Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing
Nagoya University（名古屋大学）；Didi Chuxing（滴滴出行）；Dalian University of Technology（大连理工大学）
动态需求预测是网约车调度的关键问题。已经开发了许多方法来提高需求预测的准确性，以适应需求，乘车运输服务的增加。然而，由于多尺度时空粒度，以及由此产生的统计误差，在预测乘车需求的不确定性，很少探索。本文试图填补这一空白，并使用中国成都的实证数据来检验时空粒度对乘车需求预测准确性的影响。提出了一种结合六角卷积运算的卷积长短期记忆模型（H-ConvLSTM）来探索复杂的空间和时间关系。实验分析结果表明，该方法在预测精度方面优于传统方法。36个时空粒度与出发需求和到达需求的比较表明，一个六边形的空间分区与800米的边长和30分钟的时间间隔的组合实现了最好的综合预测精度。然而，出发需求和到达需求揭示了不同的时空粒度的预测误差的不同变化趋势。
2022-03-19 cs.LG
Fairness-Enhancing Vehicle Rebalancing in the Ride-hailing System
Massachusetts Institute of Technology（麻省理工学院）
本文提出一种结合社会感知时空图卷积网络（SA-STGCN）与公平性集成的匹配集成车辆再平衡（MIVR）模型，以减少网约车需求预测差异并提升服务公平性，实验显示标准差和平均等待时间分别降低6.48%和0.49%。
2023-12-29 cs.LG
Frailty-Aware Transformer for Recurrent Survival Modeling of Driver Retention in Ride-Hailing Platforms
Civil \& Mineral Engineering University of Toronto Toronto, Canada
本文提出一种考虑脆弱性的变换器模型，用于网约车平台司机留存的复发生存建模，通过捕捉长期时间依赖性和司机异质性，提升了风险预测的准确性。
2025-11-25 cs.LG
Sharing Behavior in Ride-hailing Trips: A Machine Learning Inference Approach
University of Michigan（密歇根大学）
网约车正在迅速改变城市和个人交通。拼车或拼车对于减轻网约车的负面外部性（如增加拥堵和环境影响）非常重要。然而，缺乏经验证据表明，什么影响了乘车共享行为。使用2019年芝加哥所有乘车旅行的新数据集，我们发现乘客请求共享乘车的意愿从27.0%单调下降到12.8%，而旅行量和里程在统计上保持不变。我们发现，共享偏好的下降是由于共享旅行的每英里成本增加以及将短途旅行转移到单人旅行。使用集成机器学习模型，我们发现，旅行阻抗变量（行程成本，距离和持续时间）共同贡献了95%和91%的预测能力，在确定是否要求共享和是否成功共享，分别。空间和时间属性，社会人口，建筑环境和交通供应变量不需要在行程水平的预测能力，在这些旅行阻抗变量的存在。这意味着，价格信号是最有效的鼓励乘客分享他们的游乐设施。我们的研究结果揭示了乘车旅行中的共享行为，并可以帮助制定增加共享乘车的策略，特别是在需求从大流行中恢复的情况下。
2022-01-30 cs.CY cs.LG econ.EM
Predicting Short-Term Uber Demand Using Spatio-Temporal Modeling: A New York City Case Study
对电子叫车服务的需求正在迅速增长，特别是在大城市。Uber是美国和纽约市第一家也是最受欢迎的电子打车公司。2014年和2015年纽约市对黄色出租车和优步的需求比较显示，对优步的需求有所增加。然而，这种需求在空间上或时间上可能不是均匀分布的。使用时空时间序列模型可以帮助我们更好地了解电子叫车服务的需求，并更准确地预测它。本文分析了一种时间模型（向量自回归（VAR））和两种时空模型（时空自回归（STAR）;应用于STAR的最小绝对收缩和选择算子（LASSO-STAR））和不同场景（基于时间和空间滞后的数量）的预测性能，并应用于高峰时段和非高峰时段。结果表明，需要考虑出租车需求的空间模型。
2018-02-11 stat.AP
Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction
Chongqing University（重庆大学）；University of Notre Dame（圣母大学）
网约车需求预测是时空数据采掘中的一项重要任务。准确的网约车需求预测可以帮助预分配资源，提高车辆利用率和用户体验。图卷积网络（Graph Convolutional Network，GCN）是一种常用的非欧空间相关性建模方法。然而，现有的基于GCN的网约车需求预测方法在提取不规则的非欧空间相关性时，仅对不同的相邻区域赋予相同的重要性，并在整个时间轴上保持具有静态空间关系的固定图结构。在本文中，我们提出了时空动态图注意力网络（STDGAT），一种新的乘车需求预测方法。STDGAT基于GAT的注意力机制，提取不同的成对相关性，实现对不同邻域的自适应重要性分配。此外，在STDGAT中，我们设计了一个新的特定时间的基于图的注意力模式，构建一个动态的图形结构，捕捉整个时间轴的动态特定时间的空间关系。在真实网约车需求数据集上进行了广泛的实验，实验结果表明，我们的方法在三个评估指标RMSE、MAPE和MAE上比最先进的基线有显着改进。
2022-04-17 cs.AI cs.LG
Enhancing Ride-Hailing Forecasting at DiDi with Multi-View Geospatial Representation Learning from the Web
The Hong Kong University of Science；China University of Geoscience (Wuhan) Wuhan China；Didichuxing Co.\ Ltd Beijing China；China University of Geoscience (Wuhan)；Didichuxing Co.\ Ltd
