PassGoodPool：基于强化学习辅助定价、匹配与路径规划的乘客与货物联合车队管理
人工智能
2021-11-15 v2 系统与控制
系统与控制
摘要
面向乘客与货物配送的按需出行服务的普遍增长，为交通系统领域带来了各种挑战与机遇。因此，人们正在开发智能交通系统，以最大化运营盈利能力、用户便利性和环境可持续性。最后一英里配送与共享出行的增长呼唤一种能够同时运输乘客与货物的高效且统一的系统。现有方法使用静态路径规划方法来解决此问题，既未考虑请求的需求，也未考虑路径规划期间车辆之间的货物转移。在本文中，我们提出了一种用于客货联合运输的动态且需求感知的车队管理框架，该框架能够：(1) 允许司机协商至双方合适的价格，乘客可接受或拒绝，从而让司机和乘客均参与决策过程；(2) 将货物与车辆进行匹配，并支持货物的多跳转移；(3) 基于插入成本（进而决定匹配）动态生成考虑路径沿线需求的每辆车最优路线；(4) 使用深度强化学习 (RL) 将空闲车辆调度至预期客货高需求区域；(5) 允许每辆车进行分布式推理，同时集体优化车队目标。我们提出的模型可在每辆车中独立部署，因为这能将与分布式系统增长相关的计算成本降至最低，并将决策权下放给每个个体。在多种车辆类型、货物和乘客效用函数上的仿真表明，与未考虑联合载客运输或动态多跳路径规划的其他方法相比，我们的方法具有有效性。
引用
@article{arxiv.2011.08999,
title = {PassGoodPool: Joint Passengers and Goods Fleet Management with Reinforcement Learning aided Pricing, Matching, and Route Planning},
author = {Kaushik Manchella and Marina Haliem and Vaneet Aggarwal and Bharat Bhargava},
journal= {arXiv preprint arXiv:2011.08999},
year = {2021}
}
备注
18 pages, Accepted to IEEE Transactions on Intelligent Transportation Systems, Special Issue on Modeling Dynamic Transportation Networks in the Age of Connectivity, Autonomy and Data