Dynamic Ride-Hailing with Electric Vehicles
Kullman, Nicholas D. et al. — 2022
Résumé (FR)
Cet article traite du problème d’un opérateur contrôlant une flotte de véhicules électriques pour un service de covoiturage, cherchant à maximiser le profit en affectant des véhicules aux demandes et en décidant quand et où recharger les véhicules. Les auteurs emploient l’apprentissage par renforcement profond, développant des politiques dont la prise de décision utilise des approximations de valeur-Q apprises par des réseaux de neurones profonds. Ces politiques DRL sont comparées à une politique de réoptimisation et à des bornes duales sur la valeur de politique optimale établies via une décomposition de type Benders. Les performances sont évaluées sur des instances dérivées de données réelles pour Manhattan à New York. La meilleure politique DRL surpasse l’approche de réoptimisation sur des instances de tailles variées. Ce travail est l’une des premières applications du DRL à la gestion de flotte de véhicules électriques en contexte de covoiturage. Les bornes duales fournissent une référence précieuse pour évaluer la qualité des politiques apprises.
Summary (EN)
This paper addresses the problem of an operator controlling a fleet of electric vehicles for a ride-hailing service, seeking to maximize profit by assigning vehicles to requests and deciding when and where to recharge. The authors employ deep reinforcement learning, developing policies whose decision-making uses Q-value approximations learned by deep neural networks. These DRL policies are compared against a reoptimization-based policy and dual bounds on optimal policy value established via Benders-based decomposition. Performance is assessed on instances derived from real data for Manhattan in New York City. The best DRL policy outperforms the reoptimization approach across instances of varying size. This work is one of the first applications of DRL to electric vehicle fleet management in a ride-hailing context. Dual bounds provide a valuable benchmark for evaluating the quality of learned policies.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | Transportation Science |
| Mots-clés | electric vehicles, ride-hailing, deep reinforcement learning, rebalancing, Benders decomposition |
| DOI | 10.1287/trsc.2021.1042 |