Demand Adaptive Multi-Objective Electric Taxi Fleet Dispatching with Carbon Emission Analysis
作为一种可预见的未来低排放、高效率的交通方式，电动汽车受到了全世界的关注。为便于集中管理，出租车被视为电动化优先的车队。本文以北京市大量出租车的实际交通数据为基础，重点研究了电动出租车的调度问题。首先，假设电动出租车充电站使用K均值方法定位。其次，基于从轨迹数据中提取的起点-终点对形式的站点位置和订单需求，从减少乘客等待时间、缓解电动出租车充电拥堵和均衡订单数量分布等方面，提出了电动出租车的调度策略和仿真框架。该方法从充电需求和充电器可用性两个方面对电动出租车充电行为进行时间离散建模，并进一步整合了一个集中智能的车队调度平台，能够实时处理出租车服务请求和安排电动出租车充电。本文中的方法是很容易适用于调度不同类型的电动汽车车队具有类似的数据集。其中，利用排队论对电动汽车充电站排队现象进行建模，并将该因素纳入调度平台。并对碳排放进行了调查和分析。
2019-10-15 cs.SY eess.SY math.OC
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
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
Model Predictive Control-Based Battery Scheduling and Incentives to Manipulate Demand Response Baselines
我们研究了电池储能系统在基于基线的需求响应（DR）计划下的操作，DR事件的时间表不确定。基于基线的DR计划可能会提供非期望的激励，以在非事件日夸大基线消费，以便增加事件日的“明显”DR减少并确保更高的DR支付。我们的目标是确定和量化这些激励措施。为了理解客户决策，我们制定了确定每小时电池充电和放电时间表的问题，以在足够长的时间范围内最小化预期净成本，定义为能源购买成本减去能源出口退税和DR付款（例如，一年）。这个随机优化问题的复杂性与所考虑的时间范围呈指数增长。为了获得计算上易于处理的解决方案，我们建议使用多阶段模型预测控制与场景采样。数值结果表明，我们的解决方案是接近最优的（例如，在测试情况下，最佳值的3%以内）。最后，我们应用我们的解决方案来研究一个示例住宅客户与太阳能光伏和电池系统参与一个典型的现有的基于基线的DR计划。结果表明，超过66%的平均明显的负载减少在DR事件可能会导致通货膨胀的基线消费在非事件天。
2019-09-26 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
Managing Charging Induced Grid Stress and Battery Degradation in Electric Taxi Fleets
School of Electrical Engineering and Informatics, Institut Teknologi Bandung（电气工程与信息学院，万隆理工学院）；College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
针对电动出租车车队充电中短期盈利、电池寿命与电网稳定的冲突，研究开发了基于纽约市出租车数据的车队模拟器，对比发现强化学习充电策略在五年周期内优于80-20基准策略，可辅助运营商决策。
2025-10-22 cs.SY eess.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
Backcasting Policies in Transport Systems as an Optimal Control Problem : An Example with Electric Vehicle Purchase Incentives
本文首次将交通系统政策回溯建模为最优控制问题，以法国本土电动汽车购买激励为例，在最小化总预算的同时实现CO$_2$减排目标，并分析多种政策情景。
2025-02-04 cs.SY eess.SY math.OC
Paying for Space: Incentive-Aware Motion Planning for Multi-Agent Collision Avoidance
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种结合VCG机制与凸安全走廊的多阶段运动规划框架，用于先进空中交通系统中私有成本智能体的碰撞避免，激励真实偏好披露并实现安全去中心化协调。
2026-09-22 cs.SY eess.SY
The Customer is Always Right: Customer-Centered Pooling for Ride-Hailing Systems
今天的乘车系统经历了显着的增长和乘车池承诺，以实现高效和可持续的按需运输。然而，有效的拼车需要大量的参与客户。为了提高客户的参与意愿，我们研究了一种新的以客户为中心的联营机制（CCP），考虑到个人客户的联营利益。我们从客户，车队运营商和系统的角度研究了这种机制的好处，并将其与现有的以供应商为中心的池（PCP）机制进行比较。我们证明了顾客参与CCP是个体理性的，是弱优势的，但对于PCP则不是。我们用补充的数值研究来证实这一分析，基于真实世界的数据实现了一个模拟环境，使我们能够评估这两种机制的好处。为此，我们提出了两个汇集机制的结果，并表明汇集可以使按需运输的所有利益相关者受益。此外，我们分析了在哪些情况下，CCP机制帕累托占主导地位的PCP机制，并表明，移动服务运营商将更喜欢CCP机制PCP机制的所有价格段。与此同时，CCP机制将系统中的总行驶距离减少了32%，而不是将客户集中起来。我们的研究结果提供了决策支持的移动服务运营商，希望实施和改进池机制，因为它们使我们能够从整体的角度分析CCP和PCP机制的影响。其中，我们表明，CCP机制可以导致运营商和客户的双赢局面，同时提高系统性能和减少排放。
