Towards More Efficient Shared Autonomous Mobility: A Learning-Based Fleet Repositioning Approach

要約

共有利用自律モビリティ サービス (SAMS) は、アクセスしやすく需要に応じたモビリティを向上させる新たな機会を提供します。
SAMS が直面する根本的な課題は、将来の需要に応えるために遊休車両を適切に配置することであり、これはサービスの品質と効率に大きな影響を与える問題です。
この論文では、SAMS フリートの再配置をマルコフ決定プロセスとして定式化し、統合システム エージェント再配置 (ISR) と呼ばれる強化学習ベースの再配置 (RLR) アプローチを紹介します。
ISR は、統合された方法でスケーラブルな車両再配置戦略を学習します。つまり、明示的な需要予測を行わずに進化する需要パターンに対応する方法と、最適化ベースの乗客と車両の割り当てと連携する方法を学習します。
数値実験は、ニューヨーク市のタクシー データとエージェント ベースのシミュレーション ツールを使用して行われます。
ISR は、外部誘導再配置 (EGR) と呼ばれる代替 RLR アプローチ、および乗客と車両の割り当てと再配置のためのベンチマーク統合最適化 (JO) と比較されます。
この結果は、RLR アプローチが JO アプローチと比較して乗客の待ち時間を 50% 以上大幅に短縮することを示しています。
平均指標の点で EGR と同等のパフォーマンスを維持する ISR の需要予測をバイパスする能力も実証されています。
この結果は、目に見えない需要パターン、運用期間の延長、割り当て戦略の変更など、変化する条件へのモデルの移行可能性も示しています。

要約(オリジナル)

Shared-use autonomous mobility services (SAMS) present new opportunities for improving accessible and demand-responsive mobility. A fundamental challenge that SAMS face is appropriate positioning of idle fleet vehicles to meet future demand – a problem that strongly impacts service quality and efficiency. This paper formulates SAMS fleet repositioning as a Markov Decision Process and presents a reinforcement learning-based repositioning (RLR) approach called integrated system-agent repositioning (ISR). The ISR learns a scalable fleet repositioning strategy in an integrated manner: learning to respond to evolving demand patterns without explicit demand forecasting and to cooperate with optimization-based passenger-to-vehicle assignment. Numerical experiments are conducted using New York City taxi data and an agent-based simulation tool. The ISR is compared to an alternative RLR approach named externally guided repositioning (EGR) and a benchmark joint optimization (JO) for passenger-to-vehicle assignment and repositioning. The results demonstrate the RLR approaches’ substantial reductions in passenger wait times, over 50%, relative to the JO approach. The ISR’s ability to bypass demand forecasting is also demonstrated as it maintains comparable performance to EGR in terms of average metrics. The results also demonstrate the model’s transferability to evolving conditions, including unseen demand patterns, extended operational periods, and changes in the assignment strategy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google