Surge Routing: Event-informed Multiagent Reinforcement Learning for Autonomous Rideshare

要約

カンファレンス、コンサート、スポーツの試合などの大規模なイベントでは、平均的な需要パターンでは捉えられない乗車サービスの需要が急増することが多く、ルーティング アルゴリズムに特有の課題が生じます。
私たちは、インターネットからのイベント データを活用して需要の急増を予測し、協調的なルート ポリシーを生成する、自律走行タクシーの学習フレームワークを提案します。
これは、2 つの主要なコンポーネントの組み合わせによって実現されます。(i) イベントの説明とレビューの形式でテキスト イベント情報を使用して、道路交差点でのイベント駆動型の需要急増を予測する需要予測フレームワーク、および (ii) スケーラブルなマルチエージェント
需要予測を活用し、一度に 1 つのエージェントのロールアウトと限定されたサンプリング確実性の等価性を組み合わせて交差点レベルのルーティング ポリシーを学習する強化学習フレームワーク。
実験結果として、2022 年のニューヨーク市の実際のライドシェア データと、マンハッタンの 300 のユニークな会場にわたる 2000 以上のイベントの情報を考慮しました。
2,235 か所の交差点がある地図上で 100 台のタクシーを使用してアプローチをテストします。
私たちの実験結果は、私たちの方法が、他のモデルベースの RL フレームワークやオペレーションズ リサーチにおける従来の手法よりも 1% ～ 4% 多くのリクエストを取得しながら、サービスされるリクエストあたりの待機時間のオーバーヘッドを 25% ～ 75% 削減するルーティング ポリシーを学習することを示しています。

要約(オリジナル)

Large events such as conferences, concerts and sports games, often cause surges in demand for ride services that are not captured in average demand patterns, posing unique challenges for routing algorithms. We propose a learning framework for an autonomous fleet of taxis that leverages event data from the internet to predict demand surges and generate cooperative routing policies. We achieve this through a combination of two major components: (i) a demand prediction framework that uses textual event information in the form of events’ descriptions and reviews to predict event-driven demand surges over street intersections, and (ii) a scalable multiagent reinforcement learning framework that leverages demand predictions and uses one-agent-at-a-time rollout combined with limited sampling certainty equivalence to learn intersection-level routing policies. For our experimental results we consider real NYC ride share data for the year 2022 and information for more than 2000 events across 300 unique venues in Manhattan. We test our approach with a fleet of 100 taxis on a map with 2235 street intersections. Our experimental results demonstrate that our method learns routing policies that reduce wait time overhead per serviced request by 25% to 75%, while picking up 1% to 4% more requests than other model-based RL frameworks and classical methods in operations research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google