Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach

要約

都市クラスターの統合開発により、都市間旅行の需要が増大しています。
都市間配車サービスは、需要に応じた機能強化を実装することにより、従来の都市間バス サービスをアップグレードする上で大きな可能性を示します。
それにもかかわらず、そのオンライン運用は、都市間の車両リソースの割り当てと相乗り車両のルートの組み合わせにより、固有の複雑さに悩まされます。
これらの課題に取り組むために、この研究では、オンラインのフリート管理を容易にするように設計された 2 レベルのフレームワークを提案します。
具体的には、新しいマルチエージェント封建的強化学習モデルがフレームワークの上位レベルで提案され、アイドル車両を協力して異なる都市間路線に割り当てる一方、下位レベルでは適応性のある大規模近隣検索ヒューリスティックを使用して車両のルートを更新します。
中国のアモイとその周辺都市の現実的なデータセットに基づく数値研究では、提案されたフレームワークが需要と供給の不均衡を効果的に軽減し、1日の平均システム利益と注文履行率の両方で大幅な改善を達成することが示されています。

要約(オリジナル)

The integrated development of city clusters has given rise to an increasing demand for intercity travel. Intercity ride-pooling service exhibits considerable potential in upgrading traditional intercity bus services by implementing demand-responsive enhancements. Nevertheless, its online operations suffer the inherent complexities due to the coupling of vehicle resource allocation among cities and pooled-ride vehicle routing. To tackle these challenges, this study proposes a two-level framework designed to facilitate online fleet management. Specifically, a novel multi-agent feudal reinforcement learning model is proposed at the upper level of the framework to cooperatively assign idle vehicles to different intercity lines, while the lower level updates the routes of vehicles using an adaptive large neighborhood search heuristic. Numerical studies based on the realistic dataset of Xiamen and its surrounding cities in China show that the proposed framework effectively mitigates the supply and demand imbalances, and achieves significant improvement in both the average daily system profit and order fulfillment ratio.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google