Riepilogo Tecnico: MobiWave

Definizione del Problema

Il documento affronta la sfida del riequilibrio autonomo delle flotte (autonomous fleet rebalancing) in ambienti urbani in cui le condizioni di mobilità sono non stazionarie. A differenza delle flotte guidate da esseri umani, le flotte autonome possono eseguire direttamente le decisioni della piattaforma, spostando l'obiettivo di ottimizzazione dal semplice abbinamento degli ordini alla massimizzazione del valore di sistema a lungo termine attraverso il riequilibrio dell'intera flotta.

Due ostacoli primari ostacolano un dispiegamento affidabile in questo contesto:

1. Ambiguità della Rappresentazione: I modelli di traffico regionali e locali spesso si sovrappongono. I metodi standard di aggregazione spaziale (ad es. l'aggregazione per vicinato) tendono a sfumare questi pattern, rischiando di nascondere utili strade secondarie a flusso libero dietro segnali di congestione troppo ampi, portando a decisioni di riequilibrio subottimali.
2. Deriva del Modello e Adattamento (Model Drift): La mobilità urbana evolve a causa di incidenti, lavori stradali, cambiamenti nelle zone funzionali e mutamenti nelle abitudini di viaggio. Riaddestrare il modello sull'intero storico dei dati è computazionalmente proibitivo, mentre aggiornare tutti i parametri del modello su dati recenti limitati è rischioso (overfitting, dimenticanza catastrofica) e può cancellare la conoscenza stabile. I metodi esistenti di apprendimento continuo spesso falliscono nel misurare congiuntamente la deriva rilevante per il dispatch, selezionare i layer interessati entro un budget di risorse e validare gli aggiornamenti rispetto ai vincoli di servizio.

Il problema centrale è formulato come un compito congiunto di percezione dello stato critico per il dispatch (estrazione di informazioni sulla rete stradale che supportino il riequilibrio) e adattamento continuo del modello (mantenimento di policy affidabili sotto condizioni evolutive utilizzando dati recenti limitati).

Metodologia: Framework MobiWave

MobiWave integra due moduli connessi: un modulo di Onde Grafiche Multi-scala Orientate al Dispatch (Dispatch-Oriented Multi-scale Graph Wavelet) per la rappresentazione dello stato e un modulo di Ottimizzazione Selettiva dei Layer Guidata dalla Deriva (Drift-Guided Layer-Selective Optimization - DGLS) per l'adattamento.

1. Onde Grafiche Multi-scala Orientate al Dispatch

Questo modulo affronta la sfida della rappresentazione separando i pattern della rete stradale sovrapposti su diverse scale.

• Costruzione Causale Temporale: Il modello costruisce una rappresentazione dello stato $Z_t$ utilizzando osservazioni causali, inclusi gli stati delle zone correnti, riepiloghi temporali multi-orizzonte (media della finestra corrente e variazione), codici periodici, gap domanda-offerta del vicinato ed arrivi previsti di veicoli. Ciò distingue i cambiamenti a breve termine dai disequilibri persistenti senza utilizzare dati futuri.
• Onde Grafiche Multi-scala: Invece della standard aggregazione, l'input viene decomposto su più scale di frequenza grafica utilizzando onde grafiche localizzate. Le scale a bassa frequenza catturano i trend regionali fluidi, mentre le scale ad alta frequenza preservano i cambiamenti locali fini (ad es. specifiche chiusure stradali) che l'aggregazione potrebbe oscurare.
• Gating Consapevole del Dispatch: Un meccanismo di gating per nodo pesa dinamicamente queste scale spettrali in base al loro valore per il riequilibrio. Calcola un peso $\alpha^b_{i,t}$ per ogni scala $b$ nella zona $i$, considerando il disequilibrio locale della flotta e fattori esterni. Ciò assicura che il modello si concentri sulle componenti di frequenza specifiche rilevanti per la decisione di dispatch corrente.
• Generazione dell'Azione: Le caratteristiche delle scale fuse alimentano una testa di policy che predice i gap della flotta e i valori di movimento. Questi vengono convertiti in matrici di flusso intere eseguibili (movimenti di veicoli) tramite una softmax mascherata e una procedura di arrotondamento (Allocate) che garantisce la fattibilità (vincoli di adiacenza, conservazione della flotta).
• Addestramento Congiunto: La rappresentazione e la policy sono addestrate congiuntamente utilizzando una funzione di perdita che combina la previsione della domanda, il ritorno del movimento e la perdita di policy, con un termine di regolarizzazione per evitare il collasso del meccanismo di gating.

2. Ottimizzazione Selettiva dei Layer Guidata dalla Deriva (DGLS)

DGLS affronta la sfida dell'adattamento selezionando quali parti del modello aggiornare in base alle prove di deriva.

