Hierarchical Pricing Game for Balancing the Charging of Ride-Hailing Electric Fleets
本文提出一种分层定价博弈控制机制，通过上层Reverse Stackelberg博弈和下层Stackelberg博弈协调外部主体、网约车公司与司机利益，实现多电动车队充电平衡，并用深圳真实出租车数据验证其有效性。
2022-10-16 cs.SY eess.SY
Smart Charging Benefits in Autonomous Mobility on Demand Systems
在本文中，我们研究了智能充电的电动汽车（EV）提供自主移动按需（AMoD）服务的车队的潜在好处。我们首先考虑一个利润最大化的平台运营商，他根据网络流模型做出路线、收费、再平衡和乘车定价的决策。显然，这些决策中的每一个都直接影响车队的智能充电潜力;然而，在经典网络流模型下，不可能直接表征各种系统参数对智能充电的影响。因此，我们提出了一个建模的变化，使我们能够解耦的运营商所面临的充电和路由问题。这种变化使我们能够提供封闭形式的数学表达式，将充电成本与车辆的最大电池容量以及车队运营成本联系起来。我们发现，投资更大的电池容量和运营更多的车辆进行再平衡可以降低充电成本，同时增加车队运营成本。因此，我们研究了运营商面临的权衡，分析了最低成本的车队充电策略，并提供了数值结果，说明了智能充电的好处，运营商。
2019-09-17 cs.SY eess.SY
Online Charge Scheduling for Electric Vehicles in Autonomous Mobility on Demand Fleets
本文研究了一种基于在线充电调度策略的电动汽车按需充电策略。我们考虑的情况下，车辆完成行程，然后进入一整天的乘坐之间的状态，与他们的信息成为可用的车队运营商在一个在线的方式。在乘间状态下，车辆必须被安排充电，然后被路由到它们的下一个乘客上车位置。此外，由于未知的每日乘车请求序列，该问题无法通过任何离线方法解决。因此，我们研究了基于原始对偶方法的在线福利最大化启发式算法，该方法分配有限的车队充电资源并重新平衡车辆，同时避免充电设施和接送地点的拥堵。我们讨论了竞争力的比率结果比较我们的在线解决方案的千里眼离线解决方案的性能，并提供数值结果突出我们的启发式的性能。
2019-07-01 cs.MA cs.SY eess.SY
Optimal Dispatch of Electrified Autonomous Mobility on Demand Vehicles during Power Outages
全自动电动出租车车队的时代正在迅速到来，随之而来的是创新超越人类移动领域的无数按需服务的机会。该项目设想了一个未来，即自主插电式电动汽车（PEV）车队可以作为出租车服务和停电期间为客户提供按需电力的来源。我们开发了一个基于PDE的计划来管理自动车队的最佳调度，以在停电期间为乘客和电力需求提供服务，作为额外的收入来源。我们使用来自旧金山的真实世界停电和出租车数据进行案例研究，在一天的过程中对几种车队规模的最佳调度进行建模;我们研究了中度和极端停电情况。在适度的情况下，服务电力需求所赚取的收入与服务乘客出行所赚取的收入相比微不足道。在极端情况下，供电占$1 and $ 200万之间，相当于32%至40%之间的收入比只提供移动性，这取决于车队规模。虽然提供按需电力的整体价值取决于停电的频率和严重程度，但我们的研究结果表明，在大规模停电期间满足电力需求可以提供大量的价值流，与提供电网服务所赚取的价值相当。
2020-01-21 cs.SY eess.SY
FleetPy: A Modular Open-Source Simulation Tool for Mobility On-Demand Services
近年来，移动按需（MoD）服务的市场份额强劲增长，预计一旦车辆自动化完全可用，市场份额将进一步上升。这些服务可能会减少城市的空间消耗，因为如果私人车辆出行被取代，所需的停车位就会减少。如果另外共享乘车，则与占用相关的交通效率提高。仿真有助于确定国防部对交通系统的实际影响，评估新的控制算法，以提高服务效率，并制定监管措施的指导方针。本文介绍了开源的基于Agent的仿真框架FleetPy。FleetPy（用程序设计语言“Python”编写）是明确开发的，用于以高级别的细节对国防部服务进行建模。它特别关注用户与运营商的交互建模，同时其灵活性允许在整个交通系统中集成和嵌入多个运营商。其模块化结构确保了先前开发的元素的可移植性和建模细节的适当级别的选择。本文比较了现有的国防部服务的仿真框架，并突出了FleetPy的独特功能。给出了上层仿真流程，随后是仿真所需的输入数据和FleetPy产生的输出数据。此外，还提供了FleetPy中的模块和当前实现的高级描述。最后，纽约曼哈顿的一个例子展示了不同模块对模拟流、车队优化、旅行者行为和网络表示的影响。
2022-07-28 cs.MA cs.SY eess.SY
When Agents Meet Electric Bus Fleet Operations: Pricing Behavior, Trade-offs, and Policy Implications in an Aggregator Framework
Department of Civil Engineering, McGill University（麦吉尔大学土木工程系）；INESC Coimbra, University of Coimbra（科英布拉大学INESC Coimbra研究所）
