辆停靠位置的方案在无控制情况下实现了20.65%的改善，展示了该方法在减少停靠车辆负面影响方面的潜力。
🔬 方法详解
问题定义：本研究旨在解决因车辆停靠导致的道路拥堵问题。现有方法在实时控制中面临高计算成本和非线性优化的挑战，难以有效应对复杂交通流。
核心思路：论文的核心思路是利用训练好的代理模型替代传统的耗时仿真，从而实现实时的交通管理优化。通过这种方式，能够快速评估不同决策变量对目标函数的影响，提升决策效率。
技术框架：整体架构包括优化问题的定义、代理模型的训练和元启发式算法的结合。首先，通过混合仿真方法建模交通流和停靠车辆的相互作用，然后使用代理模型进行实时优化。
关键创新：最重要的技术创新在于引入高斯过程回归作为代理模型，显著提高了模型的准确性和计算效率。这一方法与传统的仿真方法相比，能够在保持精度的同时大幅降低计算时间。
关键设计：在模型设计中，采用了多种建模技术进行比较，包括线性回归、神经网络等，最终选定高斯过程回归。关键参数设置和损失函数设计经过多次实验优化，以确保模型在不同仿真参数配置下的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在多辆叫车车辆的场景中，能够实现20.65%的拥堵改善，相较于无控制情况下显著提升了交通流动性，验证了其有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括城市交通管理、智能交通系统和配送服务优化。通过实时控制车辆停靠位置，可以有效减少交通拥堵，提高城市交通效率，具有重要的实际价值和社会影响。
📄 摘要（原文）
The present work investigates surrogate model-based optimization for real-time curbside traffic management operations. An optimization problem is formulated to minimize the congestion on roadway segments caused by vehicles stopping on the segment (e.g., ride-hailing or delivery operations) and implemented in a model predictive control framework. A hybrid simulation approach where main traffic flows interact with individually modeled stopping vehicles is adopted. Due to its non-linearity, the optimization problem is coupled with a meta-heuristic. However, because simulations are time expensive and hence unsuitable for real-time control, a trained surrogate model that takes the decision variables as inputs and approximates the objective function is employed to replace the simulation within the meta-heuristic algorithm. Several modeling techniques (i.e., linear regression, polynomial regression, neural network, radial basis network, regression tree ensemble, and Gaussian process regression) are compared based on their accuracy in reproducing solutions to the problem and computational tractability for real-time control under different configurations of simulation parameters. It is found that Gaussian process regression is the most suited for use as a surrogate model for the given problem. Finally, a realistic application with multiple ride-hailing vehicle operations is presented. The proposed approach for controlling the stop positions of vehicles is able to achieve an improvement of 20.65% over the uncontrolled case. The example shows the potential of the proposed approach in reducing the negative impacts of stopping vehicles and favorable computational properties.