Efficient Large-Scale Fleet Management via Multi-Agent Deep Reinforcement Learning
Lin, Kaixiang et al. — 2018
Résumé (FR)
Cet article propose un cadre d’apprentissage par renforcement multi-agents contextuel pour la gestion à grande échelle de flottes de véhicules de covoiturage. Les auteurs développent trois algorithmes concrets permettant la coordination entre un grand nombre d’agents s’adaptant à des contextes variés de demande et d’offre. Le cadre est évalué sur des données réelles de plateformes de covoiturage à grande échelle. Les résultats montrent que les approches multi-agents surpassent significativement les méthodes de gestion de flotte traditionnelles. La méthode permet d’améliorer à la fois les revenus des conducteurs et la satisfaction des usagers. Ce travail est l’un des premiers à s’attaquer à la coordination de flotte à grande échelle via l’apprentissage par renforcement profond multi-agents. Le code source est mis à disposition pour faciliter la reproductibilité.
Summary (EN)
This paper proposes a contextual multi-agent reinforcement learning framework for large-scale fleet management on ride-sharing platforms. The authors develop three concrete algorithms to achieve coordination among a large number of agents that adapt to varying supply-demand contexts. The framework is validated on real-world data from large-scale ride-sharing platforms. Results demonstrate that multi-agent approaches significantly outperform traditional fleet management strategies. The method improves both driver revenue and passenger satisfaction simultaneously. This work is among the first to tackle large-scale fleet coordination via multi-agent deep reinforcement learning. Source code is released to facilitate reproducibility.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2018) |
| Mots-clés | fleet management, multi-agent reinforcement learning, ride-sharing, deep Q-network, supply-demand |
| DOI | 10.1145/3219819.3219993 |