深度不确定性下自主出行即服务系统中的鲁棒车辆再平衡
最优化与控制
2025-07-08 v1
摘要
自主出行即服务(AMoD)系统通过有效的车辆协调,为改善乘客服务同时减少污染和能源消耗提供了机会。自主车队协调中的一个主要挑战是解决固有的供需不平衡问题。解决这一问题的关键策略是车辆再平衡,即战略性地将空闲车辆引导至预期未来需求的区域。传统研究侧重于使用特定需求预测的确定性优化,但需求的不可预测性要求能够管理这种不确定性的方法。本文介绍了深度不确定性鲁棒优化(DURO),这是一个专门为 AMoD 系统中需求不确定情况下的车辆再平衡设计的框架,该框架基于神经网络进行鲁棒优化。DURO 使用深度神经网络预测需求不确定性区间,然后将其集成到鲁棒优化模型中。我们评估了 DURO 与各种已建立模型的性能,包括使用精细需求预测的确定性优化和分布鲁棒优化(DRO)。基于纽约市(NYC)的真实数据,我们的研究结果表明,DURO 在准确性上超越了传统的确定性模型,并且与 DRO 性能相当,但计算效率更高。DURO 框架是一种有前景的 AMoD 系统车辆再平衡方法,已被证明在管理需求不确定性方面有效,性能具有竞争力,并且比其他优化模型计算效率更高。
引用
@article{arxiv.2507.04520,
title = {Robust Vehicle Rebalancing with Deep Uncertainty in Autonomous Mobility-on-Demand Systems},
author = {Xinling Li and Xiaotong Guo and Qingyi Wang and Gioele Zardini and Jinhua Zhao},
journal= {arXiv preprint arXiv:2507.04520},
year = {2025}
}