本文提出MVGR-Net框架，通过多视角地理空间表示学习和提示赋能的框架，提升滴滴出行预测的准确性与鲁棒性。
2026-02-11 cs.LG
Using Spatio-temporal Deep Learning for Forecasting Demand and Supply-demand Gap in Ride-hailing System with Anonymised Spatial Adjacency Information
Islamic University of Technology（伊斯兰科技大学）
为了减少乘客等待时间和司机搜索摩擦，网约车公司需要准确预测时空需求和供需缺口。然而，由于与乘车系统中的需求和供需缺口有关的时空依赖性，对需求和供需缺口进行准确预测是一项困难的任务。此外，由于机密性和隐私问题，有时通过删除区域的空间相邻信息来向研究人员发布乘车数据，这阻碍了时空依赖性的检测。为此，本文提出了一种新的时空深度学习架构，用于预测具有匿名空间邻接信息的乘车系统中的需求和供需缺口，该架构将特征重要性层与包含一维卷积神经网络（CNN）和区域分布独立递归神经网络（IndRNN）的时空深度学习架构集成在一起。开发的架构与滴滴出行的真实世界数据集进行了测试，这表明我们的模型基于所提出的架构可以优于传统的时间序列模型（例如，ARIMA）和机器学习模型（例如，梯度提升机、分布式随机森林、广义线性模型、人工神经网络）。此外，特征重要性层通过揭示预测中使用的输入特征的贡献来提供对模型的解释。
2021-11-30 cs.LG
Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing
Shanghai University of Finance and Economics（上海财经大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出OD-CED模型，通过无监督空间粗化技术和编码器-解码器架构解决细粒度起讫点需求预测问题，在稀疏度超90%的OD矩阵上显著优于传统方法。
2025-03-31 cs.AI cs.LG stat.ML
Short term prediction of demand for ride hailing services: A deep learning approach
Rutgers University（罗格斯大学）
随着网约车服务越来越受欢迎，能够准确预测对此类服务的需求可以帮助运营商有效地将司机分配给客户，减少空闲时间，改善拥堵并提升乘客体验。本文提出了UberNet，这是一种深度学习卷积神经网络，用于对乘车服务需求进行短期预测。UberNet采用了一个多变量框架，利用文献中发现的许多时间和空间特征来解释对乘车服务的需求。该模型包括两个子网络，分别用于对各种特征的源序列进行编码和对预测序列进行解码。为了评估UberNet的性能和有效性，我们使用了2014年9个月的Uber皮卡数据和来自纽约市的28个空间和时间特征。通过比较UberNet与其他几种方法的性能，我们表明该模型的预测质量具有很强的竞争力。此外，Ubernet在使用经济，社会和建筑环境特征时的预测性能更好。这表明Ubernet更适合在对乘车服务进行实时乘客需求预测时包含复杂的激励因素。
2022-12-07 cs.CY cs.LG
Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks
Massachusetts Institute of Technology（麻省理工学院）；University of Florida（佛罗里达大学）；Northeastern University（东北大学）
本文提出概率图神经网络框架Prob-GNN，用于量化出行需求时空不确定性，并在芝加哥公交与拼车数据上验证其在疫情前后领域偏移下的稳定预测能力。
2024-02-22 cs.LG stat.AP stat.ML
Long-term Fairness in Ride-Hailing Platform
RMIT University（皇家墨尔本理工大学）；Data61, CSIRO（联邦科学与工业研究组织Data61研究院）；University of New South Wales（新南威尔士大学）；The University of Melbourne（墨尔本大学）
针对网约车平台长期公平性不稳定的问题，提出动态马尔可夫决策过程模型，结合未来请求预测模块和多目标多智能体Q学习的定制标量化函数，在真实数据集上有效平衡了效率与公平并优于现有方法。
2024-07-25 cs.AI cs.LG
Scalable Deep Reinforcement Learning for Ride-Hailing
Cornell University（康奈尔大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
滴滴出行、Lyft和Uber等叫车服务全天安排数千辆汽车满足乘车请求。我们考虑了一个叫车服务系统的马尔可夫决策过程（MDP）模型，将其构建为一个强化学习（RL）问题。多个智能体（汽车）的同时控制对MDP优化提出了挑战，因为动作空间随着汽车的数量呈指数增长。我们提出了一个特殊的分解MDP行动顺序分配任务的驱动程序。新的动作结构解决了可扩展性问题，并允许使用深度RL算法进行控制策略优化。我们证明了我们提出的分解的好处，基于滴滴出行的真实数据的数值实验。
2020-09-27 cs.LG cs.MA math.OC
Timing the Match: A Deep Reinforcement Learning Approach for Ride-Hailing and Ride-Pooling Services
Delft University of Technology（代尔夫特理工大学）
本文提出基于深度强化学习的自适应网约车匹配时机决策方法，并结合PBRS缓解稀疏奖励，实验证明其可显著降低等待与绕路延误。
2025-03-17 cs.AI cs.LG
Data-Driven Multi-step Demand Prediction for Ride-hailing Services Using Convolutional Neural Network
