Ride-Hailing Order Dispatching Based on Multi-Agent Reinforcement Learning
Li et al. — 2026
Résumé (FR)
Cet article propose FAMD-MARL, un modèle de dispatch optimisé basé sur le multi-agent reinforcement learning qui considère les commandes futures potentielles et les véhicules inactifs sur un horizon temporel donné. Le modèle introduit un mécanisme de “Q-valeur attendue future” pour aider la prise de décision multi-agents en comparant les Q-valeurs immédiates et futures. L’efficacité du modèle est validée sur des données de commandes de VTC de la ville de Haikou. Par rapport au matching glouton traditionnel, le modèle réduit le temps d’attente moyen des passagers d’environ 25 à 40 % et diminue le kilométrage inactif des conducteurs d’environ 20 %. Cette approche fournit une solution pratique pour l’optimisation du dispatch dans les marchés de VTC à grande échelle.
Summary (EN)
FAMD-MARL is a multi-agent reinforcement learning dispatching model that considers potential future orders and idle vehicles within a time frame, introducing a future expected Q-value mechanism to assist multi-agent decision-making. Validated on ride-hailing order data from Haikou City, the model reduces average passenger waiting time by approximately 25-40% and decreases driver idle mileage by about 20% compared to traditional greedy matching.
Points clés
| Aspect | Détail |
|---|---|
| — | — |