Upgrade to Pro — share decks privately, control downloads, hide ads and more …

SIGSPATIAL2020 参加報告

SIGSPATIAL2020 参加報告

641f9eed18ca98bfe405a25eb6c8e47e?s=128

fumihiko takahashi

December 14, 2020
Tweet

Transcript

  1. 2020.12.10 齋藤 智輝 高橋 文彦 株式会社 Mobility Technologies SIG SPATIAL2020

    参加レポート
  2. • 名前:高橋文彦 • 略歴 ◦ 2015年4月 ヤフー株式会社 入社 ◦ 2018年8月

    JapanTaxi株式会社 入社 ◦ 2020年4月 株式会社MobilityTechnologies • 領域 ◦ データサイエンス、自然言語処理 • 過去の主な仕事 ◦ ECサイトの検索精度改善 ◦ 形態素解析ツールの開発 ◦ MLを使った お迎え時間予測のロジック、APIの開発 ◦ SceneTextRecognitionの研究開発(画像処理) ◦ マネージャー(10人程度組織) ◦ 論文書いたり • 趣味 ◦ ボードゲーム、一蘭
  3. 3 04 論文紹介 Part 2 by 高橋

  4. 4 Grab-Posisi-L: A Labelled GPS Trajectory Dataset for Map Matching

    in Southeast Asia Links: • Paper • Movie Xiaocheng Huang et al. GrabTaxi Holdings, National University of Singapore
  5. 5 ▪マップマッチの正解データセットを作成・公開 ▪いくつかのアプリケーションでの応用を紹介 Summary

  6. 6 ▪既存のデータセットの課題 ▪ 場所が限定的 ▪ 中国・アメリカが多い ▪ 街の一部のエリアのみを対象 ▪ 規模が小さい

    ▪ GPSのsampling rateが低い ▪ 付加情報(方向・GPS精度・速度など)がない Background
  7. 7 ▪GPSデータ ▪ Grabのドライバー端末 ▪ シンガポール、ジャカルタ ▪ 2019年4月 ▪ GPS精度,

    進行方向, 速度 ▪ mode: 車, バイク ▪ 地図はOSMを使用 ▪統計 ▪ 84,000 軌跡 ▪ 1,003,510 km ▪ 30,104 時間 Dataset
  8. 8 1.GPSをHMMでマップマッチ 2.JOSMを使って可視化 3.マップマッチ結果を削除挿入変更で校正 Route Annotation

  9. 9 ▪本データセットを使ったいくつかの応用を紹介 1.地図推定 2.マップマッチのロジック改善 3.渋滞検知と予測 4.軌跡補完と次の目的地予測 5.GPSデータから移動手段(車 or バイク)を推定する 6.都市計画

    Application
  10. 10 ▪背景 ▪ GPSの点のマッチ先の道路候補を、半径d以内の道路と決めている ▪ 半径dが小さすぎる場合精度が低下、大きすぎる場合計算量が膨大になるトレードオフ ▪改善案 ▪ GPSの点ごとに、GPS精度(accuracy level)を使って半径dを動的に変更

    ▪ 半径d = accuracy level * 2 Application – マップマッチのロジック改善
  11. 11 Spatio-Temporal Hierarchical Adaptive Dispatching for Ridesharing Systems Links: •

    Paper • Movie Chang Liu et al. Shanghai Jiao Tong University, Didi Chuxing
  12. 12 ▪相乗りサービスにおいてプーリング間隔を調整して利益を最大化 ▪ 空間をクラスタリングし、クラスタ毎にオンラインで配車間隔を調整するアルゴリズムを提案 ▪実サービスのデータでシミュレーションし、利益が向上することを確認 Summary

  13. 13 ▪一般的な相乗りサービスでは、一定の間 隔で注文をプーリングして配車 ▪配車間隔が長いと、 ▪ より利益の高い組み合わせを作れるが ▪ 注文キャンセルが発生し損失 ▪注文数は空間的にも時間的にも不均一に 分布

    ▪時空間ごとに配車間隔を調整して利益を 最大化 Background
  14. 14 1.配車傾向ごとに空間をクラスタリング (Spatial Clustering) 2.クラスター毎に利益が最大化されるタイミングで配車 (Adaptive Interval) Hierarchical Adaptive Framework

  15. 15 ▪配車傾向ごとに空間をクラスタリング ▪方法 1. 過去の相乗り配車履歴から共有配車グラフを作成 2. エッジの重みの分散が閾値以下になるように、クラスタ内の重みの合計を最大化する Framework - Spatial

    Clustering
  16. 16 ▪利益が最大化されるタイミングで配車 ▪ ただし、将来の利益はわからない ▪アルゴリズム ▪ 1/e-ADI algorithm ▪ 秘書問題として解く

    ▪ 閾値時間までは配車せず、前回配車からこれまでで利 益が最大になったタイミングで配車 ▪ BI-ADI algorithm ▪ 将来の利益を過去の統計データを利用 ▪ 利益が最大になるタイミングで配車 Framework - Adaptive Interval
  17. 17 Framework - Adaptive Interval - Algorithm

  18. 18 ▪いずれの設定でも提案手法の方が利益が高い Results unit time intervalごとの利益 最大配車間隔ごとの利益

  19. 19 Succinct Trit-array Trie for Scalable Trajectory Similarity Search Links:

    • Paper • Movie Shunsuke Kanda et al. RIKEN AIP, Kyoto University, Nagoya University
  20. 20 ▪LSHとtrieを使って類似経路検索を高速化・省メモリ化 ▪既存手法に比べて12~34倍高速化、メモリを1/10~1/17 Summary

  21. 21 Highly Efficient and Scalable Multi-hop Ride-sharing Links: • Paper

    • Movie Yixin Xu et al. The University of Melbourne
  22. 22 ▪乗り継ぎ方式の相乗りサービスの取り組み ▪ 実現するための2つのアルゴリズムを提案 ▪車両数が中程度あるときに配車失敗数を4割減らした Summary Vehicle-first algorithm Station-first algorithm