University of California Riverside（加州大学河滨分校）；National Renewable Energy Laboratory（美国国家可再生能源实验室）
网约车服务正在迅速发展，并成为交通领域最具颠覆性的技术之一。准确预测网约车出行需求不仅能让城市更好地了解人们的活动模式，还能帮助网约车公司和司机做出明智的决策，减少空驶里程、交通拥堵和能源消耗。在这项研究中，提出了一种基于卷积神经网络（CNN）的深度学习模型，用于使用滴滴出行提供的中国成都的出行请求数据进行多步乘车需求预测。CNN模型能够准确预测成都市每10分钟1公里乘1公里区域的网约车接送需求。与另一种基于长短期记忆的深度学习模型相比，CNN模型的训练和预测过程快了30%。所提出的模型也可以很容易地扩展到进行多步预测，这将有利于按需共享自动驾驶汽车应用和车队运营商在供需再平衡方面。预测误差衰减分析表明，随着模型预测步骤的增加，精度保持在可接受的水平。
2019-11-08 cs.LG cs.SY eess.SP
Data-Driven Simulation of Ride-Hailing Services using Imitation and Reinforcement Learning
University of Moratuwa（莫拉图瓦大学）
网约车平台的快速增长创造了一个竞争激烈的市场，企业难以盈利，需要更好的运营策略。然而，对于这些平台来说，现实世界的实验是有风险和昂贵的，因为它们每天都要处理数百万用户。因此，需要一个模拟的环境，他们可以预测用户的反应，在平台特定的参数，如旅行费用和奖励的变化。构建这样的模拟是具有挑战性的，因为这些平台存在于动态环境中，成千上万的用户经常相互交互。本文提出了一个框架来模拟和预测用户，特别是司机，在乘车服务的行为。为此，我们使用了数据驱动的混合强化学习和模仿学习方法。首先，该代理利用行为克隆来模仿驾驶员的行为，使用真实世界的数据集。接下来，强化学习应用于模拟环境中预先训练的代理之上，以使它们能够适应平台中的变化。我们的框架为网约车平台提供了一个理想的平台，可以实验平台特定的参数来预测驾驶员的行为模式。
2021-04-06 cs.AI cs.LG
Deep Multi-View Spatiotemporal Virtual Graph Neural Network for Significant Citywide Ride-hailing Demand Prediction
College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）；Bristol Centre for Functional Nanomaterials, University of Bristol（布里斯托大学布里斯托功能纳米材料中心）
城市网约车需求预测是智能交通系统建设中一项重要而又具有挑战性的任务。可预测的网约车需求可以促进更合理的车辆调度和网约车平台调度。没有外部结构化数据的传统深度学习方法可以通过CNN和RNN的混合模型通过网格化大量像素级标记数据来实现，但空间数据稀疏性和时间长期依赖性的有限学习能力仍然是两个突出的瓶颈。为了解决这些限制，我们提出了一种新的虚拟图建模方法，专注于重要的需求区域和一种新的深度多视图时空虚拟图神经网络（DMVST-VGNN），以加强空间动态和时间长期依赖的学习能力。具体地说，DMVST-VGNN集成了一维卷积神经网络、多图注意神经网络和Transformer层的结构，分别对应于短期时间动态视图、空间动态视图和长期时间动态视图。在本文中，实验进行了两个大规模的纽约市数据集在细粒度预测场景。实验结果验证了DMVST-VGNN框架在城市范围内重要网约车需求预测中的有效性和优越性。
2020-09-10 cs.AI cs.LG
Ride-sharing Determinants: Spatial and Spatio-temporal Bayesian Analysis for Chicago Service in 2022
本研究采用两个贝叶斯模型分析2022年芝加哥77个社区区域的共享出行需求，发现人口规模、犯罪、收入、经济活跃比例、无车居民及公共交通可用性和步行指数是关键决定因素，时空模型拟合值与实际值的平方相关系数达0.95。
2025-03-27 stat.AP stat.OT
Where to go: Agent Guidance with Deep Reinforcement Learning in A City-Scale Online Ride-Hailing Service
Utah State University（犹他州立大学）
在线乘车服务已成为世界各地流行的交通系统。在本文中，我们研究了一个具有挑战性的问题，即如何在城市周围引导空置的出租车，以便在在线乘车服务中实现供需平衡。我们设计了一个新的奖励计划，考虑了在线乘车服务的多个性能指标。我们还提出了一种新的深度强化学习方法，名为Deep-Q-Network with Action Mask（AM-DQN），该方法屏蔽了各个位置的不必要动作，从而使智能体可以更快，更有效地学习。我们使用芝加哥的城市规模数据集进行了广泛的实验。几种流行的启发式和学习方法也被实现为比较的基线。实验结果表明，AM-DQN的平均故障率，平均等待时间的客户，平均空闲搜索时间的空闲出租车方面达到所有方法的最佳性能。
2022-12-12 cs.AI cs.LG cs.MA
Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach
the Hong Kong University of Science and Technology（香港科技大学）；University of Michigan（密歇根大学）；Didi Chuxing（滴滴出行）
网约车平台通常向客户提供各种服务选项，例如单独乘车服务、共享乘车服务等。通常预期对不同服务模式的需求是相关的，并且对一种服务模式的需求的预测可以受益于对其他服务模式的需求的历史观察。此外，对多种服务模式的需求进行准确的联合预测，可以帮助平台更好地分配和调度车辆资源。虽然有大量的文献对一个特定的服务模式的乘车需求预测，很少有人付出努力，对多个服务模式的乘车需求的联合预测。为了解决这个问题，我们提出了一种深度多任务多图学习方法，它结合了两个组件：（1）多个多图卷积（MGC）网络，用于预测不同服务模式的需求，以及（2）多任务学习模块，可以在多个MGC网络之间实现知识共享。更具体地说，建立了两个多任务学习结构。第一种是正则化的跨任务学习，它在多个MGC网络的输入和输出之间建立跨任务连接。第二种是多线性关系学习，它对各种MGC网络的权重施加先验张量正态分布。虽然在不同的MGC网络之间没有具体的桥梁，但这些网络的权重相互约束，并且服从共同的先验分布。通过对曼哈顿的出租车数据集进行评估，我们表明，我们提出的方法在不同乘车模式的预测准确性方面优于基准算法。