提出一种智能体聚合框架，将优化调度模型与监督智能体结合，协调电动公交车队的充电、V2G及运营决策，揭示利润导向定价可能损害公交运营商利益，需透明协调与价值共享规则。
2026-06-26 cs.AI cs.SY eess.SY
Electric Autonomous Mobility-on-Demand: Joint Optimization of Routing and Charging Infrastructure Siting
车辆自主性、连通性和电动动力系统的出现有望实现按需自主移动系统的部署。至关重要的是，这些车队的路线和充电活动受到单个车辆和周围充电基础设施设计的影响，而这些基础设施的设计又应考虑到预期的车队运营。本文提出了一个建模和优化框架，我们优化车队的活动与充电基础设施的位置。我们采用中观规划的角度，并设计了一个时间不变的车队活动的路线和充电模式的模型，明确捕获的充电状态的车辆的道路网络作为一个有向图与等能量弧。然后，我们将问题转化为一个混合整数线性规划，保证全局最优性，可以在不到10分钟内解决。最后，我们展示了两个案例研究与纽约曼哈顿的真实出租车数据：第一个捕捉到充电基础设施普及率和车队行驶空里程之间的最佳权衡。我们观察到，共同优化基础设施选址显着优于启发式布局策略，增加车站的数量是有益的，只有到一定程度。第二个案例侧重于车辆设计，并表明部署配备较小电池的车辆会导致最低的能耗：尽管需要更多的充电站行程，但此类车队所需的能源比电池容量较大的车辆少约12%。
2022-11-22 cs.SY eess.SY
Electric Autonomous Mobility-on-Demand: Jointly Optimal Vehicle Design and Fleet Operation
本文提出联合优化E-AMoD系统车辆电池容量、车队规模与运营策略的框架，通过混合整数规划与启发式算法求解，并在曼哈顿案例中证明20 kWh电池的小型轻型车队可实现利润最大化。
2023-09-21 cs.SY eess.SY math.OC
Ride-pooling Electric Autonomous Mobility-on-Demand: Joint Optimization of Operations and Fleet and Infrastructure Design
本研究针对支持合乘的电动自主按需出行系统，提出联合优化运营、车队及充电基础设施设计的框架，通过曼哈顿案例验证了合乘可降本最高45%，不同车型适配不同需求区域。
2024-03-11 cs.SY eess.SY math.OC
Multi-Agent Soft Actor-Critic with Coordinated Loss for Autonomous Mobility-on-Demand Fleet Control
Technical University of Munich（慕尼黑技术大学）；Munich Data Science Institute（慕尼黑数据科学研究所）
针对自主出行按需系统的车队控制，提出结合加权二分匹配的多智能体软演员-评论家算法，并引入协调损失与重新平衡，实验显示调度性能提升达12.9%，集成重新平衡时达38.9%。
2025-06-22 cs.LG cs.MA cs.SY
PassGoodPool: Joint Passengers and Goods Fleet Management with Reinforcement Learning aided Pricing, Matching, and Route Planning
Purdue University（普渡大学）
乘客和货物交付的按需移动服务的普遍增长在运输系统领域内带来了各种挑战和机遇。因此，正在开发智能交通系统，以最大限度地提高运营盈利能力，用户便利性和环境可持续性。最后一英里交付的增长以及拼车需要一个高效和有凝聚力的系统来运输乘客和货物。现有的方法使用静态路由方法解决这个问题，既不考虑请求的需求，也不考虑在路线规划期间车辆之间的货物转移。在本文中，我们提出了一个动态的和需求感知的车队管理框架，结合货物和乘客运输，能够（1）参与乘客和司机在决策过程中，允许司机谈判到一个相互合适的价格，乘客接受/拒绝，（2）匹配的货物车辆，和货物的多跳转移，（3）基于插入成本为每个车辆动态地生成最优路线，该插入成本考虑沿着它们的路径的需求，然后确定匹配，（4）使用深度强化学习（RL）将空闲车辆调度到预期的高乘客和货物需求的区域，（5）允许在每个车辆处进行分布式推理，同时共同优化车队目标。我们提出的模型可在每辆车内独立部署，因为这最大限度地减少了与分布式系统增长相关的计算成本，并使每个人的决策民主化。对各种车辆类型，货物和乘客效用函数的仿真表明，我们的方法相比，不考虑组合负载运输或动态多跳路线规划的其他方法的有效性。
2021-11-11 cs.AI cs.SY eess.SY
Towards More Efficient Shared Autonomous Mobility: A Learning-Based Fleet Repositioning Approach
University of California, Irvine（加利福尼亚大学尔湾分校）；University of Connecticut（康涅狄格大学）
本文提出一种基于强化学习的集成系统-智能体再定位（ISR）方法，用于共享自主出行服务中的车队再定位，无需显式需求预测，可显著减少乘客等待时间并具有良好的可迁移性。
2024-02-08 cs.AI cs.CY cs.SY
A Coverage Control-based Idle Vehicle Rebalancing Approach for Autonomous Mobility-on-Demand Systems
