Robust Vehicle Rebalancing with Deep Uncertainty in Autonomous Mobility-on-Demand Systems
Li et al. — 2025
Résumé (FR)
Cet article propose DURO (Deep Uncertainty Robust Optimization), un cadre de rééquilibrage des véhicules dans les systèmes AMoD en présence d’incertitudes profondes sur la demande. Un réseau de neurones profond est entraîné pour prévoir des intervalles d’incertitude sur la demande, qui sont ensuite intégrés dans un modèle d’optimisation robuste. La stratégie principale consiste à diriger les véhicules inactifs vers des zones anticipant une demande future élevée. Le cadre est validé sur des données réelles de New York City. Les résultats montrent une meilleure résilience aux fluctuations de la demande par rapport aux méthodes déterministes. Les auteurs sont affiliés au MIT (Department of Civil and Environmental Engineering et Department of Urban Studies and Planning). Soumis en juillet 2025.
Summary (EN)
This paper introduces DURO (Deep Uncertainty Robust Optimization), a framework for vehicle rebalancing in Autonomous Mobility-on-Demand (AMoD) systems under uncertain demand. A deep neural network forecasts demand uncertainty intervals, which are then integrated into a robust optimization model to guide idle vehicle repositioning. The approach is validated on real-world demand data from New York City, demonstrating superior resilience to demand fluctuations compared to deterministic baselines.
Points clés
| Aspect | Détail |
|---|