LEAD：面向基于学习的拼车平台公平感知脱碳方法
系统与控制
2025-04-15 v2 系统与控制
摘要
拼车平台（如 Uber、Lyft 和 DiDi）因其按需可用性、易用性和通勤成本降低等优点而广受欢迎。然而，并非所有拼车承诺都实现了。近期研究表明，交通拥堵的预期下降和温室气体（GHG）排放的减少并未实现。这主要是由于拼车车辆在两次载客行程之间行驶的大量无乘客距离，即空驶里程。近期工作致力于在考虑额外指标（如乘客等待时间、空驶里程产生的 GHG 排放或司机收入）的同时减少空驶里程的影响。然而，大多数先前研究将这些环境和公平性指标单独考虑，而忽视了它们之间的相互关联。在本文中，我们提出了一种面向拼车平台的基于学习的公平感知脱碳方法 LEAD。LEAD 旨在最小化排放的同时确保司机的效用（定义为行程距离与空驶里程之差）得到公平分配。LEAD 使用强化学习根据司机的预期未来效用和平台的预期碳排放来匹配乘客与司机，而不增加乘客等待时间。基于真实世界拼车数据集的广泛实验表明，与仅考虑排放的行程分配方法相比，LEAD 将所定义的公平性指标提升了 150%，在确保公平性达到公平导向基线的 28%–52% 范围内时将排放减少了 14.6%。与公平导向基线相比，它还将乘客等待时间至少减少了 32.1%。
引用
@article{arxiv.2408.10201,
title = {LEAD: Towards Learning-Based Equity-Aware Decarbonization in Ridesharing Platforms},
author = {Mahsa Sahebdel and Ali Zeynali and Noman Bashir and Prashant Shenoy and Mohammad Hajiesmaili},
journal= {arXiv preprint arXiv:2408.10201},
year = {2025}
}