本文将AMoD闲置车辆再平衡建模为覆盖控制问题，并通过深圳路网微观仿真验证其能提高服务率并减少乘客等待时间。
2023-11-20 cs.SY eess.SY
A Framework for the Joint Optimization of Assignment and Pricing in Mobility-on-Demand Systems with Shared Rides
随着Uber和Lyft等叫车服务的快速增长，按需移动（MoD）系统已成为城市交通网络中的固定设备。网约车通常辅之以拼车选项，这可以减少与网约车服务相关的负面外部性，并提高车辆的利用率。确定车辆调度和定价的最佳策略是国防部服务的两个关键组成部分，由于其大规模和在线性质而具有挑战性。当MoD平台提供独家（传统的乘车）和共享服务时，挑战会被放大，客户可以选择它们。定价和调度问题是耦合的，因为实现的需求取决于服务质量（即，与谁共享乘车）以及每种服务类型的价格。我们提出了一个综合的和计算效率高的方法来解决联合定价和调度问题-无论是当问题是解决一个请求的时间或批量（在行业中的常见策略）。本研究的主要结果包括：（i）顺序定价问题有一个多项logit（MNL）选择模型下的封闭形式的解决方案，和（ii）分批定价问题是联合凹的预期需求分布。为了解释供需的空间演变，我们引入了所谓的追溯成本来保持一个易于处理的框架。我们的数值实验表明，这个框架如何产生显着的利润增加，在曼哈顿，纽约市的出租车数据相比，动态调度与静态定价政策。
2021-12-28 cs.SY eess.SY
Fleet Size and Spill for UAM Operation under Uncertain Demand
针对UAM需求不确定问题，本文提出随机到达时间生成模型与两个整数规划，分别计算机队规模和最小化溢出的调度充电策略，实验表明需求不均衡是溢出的主要驱动因素。
2024-07-01 cs.SY eess.SY
Joint Pricing and Rebalancing of Autonomous Mobility-on-Demand Systems
本文研究了自主移动按需（AMoD）系统的最优定价和再平衡策略。我们采取宏观规划的角度来解决利润最大化的问题，同时确保系统的负载平衡。我们首先使用动态流体模型来描述系统，以显示平衡的存在和稳定性（即，负载平衡）通过定价策略。然后，我们开发了一个优化框架，使我们能够找到最佳的定价和再平衡方面的政策。我们首先通过只使用定价策略来最大化利润，然后结合再平衡，最后我们考虑是顺序还是联合找到解决方案。我们将每种方法应用于数据驱动的案例研究，使用来自纽约市的真实出租车数据。根据我们使用的基准测试解决方案，联合问题（即，定价和再平衡）将利润提高7%至40%
2020-03-30 cs.SY eess.SY math.OC
Exploring Urban Air Mobility Adoption Potential in San Francisco Bay Area Region: A Systems of Systems Level Case Study on Passenger Waiting Times and Travel Efficiency
Purdue University（普渡大学）
本研究通过多智能体模拟分析旧金山湾地区城市空气交通在缓解交通拥堵方面的潜力，发现高峰时段使用UAM可将总旅行时间减少80%。
2025-11-25 cs.SY eess.SY
Demand-Driven Vertiport Siting and Discrete-Event Fleet Simulation for On-Demand Urban Air Mobility Network Design
North Carolina A&T State University（北卡罗来纳A&T州立大学）
本文提出需求驱动的 UAM 网络设计框架，经大洛杉矶案例验证，更大机队可提升服务表现但无法消除空驶，UAM 更适合长距离或拥堵出行。
2026-08-18 cs.AI cs.SY eess.SY
Demand for shared mobility to replace private mobility using connected and automated vehicles
我们研究了如何引入共享连接和自动化车辆（SCAV）作为一种新的移动模式可能会影响出行需求，福利以及网络中的交通拥堵。要做到这一点，我们适应了基于代理的日常调整过程，并开发了一个中央调度系统，这是在内部交通微观模拟器上实现的。我们考虑一个双边市场，其中需求和SCAV车队规模内生变化。对于调度SCAV车队规模，我们考虑了不断变化的交通状况。有两种可用的交通模式：私人联网自动驾驶汽车（CAV）和SCAV。所设计的系统应用于多伦多市中心的网络使用实际数据。结果显示，在七个学习日内，SCAV的需求增加了43%，从第一天的670次增加到第七天的959次。然而，在同一时期，私人CAV需求从2807次减少到2518次，减少了10%。此外，该网络的总旅行时间减少了7%，这表明该网络的交通拥堵有所减少。
2021-03-17 cs.SY eess.SY
Where Should Robotaxis Operate? Strategic Network Design for Autonomous Mobility-on-Demand
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种面向自主出行即服务的战略网络设计方法，通过混合整数规划和列生成算法，解决服务网络与车队容量的联合设计问题，并展示了其在实际数据中的应用效果。
