一种用于车队再平衡问题的模块化可迁移强化学习框架
系统与控制
2022-01-20 v1 人工智能
机器学习
多智能体系统
系统与控制
摘要
按需出行（MoD）系统在实现灵活高效的城市交通方面展现出巨大前景。然而，与MoD车辆调度和车队再平衡相关的运营决策带来了重大技术挑战。因此，运营商倾向于采用在特定环境中表现良好的简化算法。为帮助弥合新颖方法与现有方法之间的差距，我们提出了一种基于无模型强化学习（RL）的车队再平衡模块化框架，该框架可利用现有调度方法以最小化系统成本。具体而言，通过将调度视为环境动态的一部分，一个集中式智能体可以学习间歇性地指导调度器重新定位空闲车辆并缓解车队失衡。我们将RL状态和动作空间表述为运营区域网格划分上的分布，使框架具有可扩展性，并避免与多智能体RL相关的复杂性。使用真实世界出行和网络数据的数值实验表明，该方法相较于基线方法具有若干明显优势：改善系统成本；对所选调度方法的高度适应性；以及在不同问题实例间进行尺度不变迁移学习的能力（当车辆和请求分布相似时）。
引用
@article{arxiv.2105.13284,
title = {A Modular and Transferable Reinforcement Learning Framework for the Fleet Rebalancing Problem},
author = {Erotokritos Skordilis and Yi Hou and Charles Tripp and Matthew Moniot and Peter Graf and David Biagioni},
journal= {arXiv preprint arXiv:2105.13284},
year = {2022}
}