涌流路由：面向自动驾驶网约车的事事件知情多智能体强化学习

大型活动如会议、音乐会和体育赛事常引起网约车服务需求的激增，这种激增未被平均需求模式所捕捉，给路由算法带来独特挑战。我们提出了一种自主出租车车队的学习框架，该框架利用来自互联网的事件数据预测需求激增并生成协同路由策略。我们通过两个主要组件的组合实现这一目标：（i）一个需求预测框架，利用以事件描述和评论形式存在的文本事件信息，预测街道交叉口上事件驱动的需求激增；（ii）一个可扩展的多智能体强化学习框架，利用需求预测并采用逐智能体滚动结合有限采样确定性等价来学习交叉口级路由策略。在实验结果中，我们采用了2022年纽约市真实网约车数据以及曼哈顿300个独特场馆超过2000场活动的信息。我们在一张包含2235个街道交叉口的地图上用100辆出租车组成的车队测试了我们的方法。实验结果表明，我们的方法学习到的路由策略将每个服务请求的等待时间开销降低了25%至75%，同时比其他基于模型的RL框架和运筹学经典方法多接载1%至4%的请求。