2020-11-11 cs.AI cs.LG
Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning
DiDi Labs（滴滴实验室）；Didi Chuxing（滴滴出行）；University of Michigan（密歇根大学）
我们提出了一个基于深度强化学习和决策时间规划的新的实用框架，用于在叫车平台（一种按需移动性，MOD）上进行真实世界的车辆重新定位。我们的方法使用具有深度值网络的批训练算法来学习时空状态价值函数。最佳的重新定位行动是通过基于价值的策略搜索按需生成的，该策略搜索将规划和自举与价值网络相结合。对于大型车队的问题，我们开发了几个算法功能，我们纳入我们的框架，我们证明，以诱导算法引导车辆之间的协调。我们基准我们的算法与基准在乘车叫车模拟环境中，以证明其在提高收入效率meausred每小时的收入的优势。我们还设计并运行了一个真实世界的实验程序，在一个主要的乘车平台上与普通司机一起。我们已经观察到显着积极的结果，关键指标比较我们的方法与经验丰富的司机谁执行闲置时间重新定位根据自己的专业知识。
2021-07-08 cs.AI cs.LG cs.MA
Order Acquisition Under Competitive Pressure: A Rapidly Adaptive Reinforcement Learning Approach for Ride-Hailing Subsidy Strategies
Didi Chuxing（滴滴出行）
本文提出FCA-RL强化学习框架，结合快速竞争适应与强化拉格朗日调整技术，并构建RideGym仿真环境，以解决网约车聚合平台在预算约束下动态优化补贴策略、提升订单获取能力的问题。
2025-07-04 cs.AI cs.LG
A Spatial-Temporal Attention Multi-Graph Convolution Network for Ride-Hailing Demand Prediction Based on Periodicity with Offset
网约车服务正在成为城市交通的主要组成部分。为了提高叫车服务的效率，准确预测交通需求是一个根本性的挑战。在本文中，我们从网络结构和数据集制定两个方面来解决这个问题。对于网络设计，我们提出了一个时空注意力多图卷积网络（STA-MGCN）。STA-MGCN的时空层通过时间注意力机制和时间门卷积来捕获时间相关性，通过多重图卷积来捕获空间相关性。引入特征聚类层来学习潜在的区域函数，减少计算负担。对于数据集的制定，我们开发了一种新的方法，认为周期性的偏移量的运输功能。与仅使用同一时间段的历史数据不同，还包括从昨天和上周开始的向前和向后相邻时间段的历史订单需求。在纽约、芝加哥和成都三个真实数据集上的大量实验表明，该算法在网约车需求预测方面达到了最先进的性能。
2022-04-08 cs.AI cs.LG
HCRide: Harmonizing Passenger Fairness and Driver Preference for Human-Centered Ride-Hailing
Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系）；Department of Computer Science and Engineering, Lehigh University（莱斯利大学计算机科学与工程系）
本研究设计了基于Habic算法的HCRide网约车系统，在不损害效率的前提下协调乘客公平性与司机偏好，经深圳和纽约数据集验证，其效率、公平性及司机偏好满意度均优于现有基线。
2026-08-07 cs.LG cs.SI
Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership Prediction During Extreme Weather
University of Liverpool（利物浦大学）；Beijing Normal University（北京师范大学）
由于气候越来越不稳定，天气和过境客流量之间的关系引起了越来越多的关注。然而，时空依赖性和非平稳性带来的挑战尚未完全解决在建模和预测过境客流量的影响下的天气条件，特别是与传统的统计方法。利用澳大利亚布里斯班三个月的智能卡数据，本研究采用并评估了一套机器学习算法，即，随机森林、极端梯度增强（XGBoost）和Tweedie XGBoost，用于模拟和预测与天气条件突变有关的近实时公交车乘客量。该研究证实，确实存在一个显着水平的时空变化的天气-乘客量的关系，产生同样的动态模式的预测误差。模型性能的进一步比较表明，Tweedie XGBoost在空间和时间上生成更准确的预测结果方面优于其他两种机器学习算法。未来的研究可能会通过利用更大的数据集并应用更先进的机器和深度学习方法来推进当前的研究，为交通系统的实时运行提供更多增强的证据。
2022-04-20 cs.LG stat.AP
Spatiotemporal Analysis of Ridesourcing and Taxi Demand by Taxi zones in New York City
对跨国公司需求的激增极大地改变了运输业的格局，并极大地扰乱了出租车多年来占主导地位的出租车市场。自2009年Uber首次推出以来，乘车外包公司迅速渗透到市场。本文旨在调查的时间和空间模式的出租车和跨国公司的使用数据的基础上，在纽约市出租车区的水平。具体来说，我们适合合适的时间序列模型来估计时间模式。接下来，我们过滤出的时间效应和调查的残差使用全球和本地Moran的我统计的空间依赖性。我们讨论的空间相关性和人口和土地利用的影响，在出租车区水平之间的关系。估计和消除这些影响，通过一个多线性回归（MLR）模型和重新计算的Moran的我统计所得的残差，使我们能够调查空间依赖性后，占这些影响。我们的分析表明，随着时间的推移，纽约市出租车区域之间的空间相关性存在有趣的模式，这表明对乘车服务使用的预测建模必须同时考虑时间和空间依赖性。