• Rilevamento della Deriva Spettrale Pesata sul Dispatch: DGLS misura la deriva tra una finestra recente e una finestra di riferimento utilizzando la Discrepanza della Media Massima (MMD) sulle caratteristiche di scala. Fondamentalmente, questa deriva è pesata dalla rilevanza per il dispatch (pesi di gating) di ciascuna scala, garantendo che l'adattamento sia attivato solo da cambiamenti che influenzano le decisioni della flotta. Un trigger isteretico previene aggiornamenti indotti dal rumore.
• Selezione dei Layer: Quando viene rilevata una deriva, DGLS identifica quali layer aggiornare. Valuta i layer basandosi su tre segnali: deriva dell'attivazione (MMD), sensibilità del gradiente corrente e importanza storica (per proteggere la conoscenza stabile). Un algoritmo greedy seleziona un sottoinsieme di layer entro un budget fisso di risorse (ad es. numero di parametri o FLOPs).
• Aggiornamento Fast-Slow Consapevole della Deriva: Per distinguere tra shock a breve termine e cambiamenti persistenti, DGLS impiega un ottimizzatore a doppio momentum. Una memoria "veloce" (fast) reagisce immediatamente, mentre una memoria "lenta" (slow) si aggiorna solo quando la deriva persiste. Il contributo della memoria lenta è modulato dalla persistenza della deriva, impedendo a picchi temporanei di diventare conoscenza permanente.
• Validazione dei Candidati: Prima del dispiegamento, gli aggiornamenti candidati vengono validati contro un suffisso di dati recenti tenuto da parte. Un aggiornamento viene accettato solo se migliora la ricompensa del dispatch sul set di validazione senza degradare i monitoraggi di servizio o i vincoli di sicurezza. In caso di rifiuto, il modello stabile e gli stati dell'ottimizzatore vengono ripristinati.

Contributi Chiave

1. Formulazione del Problema: Gli autori formulano il riequilibrio delle flotte autonome sotto deriva di mobilità come un problema congiunto di percezione dello stato critico per il dispatch e adattamento continuo del modello.
2. Onde Grafiche Orientate al Dispatch: Un modulo innovativo che separa la dinamica stradale su molteplici scale di frequenza grafica e apprende i pesi delle scale specificamente per la previsione della domanda e il controllo della flotta, evitando gli effetti di sfocatura dell'aggregazione standard.
3. Framework DGLS: Un metodo di ottimizzazione selettiva che misura la deriva spettrale pesata sul dispatch, seleziona i layer interessati entro un budget di risorse e utilizza un meccanismo di aggiornamento fast-slow con validazione dei candidati per proteggere la conoscenza stabile.
4. Validazione Empirica: Esperimenti estesi su dataset reali (Manhattan, Hangzhou) e in un ambiente simulato dimostrano l'efficacia del framework.

Risultati Sperimentali

• Prestazioni Complessive: MobiWave supera i baseline allo stato dell'arte (inclusi metodi tradizionali, RL profondo e dispatch assistito da modelli linguistici) su tre dataset. Raggiunge il tasso più basso di veicoli vuoti/carichi (ad es. 30,22% su Manhattan contro il 32,35% del secondo miglior metodo) e migliora il profitto operativo.
• Adattamento alla Deriva: Sotto cinque tipi di deriva della mobilità (improvvisa, graduale, strutturale, ricorrente, lato offerta), MobiWave (specificamente la componente DGLS) ottiene costantemente i migliori tassi di veicoli vuoti/carichi, superando il secondo miglior metodo fino a 2,10 punti percentuali negli scenari di deriva graduale. Dimostra anche un recupero più rapido e una minore dimenticanza.
• Efficienza: DGLS aggiorna solo 62,22K parametri rispetto ai 135,94K degli ottimizzatori a modello completo (una riduzione del 54,23%), mantenendo prestazioni superiori. Ciò conferma che l'adattamento mirato è più efficace del tuning dell'intero modello.
• Studi di Ablazione: Rimuovere i riepiloghi causali, le onde grafiche o il gating consapevole del dispatch degrada le prestazioni, confermando la necessità di ogni componente. Allo stesso modo, rimuovere la protezione dell'importanza o la validazione dei candidati porta a tassi di veicoli vuoti/carichi più elevati o a una degradazione del servizio, evidenziando il valore delle salvaguardie.

Significato e Rivendicazioni

Il documento sostiene che MobiWave fornisce una soluzione robusta per il riequilibrio delle flotte autonome in ambienti urbani dinamici, allineando la rappresentazione e l'adattamento agli obiettivi della flotta.

• Rappresentazione: Dimostra che separare i pattern di frequenza grafica e pesarli in base al valore del dispatch è superiore all'aggregazione spaziale standard per identificare rotte di riequilibrio percorribili.
• Adattamento: Argomenta che un adattamento online affidabile richiede più del semplice aggiornamento dei parametri; necessita di misurare la deriva rilevante per il dispatch, selezionare i layer interessati entro un budget e validare gli aggiornamenti rispetto ai vincoli di servizio.
• Efficienza vs Prestazioni: I risultati mettono in discussione l'idea che gli aggiornamenti completi del modello siano necessari per l'adattamento, mostrando che gli aggiornamenti selettivi guidati dalle prove di deriva possono ottenere prestazioni migliori con significativamente meno aggiornamenti dei parametri.

Gli autori concludono che i cambiamenti stradali rilevati devono guidare la scelta dei componenti del modello, e che ogni aggiornamento candidato deve essere validato rispetto ai risultati della flotta per garantire un dispiegamento affidabile. Il lavoro futuro suggerisce di esplorare grafi diretti, domanda ritardata e vincoli della batteria.