Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantees via Constrained Mean-Field Reinforcement Learning

要約

Uber、Lyft、Didi Chuxingなどの乗り心地サービスの迅速な拡大は、モバイルアプリケーションを介して柔軟でオンデマンドのモビリティを提供することにより、都市輸送を根本的に再構築しました。
これらのプラットフォームは、その利便性にもかかわらず、重要な運用上の課題、特に車両のリバランスに直面しています。これは、需要と供給の時空間的な不一致に対処するための数千台の車両の戦略的再配置です。
不十分なリバランスにより、ライダーの待機時間が長く、非効率的な車両の利用、およびサービスの不公正な分布が生じ、ドライバーの利用可能性と収入の格差につながります。
これらの複雑さに取り組むために、各車両の正確な位置を明示的に表現し、他の車両の分布によって導かれる連続位置の再配置アクションを採用するスケーラブルな連続状態平均フィールド制御（MFC）および補強学習（MFRL）モデルを導入します。
公平なサービス分布を確保するために、アクセシビリティの制約が最適な制御策定に統合され、地理的地域全体のサービスへの公平なアクセスと運用効率のバランスをとります。
私たちのアプローチは、遷移の固有の確率性、車両ライダーのマッチングの同時発生、車両のリバランスとクルージング、ライダー行動の変動など、現実的な条件を認めています。
重要なことに、私たちは実用的なシナリオをよりよく反映して、等しい供給需要の等量のボリュームの従来の平均場の仮定を緩和します。
深Shenzhenの実際のデータ駆動型シミュレーションを使用した広範な経験的評価は、数万台の車両の規模でのアプローチのリアルタイム効率と堅牢性を示しています。
このコードは、https：//github.com/mjusup1501/mf-vehicle-rebalanceで入手できます。

要約(オリジナル)

The rapid expansion of ride-sourcing services such as Uber, Lyft, and Didi Chuxing has fundamentally reshaped urban transportation by offering flexible, on-demand mobility via mobile applications. Despite their convenience, these platforms confront significant operational challenges, particularly vehicle rebalancing – the strategic repositioning of thousands of vehicles to address spatiotemporal mismatches in supply and demand. Inadequate rebalancing results in prolonged rider waiting times, inefficient vehicle utilization, and inequitable distribution of services, leading to disparities in driver availability and income. To tackle these complexities, we introduce scalable continuous-state mean-field control (MFC) and reinforcement learning (MFRL) models that explicitly represent each vehicle’s precise location and employ continuous repositioning actions guided by the distribution of other vehicles. To ensure equitable service distribution, an accessibility constraint is integrated within our optimal control formulation, balancing operational efficiency with equitable access to the service across geographic regions. Our approach acknowledges realistic conditions, including inherent stochasticity in transitions, the simultaneous occurrence of vehicle-rider matching, vehicles’ rebalancing and cruising, and variability in rider behaviors. Crucially, we relax the traditional mean-field assumption of equal supply-demand volume, better reflecting practical scenarios. Extensive empirical evaluation using real-world data-driven simulation of Shenzhen demonstrates the real-time efficiency and robustness of our approach at the scale of tens of thousands of vehicles. The code is available at https://github.com/mjusup1501/mf-vehicle-rebalancing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google