2020-08-02 stat.AP
OpenHail: An Event-Driven Gymnasium Environment for Electric Ride-Hailing Fleet Control
Concordia University（康考迪亚大学）；Université de Tours（图尔大学）；HEC Montréal（蒙特利尔高等商学院）
OpenHail是一个开源Gymnasium环境，用于电动网约车车队联合控制，通过事件驱动仿真和可配置决策周期机制，支持请求分配、重新定位和充电的强化学习策略训练与评估。
2026-09-28 cs.LG math.OC
Gated Ensemble of Spatio-temporal Mixture of Experts for Multi-task Learning in Ride-hailing System
University of Utah（犹他大学）；Islamic University of Technology（伊斯兰科技大学）；Tokyo Institute of Technology（东京工业大学）；University of Central Florida（中佛罗里达大学）
本文提出GESME-Net多任务时空预测架构，融合CRNN、CNN、RNN与任务适配层，可在同城及跨城同时预测需求和供需缺口，并在滴滴数据上优于多种基准方法。
2024-09-06 cs.LG
Fairness-enhancing deep learning for ride-hailing demand prediction
Massachusetts Institute of Technology（麻省理工学院）
按需叫车服务的短期需求预测是智能交通系统的基本问题之一。然而，以往的出行需求预测研究主要集中在提高预测精度，忽视了公平性问题，如系统低估了弱势社区的出行需求。本研究旨在探讨如何衡量、评估和提高网约车服务时空需求预测中弱势群体和特权群体之间的预测公平性。一个双管齐下的方法来减少需求预测偏差。首先，我们开发了一种新的深度学习模型架构，命名为社会感知神经网络（SA-Net），通过创新的社会感知卷积运算整合社会人口统计和乘客量信息进行公平需求预测。其次，我们提出了一种偏差缓解正则化方法来缓解不同群体之间的平均百分比预测误差差距。在芝加哥交通网络公司（Chicago Transportation Network Company，TNC）真实数据上的实验结果表明，去偏SA-Net在预测精度和公平性方面都有较好的预测性能。具体而言，与最先进的模型相比，SA网络提高了对弱势群体和特权群体的预测准确性。当与偏差缓解正则化方法相结合时，去偏SA网络有效地弥合了弱势群体和特权群体之间的平均百分比预测误差差距，并保护弱势地区免受系统性低估跨国公司需求的影响。我们提出的去偏置方法可以在许多现有的短期出行需求估计模型中采用，并且可以用于各种其他时空预测任务，例如犯罪事件预测。
2023-03-10 cs.CY cs.LG
A Progressive Visual-Logic-Aligned Framework for Ride-Hailing Adjudication
Nanjing University（南京大学）；Didichuxing Co. Ltd（滴滴出行有限公司）
本文提出RideJudge框架，通过SynTraj合成轨迹模式和自适应上下文优化策略，解决网约车责任判定中的视觉与逻辑对齐问题，并采用有序敏感强化学习提升决策准确性。
2026-03-18 cs.AI cs.LG
Equilibrium Inverse Reinforcement Learning for Ride-hailing Vehicle Network
Mobility Technologies Co., Ltd.（移动技术有限公司）
无处不在的移动计算使得网约车服务能够收集乘客和司机的大量行为数据，并实时的优化供需匹配。虽然这些移动服务提供商通过向请求分配车辆对市场有一定程度的控制，但他们需要处理由自私的驾驶员行为引起的不确定性，因为工人通常在没有分配任务时可以自由驾驶。在这项工作中，我们制定了稀疏连接图中的车辆-车辆匹配问题，并提出了一种算法，以获得在多智能体环境中的平衡策略。我们的框架结合了价值迭代方法来估计最优的政策给定预期的状态访问和政策传播计算多智能体的状态访问频率。此外，我们开发了一种方法来学习驾驶员的奖励功能转移到一个环境中具有显着不同的动态从训练数据。我们使用真实世界的出租车轨迹数据集评估了时空供需分布变化和数据质量恶化的鲁棒性;我们的方法在模仿准确性方面显着优于几个基线。获得所有车辆共享的均衡策略所需的计算时间不依赖于代理的数量，即使在现实世界的服务规模上，在单个CPU上也只需要几秒钟。
2021-02-13 cs.AI cs.LG
DROP: Deep relocating option policy for optimal ride-hailing vehicle repositioning
The University of Alabama（阿拉巴马大学）；Purdue University（普渡大学）
在网约车系统中，优化空置车辆的重新配置可以显著减少车队空闲时间，平衡供需分布，提高系统效率，提高驾驶员满意度和保留率。无模型深度强化学习（DRL）已被证明可以通过与大规模网约车系统中的内在动力学进行主动交互来动态学习重新定位策略。然而，稀疏的奖励信号和不平衡的需求和供应分布的问题，在开发有效的日间行车线模型的关键障碍。常规勘探策略（例如，$ε$ -贪婪）在这样的环境下可能几乎不工作，因为在远离高收入区域的低需求区域中抖动。本研究提出了深度搬迁选择政策（DROP），监督车辆代理商逃离供应过剩的地区，并有效地搬迁到潜在的服务不足的地区。我们建议学习拉普拉斯嵌入的时间扩展的搬迁图，作为系统搬迁政策的近似表示。嵌入生成任务不可知的信号，其与任务相关的信号组合，构成用于生成DROP的伪奖励函数。我们提出了一个分层的学习框架，训练一个高层次的搬迁政策和一组低层次的DROP。我们的方法的有效性证明了使用定制的高保真模拟器与真实世界的旅行记录数据。我们报告说，DROP显着改善了基线模型，每小时收入增加了15.7%，并可以有效地解决低需求领域的抖动问题。
2021-09-09 cs.AI cs.LG cs.MA
