要旨: 効果的なライド配車（ride-hailing dispatch）には、1日の時間帯、曜日、季節、および特別なイベントによって大きく変動する需要パターンを予測することが必要である。我々は、(i) 過去の移動データを需要レジーム（demand regimes）に分割し、(ii) コルモゴロフ＝スミルノフ距離、ウォッサースタイン-1距離、特徴距離、分散比、イベントパターンの類似度、時間的近接性を組み合わせた類似度アンサンブルによって、現在の運用期間を最も類似した過去のアナロジーに対応付け、そして (iii) 得られた較正済み需要事前分布を用いて、LPに基づくフリート再配置ポリシーと、ハンガリアン（Hungarian）マッチングによるバッチ配車の両方を駆動する、レジーム較正型のアプローチを提案する。アブレーションでは、分布のみの指標サブセットが平均待ち時間の低減において最も強い結果を達成する一方で、完全なアンサンブルは頑健性を重視したデフォルトとして保持され、カレンダーとイベントの文脈を保存する。
8つの多様なシナリオ（冬/夏、平日/週末/祝日、朝/夕方/夜）に対し、各シナリオでランダムシードを5つずつ用いて、NYCのTLCトリップ520万件で評価したところ、本手法は平均の乗客待ち時間を31.1%削減した（ブートストラップ95% CI: [26.5, 36.6]; Friedmanのカイ二乗 = 80.0, p = 4.25e-18; Cohenのd = 7.5-29.9）。P95の待ち時間は37.6%低下し、待ち時間のジニ係数は0.441から0.409へ改善した。2つの貢献は乗法的に組み合わさる。すなわち、較正はリプレイ基準に対して16.9%の削減を提供し、LPの再配置はさらに15.5%を追加する。本アプローチは学習を必要とせず、決定論的で説明可能であり、シカゴにも一般化できる（NYCで構築したレジームライブラリを再学習なしで用いた待ち時間削減23.3%）。また、フリート規模の違いにも頑健である（フリートスケーリング0.5x〜2.0xに対して32〜47%の改善）。コードは https://github.com/IndarKarhana/regime-calibrated-dispatch で公開されている。
配車・再配置のための配車需要事前分布のレジーム校正（Regime-Calibrated Demand Priors）
arXiv cs.LG / 2026/4/7
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、過去の配車（ライドヘイリング）を需要の「レジーム」に分割し、現在の期間を、分布的および文脈的な距離指標のアンサンブルを用いて、類似する過去のアナログに対応付けることで需要事前分布を校正する手法を提案する。
- 校正された需要事前分布は、LP（線形計画）ベースのフリート再配置方策と、ハンガリアン対応（Hungarian matching）を用いたバッチ配車メカニズムの双方を駆動し、移動（リロケーション）の計画と配車（割当）の割り当てを統合する。
- 8つの季節／週次／イベントのシナリオにわたって、NYC TLCの520万件超の利用データで評価した結果、平均の乗車待ち時間が31.1%削減され、P95（95パーセンタイル）の待ちが37.6%低減され、待ち時間のジニ係数（0.441 → 0.409）も改善した。これは効率性と公平性の両面での向上を示している。
- この方法は学習不要（training-free）、決定的（deterministic）、かつ説明可能（explainable）であり、アブレーションにより、分布的な指標のみでも平均的には最良の性能を示し得る一方で、完全な指標アンサンブルは頑健性のデフォルトとして採用され、カレンダー／イベント文脈を保持する。
- 一般化テストでは、再学習なしでの都市間・スケールの性能が良好であり、例えばシカゴでは23.3%の待ち時間削減を再学習なしで達成した。さらに、フリート規模のスケーリング下では大幅な改善が見られ、0.5倍〜2.0倍の範囲で概ね32〜47%の改善となった。
