A Unified Network Equilibrium for E-Hailing Platform Operation and Customer Mode Choice
针对网约车和拼车服务，将经济学和网络用户均衡相结合，内生优化两个OD对的拼车顺序。随着交通网络公司（TNC）提供的拼车服务的日益普及，由于难以枚举OD对的所有可能组合，因此缺乏理论网络均衡模型来解释新兴的拼车服务。本文提出了一个统一的网络均衡框架，该框架集成了三个模块，包括出行者在e-pooling和e-solo服务之间的模式选择、e-platform对车辆调度和驾驶员-乘客匹配的决策以及网络拥塞。为了便于表示车辆和乘客OD流和共享选项，创建了分层OD图，其中包含起点和目的地节点上的乘车源和乘车共享服务。在小型和大型道路网络上进行了数值算例，以证明我们的模型的效率。该均衡框架可以有效地帮助决策者和城市规划者评估跨国公司对交通拥堵的影响，也有助于跨国公司定价和车队规模优化。
2023-03-11 cs.SY eess.SY
Vehicle Redistribution in Ride-Sourcing Markets using Convex Minimum Cost Flows
乘车外包平台经常面临其运营道路网络中各地区乘车需求和供应的不平衡。因此，动态定价方法已被用来通过激增价格乘数来调解这些需求不对称，从而激励更多的司机参与市场。然而，自动驾驶汽车的预期商业化可能会将当前的乘车外包平台转变为车队运营商。人类驾驶员的缺乏促进了对空车辆管理的需求，以解决任何车辆供应不足的问题。在研究中已经提出了使用整数规划和需求预测模型的主动再分配来解决这个问题。然而，现有模型的一个缺点是，它们忽略了市场结构和潜在的客户选择行为。因此，目前的模式没有捕捉到再分配的真正价值。为了解决这个问题，我们制定的车辆再分配问题作为一个非线性的最小成本流问题，占的关系，提供和需求的游乐设施，通过假设客户离散选择模型和市场结构。我们证明了这个模型可以有一个凸域，我们引入了一个边缘分裂算法来解决车辆再分配的转换凸最小费用流问题。通过模拟测试我们的模型，我们表明，我们的重新分配算法可以减少等待时间超过50%，增加利润高达10%，车辆里程增加不到20%。我们的研究结果表明，再分配的价值取决于本地化的市场结构和客户行为。
2020-12-11 cs.DS cs.SY eess.SY
On the inefficiency of ride-sourcing services towards urban congestion
共享经济和智能手机的出现使按需交通服务成为可能，这创造了更多的机会，但也增加了城市交通的复杂性。提供这些服务的公司由于其基于互联网的性质而被称为运输网络公司（跨国公司）。虽然叫车外包是跨国公司提供的最臭名昭著的服务，但很少有人知道这种业务在取代其他运输方式的同时，或在大量闲置车辆巡游载客的情况下，会在多大程度上干扰交通状况。我们实验分析了跨国公司的效率，使用出租车行程数据从中国特大城市和基于代理的模拟与基于行程的MFD模型确定的速度。我们调查的影响，扩大车队规模的跨国公司，乘客对共享乘车的倾向，以及战略，以减轻城市拥堵。我们发现，跨国公司和社会之间缺乏协调的目标可以创造37%的旅行时间和显着的拥堵。此外，允许共享乘车不能减少总行驶距离，因为空公里数较高。优雅的停车管理策略可以防止闲置车辆在没有分配乘客的情况下巡航，并将缺乏协调的影响降低到7%。
2020-07-02 cs.SY eess.SY physics.soc-ph
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
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
Measuring and reducing the disequilibrium levels of dynamic networks through ride-sourcing vehicle data
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种基于拼车车辆轨迹数据测量动态网络失衡水平的方法，并展示了如何利用该方法减少网络失衡，同时保护用户隐私。
2019-11-08 cs.SY eess.SY physics.soc-ph
Towards a Multimodal Charging Network: Joint Planning of Charging Stations and Battery Swapping Stations for Electrified Ride-Hailing Fleets
本文针对电动网约车车队提出充电站与换电站联合规划优化模型，纳入弹性需求、空间充电均衡及拥堵等因素，并通过松弛分解建立紧上界评估解质量，曼哈顿案例表明联合规划利润显著优于单一部署。
2024-04-01 cs.SY eess.SY math.OC
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
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
Multi-agent Optimization of Non-cooperative Multimodal Mobility Systems
University of Central Florida（中佛罗里达大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种多智能体优化框架，用于分析非合作多模式移动系统中旅行者和司机的市场互动，通过均衡定价平衡供需并优化系统效率。
2026-01-07 cs.SY eess.SY stat.ME
Integrating Parcel Deliveries into a Ride-Pooling Service -- An Agent-Based Simulation Study
