BMG-Q: Localized Bipartite Match Graph Attention Q-Learning for Ride-Pooling Order Dispatch
arXiv:2501.13448 et al. — 2025
Résumé (FR)
BMG-Q introduit un nouveau cadre d’apprentissage par renforcement multi-agents (MARL) basé sur un graphe biparti de matching localisé pour le dispatch de commandes de ride-pooling. L’approche développe un Graph Attention Double Deep Q Network (GATDDQN) pour capturer les interactions dynamiques entre véhicules de ride-pooling. BMG-Q démontre une amélioration d’environ 10% des récompenses cumulées et une réduction de plus de 50% du biais de surestimation par rapport aux frameworks RL de référence. Le graphe biparti sous-jacent au processus de décision de Markov permet une prise de décision plus précise dans les environnements à grande échelle. Les expériences menées sur des données réelles valident la supériorité de l’approche sur des benchmarks de dispatch.
Summary (EN)
BMG-Q introduces a novel MARL framework using a localized bipartite match graph for ride-pooling order dispatch, developing a Graph Attention Double Deep Q Network (GATDDQN) to capture dynamic vehicle interactions. The approach achieves approximately 10% improvement in cumulative rewards and over 50% reduction in overestimation bias compared to benchmark RL frameworks. Results on real-world datasets validate superior performance.
Points clés
| Aspect | Détail |
|---|