동적 확률 매칭을 위한 선형계획 모델과 가격 최적화

초록

본 논문은 동적 확률 매칭 시스템에서 수요 도착률에 대한 선형계획(LP) 최적비용 함수의 볼록성(concavity)을 분석하고, 비퇴화(nondegeneracy)와 모든 수요 유형의 미매칭 비율이 양수일 때 약한 볼록성(weak concavity)이 성립함을 증명한다. 이를 기반으로 차분-볼록 구조를 이용한 Minorization‑Maximization(MM) 알고리즘을 제안하여, 수천 개의 OD(출발‑도착) 유형을 포함한 대규모 라이드쉐어링 데이터셋에서 기존 투사 경사법보다 빠르고 안정적인 가격 최적화를 달성한다.

상세 분석

이 연구는 두 단계의 의사결정 구조를 갖는 중앙집중형 매칭 플랫폼을 모델링한다. 상위 단계에서는 각 수요 유형에 대한 가격을 설정해 도착률 λ_i 를 조절하고, 하위 단계에서는 변환된 수요를 매칭하여 운영비용을 최소화한다. 하위 단계의 비용 최소화 문제는 Aouad와 Sarıtaç(2022)가 제안한 연속시간 마코프 도착‑대기 모델을 기반으로 한 LP로 표현된다. 논문은 이 LP의 최적비용 함수 c(λ) 가 λ에 대해 어떤 형태의 볼록성을 갖는지를 탐구한다.

첫 번째 주요 결과는 “모든 최적 기본 feasible solution이 비퇴화이면 c(λ) 가 약한 볼록성을 가진다”는 정리이다. 비퇴화는 기본 변수들이 모두 양의 값을 갖는 상황을 의미하며, 이는 기존 문헌에서 “position gap” 조건과 유사하게 최적 해의 구조적 안정성을 보장한다. 저자들은 비퇴화 조건을 직접 검증하기보다, 실제 시스템에서 흔히 관찰되는 ‘미매칭 비율이 양수’라는 물리적 가정을 도입한다. 즉, 각 수요 유형이 제한된 patience(대기시간) 내에 매칭되지 못하고 포기되는 확률이 0보다 크면, 최적 LP 해는 자동으로 비퇴화가 되며, 결과적으로 c(λ) 가 약한 볼록성을 만족한다.

이론적 근거는 두 단계로 전개된다. 먼저, 무한 patience(무제한 대기) 상황에서는 매칭 비용이 선형적으로 감소하면서 전체 수익 함수가 전형적인 concave 형태가 됨을 보인다(Prop. 1). 제한된 patience가 도입되면 도착률 λ가 제약식의 계수와 우변 모두에 등장하게 되어 전통적인 파라메트릭 LP 분석이 적용되지 않는다. 그럼에도 불구하고, Lemma 1은 LP의 최적 해가 존재하는 기본 변수들의 양성 여부가 비용 함수의 2차 미분(또는 차분) 부호를 결정한다는 점을 밝혀낸다. 이를 바탕으로 Proposition 3은 “모든 기본 변수가 양수이면 c(λ) 가 약한 볼록성을 가진다”는 충분조건을 제시한다.

다음으로, 실제 시스템에서 이 조건이 언제 성립하는지를 구체적으로 탐색한다. Corollary 1은 수요 유형이 3개 이하이고 동일한 patience 수준을 가질 경우 자동으로 비퇴화가 보장된다고 한다. Theorem 1과 Theorem 2는 보다 일반적인 경우를 다루는데, 높은 patience(즉, 대기시간이 길어 매칭 기회가 풍부) 혹은 매우 낮은 patience(즉, 대부분의 수요가 빠르게 포기) 상황에서, 혹은 매칭 효율성 e_{i,j} 가 충분히 이질적일 때도 비퇴화가 유지된다고 증명한다. 또한, Proposition 7과 Proposition 11은 LP 기반 비용 함수의 볼록성이 원래 MDP 모델의 최적 가치 함수와 일치하는 조건을 제시하여, LP 근사치가 실제 동적 시스템을 정확히 반영할 수 있음을 보인다.

이러한 이론적 토대를 바탕으로 저자들은 가격 최적화 문제를 “difference‑of‑concave (DC)” 형태로 재구성한다. 구체적으로, 총 이익 g(λ)=∑_i λ_i p_i(λ_i)−c(λ) 를 두 개의 볼록 함수(수익 함수와 비용 함수) 차로 표현하고, Minorization‑Maximization 프레임워크를 적용한다. MM 알고리즘은 현재 λ에 대해 비용 함수 c(·) 의 접선(선형 근사)을 구해 상위 단계의 목적함수를 상향 제한(upper bound)하는 minorizer를 만든 뒤, 이를 최대화하는 λ̂ 를 계산한다. 이 과정을 반복하면 목적값이 비감소하면서 수렴한다. 중요한 점은 MM이 단계마다 선형 프로그램(또는 단순한 1차 최적화)만을 요구하므로, 복잡한 스텝 사이즈 조정이 필요 없는 점이다.

실험에서는 수천 개의 OD 쌍을 포함하는 시카고 라이드쉐어링 데이터셋을 사용하였다. 기존의 투사 경사법(Projected Gradient Descent, PGD)은 스텝 사이즈에 민감해 최적값에 도달하지 못하거나 수렴 속도가 매우 느렸다. 반면, 제안된 MM 알고리즘은 동일한 초기값에서 10배 이상 빠르게 목표 이익에 근접했으며, 최종 목적값 역시 PGD보다 2~5% 정도 높은 결과를 보였다. 또한, MM은 다양한 λ 구간(가격 제한)에서도 안정적으로 동작했으며, 계산 시간은 수십 초 수준으로 대규모 실시간 가격 설정에 충분히 적용 가능함을 입증했다.

마지막으로 논문은 제한된 공급(드라이버/쿠리어 수 제한), 다중 서비스(솔로 vs 공유) 및 매칭 비효율성(우회·대기시간) 등 현실적인 확장 모델을 제시하고, 이들 상황에서도 비퇴화 조건과 MM 알고리즘이 그대로 적용될 수 있음을 논의한다. 전체적으로 이 연구는 동적 확률 매칭 시스템에서 가격 결정 문제를 이론적으로 정밀히 분석하고, 실용적인 대규모 최적화 알고리즘을 제공함으로써 플랫폼 운영에 직접적인 가치를 제공한다.