2026-02-22 cs.ET cs.SY eess.SY
Modeling Charging Demand and Quantifying Flexibility Bounds for Large-Scale BEV Fleets
提出一种自下而上的方法，利用地理与社会人口信息及真实数据建模大规模BEV车队的基准充电需求并量化灵活性边界，通过瑞士全面电气化车队案例比较了不同区域的时空特征。
2025-04-04 cs.SY eess.SY
Approximate Dynamic Programming for Planning a Ride-Sharing System using Autonomous Fleets of Electric Vehicles
Operations Research and Financial Engineering Department（运筹学与金融工程系）
本文研究了自动驾驶电动车拼车系统中的调度问题、 surge定价问题和车队规模规划问题，采用近似动态规划方法来优化车辆分配、充电和重新定位决策，并通过分层聚合技术提高价值函数估计的准确性，同时利用自适应学习方法确定每趟行程的定价。
2018-12-11 cs.AI cs.SY eess.SY
Grid-Aware Charging and Operational Optimization for Mixed-Fleet Public Transit
Institute for Software Integrated Systems, Vanderbilt University（软件集成系统研究所，范德比尔特大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出了一种混合整数线性规划模型，用于优化混合车队的充电和行程安排，以应对动态电价和车辆容量等约束，从而降低运营成本。
2026-01-13 cs.AI cs.SY eess.SY
Portfolio Design and Pricing for Multimodal Mobility-on-Demand Services Considering Traveler Responses
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）；University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）
本文提出一个联合优化服务菜单、票价和车辆行程的实时框架，利用GNL模型刻画乘客选择，并通过Fenchel对偶实现高效求解，显著提升运营商利润率和计算效率。
2026-10-07 cs.SY eess.SY
Multi-objective Optimal Trade-off Between V2G Activities and Battery Degradation in Electric Mobility-as-a-Service Systems
本文针对电动出行即服务系统，建立混合整数线性规划模型，在电池退化成本与 V2G 售电收益之间进行多目标权衡，并通过埃因霍温仿真证明 V2G 不影响出行服务数量，但退化成本可能超过 V2G 收益。
2024-05-03 cs.SY eess.SY math.OC
On the Interaction between Autonomous Mobility on Demand Systems and Power Distribution Networks -- An Optimal Power Flow Approach
Marain Inc.（Marain公司）；Stanford University（斯坦福大学）；eIQ Mobility（eIQ Mobility公司）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
在未来的交通系统中，电动自主移动按需（AMoD）车队的充电行为，即，为按需出行请求提供服务的电动自动驾驶汽车车队可能会挑战配电网络（PDN），导致过载或电压下降。在本文中，我们表明，如果PDN的操作约束和外源负载（例如，来自家庭或企业）在操作电动AMoD车队时被考虑。我们专注于系统级的角度来看，假设AMoD和PDN运营商之间的充分协调。从这个单一实体的角度来看，我们评估潜在的协调效益。具体来说，我们扩展了以前的结果，基于优化的建模方法，电动AMoD系统，共同控制电动AMoD车队和一系列的PDN，并分析负载平衡约束下的协调的好处。对于加利福尼亚州奥兰治县的案例研究，我们表明，电动AMoD车队和PDN之间的协调消除了99%的过载和50%的电压降，电动AMoD车队将导致在不协调的设置。我们的研究结果表明，协调电动AMoD和PDN可以帮助保持PDN的可靠性下增加的电动AMoD充电负载，从而显着减轻或推迟PDN容量升级的需要。
2021-02-02 cs.MA cs.RO cs.SY
Fleet Rebalancing for Expanding Shared e-Mobility Systems: A Multi-agent Deep Reinforcement Learning Approach
University of Exeter（埃克塞特大学）；The Alan Turing Institute（阿兰·图灵研究所）；University of Warwick（华威大学）；Tongji University（同济大学）；University of Leeds（利兹大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Columbia University（哥伦比亚大学）
