MOVI: A Model-Free Approach to Dynamic Fleet Management
Oda, Takuma et al. — 2018
Résumé (FR)
MOVI est un cadre sans modèle pour la gestion dynamique de flottes de taxis utilisant l’apprentissage par renforcement profond. L’approche évite la nécessité de modéliser explicitement la dynamique de la demande en apprenant directement depuis les interactions avec l’environnement. Le système utilise des réseaux de neurones profonds pour approximer la fonction de valeur spatiotemporelle des véhicules. Les expériences sur des données réelles de taxi démontrent que MOVI améliore significativement le revenu total des conducteurs. La méthode est robuste aux variations de la demande sans nécessiter de recalibration fréquente du modèle. Ce travail montre la faisabilité des approches sans modèle pour la gestion de flottes dans des environnements complexes et dynamiques. Il constitue une contribution importante pour la communauté de la recherche sur les transports intelligents.
Summary (EN)
MOVI is a model-free framework for dynamic fleet management of taxis using deep reinforcement learning. The approach avoids the need to explicitly model demand dynamics by learning directly from environment interactions. The system uses deep neural networks to approximate the spatiotemporal value function of vehicles. Experiments on real taxi data demonstrate that MOVI significantly improves total driver revenue. The method is robust to demand variations without requiring frequent model recalibration. This work demonstrates the feasibility of model-free approaches for fleet management in complex dynamic environments. It is an important contribution for the intelligent transportation research community.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | IEEE INFOCOM 2018 - IEEE Conference on Computer Communications |
| Mots-clés | fleet management, model-free reinforcement learning, deep Q-network, taxi dispatching, demand prediction |
| DOI | 10.1109/INFOCOM.2018.8486406 |