Fairness-Enhancing Vehicle Rebalancing in the Ride-hailing System
Guo Xiaotong et al. — 2024
Résumé (FR)
Cet article propose une méthode de rééquilibrage des véhicules dans les systèmes de VTC qui intègre des objectifs d’équité algorithmique et d’équité pour les passagers. Le modèle combine un réseau de graphes spatio-temporels adaptatif socialement conscient pour la prédiction de la demande et un modèle de rééquilibrage des véhicules intégrant la correspondance et l’équité. Les expériences montrent que l’algorithme réduit l’écart-type et le temps d’attente moyen des clients de 6,48 % et 0,49 % respectivement. L’approche trouve un équilibre entre l’efficacité opérationnelle et l’équité de service entre différents quartiers. Les résultats illustrent comment les inégalités géographiques d’accès aux VTC peuvent être atténuées par une conception algorithmique appropriée. Ce travail constitue une contribution significative à l’équité spatiale dans les systèmes de mobilité à la demande.
Summary (EN)
This paper proposes a vehicle rebalancing method for ride-hailing systems that incorporates algorithmic fairness and passenger equity objectives. The model combines a socio-aware spatial-temporal graph convolutional network for demand prediction and a fairness-integrated matching and vehicle rebalancing model. Experiments show that the algorithm reduces the standard deviation and average customer wait times by 6.48% and 0.49% respectively. The approach strikes a balance between operational efficiency and service equity across different neighborhoods. Results illustrate how geographic inequalities in ride-hailing access can be mitigated through appropriate algorithmic design. This work constitutes a significant contribution to spatial equity in on-demand mobility systems.
Points clés
| Aspect | Détail |
|---|---|
| Problème central | Rééquilibrage des véhicules VTC avec prise en compte explicite de l’équité spatiale entre quartiers |
| Méthode de prédiction | Réseau de graphes spatio-temporels adaptatif socialement conscient (socio-aware ST-GCN) |
| Modèle de rééquilibrage | Modèle intégrant correspondance passager-véhicule et contraintes d’équité algorithmique |
| Résultats quantitatifs | Réduction de 6,48 % de l’écart-type des temps d’attente et de 0,49 % du temps d’attente moyen |
| Contribution principale | Cadre unifié liant prédiction de demande équitable et allocation de véhicules équitable dans les systèmes MoD |
Lien avec mes recherches
Ce travail est directement pertinent pour une thèse sur l’émergence dans les systèmes multi-agents de mobilité partagée, car il montre comment des propriétés d’équité spatiale peuvent être conçues de manière intentionnelle au niveau algorithmique — en contraste avec les propriétés émergentes non planifiées. La modélisation par graphes spatio-temporels représente une approche de représentation de l’environnement qui pourrait être intégrée dans un cadre de simulation multi-agents pour étudier comment les décisions locales des véhicules ou des passagers produisent des inégalités d’accès à l’échelle du système. La tension entre efficacité globale et équité locale constitue un cas d’étude emblématique des compromis qui émergent dans les systèmes de mobilité à la demande décentralisés.