针对扩展中的共享电动出行系统，提出一种考虑续航与充电约束的多智能体深度强化学习车队再平衡方法，通过高保真模拟与动作级联策略优化，显著提升需求满足率和净收入。
2022-11-11 cs.AI cs.LG cs.SY
Identifying Critical Fleet Sizes Using a Novel Agent-Based Modelling Framework for Autonomous Ride-Sourcing
乘车外包平台通过解决通常与客户匹配、定价和车辆路线相关的决策问题，实现按需共享运输服务。这些问题经常使用聚合数学模型表示，并通过研究人员设计的算法方法解决。网约车环境的日益复杂影响了聚合方法的准确性。因此，它表明需要替代实践，例如基于代理的模型，这些模型可以捕获乘车外包系统中的复杂动态水平。使用这些基于代理的模型来模拟乘车外包车队一直是许多研究的焦点;然而，这是在缺乏关于如何构建模型以真实地模拟车队运营的规定方法的情况下发生的。为了弥合这一研究差距，我们提供了一个框架，用于构建定制的基于代理的模型，该模型来自基于代理的建模理论的基本原理。我们还介绍了一个模型建设序列的不同模块，必要的结构模拟器的基础上，我们的框架。为了展示我们框架的优势，我们用它来解决高度非线性的问题，即自动驾驶外包车队的最小车队规模估计。我们这样做的基础上排队论的原则，并通过推导和验证一个新的模型皮卡等待时间的系统参数的关系进行调查。通过对曼哈顿、旧金山、巴黎和巴塞罗那城市地区的外包车队功能进行建模，我们发现外包车队在临界车队规模以上的零分配时间内运营队列。我们还表明，皮卡等待时间在估计最小车队规模方面具有关键作用，基于代理的建模是一种更可靠的识别路线，给定系统参数。
2020-11-22 cs.SY eess.SY
Learning to Control Autonomous Fleets from Observation via Offline Reinforcement Learning
Technical University of Denmark（丹麦技术大学）；Stanford University（斯坦福大学）
针对现有集中式强化学习控制自主按需出行系统依赖在线交互数据、样本成本高的问题，提出用离线强化学习形式化系统控制，仅靠离线数据得到的策略性能比肩在线方法、支持高效微调且无需复杂仿真，为RL在经济关键系统的应用提供了新范式。
2023-08-25 cs.LG cs.RO cs.SY
On the Interaction between Autonomous Mobility-on-Demand and Public Transportation Systems
Stanford University（斯坦福大学）；Technical University of Munich（慕尼黑技术大学）
本文研究了自动驾驶出行即服务与公共交通系统的耦合模型及协调策略，通过网络流模型最大化社会福利，并设计定价与收费方案实现社会最优，以纽约市为例验证了协同效应。
2018-09-05 cs.RO cs.SY eess.SY
Pricing in Ride-sharing Markets : Effects of network competition and autonomous vehicles
自动驾驶汽车将成为未来拼车服务不可或缺的一部分。这种设置与传统的乘车共享市场不同，因为缺乏供应方（司机）。然而，它具有深远的影响，因为除了定价之外，参与者现在还必须决定如何在网络位置之间分配车队并重新平衡车辆，以满足未来的需求。在本文中，我们探讨了拼车市场中的双寡头环境，其中玩家拥有完全自主的车队。每个乘车服务提供商（RSP）的价格取决于其他参与者的价格和供应。我们制定他们的决策问题，使用博弈论的设置，每个球员寻求找到最佳的价格和供应在每个节点，同时考虑其他球员的决定。这导致了一个场景，其中玩家的优化问题是耦合的，并且找到均衡是具有挑战性的。我们描述需求函数的类型（例如：线性的），对于这个游戏承认一个确切的潜在功能，并可以有效地解决。对于其他类型的需求函数，我们提出了一个迭代算法来计算均衡。最后，我们提供了不同类型的均衡将如何发挥在市场上的玩家是不对称的数值见解。我们的数值评估还提供了监管机构如何需要考虑网络效应，同时决定监管，以避免不利的结果的见解。
2023-03-05 cs.GT cs.SY eess.SY
Resource-Oriented Optimization of Electric Vehicle Systems: A Data-Driven Survey on Charging Infrastructure, Scheduling, and Fleet Management
本文针对电动汽车发展中充电站拥堵、充电成本高、供需冲突等核心挑战，全面综述了覆盖充电部署、调度、车队管理全周期的数据驱动研究，探讨了多领域影响并指明未来方向。
2025-09-04 cs.SY eess.SY
Voluntary Renewable Programs: Optimal Pricing and Revenue Allocation
Columbia University（哥伦比亚大学）
本文提出一个多期优化框架，设计自愿性可再生能源计划以最大化可再生能源部署。通过分析需求函数和收入分配，探讨了最优定价策略及收入分配对可再生能源扩展的影响。
2026-03-17 cs.SY eess.SY math.OC
Multimodal Mobility Systems: Joint Optimization of Transit Network Design and Pricing
