i-Rebalance：面向供需平衡的个性化车辆重定位
人工智能
2024-04-03 v2 多智能体系统
摘要
网约车平台一直面临着平衡供需的挑战。现有的车辆重定位技术通常将司机视为同质代理并以确定性方式重新定位他们，假设司机会服从重定位指令。在本文中，我们考虑了一个更现实且以司机为中心的场景，其中司机拥有独特的巡游偏好，并可以自行决定是否接受推荐。我们提出了 i-Rebalance，一种基于深度强化学习 (DRL) 的个性化车辆重定位技术。i-Rebalance 通过涉及 99 名真实司机的实地用户研究来估计司机接受重定位推荐的决策。为了同时优化供需平衡并提升偏好满意度，i-Rebalance 采用了一种具有双 DRL 代理的顺序重定位策略：Grid Agent 用于确定空闲车辆的重定位顺序，Vehicle Agent 用于按预定义顺序为每辆车提供个性化推荐。与传统的联合动作方法相比，这种顺序学习策略促进了在更小的动作空间内进行更有效的策略训练。对真实世界轨迹数据的评估显示，i-Rebalance 将司机接受率提高了 38.07%，总司机收入提高了 9.97%。
引用
@article{arxiv.2401.04429,
title = {i-Rebalance: Personalized Vehicle Repositioning for Supply Demand Balance},
author = {Haoyang Chen and Peiyan Sun and Qiyuan Song and Wanyuan Wang and Weiwei Wu and Wencan Zhang and Guanyu Gao and Yan Lyu},
journal= {arXiv preprint arXiv:2401.04429},
year = {2024}
}