EXHOLD: Experience-Aware Real-Time Hold Control for Large-Scale Ride-Hailing Matching at DiDi
Didichuxing Co. Ltd（滴滴出行科技有限公司）
针对大规模网约车匹配中等待控制问题，提出EXHOLD两阶段框架，第一阶段学习决策模型分配司机-订单对层级，第二阶段求解等待时间调度，经实验验证能提升市场效率和体验，已在巴西生产系统部署。
2026-07-13 cs.LG
Learning Personalized Utility Functions for Drivers in Ride-hailing Systems Using Ensemble Hypernetworks
Department of Transportation and Planning, Delft University of Technology（交通与规划系，代尔夫特理工大学）
针对网约车驾驶员决策预测，提出集成超网络学习个性化效用函数，捕捉非线性关系并平衡可解释性与不确定性，在真实数据上验证了有效性。
2025-06-21 cs.ET cs.LG
ALIGN-HOLD: Experience Alignment for Real-Time Hold Control in Large-Scale Ride-Hailing Matching at DiDi
Shanghai Jiao Tong University（上海交通大学）；Didichuxing Co. Ltd（滴滴出行科技有限公司）
ALIGN-HOLD通过从隐式市场偏好中学习保持策略，利用经验对齐框架和奖励模型，在滴滴平台上显著提升行程完成率和司机收入，减少乘客取消。
2026-09-10 cs.LG
How Likely are Ride-share Drivers to Earn a Living Wage? Large-scale Spatio-temporal Density Smoothing with the Graph-fused Elastic Net
乘坐外包或运输网络公司（跨国公司）提供按需有偿运输服务，通过智能手机应用程序将个人车辆的司机与乘客联系起来。在这项研究中，我们考虑的问题，估计时空变化的概率分布的TNC司机的生产力，使用数据超过120万TNC行程在得克萨斯州奥斯汀。我们提出了一种基于图形的平滑方法，允许不同的空间和时间动态，包括不同程度的平滑，时空相互作用，以及在数据很少或没有数据的区域插值。为了实现这一目标，我们引入了图融合弹性网（GFEN），并将其与二元树分解结合使用，以进行密度估计。此外，我们提出了一个优化驱动的方法，快速点估计可扩展到大量的图形。文中还举例说明了用MCMC进行贝叶斯推断和不确定性量化的方法。主要结果表明，优化策略是一个有效的探索工具，选择适当的正则化方案，使用交叉验证损失的贝叶斯优化。通过我们的方法，两个关键的实证研究结果是可能的：1）的概率，一个跨国公司的司机可以期望赚取生活工资在奥斯汀表现出很高的空间和时间的变化，从低至25%，高达85%;以及2）一些驾驶员遭受相当大的“尾部风险”，收入分布最低的10%在特定的时间和地点低于每小时10美元--严重低于奥斯汀一个单身成年人的生活工资。论文的所有代码和数据都是公开的，作为一个用于可视化结果的Shiny应用程序和Julia中用于实现GFEN的软件包。
2021-07-09 stat.AP
Online Relocating and Matching of Ride-Hailing Services: A Model-Based Modular Approach
Tsinghua University（清华大学）；Central University of Finance and Economics（中央财经大学）
本研究提出基于模型的模块化方法（MMA），通过两层结构优化网约车订单匹配与车辆调度，具备可解释性、多项式时间算法及高鲁棒性，在理论和实验中均优于批量匹配和强化学习方法。
2023-10-13 cs.LG cs.SY eess.SY
D$^3$-Subsidy: Online and Sequential Driver Subsidy Decision-Making for Large-Scale Ride-Hailing Market
University of Hong Kong（香港大学）；Harbin Institute of Technology（哈尔滨工业大学）；Hong Kong Polytechnic University（香港理工大学）
针对网约车市场动态环境，提出基于扩散的分层框架D$^3$-Subsidy，通过前缀条件扩散模型和拉格朗日对偶映射实现城市级补贴控制，在满足补贴率上限和低延迟约束下提升订单量和GMV。
2026-05-28 cs.LG
An End-to-End Reinforcement Learning Based Approach for Micro-View Order-Dispatching in Ride-Hailing
Didi Chuxing（滴滴出行）
本文提出一种端到端强化学习的一阶段订单派发方法，利用两层MDP框架和D2SN网络统一解决行为预测与组合优化，在滴滴真实基准上显著提升匹配效率与用户体验。
2024-08-20 cs.AI cs.LG
Spatio-temporal Incentives Optimization for Ride-hailing Services with Offline Deep Reinforcement Learning
New York University（纽约大学）；DiDi（滴滴）
任何点对点共乘系统中的一个基本问题是如何既有效又高效地满足乘客实时的平衡供给和需求的要求。在乘客方面，传统的方法侧重于定价策略，通过增加用户的呼叫概率来调整需求分布。但此前的方法没有考虑到策略变化对未来供需变化的影响，这意味着司机会因为乘客的召车而被重新定位到不同的目的地，这会影响司机未来一段时间的收入。出于这种观察，我们试图通过学习长期的时空价值作为定价策略的指导方针，以优化需求的分布来处理这个问题。在这项研究中，我们提出了一种基于离线深度强化学习的方法，专注于需求侧，以提高运输资源的利用率和客户满意度。采用时空学习的方法，学习不同时间和位置的价值，激励乘客的乘车需求，调整需求分布，平衡系统的供给和需求。特别是，我们模型的问题作为一个马尔可夫决策过程（MDP）。