2021-07-02 cs.SY eess.SY
A Two-Stage Mechanism for Demand Response Markets
需求响应涉及系统运营商在高峰时段或面临偶然的供应短缺时使用激励措施来调节电力消耗。然而，系统运营商通常对客户的基线信息不完全，也就是说，他们的消费没有激励。估计客户用电量减少的标准方法是估计他们的反事实基线。然而，这种方法对于估计错误或客户的战略利用并不稳健，并且可能导致对不减少消费的客户的多付和对减少消费的客户的少付。此外，客户的最佳功耗降低取决于他们为削减消耗而招致的成本，这通常是客户的私人知识，并且他们可能在策略上误报以努力改善他们自己的效用，即使这使整体系统成本恶化。本文提出的两阶段机制避免了上述问题。在日前市场中，参与的负荷只需要向系统运营商提交其次日消耗和成本的概率描述，以进行日前计划。只有在需要需求响应时，才要求负载报告其基线和成本。它们因低于其报告的基线而获得入计量。计算信用的机制保证了前一天市场中真实报告概率分布和真实报告基线和实时成本的激励兼容性。该机制可以被看作是著名的维克雷-克拉克-格罗夫斯机制的延伸，并增加了精心设计的第二阶段处罚，以防止偏离前一天的出价。
2022-06-22 cs.SY econ.TH 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
Causative Cyberattacks on Online Learning-based Automated Demand Response Systems
本文探讨了基于AI的自动需求响应系统在开放通信信道下的因果型数据完整性网络攻击漏洞，并基于纽约大学校园建筑数据设计了数据驱动攻击策略，验证了篡改实时激励、事件数据和用户响应的可行性与影响。
2023-07-27 cs.CR cs.LG cs.SY
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
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
Capturing Aggregate Flexibility in Demand Response
UC Davis（加州大学戴维斯分校）；Stanford University（斯坦福大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文系统捕捉用户群体中设备的内在聚合灵活性，通过聚类分析设备特征和服务约束，探讨经济激励下用户响应的挑战，并提出量化客户隐私的框架。
2014-04-07 cs.SY eess.SY
Strategic Workforce Planning in Crowdsourced Delivery with Hybrid Driver Fleets
本文针对固定司机与两类众包司机（零工工作者和顺路司机）组成的混合车队，构建考虑随机流失与增长的马尔可夫决策过程，并用近似动态规划求解长期劳动力规划，实验表明其总成本最多可降低19%。
2023-11-28 cs.SY eess.SY
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
Monetizing Customer Load Data for an Energy Retailer: A Cooperative Game Approach
当能源客户提前调度负荷时，如果由他们的能源零售商获取该信息，则可以改进零售商的负荷预测。更好的预测导致批发购买决策，这可能导致更低的能源不平衡成本，从而为零售商带来更高的利润。因此，本文通过量化零售商基于客户可承受负荷数据调整批发采购所获得的利润收益，将客户可承受负荷数据的价值货币化。使用合作对策理论方法，零售商将他们的预期增加的利润转化为合作的价值，并重新分配一部分，它之间的客户作为货币激励他们继续提供他们的负载数据。通过案例分析，论证了该框架对零售商额外利润的重要性，并对不同支付分配方法下零售商对消费者的长期货币利益进行了评估。
2021-08-10 cs.SY eess.SY math.OC
Incentive-Compatible Vertiport Reservation in Advanced Air Mobility: An Auction-Based Approach
本文针对先进空中交通中多运营商eVTOL飞机的垂直起降机场预订问题，提出了一种基于拍卖的激励相容且个体理性的机制，通过混合二进制线性规划方法在满足机场约束的同时最大化社会福利并减少拥堵。
2024-10-01 cs.MA cs.SY econ.TH
Online Learning and Distributed Control for Residential Demand Response
Harvard University（哈佛大学）；ThinkEco Inc.（ThinkEco公司）
研究了激励型住宅需求响应中空调负荷自动调节的控制方法。关键的挑战是，客户对负荷调整的反应是不确定的，在实践中是未知的。在本文中，我们制定的AC控制问题在DR事件作为一个多周期的随机优化，集成了室内热动力学和客户选择退出状态转换。具体而言，机器学习技术，包括高斯过程和逻辑回归分别学习未知的热动力学模型和客户选择退出行为模型。我们考虑两个典型的DR目标的AC负载控制：1）最小化的总需求，2）密切跟踪调节功率轨迹。基于汤普森采样框架，我们提出了一种在线DR控制算法来学习客户行为，并制定实时AC控制方案。该算法考虑了各种环境因素对客户行为的影响，并以分布式方式实现，以保护客户的隐私。数值仿真结果表明，该算法的控制最优性和学习效率。
