AMoD系统联合定价与车队 rebalancing 的竞争多运营商强化学习
机器学习
2026-03-06 v1 多智能体系统
摘要
自主运动需求(AMoD)系统承诺通过提供可负担的按需服务来改变城市交通格局，以满足日益增长的出行需求。然而，现实中的AMoD市场将是竞争性的，多个运营商将通过战略定价和车队部署来争夺乘客。虽然强化学习在优化单个AMoD控制方面显示出前景，但现有工作未能捕捉竞争市场动态。我们通过引入一个多运营商强化学习框架来研究竞争对策学习的影响，其中两个运营商同时学习定价和车队 rebalancing 策略。通过整合离散选择理论，我们使乘客分配和需求竞争从效用最大化决策中自然产生。使用来自多个城市的真实数据进行实验表明，竞争根本改变了所学行为，导致价格下降和与垄断设置不同的车队定位模式。值得注意的是，我们证明学习方法对竞争引入的额外随机性具有鲁棒性，竞争代理成功地收敛到有效的策略，同时考虑到部分未观察到的竞争对手策略。
引用
@article{arxiv.2603.05000,
title = {Competitive Multi-Operator Reinforcement Learning for Joint Pricing and Fleet Rebalancing in AMoD Systems},
author = {Emil Kragh Toft and Carolin Schmidt and Daniele Gammelli and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2603.05000},
year = {2026}
}