一种具备知识迁移能力的分布式强化学习方案用于单车再平衡问题
人工智能
2018-10-10 v1 人机交互
机器学习
摘要
再平衡是许多交通服务（如 Citi Bike）的关键服务瓶颈。Citi Bike 依赖调度员与现场人员之间手动协调来再平衡单车。受此问题及该领域缺乏智能自主解决方案的启发，本项目探索了一种称为具备迁移学习（TL）能力的分布式强化学习（DiRL）的新 RL 架构。DiRL 方案在以最小成本保持单车库存受控的同时，适应变化的交通动态。DiRL 在单车再平衡方面实现了 350% 的自主改进，而 TL 在管理整个单车网络时带来了 62.4% 的性能提升。最后，对拼车服务 Chariot 调度办公室的实地走访，为克服在现实世界中部署 RL 解决方案的挑战提供了见解。
引用
@article{arxiv.1810.04058,
title = {A Distributed Reinforcement Learning Solution With Knowledge Transfer Capability for A Bike Rebalancing Problem},
author = {Ian Xiao},
journal= {arXiv preprint arXiv:1810.04058},
year = {2018}
}