基于共享自主车的准按需公交 feeder 服务：强化学习分区调度控制

本文发展了一种基于共享自主车 (SAV) 和基于强化学习 (RL) 的分区调度控制的准按需公交 feeder 服务。该服务将固定线路公交的成本效益与需求响应交通的适应性相结合，以提高低密度地区的可达性。 departing from the terminus (从终点出发)，SAV 首先进行预定的固定站点的路程，然后在预确定的灵活路线区域内提供按需接送。我们的深度强化学习模型通过策略梯度算法——近端策略优化 (Proximal Policy Optimization)，动态地将车辆分配给划分的灵活路线区域，以应对实时需求波动和运营情况。该方法通过慕尼黑、德国某实地公交线路上的基于智能体的仿真进行示范。结果表明，经过高效训练后，与传统固定线路服务相比，采用动态分区控制的准按需服务平均能服务 16%更多乘客，但总体费用提高 13%。由 RL 控制带来的效率提升，使乘客数增加 2.4%，费用提高 1.4%。该研究不仅展示了将 SAV feeder 与机器学习技术集成到公共交通中的潜力，还为进一步创新解决多模式交通系统中的首末里程问题奠定了基础。