Abstract
効果的な乗車配車（ライドヘイリングのディスパッチ）には、日中の時間帯、曜日、季節、特別イベントによって大きく変動する需要パターンを見越すことが必要である。そこで我々は、(i) 過去の移動データを需要レジームに分割し、(ii) 現在の運行期間を、6つの指標からなる類似度アンサンブル（Kolmogorov-Smirnov、Wasserstein-1、特徴距離、分散比、イベントパターン、時間的近接性）によって最も類似した過去の類例に対応付け、(iii) 得られた調整済み需要事前分布を用いて、LPベースの車両再配置方策と、ハンガリアン（Hungarian）マッチングによるバッチ配車の双方を駆動する、というレジーム調整型のアプローチを提案する。アブレーションでは、分布のみのサブセットが平均待ち時間で最も強力である一方、堅牢性を重視したデフォルトとして全アンサンブルを保持する。
5つのランダムシードそれぞれで、冬/夏、平日/休日、午前/午後/夜という8つの多様なシナリオにおいて、ニューヨーク市のTLC（走行記録）5.2百万件で評価した結果、我々の手法は平均乗客待ち時間を31.1%削減する（ブートストラップ 95% CI: [26.5, 36.6]%; Friedmanのchi二乗 = 80.0, p = 4.25e-18; シナリオ間でのCohenのd = 7.5-29.9）。改善は末尾にも及び、P95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（相対7.3%）。2つの寄与は乗法的に合成され、独立に検証されている：調整によって16.9%削減され、LPによる再配置はさらに15.5%上乗せする。提案手法は学習を必要とせず、決定論的で説明可能であり、シカゴにも一般化する（NYCのレジームライブラリに基づき待ち時間を23.3%削減）うえ、車両規模に対しても頑健である（0.5〜2倍のスケーリングで32〜47%の改善）。我々は包括的なアブレーション研究、厳密な統計的検定、およびOSRMによるルーティング忠実度（routing-fidelity）検証を提供する。
