Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach
(arXiv) et al. — 2025
Résumé (FR)
Cet article propose une approche d’apprentissage par renforcement à champ moyen contraint pour le rééquilibrage évolutif des flottes de véhicules de VTC au sein d’un réseau de mobilité partagée, garantissant une accessibilité de service minimale dans toutes les zones, y compris les arrêts virtuels et les hubs. La formulation à champ moyen permet un apprentissage traitable à l’échelle d’une ville, évitant l’explosion combinatoire des méthodes multi-agents. Les simulations montrent une amélioration de l’équité d’accessibilité du service entre régions tout en maintenant une efficacité de flotte comparable aux approches non contraintes. L’approche est validée sur des réseaux synthétiques à grande échelle inspirés de données réelles.
Summary (EN)
This paper proposes a constrained mean-field reinforcement learning approach for scalable rebalancing of ride-sourcing vehicle fleets across a shared mobility network, guaranteeing minimum service accessibility across zones including virtual stop and hub areas. The mean-field formulation enables tractable learning at city scale, avoiding the combinatorial explosion of multi-agent methods. Simulation results demonstrate improved fairness in service accessibility across regions while maintaining fleet efficiency comparable to unconstrained baselines. The approach is validated on large-scale synthetic and real-world-inspired networks.
Points clés
| Aspect | Détail |
|---|