多式联运系统的性能依赖于传统公共交通服务的无缝集成和按需运输服务的出现。以前的工作仅限于单独改善各种运输网络的运营或将新模式与现有系统联系起来。在这项工作中，我们试图解决交通网络的设计和定价问题的多式联运系统。运营商（公共交通机构或私人交通运营商）决定公共交通系统的频率设置，MoD服务的流量和每次旅行的价格，以优化整体福利。一个原始-对偶的方法，市场设计文献的启发，产生一个紧凑的混合整数线性规划（MILP）制定。然而，一个关键的计算挑战仍然是在分配一个指数数量的混合模式访问的旅客。我们通过分解方案和近似算法提供了一种易于处理的解决方案，可以加速计算并优化大规模问题实例。使用田纳西州纳什维尔的案例研究，我们证明了所提出的模型的价值。我们还表明，我们的算法减少了60%的平均运行时间相比，先进的MILP求解器。这一成果旨在建立一种通用和易于实施的方式，以改造和重新设计区域交通系统，以满足旅行需求的增长，并将传统的固定线路公共交通系统与新的需求响应服务相结合。
2021-05-21 cs.CE cs.SY eess.SY
Cumulative Prospect Theory Based Dynamic Pricing for Shared Mobility on Demand Services
Massachusetts Institute of Technology（麻省理工学院）；Ford Motor Company（福特汽车公司）
本文提出了一种基于累积前景理论的动态定价策略，用于共享出行按需服务，通过乘客行为模型和约束优化算法实现多乘客运输的定制化解决方案。
2019-11-28 cs.CY cs.SY eess.SY
Regulating EV Charging Markets for Fairness: Incentives for Pricing and Capacity Decisions
University of California, Berkeley（加州大学伯克利分校）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Nanyang Technological University（南洋理工大学）
本文通过博弈论视角研究电动汽车充电站定价和容量中的公平性问题，设计针对性激励措施以引导运营商实现更公平的充电桩布局，案例表明无监管竞争加剧差异而精心校准的激励可减少不平等且效率损失小。
2026-05-31 cs.SY eess.SY
Future urban mobility as a bio-inspired collaborative system of multi-functional autonomous vehicles
MIT Media Lab（麻省理工学院媒体实验室）
快速城市化和气候变化挑战需要能够实现城市中人员和货物高效流动的解决方案。我们设想未来的城市将由高性能的步行区组成，在那里，超轻型共享和自动驾驶车辆可以满足交通需求。在未来，大多数车辆都将是自主的，这为车辆之间可能的互动创造了一个新的范例。自然群体是一个很好的例子，可以丰富的互动;他们可以分工，集群，一起建设，或合作运输。群体机器人领域已经将自然群体的一些行为转化为人工系统，证明使系统更加灵活，可扩展和鲁棒。受大自然的启发和群体机器人技术的支持，本文提出了一种未来的移动性，其中共享，电动和自动驾驶车辆将是多功能的，并表现为一个协作系统。在未来，多功能车辆将协同完成不同的任务，以满足不同的城市交通需求。本文提出了一个未来城市交通框架，以一种新颖独特的方式整合了当前的研究和交通趋势。
2022-02-24 cs.MA cs.RO cs.SY
Developing a Dynamic Mobility Model for Backcasting Applications: A Case Study with Shared Autonomous Vehicles
IFP Energies nouvelles（法国石油研究院）
本研究将回溯分析方法应用于出行模型，以共享自动驾驶汽车为决策变量，通过六个子模型分析措施影响，仿真表明回溯分析可在保持排放不变时降低10%运营商成本。
2025-09-22 cs.SY eess.SY
Electric Vehicle Fleet Relocation Management for Sharing Systems based on Incentive Mechanism
本文研究了共享系统中电动汽车车队的搬迁管理问题。移动共享系统的效率取决于车辆重新定位任务，这强烈影响公司的运营成本，从而影响用户的服务价格。建议的方法旨在通过创新的激励计划让用户参与进来，从而最大限度地减少共享公司的车辆搬迁成本。这个想法是要求共享服务的用户重新定位电动汽车，例如通过IT应用程序，通过免费旅行和奖励来激励他们。建议的激励机制是基于不同层次的激励建议的应用。此外，在用户无法使用的情况下，公司工作人员保证车辆搬迁。为了实现这一目标，第一个ILP被正式化，以管理公司员工的搬迁任务。此外，第二个ILP允许公司通过拟议的激励机制让用户参与搬迁过程。最后，一个案例研究，以显示所提出的方法论的电动汽车和轻型电动汽车的搬迁的应用。
2020-12-01 cs.SY eess.SY
Cooperative Detour Planning for Dual-Task Drone Fleets
Cornell University（康奈尔大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出一种去中心化框架，使无人机编队同时执行送货任务和观察交通状况。通过动态信息值模型，无人机在路径规划中考虑交通不确定性，并通过局部聚类优化实现高效任务执行。
