Rebalancing shared mobility-on-demand systems: A reinforcement learning approach
Wen, Jian et al. — 2017
Résumé (FR)
Cet article propose une approche par apprentissage par renforcement pour le rééquilibrage des systèmes de mobilité à la demande partagée. L’approche adopte un réseau Q profond (DQN) et déplace de manière adaptative les véhicules inactifs pour rétablir l’équilibre offre-demande. Le système apprend automatiquement à anticiper les déséquilibres géographiques et temporels de la demande. Les expériences montrent une amélioration significative du taux de service par rapport aux stratégies de rééquilibrage traditionnelles. La formulation en processus de décision de Markov permet de capturer les effets à long terme des décisions de repositionnement. Ce travail est l’une des premières applications du DQN au problème de rééquilibrage de flotte dans les systèmes MoD. Il a inspiré de nombreuses recherches ultérieures sur l’optimisation de flotte par apprentissage par renforcement.
Summary (EN)
This paper proposes a reinforcement learning approach for rebalancing shared mobility-on-demand systems. The approach adopts a deep Q-network (DQN) and adaptively moves idle vehicles to restore supply-demand balance. The system automatically learns to anticipate geographic and temporal demand imbalances. Experiments show significant improvement in service rate compared to traditional rebalancing strategies. The Markov decision process formulation captures long-term effects of repositioning decisions. This work is one of the earliest applications of DQN to the fleet rebalancing problem in MoD systems. It has inspired much subsequent research on reinforcement learning-based fleet optimization.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC) |
| Mots-clés | rebalancing, mobility-on-demand, deep Q-network, fleet management, idle vehicle repositioning |
| DOI | 10.1109/ITSC.2017.8317908 |