城市级动态拼车服务中的出租车分布均衡：一种基于需求学习的混合解决方案

在本文中，我们研究动态拼车服务中如何均衡城市内出租车分布的挑战性问题。首先，我们介绍动态拼车系统的架构，并正式定义指示系统效率的性能度量。随后，我们提出一种涉及一系列算法的混合解决方案：关联池化收集关联乘客请求，基于需求学习的邻接拼车匹配将出租车分配给乘客并在局部均衡出租车分布，贪婪空闲调度旨在将当前无分配的出租车导向有服务需求乘客的区域。实验中，我们应用来自芝加哥城市的城市级数据集，并完成一项分析关联乘客请求阈值及每种算法平均在线运行时间的案例研究。我们还将混合解决方案与多种其他方法比较。实验结果表明，我们的混合解决方案在不增加运营出租车数量的情况下提升了客户服务率，使司机每趟赚得更多、乘客每趟节省更多，且呼叫与额外行程时间仅有小幅增加。