2026-04-02 cs.SY eess.SY
Regulating Mobility-on-Demand Services: Tri-level Model and Bayesian Optimization Solution Approach
本文的目标是开发一个建模框架，捕捉移动服务提供商（MSP）和旅行者之间的决策动态，可用于优化和分析与MSP相关的政策/法规。为了实现这一目标，本文提出了一个三层数学规划模型，公共部门的决策者（监管者）在最高层，MSP在中间层，旅客在最低层。监管者通过实施法规、政策、规划、公交服务设计等，实现社会福利最大化;公交运营商通过调整公交服务设计，实现利润最大化。旅行者的目标是通过改变他们的模式和路线来最大化效用。旅行者的决定取决于监管机构和MSP的决定，而MSP的决定本身取决于监管机构的决定。为了解决三层数学规划，本研究采用贝叶斯优化（BO）内的模拟优化解决方案的方法。在最低层次上，解决方案包括一个基于代理的交通系统仿真模型，以捕捉旅客的行为，由监管机构和MSP作出的具体决定。基于代理的交通仿真模型包括模式选择模型、道路网络、公交网络和提供具有共享乘车的自动移动性按需（AMOD）服务的MSP。模型和解决方案的方法适用于德国慕尼黑，以验证模型。案例研究调查了城市管理部门应该设定的通行费和停车费，以及公共交通预算的变化和AMOD车队规模的限制。最佳政策设置来自两个社会福利的定义，在这两个AMOD车队规模不受监管的共享乘坐AMOD服务提供了显着的价值，旅客在慕尼黑。
2021-02-20 cs.SY eess.SY
Analysis and Control of Autonomous Mobility-on-Demand Systems
受城市化和日益增长的出行需求的影响，现有的交通系统需要新的移动模式。在这篇文章中，我们提出了自主移动按需的新兴概念，即集中编排的自动驾驶汽车车队为客户提供移动服务。我们提供了一个全面的方法和工具来建模和解决问题的自主移动按需系统。具体来说，我们首先确定问题的设置，他们的分析和控制，从运营和规划的角度。然后，我们回顾建模方面，包括交通网络，交通需求，拥堵，运营约束，以及与现有基础设施的相互作用。此后，我们对现有的解决方案方法和性能指标进行了系统的分析，突出了趋势和权衡。最后，我们提出了进一步研究的各种方向。
2021-11-18 cs.MA cs.SY eess.SY
A BCMP Network Approach to Modeling and Controlling Autonomous Mobility-on-Demand Systems
Autonomous Systems Laboratory, Stanford University（斯坦福大学自主系统实验室）
本文提出基于BCMP网络的建模方法，用于分析和控制自主出行按需系统，结合路网容量和车辆可用性，提供性能指标的高阶矩分析。
2017-03-26 cs.MA cs.SY eess.SY
Evaluating eVTOL Network Performance and Fleet Dynamics through Simulation-Based Analysis
本文提出事件驱动仿真器 VertiSim，联合建模乘客、飞机与能量流，评估 19 种 eVTOL 运行场景，揭示机队规模和垂直起降场距离对延误、成本与利用率的权衡。
2023-12-05 cs.MA cs.SY eess.SY
A Vehicle Routing Problem for Human-Centered Electric Mobility
University of the Bundeswehr Munich（联邦国防军慕尼黑大学）
本文提出EM-DARP问题，扩展EV-DARP以适应以人为中心的出行服务，通过混合整数线性规划解决，验证了其在实际场景中的应用性。
2026-04-24 cs.SY eess.SY math.CO
Intermodal Network of Autonomous Mobility-on-Demand and Micromobility Systems
本文研究自主微出行按需服务（AMoD）与微出行系统的跨模式交互，引入网络流模型优化乘客出行时间，并在Sioux Falls网络上量化评估发现两种交通方式相互促进且微出行平衡容量增加可减少AMoD的平衡需求。
2025-04-01 cs.SY eess.SY
Data-Driven Model Predictive Control of Autonomous Mobility-on-Demand Systems
Stanford University（斯坦福大学）；Houzz Inc.（Houzz公司）
本文提出一种端到端的数据驱动框架，用于控制自动驾驶按需出行系统，通过时间扩展网络建模并设计MPC算法，利用历史数据预测短期需求，减少乘客等待时间达89.6%。
2017-09-20 cs.MA cs.RO cs.SY
An Integrated Ride-Matching Model for Shared Mobility on Demand Services
