RideAgent：基于大语言模型的自动出租车 fleet 运营优化框架
最优化与控制
2025-08-08 v2
摘要
有效管理电动出租车接单 fleet，尤其是在高峰期的预分配和定价，以平衡时空供需，对城市交通效率至关重要。然而，实际挑战包括需求不可预测，以及将非专家运营人员的多样化、定性的管理目标转化为可求解的优化模型。本文引入 RideAgent，一个由大语言模型驱动的智能体框架，用于自动化和提升电动出租车接单 fleet 的管理。首先，大语言模型解释来自 fleet 经理的自然语言查询，以构建相应的数学目标函数。随后，这些用户自定义的目标在混合整数规划（MIP）框架内进行优化，前提是维持高运营利润。利润本身是主要目标，由嵌入的随机森林（RF）模型基于外生特征估计。为加快该 MIP 的求解，一个由提示引导的大语言模型分析少量历史最优决策数据，以指导变量固定策略。实验基于真实数据表明，在零样本设置下，大语言模型生成的目标函数与标准公式之间达到86%的文本相似度。随后，大语言模型引导的变量固定策略相较于仅求解完整 MIP 减少计算时间53.15%，平均最优性差距仅为2.42%。此外，这一变量固定策略比五种割平面方法在时间上减少42.3%，且对解的质量几乎没有妥协。RideAgent 提供了一个稳健且自适应的自动化目标建模和加速优化框架。该框架使非专家 fleet 经理能够个性化运营，提升城市交通系统的运行绩效。
引用
@article{arxiv.2505.06608,
title = {RideAgent: An LLM-Enhanced Optimization Framework for Automated Taxi Fleet Operations},
author = {Xinyu Jiang and Haoyu Zhang and Mengyi Sha and Zihao Jiao and Long He and Junbo Zhang and Wei Qi},
journal= {arXiv preprint arXiv:2505.06608},
year = {2025}
}