Coordinating Ride-Pooling with Public Transit using Reward-Guided Conservative Q-Learning: An Offline Training and Online Fine-Tuning Reinforcement Learning Framework
Hu et al. — 2025
Résumé (FR)
Cet article propose un cadre d’apprentissage par renforcement combinant entraînement hors-ligne et ajustement fin en ligne pour coordonner les services de ride-pooling avec les transports en commun. L’approche utilise le Conservative Q-Learning guidé par des récompenses pour apprendre des politiques de coordination efficaces sans nécessiter d’interactions constantes avec l’environnement en temps réel. La coordination multimodale entre ride-pooling et transit permet de réduire les kilomètres parcourus à vide et d’améliorer les taux de remplissage. Le cadre démontre des performances robustes face aux incertitudes de la demande. Des expériences sur des données réelles valident l’approche en termes de réduction des coûts opérationnels et d’amélioration du service.
Summary (EN)
This paper presents a reinforcement learning framework combining offline training with online fine-tuning for coordinating ride-pooling services with public transit. The Reward-Guided Conservative Q-Learning approach learns effective coordination policies without requiring constant real-time environment interactions. Experiments on real-world data validate improved operational efficiency and service quality through multimodal coordination.
Points clés
| Aspect | Détail |
|---|