通过强化学习与时空挖掘优化出租车拼车策略
机器学习
2018-11-13 v1 人工智能
机器学习
摘要
在本文中，我们开发了一个基于强化学习（RL）的系统，以学习一种有效的拼车策略，最大化交通效率，从而以更少的车辆满足给定数量的出行需求。为此，首先我们开发了一个称为 ST-NN（时空神经网络）的深度神经网络模型，从原始 GPS 出行数据预测出租车出行时间。其次，我们利用 ST-NN 的输出并使用 NYC 出租车出行数据集，构建了用于 RL 训练的拼车仿真环境。为最大化交通效率并最小化交通拥堵，我们选择驾驶员在拼车行程中覆盖的有效距离作为奖励。因此，驾驶员在一次行程中达成的有效距离越大（即满足越多出行需求），效率越高，交通拥堵越少。我们将 RL 学习策略的性能与固定策略（总是接受拼车）这一基线进行比较，获得了可解释且有前景的结果，展示了我们 RL 方法的优势。我们还将 ST-NN 的性能与最先进的出行时间估计方法比较，观察到 ST-NN 显著提升了预测性能且对离群值更鲁棒。
引用
@article{arxiv.1811.04345,
title = {Optimizing Taxi Carpool Policies via Reinforcement Learning and Spatio-Temporal Mining},
author = {Ishan Jindal and Zhiwei Qin and Xuewen Chen and Matthew Nokleby and Jieping Ye},
journal= {arXiv preprint arXiv:1811.04345},
year = {2018}
}
备注
Accepted at IEEE International Conference on Big Data 2018. arXiv admin note: text overlap with arXiv:1710.04350