2022-11-06 cs.LG cs.SY eess.SY
RAST-MoE-RL: A Regime-Aware Spatio-Temporal MoE Framework for Deep Reinforcement Learning in Ride-Hailing
Massachusetts Institute of Technology（麻省理工学院）；Tongji University（同济大学）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）；McGill University（麦吉尔大学）；Northeastern University（东北大学）
RAST-MoE-RL通过引入制度感知的时空MoE框架，提升了网约车深度强化学习中的决策效率与稳定性，实现了更高的奖励和更短的等待时间。
2025-12-13 cs.LG
Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms
Didi Chuxing（滴滴出行）；Beihang University（北京航空航天大学）；University of Michigan（密歇根大学）
滴滴、优步和Lyft等大型叫车平台将一个城市中的数万辆车与全天数百万的乘车需求连接起来，通过订单调度和车辆重新定位任务为提高运输效率提供了巨大的希望。然而，现有的研究，通常认为这两个任务在简化的设置，很难解决两者之间的复杂的相互作用，供应和需求之间的实时波动，以及必要的协调，由于大规模的性质的问题。在本文中，我们提出了一个统一的基于值的动态学习框架（V1D3）来处理这两个任务。该框架的核心是一个全球共享的价值函数，该函数使用实时平台交易产生的在线体验不断更新。为了提高样本效率和鲁棒性，我们进一步提出了一种新的周期性集成方法结合快速在线学习与大规模离线训练计划，利用丰富的历史驾驶员轨迹数据。这使得所提出的框架能够快速适应高度动态的环境，鲁棒地推广到经常性模式，并驱动管理车辆的人群之间的隐式协调。基于真实世界数据集的大量实验表明，与最近提出的其他方法相比，这两个任务都有很大的改进。特别是，V1D3在KDD Cup 2020 RL比赛中的调度和重新定位赛道的一等奖获得者中表现出色，在提高总驾驶员收入和用户体验相关指标方面取得了最先进的成绩。
2021-06-04 cs.AI cs.LG
Secure Your Ride: Real-time Matching Success Rate Prediction for Passenger-Driver Pairs
Beihang University（北京航空航天大学）；The University of Queensland（昆士兰大学）；Didi Chuxing（滴滴出行）
近年来，网约车平台已成为城市交通不可或缺的一部分。在乘客通过平台与司机匹配后，乘客和司机都可以通过一键轻松接受或取消乘车。因此，准确地预测一对司机是否是一个很好的匹配，对于叫车平台设计即时订单分配至关重要。然而，由于网约车平台的用户由两方组成，因此决策需要同时考虑司机和乘客双方的动态。这使得它比传统的在线广告任务更具挑战性。此外，不同城市的可用数据量严重不平衡，这给为数据稀缺的小城市训练准确模型带来了困难。虽然复杂的神经网络架构可以帮助提高数据稀缺情况下的预测准确性，但过于复杂的设计将阻碍模型在生产环境中提供及时预测的能力。为了准确预测乘客-驾驶员的MSR，本文提出了多视图模型（MV），该模型综合学习乘客、驾驶员、出行顺序以及上下文的动态特征之间的相互作用。对于数据不平衡的问题，我们进一步设计了知识蒸馏框架（KD），以补充模型的预测能力，为较小的城市使用来自城市的知识与密集的数据，也生成一个简单的模型，以支持有效的部署。最后，我们对来自几个不同城市的真实数据集进行了广泛的实验，证明了我们的解决方案的优越性。
2021-09-14 cs.AI cs.LG
Non-myopic Matching and Rebalancing in Large-Scale On-Demand Ride-Pooling Systems Using Simulation-Informed Reinforcement Learning
C2SMARTER University Transportation Center（C2SMARTER大学交通中心）；New York University Tandon School of Engineering（纽约大学Tandon工程学院）
针对拼车系统短视决策忽视长期影响的问题，提出仿真辅助强化学习框架，通过嵌入拼车仿真和n步时序差分学习实现非短视匹配与空闲车辆再平衡，实验证明能显著提升服务率并降低车队规模与乘客等待时间。
2025-10-28 cs.AI cs.CY cs.LG
Fare Comparison App of Uber, Ola and Rapido
Vishwakarma Institute of Technology（维什瓦卡玛理工学院）
本研究开发了一款出租车费用比较应用，通过Python后端实现Ola、Uber和Rapido的费用对比，提升用户出行效率和透明度。
2025-12-03 cs.AI cs.LG
Optimising Stochastic Routing for Taxi Fleets with Model Enhanced Reinforcement Learning
Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）
移动即服务（Maas）的未来应该包括一个集成的乘车系统，街道叫车和乘车共享，以及优化的智能车辆路线，以响应实时，随机的需求模式。我们的目标是优化一个大型车队的街道叫车服务的路由策略，在中小型道路网络的随机需求模式。提出了一种基于模型的调度算法、一种高性能的无模型强化学习算法以及一种结合自顶向下方法和无模型强化学习的新型混合算法来对\emph{vacant}车辆进行路径规划。我们设计了基于强化学习的路由算法，使用邻近策略优化并结合内在和外在奖励，以在探索和利用之间取得平衡。利用大规模的基于Agent的微观仿真平台对所提算法进行了评估，结果表明，无模型强化学习无模型强化学习和混合算法在人工道路网络和具有经验需求的新加坡社区道路网络上均表现出优异的性能，并且混合算法能够显著加快无模型学习器的学习速度.
