面向公平性的强化学习方法用于共享微出行服务的运营与控制
系统与控制
2025-12-15 v3 计算机与社会
机器学习
系统与控制
摘要
随着机器学习在各个领域的广泛应用,公平性已成为人工智能社区的重点关注。然而,在智能出行领域,面向公平性的方法仍鲜有探索。为填补这一空白,本研究针对共享微出行服务,探讨性能优化与算法公平性之间的平衡,并提出一种基于强化学习的新型框架。该方法利用 Q-learning,在以距中心枢纽距离为特征的不同区域之间,基于基尼系数实现公平的结果。通过车辆再平衡,所提方案在确保用户公平性原则的同时最大化运营商绩效:相较于不施加公平性调整的情形,在成本仅增加 30% 的情况下,将不公平性降低高达 85%。基于合成数据的案例研究验证了我们的见解,并凸显了公平性在城市微出行中的重要性(源代码:https://github.com/mcederle99/FairMSS.git)。
引用
@article{arxiv.2403.15780,
title = {A Fairness-Oriented Reinforcement Learning Approach for the Operation and Control of Shared Micromobility Services},
author = {Matteo Cederle and Luca Vittorio Piron and Marina Ceccon and Federico Chiariotti and Alessandro Fabris and Marco Fabris and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2403.15780},
year = {2025}
}
备注
6 pages, 3 figures, accepted at the 2025 American Control Conference (ACC) on January 17th, 2025