一种用于按需拼车的增强近似动态规划方法
最优化与控制
2023-05-23 v1
摘要
拼车服务日益普及，对高效运营的需求也随之增加。拼车服务的主要目标是在最小化等待与延误时间的同时最大化服务乘客数量。然而，乘客请求的时间与数量、上下车地点、可用车辆容量以及满足多个请求的路径等因素带来了高度不确定性，给拼车运营者造成困难。本研究旨在扩展当前最先进的拼车服务近似动态规划（ADP）方法，引入关键扩展，并与神经近似动态规划（NeurADP）方法进行对比分析，以优化此类服务的效率与效果。具体而言，我们开发了一种 ADP 方法，纳入三个重要的问题设定：(i) 上下车截止时间，(ii) 车辆再平衡，以及 (iii) 允许车内超过两名乘客。我们使用纽约市出租车数据集和一份在芝加哥市收集的新型出租车请求数据集进行了详细的数值研究。我们还对等待与延误时间、乘客群体规模、车辆容量等关键模型参数进行了敏感性分析，并探究了车辆再平衡的影响。我们的对比分析凸显了 ADP 与 NeurADP 两种方法的优势与局限。研究发现，路网密度与道路方向性对性能有显著影响。相较于 ADP 方法，NeurADP 在更大更复杂的问题设定中能更高效地学习值函数近似。但在较小设定下，ADP 表现优于 NeurADP。
引用
@article{arxiv.2305.12028,
title = {An Enhanced Approximate Dynamic Programming Approach to On-demand Ride Pooling},
author = {Arash Dehghan and Mucahit Cevik and Merve Bodur},
journal= {arXiv preprint arXiv:2305.12028},
year = {2023}
}