本文探讨了整合的货物交付到客运的按需拼车服务。本研究的目的是利用现有的乘客出行进行物流服务，从而减少货物运输的额外车辆公里数和道路网络上的车辆总数。这是通过合并服务将两个独立车队的需求合并为一个车队来实现的。为了评估这种移动按需服务的潜力，本文使用了基于代理的仿真框架，并将三个启发式包裹分配策略集成到一个共乘车队控制算法。设置了两个集成场景（适度和完全）。虽然在这两种情况下，乘客和包裹共享一辆车，但在中等情况下，在乘客乘坐期间不允许停止包裹拾取和交付，以减少客户的不便。使用真实世界的需求数据，德国慕尼黑的案例研究，这两个集成方案连同三个分配策略进行比较的现状，它使用两个单独的车队的乘客和物流运输。结果表明，物流服务整合到一个拼车服务是可能的，可以利用未使用的系统容量，而不会恶化客运。根据分配策略，几乎所有包裹都可以被服务，直到包裹与乘客需求的比率为1：10，而与现状相比，整体车队公里数可以减少。
2022-05-10 cs.MA cs.SY eess.SY
Fleet management for ride-pooling with meeting points at scale: a case study in the five boroughs of New York City
将会合点引入拼车（RP）服务已被证明可以提高乘客和服务提供商的满意度。乘客可以选择步行到集合点以降低成本。司机也可以得到匹配更多的车手没有作出额外的停止。与传统的RP服务相比，使用带有集合点的拼车（RPMP）具有经济效益。许多RPMP模型已被提出，以更好地了解其好处。然而，大多数以前的作品研究RPMP要么与一组有限的参数或在一个小规模，由于涉及昂贵的计算。在本文中，我们提出了STaRS+，一个可扩展的RPMP框架，是基于一个全面的整数线性规划模型。STaRS+的高可扩展性是通过利用启发式优化策略以及一种新的最短路径缓存方案来实现的。我们将我们的模型应用于纽约市都会区，以评估框架的可扩展性，并展示城市规模模拟的重要性。我们的研究结果表明，城市规模的模拟可以为城市规划者揭示有价值的见解，这些见解在较小的尺度上并不总是可见的。据我们所知，STaRS+是RPMP的第一个研究，可以解决整个纽约市都会区的大规模实例。
2021-04-25 cs.CE cs.SY eess.SY
Congestion-Aware Charging Coordination for Electric Ride-Hailing Fleets under Stochastic Demand
Luxembourg Institute of Socio-Economic Research (LISER)（卢森堡社会经济研究所）；University of Luxembourg（卢森堡大学）
针对充电站容量影响电动网约车系统盈利的问题，提出一种动态充电调度方法，通过顺序混合整数线性规划协调充电操作，在曼哈顿场景下测试，相比最优基准利润提升3.91%，服务率提升4.60%。
2026-10-15 cs.SY eess.SY math.OC
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
Learning to Dial-a-Ride: A Deep Graph Reinforcement Learning Approach to the Electric Dial-a-Ride Problem
Chalmers University of Technology（查尔姆斯理工大学）；Volvo Cars（沃尔沃汽车）
本文提出一种深度图强化学习方法，用于解决电动调度服务问题，通过优化路由、充电和服务质量，提升实时应用效率。
2026-02-05 cs.SY eess.SY
Dynamic Pricing and Fleet Management for Electric Autonomous Mobility on Demand Systems
乘车共享系统的普及是自动驾驶和电动汽车技术进步的主要驱动力。本文考虑了联合路由，电池充电和定价问题所面临的利润最大化的运输服务提供商，经营一个车队的自动电动汽车。我们首先建立静态规划问题，考虑时不变的系统参数，并确定最优的静态策略。虽然静态策略提供了稳定的客户队列等待游乐设施，即使考虑系统动态，我们看到，它是低效的，利用静态策略，因为它可以导致客户等待时间长，利润低。为了适应出行需求、可再生能源可用性和电价的随机性，并在需要生成整数分配的情况下进一步优化管理自主车队，需要实时策略。基于系统完整状态信息执行动作的最优实时策略是复杂动态规划的解。然而，我们认为使用精确动态规划方法精确求解最优策略是很困难的，因此应用深度强化学习来开发接近最优的控制策略。我们在曼哈顿和旧金山进行的两个案例研究证明了我们的实时策略在网络稳定性和利润方面的有效性，同时保持队列长度比静态策略少200倍。
2020-10-01 cs.SY eess.SY
Improving Operational Efficiency In EV Ridepooling Fleets By Predictive Exploitation of Idle Times
University of Twente（特文特大学）
针对电动网约拼车充电决策分散问题，提出实时预测性充电方法ITX，利用图卷积网络和线性分配算法优化车辆与充电站配对，最大化利用空闲时间，提升收益、减少延误并降低峰值负载。
2022-08-30 cs.AI cs.CY cs.LG
Event-Driven Real-Time Multi-Objective Charging Schedule Optimization For Electric Vehicle Fleets
针对电动汽车车队充电调度，提出一种事件驱动的实时多目标优化方法，在降低充电成本、减少电池容量衰减和最大化出行可用性之间取得平衡，实验显示成本节省53.2%，容量衰减降低16%。
2024-09-19 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
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
HRSim: An agent-based simulation platform for high-capacity ride-sharing services
