Timing the Match: A Deep Reinforcement Learning Approach for Ride-Hailing and Ride-Pooling Services
Authors et al. — 2025
Résumé (FR)
Cet article étudie le problème du timing optimal pour le matching entre passagers et véhicules dans les services de ride-hailing et de ride-pooling. L’approche emploie l’algorithme Proximal Policy Optimization (PPO) pour déterminer le moment optimal de matching, reconnu pour sa stabilité et ses performances robustes dans les environnements dynamiques. Le cadre proposé modélise le problème de timing comme un processus de décision markovien, permettant à l’agent d’apprendre des politiques temporelles efficaces. Les expériences sur des scénarios de service réalistes démontrent l’avantage de l’approche par rapport aux stratégies de matching à intervalle fixe. Les résultats suggèrent que le timing adaptatif du matching peut significativement améliorer les taux de service et réduire les temps d’attente.
Summary (EN)
This paper investigates optimal matching timing between passengers and vehicles in ride-hailing and ride-pooling services using Proximal Policy Optimization (PPO). The framework models the timing problem as a Markov decision process, learning effective temporal policies for dynamic environments. Experiments demonstrate advantages over fixed-interval matching strategies in terms of service rates and waiting times.
Points clés
| Aspect | Détail |
|---|---|
| — | — |