Learning-Based Online Optimization for Autonomous Mobility-on-Demand Fleet Control
Kai et al. — 2025
Résumé (FR)
Cet article développe un pipeline hybride combinant apprentissage automatique et optimisation combinatoire pour le contrôle en ligne des flottes dans les systèmes AMoD. Les politiques de dispatching et de rééquilibrage sont apprises à partir de solutions optimales en information complète. L’approche surpasse les méthodes de contrôle glouton et prédictif (MPC) de jusqu’à 17,1% en profit réalisé et de 4,7% en moyenne en termes de satisfaction des clients. Le pipeline intègre des composants d’apprentissage avec des outils d’optimisation classiques pour des décisions en ligne efficaces. Le travail s’inscrit dans la lignée des méthodes « predict-then-optimize » appliquées aux systèmes de mobilité autonome. Ce résultat est publié dans l’INFORMS Journal on Computing, une revue de référence en recherche opérationnelle. Les auteurs sont affiliés à TU Munich et Polytechnique Montréal.
Summary (EN)
This paper develops a hybrid machine learning and combinatorial optimization pipeline for online fleet control in AMoD systems, learning dispatching and rebalancing policies from optimal full-information solutions. The approach outperforms greedy and model-predictive control baselines by up to 17.1% in realized profit and on average by 4.7% in customer satisfaction. The pipeline integrates learning components with classical optimization tools, enabling efficient online decision-making for real-time AMoD operations.
Points clés
| Aspect | Détail |
|---|---|
| — | — |