Non-myopic Matching and Rebalancing in Large-Scale On-Demand Ride-Pooling Systems Using Simulation-Informed Reinforcement Learning
Farnoosh et al. — 2025
Résumé (FR)
Cet article aborde le problème de la prise de décision myope dans les services de covoiturage à la demande en proposant une approche d’apprentissage par renforcement informé par simulation. Le cadre étend les travaux antérieurs sur le VTC au covoiturage, en intégrant des stratégies de rééquilibrage des véhicules. Les tests sur des données de taxis de New York montrent que les taux de service augmentent jusqu’à 8,4 %, les besoins en flotte diminuent de 25 % et les temps d’attente sont réduits jusqu’à 27,3 % lorsque le rééquilibrage est inclus. L’approche non myope permet de prendre des décisions d’affectation qui tiennent compte des effets futurs plutôt que de maximiser uniquement les bénéfices immédiats. Ces résultats illustrent l’importance de l’horizon temporel dans la conception des algorithmes de dispatch.
Summary (EN)
This paper proposes a simulation-informed reinforcement learning approach to overcome myopic decision-making in large-scale ride-pooling services. The framework extends prior ride-hailing RL methods to ride-pooling contexts with vehicle rebalancing. Testing on NYC taxi data shows service rates increase by up to 8.4%, fleet requirements decrease by 25%, and wait times reduce by up to 27.3% when rebalancing is included.
Points clés
| Aspect | Détail |
|---|---|
| — | — |