Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
Castagna, Guériau, Vizzari, Dusparic — 2021
Résumé (FR)
Le rééquilibrage des véhicules vides est un défi central des systèmes MoD : sans stratégie active, les véhicules s’accumulent là où la demande a été servie plutôt qu’où elle sera nécessaire. Les approches existantes divisent la zone de couverture en zones géographiques prédéfinies à la conception — ce qui nuit à l’adaptabilité face à une demande évolutive. Cet article propose une méthode de génération dynamique de zones de rééquilibrage qui s’adapte aux patterns de demande en temps réel. Combiné avec un agent RL (apprentissage par renforcement) qui apprend une politique de repositionnement, le système ajuste automatiquement la partition zonale selon la demande observée. L’approche est évaluée sur des scénarios de mobilité à la demande avec ride-sharing, montrant une meilleure couverture spatiale et une réduction des requêtes non satisfaites comparé à des zones statiques.
Summary (EN)
Vehicle rebalancing is a core challenge in MoD systems: without active strategies, vehicles accumulate where demand was served rather than where it will be needed. Existing approaches partition the coverage area into predefined geographical zones at design time, limiting adaptability to evolving demand patterns. This paper proposes a demand-responsive zone generation method that adapts to real-time demand patterns. Combined with a reinforcement learning agent that learns a repositioning policy, the system automatically adjusts the zonal partition based on observed demand. Evaluated on ride-sharing MoD scenarios, the approach achieves better spatial coverage and fewer unserved requests compared to static zoning.
Points clés
| Aspect | Détail |
|---|---|
| Problème | Rééquilibrage des véhicules vides dans un système MoD avec ride-sharing |
| Innovation | Zones de rééquilibrage générées dynamiquement (vs statiques à la conception) |
| Méthode | RL pour la politique de repositionnement + clustering adaptatif de la demande |
| Lien avec SAMoD | Extension directe du framework SAMoD (Guériau & Dusparic, 2018) |
| Évaluation | Scénarios MoD avec ride-sharing ; métriques : requêtes servies, km vides, équilibre spatial |
| Journal | AI Communications (IOS Press) — 2021 |
Lien avec mes recherches
Suite directe de SAMoD et complémentaire à dafflon2020-emergent-microcommunities : là où Dafflon2020 agit côté riders (formation de micro-communautés), Castagna2021 agit côté véhicules (rebalancing adaptatif). Les deux approches sont complémentaires pour optimiser un système MoD complet. Piste : combiner émergence de communautés côté demande + zones adaptatives côté offre.