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
A Modular and Transferable Reinforcement Learning Framework for the Fleet Rebalancing Problem
National Renewable Energy Laboratory(国家可再生能源实验室)
随需应变(MoD)系统在实现灵活高效的城市交通方面显示出巨大的潜力。然而,与国防部车辆调度和车队再平衡相关的作战决策带来了重大的技术挑战。出于这个原因,运营商倾向于采用已被证明在特定设置中工作良好的简化算法。为了帮助弥合新方法和现有方法之间的差距,我们提出了一个基于无模型强化学习(RL)的车队再平衡模块化框架,该框架可以利用现有的调度方法来最大限度地降低系统成本。特别是,通过将调度视为环境动态的一部分,集中式代理可以学习间歇地指导调度员重新定位空闲车辆并减轻车队不平衡。我们制定RL状态和动作空间的分布在网格分区的操作区域,使框架的可扩展性和避免与多智能体RL的复杂性。数值实验,使用真实世界的行程和网络数据,表明这种方法有几个明显的优势,基线方法,包括:改善系统成本;高度的适应性,选择的调度方法;和执行规模不变的迁移学习的能力,具有相似的车辆和请求分布的问题实例之间。
2021-05-27 cs.AI cs.LG cs.MA
Congestion-Aware Randomized Routing in Autonomous Mobility-on-Demand Systems
本文研究了自主车辆在拥堵城市道路网络中的路由和重新平衡问题,提出了一种随机算法,在多项式时间内找到近似最小化道路上车辆数的低拥堵解决方案,并提供理论界限和实验证明其有效性。
2016-09-15 cs.SY eess.SY
Proactive rebalancing and speed-up techniques for on-demand high capacity ridesourcing services
Cornell University(康奈尔大学)
本文提出了一种概率主动再平衡方法和加速技术,用于提升实时高容量车队管理框架的性能,通过提高计算效率和系统性能,减少计算时间并提高服务效率。
2019-08-15 cs.SY eess.SY math.OC
A Predictive Chance Constraint Rebalancing Approach to Mobility-on-Demand Services
本文研究了Uber或滴滴出行等移动按需服务的供需不平衡问题。这种不平衡是由于不均匀的随机出行需求造成的,可以通过主动重新平衡空载车辆来防止。为此,我们提出了一种方法,包括估计的随机出行需求模式到随机模型预测控制(SMPC)的再平衡空车MoD乘车服务。更准确地说,我们首先使用高斯过程回归(GPR)估计乘客出行需求,它为时间模式预测提供了需求不确定性范围。然后,我们制定了一个SMPC的自主乘车服务和集成的需求预测与不确定性界限到一个滚动时域MOD优化。为了保证上述优化中的约束满足估计的随机需求预测,我们采用了用户定义的置信区间的概率约束方法。因此,具有概率约束的滚动时域MOD优化需要机会约束模型预测控制(CCMPC)。所提出的方法的好处是双重的。首先,来自数据的出行需求不确定性预测可以自然地嵌入到MoD优化框架中。我们表明,对于一个给定的最小车队规模的不平衡,在每个站可以保持低于一定的阈值与用户定义的概率。其次,CCMPC可以进一步放宽到一个混合的双线性规划(MILP),我们表明,MILP可以解决作为一个相应的线性规划,总是承认一个整体的解决方案。最后,我们证明,通过高保真的运输模拟,通过调整的机会约束的置信区间接近最佳的预言机性能可以实现。与仅使用GPR的平均预测相比,相应的中值客户等待时间减少了4%。
2023-01-15 cs.SY eess.SY
Predictive Vehicle Repositioning for On-Demand Ride-Pooling Services
本文提出一种预测性车辆重定位算法,通过采样预测需求并模拟未来车队状态来缓解按需拼车系统的供需失衡,在芝加哥案例中显著提升服务率、拼车效率和客户体验。
2023-08-10 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
A Queueing Network Approach to the Analysis and Control of Mobility-On-Demand Systems
Stanford University(斯坦福大学)
本文提出利用排队网络分析和控制移动按需系统,通过构建两个耦合的闭合Jackson网络模型,展示如何通过线性规划和非线性优化实现系统平衡,并基于出租车数据验证了最优车辆与司机比例。
2014-09-27 cs.PF cs.SY eess.SY
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
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
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
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
Combined Stochastic and Robust Optimization for Electric Autonomous Mobility-on-Demand with Nested Benders Decomposition
Chalmers University of Technology(查尔姆斯理工大学)
