DeepPool: Distributed Model-Free Algorithm for Ride-Sharing Using Deep Reinforcement Learning
Al-Abbasi, Abubakr O. et al. — 2019
Résumé (FR)
DeepPool propose une approche distribuée sans modèle utilisant des techniques de réseau Q profond pour apprendre des politiques de dispatching optimales dans les systèmes de covoiturage. Chaque véhicule résout son propre DQN individuellement sans coordination explicite, ce qui permet une adaptation rapide aux environnements dynamiques. Le système incorpore efficacement des statistiques de demande de déplacement et des modèles d’apprentissage profond pour améliorer le service de partage de véhicules. La validation sur un jeu de données réel de courses de taxi à New York montre que DeepPool surpasse les stratégies de référence. L’algorithme prend en compte la demande future anticipée pour repositionner les véhicules de manière proactive. L’approche distribuée permet une scalabilité importante comparée aux méthodes centralisées. Les résultats démontrent des améliorations du taux de service et de la distance de trajet moyenne.
Summary (EN)
DeepPool proposes a distributed model-free approach using deep Q-network techniques to learn optimal dispatch policies in ride-sharing systems. Each vehicle solves its own DQN individually without explicit coordination, enabling rapid adaptation to dynamic environments. The system efficiently incorporates travel demand statistics and deep learning models to improve ride-sharing vehicle management. Validation on a real-world New York City taxi trip dataset shows DeepPool outperforms baseline strategies. The algorithm accounts for anticipated future demand to proactively reposition vehicles. The distributed approach allows for significant scalability compared to centralized methods. Results demonstrate improvements in service rate and average trip distance.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | IEEE Transactions on Intelligent Transportation Systems |
| Mots-clés | ride-sharing, deep Q-network, distributed reinforcement learning, fleet dispatching, demand anticipation |
| DOI | 10.1109/TITS.2019.2931830 |