针对现有仿真工具难以支撑大规模高容量拼车服务的问题，本文提出开源基于智能体的仿真平台HRSim，整合真实路网与需求数据，支持定价、匹配等运营模拟，并集成整数规划和启发式算法，为政策与运营优化提供测试平台。
2025-05-23 cs.SY eess.SY
Flexible Agent-based Modeling Framework to Evaluate Integrated Microtransit and Fixed-route Transit Designs: Mode Choice, Supernetworks, and Fleet Simulation
提出高保真智能体建模框架评估整合微公交与固定路线公交设计，通过不动点模式选择均衡、超级网络寻路和FleetPy车队仿真，发现引入微公交虽降低FRT客流并需补贴，但显著提升就业可达性并略减总VMT。
2024-05-29 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
Optimizing Large-Scale Fleet Management on a Road Network using Multi-Agent Deep Reinforcement Learning with Graph Neural Network
Seoul National University（首尔国立大学）
提出了一种将多智能体强化学习与图神经网络相结合的车队管理优化方法。为了提供乘车服务，需要优化空间域上的动态资源和需求。虽然空间结构以前是用规则网格近似的，但我们的方法用图形表示道路网络，这更好地反映了底层的几何结构。将动态资源分配问题描述为多智能体强化学习，其动作价值函数（Q函数）用图神经网络逼近。我们使用随机策略更新规则的图与深Q网络（DQN），并取得了优越的结果比贪婪的策略更新。我们设计了一个逼真的模拟器，模拟经验出租车呼叫数据，并确认所提出的模型在各种条件下的有效性。
2021-08-06 cs.LG cs.SY eess.SY
Joint Optimization of Multimodal Transit Frequency and Shared Autonomous Vehicle Fleet Size with Hybrid Metaheuristic and Nonlinear Programming
Northwestern University Transportation Center（西北大学交通中心）；Argonne National Laboratory（阿贡国家实验室）
本文提出一种混合优化方法，通过联合优化多模式公共交通频次与SAV车队规模，提升公共交通乘客量33.3%。
2026-02-17 cs.SY eess.SY math.OC
No-Regret Learning in Stackelberg Games with an Application to Electric Ride-Hailing
LUTS group, School of Architecture, Civil and Environmental Engineering, EPFL Switzerland（瑞士洛桑联邦理工学院建筑、土木与环境工程学院LUTS小组）
本文提出了一种在Stackelberg博弈中无需跟随者信息的无遗憾学习算法，应用于电动网约车市场中的最优定价问题。
2025-12-10 cs.GT cs.SY eess.SY
Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；Central University of Finance and Economics（中央财经大学）
本研究针对按需城际拼车服务中车辆调度与路径规划的复杂性，提出一种结合多智能体封建强化学习与自适应大邻域搜索的两级在线车队管理框架，有效缓解供需不平衡并显著提升系统利润与订单完成率。
2024-03-20 cs.AI cs.LG cs.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
Speed-up Heuristic for an On-Demand Ride-Pooling Algorithm
随着数字化的不断发展和自动驾驶领域的进步，按需拼车是一种有可能颠覆城市交通市场的交通服务。然而，要成功地应用这种服务，必须实施有效的车队管理算法，以利用与这种移动性服务相关的好处。特别是实时计算找到有益的分配是一个问题，直到今天还没有解决大的问题大小。在这项研究中，我们使用先进的算法比较快速，但简单的插入启发式算法与最先进的多步匹配算法的重要性。我们测试的算法在各种情况下的基础上，私人车辆出行OD数据，德国慕尼黑。结果表明，在测试的情况下，通过使用多步算法多达8个$\%$额外的请求可以服务，同时也可以节省10个$\%$额外的驱动距离。然而，在高级算法中找到最优分配的计算时间超过实时，而随着问题大小的增加。为此，介绍了通过减少多步算法的冗余校验来减少计算时间的几个方面。最后，一个改进的车辆选择启发式的基础上，提出了三个规则，以进一步减少计算量。在测试的情况下，这种启发式可以加快最成本密集的算法步骤的一个因素超过8，同时保持服务请求的数量几乎恒定，并保持约70 $\%$的驱动距离保存在系统中。考虑到所有的算法步骤，可以实现2.5的整体速度提升。
2020-07-29 cs.SY eess.SY math.OC
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
Autonomous Vehicle Public Transportation System: Scheduling and Admission Control
The University of Hong Kong（香港大学）；Hong Kong Baptist University（香港浸会大学）
本文提出基于自动驾驶车辆的新型公共交通系统，解决调度和接入控制问题，通过混合整数线性规划和双层优化方法提高效率与利润。
2015-09-20 cs.SY eess.SY