本文提出结合随机与鲁棒优化的MPC框架,利用时空贝叶斯神经网络预测与多阶段随机优化模型,通过嵌套Benders分解实现高效求解,降低乘客等待时间和能耗成本。
2026-04-13 cs.SY eess.SY
Stochastic Model Predictive Control for Autonomous Mobility on Demand
Stanford University(斯坦福大学)
本文提出一种随机模型预测控制算法,利用短期概率预测优化自动驾驶出行即服务系统的调度与再平衡。通过时间扩展网络流模型构建核心随机优化问题,并通过样本平均近似和分离控制器设计,实现大规模问题的高效求解。
2018-05-04 cs.SY eess.SY
Anticipatory routing methods for an on-demand ridepooling mobility system
关于按需拼车的最相关挑战之一涉及需求的空间不平衡,这导致车辆位置与新兴请求的来源之间的不匹配。大多数拼车模式仅通过重新平衡方法来解决这个问题,即,将闲置车辆移向拒收率高的地区,这与路线和车辆订单分配无关,因此为乘客服务的车辆(占车队总数的很大一部分)不受影响。本文介绍了两种类型的技术,影响如何车辆分配给用户和如何路由车辆为这些用户服务,使整个系统的操作进行修改,以达到更有效的状态,为未来的请求。这两种技术都不需要任何关于未来需求的假设或外部知识,因为它们只依赖于当前和最近的请求。首先,我们引入奖励,如果车辆被路由到高需求区域,则降低车辆和一组乘客之间的分配成本。其次,我们包括一个小的人工请求,其请求时间是在不久的将来,其起源是从一个概率分布,模仿观察到的生成率采样。这些人工请求将与真实请求一起分配。我们使用一组来自曼哈顿的真实游乐设施来测试这些技术。引入奖励可以将拒绝率降低到原始价值的十分之九左右。另一方面,包括未来的请求可以减少用户的旅行时间约五分之一,但增加拒绝。这两种方法都增加了约10%的车辆小时行驶。空间分析表明,车辆确实被移向需求最大的区域,因此拒绝率的降低主要在那里实现。
2021-06-25 cs.SY eess.SY
Throughput Maximizing Takeoff Scheduling for eVTOL Vehicles in On-Demand Urban Air Mobility Systems
针对按需城市空中交通的高效调度需求,本文提出集中式调度框架VertiSync,在安全与能量约束下联合调度出行服务与运力再平衡,可在大机队和对称网络下最大化吞吐量,且在洛杉矶案例中显著降低乘客平均等待时间。
2025-03-21 cs.SY eess.SY math.OC
Near-on-Demand Mobility. The Benefits of User Flexibility for Ride-Pooling Services
按需移动(MoD)服务正在改变城市移动生态系统。然而,他们提出了很多关注的影响,交通拥堵,车辆行驶里程(VMT),并与交通的竞争。由于其业务固有的低效率,它们的长期生存也存在问题。考虑到国防部服务的普及,增加拼车是解决这些问题的重要手段。共享性不仅取决于乘客的态度和偏好,还取决于供应商部署的运营模式。本文介绍了一种提前请求运营模式,其中用户可以在他们期望的出发时间之前至少H分钟请求乘车。开发了一个平台,该平台具有用于请求匹配、车辆路由、再平衡和灵活的用户偏好的高效算法。一个大规模的运输网络公司的数据集被用来评估性能的提前请求系统相对于当前的做法。系统的各个设计方面(提前请求地平线,车辆容量)对其性能的影响进行了研究。结果的敏感性,以用户的喜好,在服务水平(时间提供服务和多余的行程时间),愿意分享和提前放置请求,和交通状况进行了探讨。结果表明,显着的好处,在可持续性,服务水平和车队利用率可以实现时,提前请求是随着增加愿意分享。此外,即使是接近需求(相对较短的提前规划期)的运营也可以为所有相关利益相关者(乘客,运营商和城市)提供许多好处。
2020-11-02 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
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
Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学)
自动按需移动(AMoD)系统代表了一种快速发展的交通模式,其中旅行请求由机器人自动驾驶车辆的协调车队动态处理。给定一个图形表示的交通网络-其中,例如,节点代表城市的区域,和边缘之间的连接-我们认为,AMoD控制问题自然是一个节点明智的决策问题。在本文中,我们提出了一个深度强化学习框架,通过图神经网络控制AMoD系统的再平衡。至关重要的是,我们证明了图神经网络使强化学习代理能够恢复比通过其他方法学习的策略更具有可转移性,可推广性和可扩展性的行为策略。经验上,我们展示了如何学习的政策表现出有前途的zero-shot传输能力时,面临着关键的可移植性任务,如城市间的泛化,服务区扩展,并适应潜在的复杂的城市拓扑结构。
2021-08-16 cs.LG cs.RO cs.SY
Real-time Control of Electric Autonomous Mobility-on-Demand Systems via Graph Reinforcement Learning
Stanford University(斯坦福大学);ETH Zurich(苏黎世联邦理工学院)
针对电动自主出行按需系统的实时控制难题,提出基于图网络的强化学习双层框架,实现超百倍加速并达到最优利润的89%,且优于领域启发式方法。
2024-04-04 cs.LG cs.RO cs.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