共享移动按需（MoD）服务正受到越来越多的关注，因为许多高容量的乘车公司正在以越来越快的速度提供共享服务（例如UberPool，LyftLine）。此外，自动驾驶汽车（AV）的出现为从这些发展中受益提供了更多的运营机会，因为AV可以实现集中运营和完全连接的车队。共享MoD服务有两项基本任务：乘车匹配和车辆重新平衡。传统上，这两个功能是顺序和独立执行的。在本文中，我们提出并制定了一个集成的乘车匹配问题，其目的是将乘车匹配和再平衡集成到一个单一的配方。集成问题受益于这两个任务之间的相互作用。我们还提出了一种方法来解决集成共享乘车匹配问题，通过使用基于网格表示的城市网络的供应水平信息。我们证明了所提出的方法的有效性，通过比较案例研究，使用基准顺序的方法和开源数据集。我们的研究结果表明，集成模型能够为至少相同数量的乘客提供服务，在服务水平和可持续性指标方面有显着的收益。
2022-11-30 cs.SY eess.SY
Real-time Operation of Electric Autonomous Mobility-on-Demand System Considering Power System Regulation
针对电动自主按需出行系统集群充电影响电力系统运行的问题，构建含车队时空特性、充电桩配置及电力调节约束的实时协调框架，提出结合模型预测控制的分段线性近似动态规划算法，经实验验证有效且凸显协调必要性。
2025-10-01 cs.SY eess.SY
Dynamic vehicle redistribution and online price incentives in shared mobility systems
本文研究了通过智能重新定位决策与动态定价优化共享出行系统运营，以伦敦巴克莱自行车租赁计划为例，通过模型预测控制原理动态调整奖励，鼓励用户将自行车停放在低使用站点，降低重新定位成本。
2013-05-12 cs.SY eess.SY
Resilient Load Restoration in Microgrids Considering Mobile Energy Storage Fleets: A Deep Reinforcement Learning Approach
Interdisciplinary Graduate School, Nanyang Technological University Singapore（南洋理工大学跨学科研究生院（新加坡））；School of Electrical and Electronic Engineering, Nanyang Technological University Singapore（南洋理工大学电气与电子工程学院（新加坡））
移动储能系统（MESS）提供了移动性和灵活性，以增强配电系统的弹性。本文提出了一个马尔可夫决策过程（MDP）制定的综合服务恢复策略，协调调度的MESS和微电网的资源调度。考虑了负荷消耗的不确定性。深度强化学习（DRL）算法被用来解决MDP优化调度。具体地说，双延迟深度确定性策略梯度（TD 3）被应用于训练深度Q网络和策略网络，然后训练好的策略可以以在线方式部署，以同时执行多个动作。所提出的模型被证明在一个集成的测试系统与苏福尔斯交通网络连接的三个微电网。仿真结果表明，移动和固定的能量资源可以很好地协调，以提高系统的弹性。
2020-03-27 cs.LG cs.SY eess.SY
On the Co-Design of AV-Enabled Mobility Systems
自动驾驶汽车（AV）的设计和支持AV的移动系统的设计是紧密耦合的。事实上，对自动驾驶汽车预期服务的了解将影响其设计和部署过程，而对其技术发展的了解可能会显著影响运输管理决策。这就需要工具来研究这种耦合，并根据不同的目标共同设计自动驾驶汽车和自动驾驶汽车支持的移动系统。在本文中，我们实例化的框架来解决这样的协同设计问题。特别是，我们利用最近开发的协同设计理论来框架和解决设计和部署多式联运自主移动按需系统的问题，从而自动驾驶汽车与公共交通共同服务出行需求，在车队规模，车辆自主性和公共交通服务频率方面。我们的框架是模块化和组合，允许一个描述的设计问题，其各个组件的互连，并从系统级的角度来解决它。为了展示我们的方法，我们提出了华盛顿特区的一个真实案例研究，USA.我们的工作表明，有可能创建用户友好的优化工具，系统地评估干预措施的成本和效益，这种分析技术可能会在未来的决策中发挥重要作用。
2021-03-06 cs.SY eess.SY
Autonomous Advanced Aerial Mobility -- An End-to-end Autonomy Framework for UAVs and Beyond
Microsoft Business AI + Research（微软商业人工智能与研究部门）
本文提出面向UAV与eVTOL的端到端自主框架，涵盖传感、感知、规划、控制，并讨论机队管理、测试认证及单体模型的潜力与局限。
2023-12-03 cs.LG cs.MA cs.RO
Congestion-aware Routing and Rebalancing of Autonomous Mobility-on-Demand Systems in Mixed Traffic
本文研究了自主移动按需（AMoD）系统，其中一个车队的自动驾驶汽车在混合交通条件下提供按需移动的出行感知的路线规划政策。具体来说，我们首先设计了一个网络流模型，通过考虑AMoD流对旅行时间的内生影响，以一种基于业务感知的方式优化AMoD路由和再平衡策略。其次，我们捕获反应性的外源性交通组成的私人车辆自私地适应以用户为中心的方式，通过利用迭代的方法的AMoD流。最后，我们展示了我们的框架的有效性与两个案例研究，考虑在马萨诸塞州东部和纽约市的交通子网络。我们的研究结果表明，对于高水平的需求，纯粹的AMoD旅行可能是有害的，因为它的再平衡流量产生的额外流量，而AMoD与步行或微移动选项的组合可以显着提高整体系统性能。
2020-03-09 cs.SY eess.SY math.OC
