Resumo Técnico: MobiWave

Definição do Problema

O artigo aborda o desafio do rebalanceamento de frotas autônomas em ambientes urbanos onde as condições de mobilidade são não estacionárias. Diferente das frotas dirigidas por humanos, as frotas autônomas podem executar decisões da plataforma diretamente, deslocando o objetivo de otimização do emparelhamento de pedidos para a maximização do valor sistêmico de longo prazo através do rebalanceamento de toda a frota.

Dois obstáculos primários dificultam a implantação confiável neste cenário:

1. Ambiguidade de Representação: Padrões de tráfego regional e local frequentemente se sobrepõem. Métodos padrão de agregação espacial (ex: agregação de vizinhança) tendem a borrar esses padrões, potencialmente ocultando vias de fluxo livre úteis atrás de sinais amplos de congestionamento, o que leva a decisões de rebalanceamento subótimas.
2. Deriva do Modelo e Adaptação: A mobilidade urbana evolui devido a acidentes, construções, mudanças em zonas funcionais e mudanças nos hábitos de viagem. O retreinamento com dados históricos completos é computacionalmente proibitivo, enquanto a atualização de todos os parâmetros do modelo com dados recentes limitados é arriscada (overfitting, esquecimento catastrófico) e pode apagar o conhecimento estável. Os métodos existentes de aprendizagem contínua frequentemente falham ao medir conjuntamente a deriva relevante para o despacho, selecionar camadas afetadas dentro de um orçamento de recursos e validar atualizações contra restrições de serviço.

O problema central é formulado como uma tarefa conjunta de percepção de estado crítica para o despacho (extração de informações da rede viária que suportam o rebalanceamento) e adaptação contínua do modelo (manutenção de políticas confiáveis sob condições evolutivas usando dados recentes limitados).

Metodologia: Estrutura MobiWave

O MobiWave integra dois módulos conectados: um módulo de Ondulação de Grafos Multiescala Orientada ao Despacho para representação de estado e Otimização Seletiva de Camadas Guiada por Deriva (DGLS) para adaptação.

1. Ondulação de Grafos Multiescala Orientada ao Despacho

Este módulo aborda o desafio de representação separando padrões de rede viária sobrepostos em diferentes escalas.

• Construção Temporal Causal: O modelo constrói uma representação de estado $Z_t$ usando observações causais, incluindo estados de zonas atuais, resumos temporais de múltiplos horizontes (média da janela atual e variação), códigos periódicos, lacunas de demanda-oferta de vizinhança e chegadas de veículos esperadas. Isso distingue mudanças de curta duração de desequilíbrios persistentes sem utilizar dados futuros.
• Ondulações de Grafos Multiescala: Em vez da agregação padrão, a entrada é decomposta em múltiplas escalas de frequência de grafos usando ondulações de grafos localizadas. Escalas de baixa frequência capturam tendências regionais suaves, enquanto escalas de alta frequência preservam mudanças locais detalhadas (ex: fechamentos de vias específicos) que a agregação poderia obscurecer.
• Portão Orientado ao Despacho (Dispatch-Aware Gating): Um mecanismo de portão por nó pondera dinamicamente essas escalas espectrais com base em seu valor para o rebalanceamento. Ele calcula um peso $\alpha^b_{i,t}$ para cada escala $b$ na zona $i$, considerando o desequilíbrio local da frota e fatores externos. Isso garante que o modelo foque nos componentes de frequência específicos relevantes para a decisão de despacho atual.
• Geração de Ação: As características de escala fundidas alimentam uma cabeça de política que prevê lacunas de frota e valores de movimento. Estes são convertidos em matrizes de fluxo inteiras executáveis (movimentos de veículos) usando um softmax mascarado e um procedimento de arredondamento (Allocate) que garante a viabilidade (restrições de adjacência, conservação de frota).
• Treinamento Conjunto: A representação e a política são treinadas conjuntamente usando uma função de perda que combina previsão de demanda, retorno de movimento e perda de política, com um termo de regularização para evitar o colapso do mecanismo de portão.

2. Otimização Seletiva de Camadas Guiada por Deriva (DGLS)

O DGLS aborda o desafio de adaptação selecionando as atualizações do modelo com base em evidências de deriva.