2020-10-22 cs.LG nlin.AO physics.soc-ph
Dynamic Adjustment of Matching Radii under the Broadcasting Mode: A Novel Multitask Learning Strategy and Temporal Modeling Approach
the University of Hong Kong（香港大学）；the Hong Kong Polytechnic University（香港理工大学）；Southwest Jiaotong University（西南交通大学）
针对网约车广播模式的最优匹配半径问题，提出基于TEB的多任务先预测后优化方法，利用实时供需动态选择半径，显著提升收入与订单完成率。
2023-12-09 cs.AI cs.LG
A Distributed Model-Free Algorithm for Multi-hop Ride-sharing using Deep Reinforcement Learning
Purdue University（普渡大学）
自动驾驶汽车、拼车系统和自动驾驶技术的发展将改变叫车平台规划服务的方式。然而，这些技术进步加上道路拥堵、环境问题、燃料使用、车辆排放和车辆使用的高成本，使人们更加关注如何更好地利用车辆及其容量。在本文中，我们提出了一种新的多跳乘车共享（MHRS）算法，该算法使用深度强化学习，通过与外部环境交互来学习最优车辆调度和匹配决策。通过允许客户在车辆之间转移，即，与拼车算法相比，MHRS使用一辆车骑行一段时间，然后转移到另一辆车，有助于实现30%的成本降低和20%的车队利用率提高。这种多跳功能的灵活性为客户和拼车公司提供了无缝体验，从而改善了拼车服务。
2019-10-30 cs.AI cs.LG cs.MA
LLM-ODDR: A Large Language Model Framework for Joint Order Dispatching and Driver Repositioning
Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能前沿技术 thrust，香港科学与技术大学（广州））；Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University（航空与航空工程系，香港理工大学）；Research Center for Low Altitude Economy, The Hong Kong Polytechnic University（低空经济研究中心，香港理工大学）；Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（计算机科学与工程系，香港科学与技术大学）；Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（土木与环境工程系，香港科学与技术大学）
提出LLM-ODDR框架，利用大语言模型联合优化网约车订单调度与司机重新定位，通过多目标价值细化、公平感知调度和时空需求感知重定位提升效果、适应性和可解释性。
2026-06-12 cs.LG
Short-Term Forecasting of Passenger Demand under On-Demand Ride Services: A Spatio-Temporal Deep Learning Approach
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）
短期乘客需求预测对按需乘车服务平台至关重要，它可以激励空置车辆从供应过剩地区转移到需求过剩地区。然而，需要同时考虑空间依赖性、时间依赖性和外生依赖性，这使得短期客运需求预测具有挑战性。我们提出了一种新的深度学习（DL）方法，称为融合卷积长短期记忆网络（FCL-Net），以解决这三个依赖性在一个端到端的学习架构。该模型由多个卷积长短期记忆（LSTM）层、标准LSTM层和卷积层堆叠和融合。卷积技术和LSTM网络的融合使所提出的DL方法能够更好地捕获解释变量的时空特征和相关性。一个定制的空间聚集的随机森林的解释变量的重要性排名。然后将排序用于特征选择。提出的DL方法被应用到乘客需求的短期预测下，按需乘车服务平台在中国杭州。在迪迪出行提供的真实数据上验证的实验结果表明，FCL-Net的预测性能优于传统方法，包括经典的时间序列预测模型和基于神经网络的算法（例如，人工神经网络和LSTM）。本文是第一个DL研究预测短期乘客需求的按需乘车服务平台，通过检查时空相关性。
2017-06-20 cs.LG
Stochastic Matching via Local Sparsification
Google Research（谷歌研究）
本文提出一种两阶段局部稀疏化框架，解决局部通信带宽限制下的随机匹配问题，通过局部预算限制和全局优化平衡，实验证明在高约束下可实现近最优匹配。
2026-05-13 cs.DS cs.LG
Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
The Hong Kong University of Science and Technology（香港科技大学）；University of Michigan（密歇根大学）；Didi Chuxing（滴滴出行）
随着移动互联网技术的快速发展，按需叫车服务越来越受欢迎，并在很大程度上重塑了人们的出行方式。需求预测是网约车平台供需管理系统中最基本的组成部分之一。通过对起讫点（OD）需求的准确短期预测，平台可以在实时匹配、空闲车辆重新分配和共乘车辆路径等方面做出准确及时的决策。与许多先前研究所研究的基于区域的需求预测相比，基于OD的需求预测更具挑战性。这主要是由于不同OD对需求之间复杂的空间和时间依赖性。为了克服这一挑战，我们提出了时空编码器-解码器残差多图卷积网络（ST-ED-RMGC），这是一种新型的深度学习模型，用于预测各种OD对的乘车需求。该模型首先构造OD图，利用邻接矩阵刻画不同OD对之间的非欧成对地理和语义相关性。其次，基于所构造的图，设计了残差多图卷积（RMGC）网络来编码上下文感知的空间依赖性，并使用长短期记忆（LSTM）网络来编码时间依赖性，到稠密向量空间中。最后，我们再利用RMGC网路将压缩向量解码回OD图，并预测未来的OD需求。通过对纽约市曼哈顿的出租车辆数据集进行广泛的实验，我们表明我们提出的深度学习框架的性能远远优于最先进的框架。
2019-10-17 cs.LG eess.SP
DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership
University of Toronto（多伦多大学）
DST-TransitNet提出一种融合GNN与RNN的混合深度学习模型，通过动态时空建模和时间序列分解实现站点级公交客流量全网预测，在波哥大BRT数据上验证了其精度、效率与鲁棒性优势。
2024-10-19 cs.AI cs.CY cs.LG
STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction
本文提出STEF-DHNet模型，结合CNN和LSTM将外部因素整合为时空信息以预测网约车需求，通过滚动误差指标验证其在无需重训下长期保持高精度，在三个数据集上优于现有方法。
2023-06-26 cs.AI cs.LG
