Regime-Calibrated Demand Priors for Ride-Hailing Fleet Dispatch and Repositioning

1. O Problema

As plataformas de transporte por aplicativo enfrentam um desafio central: a incerteza da demanda. Os padrões de solicitação variam drasticamente dependendo da hora do dia, dia da semana, estação do ano e eventos especiais. A maioria dos algoritmos operacionais atuais assume uma demanda estacionária ou depende de "caixas-pretas" de previsão (como redes neurais profundas) que exigem retreinamento custoso e não se adaptam instantaneamente a mudanças de regime. O objetivo é reduzir os tempos de espera dos passageiros e otimizar a utilização dos motoristas sem depender de modelos de aprendizado de máquina complexos e de treinamento intensivo.

2. Metodologia Proposta

Os autores propõem uma abordagem baseada em priors de demanda calibrados por regimes, que opera em quatro etapas principais:

• Construção da Biblioteca de Regimes:
  Os dados históricos de viagens (5,2 milhões de viagens do TLC de Nova York) são segmentados em blocos de 4 horas. Cada bloco é caracterizado por sua taxa de solicitação, distribuição espacial de origem-destino (OD) e atividade de eventos. Isso cria uma biblioteca de 373 "regimes" históricos.

• Ensemble de Similaridade (Matching):
  Para um período de operação atual, o sistema calcula a similaridade com os regimes históricos usando um ensemble de seis métricas:

  1. Kolmogorov–Smirnov (KS): Distância entre distribuições.
  2. Wasserstein-1 (W1): Distância de transporte ótimo.
  3. Distância de Recursos (Feature): Diferença em estatísticas resumidas (média, variância, etc.).
  4. Razão de Variância: Comparação da volatilidade.
  5. Padrão de Eventos: Similaridade na intensidade e duração de picos de demanda (surges).
  6. Proximidade Temporal: Bônus para mesma mês, tipo de dia e bloco de hora.
     O sistema seleciona os $k$ regimes históricos mais similares (padrão $k=5$) e pondera-os para criar um prior de demanda calibrado.

• Reposicionamento Antecipatório via Programação Linear (LP):
  Utilizando o prior calibrado, o sistema resolve um problema de transporte de custo mínimo (LP) a cada 3 minutos. O objetivo é redistribuir motoristas ociosos das zonas de excesso para as zonas de déficit previstas, minimizando o custo de deslocamento e maximizando a cobertura da demanda futura.

• Disparo em Lote (Batch Dispatch):
  As solicitações pendentes são alocadas aos motoristas disponíveis a cada 60 segundos usando o algoritmo Húngaro, que otimiza o tempo total de embarque dentro da janela de lote.

3. Principais Contribuições

1. Prior de Demanda Calibrado por Regimes: Um método sem treinamento (training-free) que adapta instantaneamente as previsões de demanda combinando análogos históricos via um ensemble de métricas de similaridade.
2. Reposicionamento Baseado em LP: Uma política de reposicionamento antecipatório que utiliza o prior calibrado para mover motoristas ociosos de forma ótima, com garantias teóricas de otimalidade sob o modelo de demanda estimado.
3. Validação Robusta e Transferência: Demonstração de que o método funciona em múltiplos cenários (dia, noite, feriados, estações), é robusto a diferentes tamanhos de frota e generaliza para outra cidade (Chicago) sem retreinamento.
4. Análise Teórica: Prova formal da otimalidade do LP e limites de erro para a calibração baseada em similaridade, mostrando que o peso baseado em similaridade nunca é pior que uma média uniforme.

4. Resultados Experimentais

O método foi avaliado em 8 cenários diversos de Nova York (inverno/verão, dias úteis/finais de semana, feriados) usando 5 sementes aleatórias:

• Redução de Tempo de Espera: Redução média de 31,1% no tempo de espera dos passageiros (IC 95%: [26,5%, 36,6%]).
• Melhoria na Cauda da Distribuição: O tempo de espera no percentil 95 (P95) caiu 37,6%, indicando que os passageiros que mais sofrem com longas esperas são os que mais se beneficiam.
• Equidade: O coeficiente de Gini dos tempos de espera melhorou de 0,441 para 0,409 (redução de 7,3% na desigualdade).
• Decomposição de Contribuições:
  • A calibração da demanda sozinha reduziu o tempo de espera em 16,9%.
  • O reposicionamento via LP adicionou uma redução adicional de 15,5%.
• Transferência Inter-cidade: Aplicado em Chicago sem retreinamento, o método obteve uma redução média de 23,3% no tempo de espera.
• Robustez: O desempenho melhorou com o aumento da frota (de 32% a 47% de melhoria ao escalar de 0,5x a 2x o tamanho da frota).
• Eficiência Computacional: O sistema é determinístico e leve, adicionando apenas ~0,25 segundos de overhead por simulação de 4 horas em relação à linha de base.

5. Significado e Conclusão

Este trabalho demonstra que é possível alcançar desempenho superior em despacho de frotas sem depender de modelos de aprendizado de máquina complexos e de difícil interpretação. A abordagem baseada em regimes históricos oferece:

• Interpretabilidade: É fácil entender por que uma decisão foi tomada (baseada em análogos históricos específicos).
• Adaptabilidade Imediata: Não requer retreinamento para novos eventos ou mudanças sazonais.
• Eficiência: Resolve problemas de otimização combinatória (LP e Húngaro) de forma determinística e rápida.

O estudo também fornece insights importantes sobre a sensibilidade das métricas, mostrando que, embora o ensemble completo seja o padrão, métricas puramente distribucionais às vezes superam a inclusão de componentes temporais e de eventos em cenários específicos, sugerindo direções futuras para seleção automática de pesos. A metodologia é disponibilizada publicamente, permitindo reprodutibilidade total.