Reinforcement learning for ridesharing: An extended survey
Qin, Zhiwei et al. — 2022
Résumé (FR)
Cet article présente une enquête complète et approfondie de la littérature sur les approches d’apprentissage par renforcement pour les problèmes d’optimisation de décision dans les systèmes de covoiturage typiques. L’enquête couvre des sujets tels que l’appariement de covoiturage, le repositionnement de véhicules, le pooling de courses, le routage et la tarification dynamique. Les auteurs organisent la littérature de manière systématique en fonction des composantes du système de covoiturage et des méthodes d’apprentissage par renforcement employées. Les défis spécifiques au déploiement industriel de solutions RL sont discutés, notamment la scalabilité et la robustesse. Des directions de recherche futures prometteuses sont identifiées, incluant les approches multi-agents et les méthodes avec équité. Ce survey est devenu une référence incontournable pour la communauté travaillant sur le covoiturage et l’IA. Il fournit un cadre unificateur pour comprendre les contributions respectives des différentes approches RL dans ce domaine.
Summary (EN)
This paper presents a comprehensive in-depth survey of the literature on reinforcement learning approaches to decision optimization problems in typical ridesharing systems. The survey covers topics such as rideshare matching, vehicle repositioning, ride-pooling, routing, and dynamic pricing. The authors systematically organize the literature according to ridesharing system components and employed reinforcement learning methods. Specific challenges of industrial deployment of RL solutions are discussed, including scalability and robustness. Promising future research directions are identified, including multi-agent approaches and fairness-aware methods. This survey has become a key reference for the community working on ridesharing and AI. It provides a unifying framework for understanding the respective contributions of different RL approaches in this domain.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | Transportation Research Part C: Emerging Technologies |
| Mots-clés | reinforcement learning, ridesharing, survey, fleet management, vehicle dispatching |
| DOI | 10.1016/j.trc.2022.103852 |