• Detecção de Deriva Espectral Ponderada pelo Despacho: O DGLS mede a deriva entre uma janela recente e uma janela de referência usando a Discrepância de Média Máxima (MMD) nas características de escala. Crucialmente, esta deriva é ponderada pela relevância de despacho (pesos de portão) de cada escala, garantindo que a adaptação seja acionada apenas por mudanças que afetam os despachos. Um gatilho de histerese evita atualizações induzidas por ruído.
• Seleção de Camadas: Quando a deriva é detectada, o DGLS identifica quais camadas atualizar. Ele pontua as camadas com base em três sinais: deriva de ativação (MMD), sensibilidade de gradiente atual e importância histórica (para proteger o conhecimento estável). Um algoritmo guloso seleciona um subconjunto de camadas dentro de um orçamento fixo de recursos (ex: contagem de parâmetros ou FLOPs).
• Atualização Rápida-Lenta Consciente da Deriva: Para distinguir entre choques de curto prazo e mudanças persistentes, o DGLS emprega um otimizador de duplo momento. Uma memória "rápida" reage imediatamente, enquanto uma memória "lenta" atualiza apenas quando a deriva persiste. A contribuição da memória lenta é modulada pela persistência da deriva, evitando que picos temporários se tornem conhecimento permanente.
• Validação de Candidatos: Antes da implantação, as atualizações candidatas são validadas contra um sufixo de dados recentes retido. Uma atualização é aceita apenas se melhorar a recompensa de despacho no conjunto de validação sem degradar os serviços monitorados ou as restrições de segurança. Se rejeitada, o modelo estável e os estados do otimizador são restaurados.

Principais Contribuições

1. Formulação do Problema: Os autores formulam o rebalanceamento de frotas autônomas sob deriva de mobilidade como um problema conjunto de percepção de estado crítica para o despacho e adaptação contínua de modelo.
2. Ondulações de Grafos Orientadas ao Despacho: Um módulo inovador que separa a dinâmica da rede em múltiplas escalas de frequência de grafos e aprende pesos de escala especificamente para previsão de demanda e controle de frota, evitando os efeitos de borrão da agregação padrão.
3. Estrutura DGLS: Um método de otimização seletiva que mede a deriva espectral ponderada pelo despacho, seleciona as camadas afetadas dentro de um orçamento de recursos e utiliza um mecanismo de atualização rápida-lenta com validação de candidatos para proteger o conhecimento estável.
4. Validação Empírica: Experimentos extensos em conjuntos de dados do mundo real (Manhattan, Hangzhou) e um ambiente simulado demonstram a eficácia da estrutura.

Resultados Experimentais

• Desempenho Geral: O MobiWave supera as linhas de base de última geração (incluindo métodos tradicionais, RL profundo e despacho assistido por modelos de linguagem) em três conjuntos de dados. Ele alcança a menor taxa de carga vazia (ex: 30,22% em Manhattan vs. 32,35% para o segundo melhor) e melhora o lucro operacional.
• Adaptação à Deriva: Sob cinco tipos de deriva de mobilidade (repentina, gradual, estrutural, recorrente, do lado da oferta), o MobiWave (especificamente o componente DGLS) alcança consistentemente as melhores taxas de carga vazia, superando o segundo melhor método em até 2,10 pontos percentuais em cenários de deriva gradual. Também demonstra recuperação mais rápida e menor esquecimento.
• Eficiência: O DGLS atualiza apenas 62,22K parâmetros em comparação com 135,94K para otimizadores de modelo completo (uma redução de 54,23%), mantendo um desempenho superior. Isso confirma que a adaptação focada é mais eficaz do que o ajuste de todo o modelo.
• Estudos de Ablação: Remover resumos causais, ondulações de grafos ou portões orientados ao despacho degrada o desempenho, confirmando a necessidade de cada componente. Da mesma forma, remover a proteção de importância ou a validação de candidatos leva a maiores taxas de carga vazia ou degradação do serviço, destacando o valor das salvaguardas.

Significância e Alegações

O artigo afirma que o MobiWave fornece uma solução robusta para o rebalanceamento de frotas autônomas em ambientes urbanos dinâmicos ao alinhar a representação e a adaptação com os objetivos da frota.

• Representação: Demonstra que separar os padrões de frequência de grafos e ponderá-los pelo valor de despacho é superior à agreção espacial padrão para identificar rotas de rebalanceamento viáveis.
• Adaptação: Argumenta que a adaptação online confiável requer mais do que apenas atualizar parâmetros; exige medir a deriva relevante para o despacho, selecionar as camadas afetadas dentro de um orçamento e validar as atualizações contra restrições de serviço.
• Eficiência vs. Desempenho: Os resultados desafiam a noção de que atualizações de modelo completo são necessárias para a adaptação, mostrando que atualizações seletivas guiadas por evidências de deriva podem alcançar melhor desempenho com significativamente menos atualizações de parâmetros.

Os autores concluem que as mudanças detectadas nas vias devem guiar a escolha dos componentes do modelo, e cada atualização candidata deve ser validada contra os resultados da frota para garantir uma implantação confiável. Sugere-se que trabalhos futuros explorem grafos direcionados, demanda atrasada e restrições de bateria.