参与耦合的出租车再平衡系统依从性的均值场控制
系统与控制
2026-04-02 v1 系统与控制
摘要
人类驾驶员参与是 Mobility-on-Demand(MoD) 再平衡中的关键不确定性来源。驾驶员以概率方式遵循平台建议，其意愿随所经历结果的演化而变化。这形成了一个闭环反馈：更强的建议提高参与度，参与度增加拥堵，拥堵降低分配成功率，最终分配结果更新依从性信念。我们提出了一个微观随机模型，将 (i) 信念驱动的参与、(ii) 泊松需求、(iii) 均匀匹配和 (iv) Beta--Bernoulli 信念更新耦合在一起。在大规模人口闭合假设下，我们推导了在平台控制下对人口依从性状态的确定性均值场递归。对于独立同分布的泊松需求和恒定建议强度，我们证明了递归的全局可唯一性和不变性，建立了平衡点的存在性，给出唯一性条件，并展示了在平台建议强度不弱于基线参与度的条件下全局收敛。随后，我们定义稳态依从性和吞吐量，刻画了诱导的性能前沿，表明在均匀时变不变控制下，依从性和吞吐量通常不能同时最大化。这给出了一个带依从性下限的吞吐量最大化问题。利用单调前沿结构，我们表明最优均匀时变不变政策是最大可行建议强度，并提供一种高效的二分法算法。
引用
@article{arxiv.2604.00950,
title = {Mean-Field Control of Adherence in Participation-Coupled Vehicle Rebalancing Systems},
author = {Avalpreet Singh Brar and Rong Su and Jaskaranveer Kaur and Gioele Zardini},
journal= {arXiv preprint arXiv:2604.00950},
year = {2026}
}