2021-06-12 cs.LG cs.SY eess.SY
Market-Driven Flexibility Provision: A Tri-Level Optimization Approach for Carbon Reduction
针对可再生能源整合带来的挑战及电价与碳强度错配问题，本文提出结合激励电价的三级优化框架，通过动态互动引导用户低碳消费，经IEEE-33节点系统仿真验证有效。
2025-04-17 cs.SY eess.SY
Competition and Cooperation of Autonomous Ridepooling Services: Game-Based Simulation of a Broker Concept
自主移动按需服务有可能破坏未来的移动系统格局。拼车服务尤其可以通过增加平均车辆占用率来减少土地消耗并提高运输效率。然而，由于拼车服务需要足够的用户基础才能生效，如果多个运营商提供这种服务，并且必须分割需求，那么它们的性能可能会受到影响。本研究提出了一个模拟框架，用于评估多个拼车服务提供商之间的竞争与合作的影响。通过一个经纪人平台的两种不同类型的互动进行了比较，一个单一的垄断运营商和两个独立的运营商的需求分开的基本情况下。在第一种情况下，经纪人将所有运营商的旅行报价提供给客户（类似于移动即服务平台），然后客户可以自由选择运营商。在第二种情况下，受监管的经纪人平台可以操纵运营商的报价，目的是将客户-运营商分配从用户均衡转向系统最优。为了根据不同的交互场景对服务设计的采用进行建模，引入了游戏设置。在运营商之间的交替轮流中，运营商可以调整其服务参数（车队规模和目标函数）以最大化利润。基于曼哈顿出租车数据的案例研究结果表明，运营商在运营最大车队的同时，在经纪人设置中产生最高的利润。此外，与单个操作员相比，几乎可以保持池化效率。随着服务费率的提高，受监管的竞争不仅有利于运营商（利润）和城市（提高池效率），也有利于客户。当用户可以自由选择时，联营效率和运营商利润最低。
2022-05-09 cs.MA 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
A Bi-level Decision Framework for Incentive-Based Demand Response in Distribution Systems
本文针对配电系统中基于激励的需求响应，提出多DRPs参与的多领导者-多跟随者双层博弈决策框架，并用对角化方法求解，在IEEE 33节点和印度108节点系统上验证了模型的有效性与可扩展性。
2023-06-01 cs.SY eess.SY
Smart Households Demand Response Management with Micro Grid
University of Guelph（圭尔夫大学）
如今，新兴的智能电网技术开辟了客户和能源公司之间的双向通信的可能性。需求响应管理（DRM）为商业客户和家庭提供了节省资金的承诺，同时帮助公用事业公司更有效地运营。在本文中，基于激励的需求响应优化（IDRO）模型，提出了有效地调度家用电器在高峰时段的最低使用率。该方法是一种基于非线性自回归神经网络（NAR-NN）的多目标优化技术，它考虑了公用事业和屋顶安装的光伏（PV）系统提供的能量。所提出的方法进行了测试和验证，使用300个案例研究（家庭）。为期一年的数据分析表明，功率因数和客户账单有明显改善。
2019-07-08 cs.AI cs.LG cs.SY
Market share maximizing strategies of CAV fleet operators may cause chaos in our cities
Faculty of Mathematics and Computer Science, Jagiellonian University（雅盖隆大学数学与计算机科学学院）；Institute for Transport Studies, University of Leeds（利兹大学交通研究所）
本文研究了CAV车队运营商通过混合策略最大化市场份额可能引发城市交通混沌的问题。
2025-12-03 cs.ET cs.MA cs.SY
On the Interplay between Self-Driving Cars and Public Transportation
本文提出一个结合图论网络模型与博弈论市场模型的统一框架，研究自动驾驶网约车与公共交通的相互作用，并基于柏林数据揭示自动驾驶网约车可能蚕食公共交通系统，服务7%至80%的客户。
2023-12-23 cs.SY eess.SY physics.soc-ph
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
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
Residential Demand Response Targeting Using Machine Learning with Observational Data
University of California, Berkeley（加州大学伯克利分校）
本文利用机器学习进行个体用户短期负荷预测，探讨了需求响应效果与用户消费模式变异性之间的关系，发现消费模式更不稳定用户更可能减少用电。
2016-07-03 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
Behavioral Generative Agents for Energy Operations
Thayer School of Engineering, Dartmouth College（达特茅斯学院泰勒工程学院）；Graduate School of Business, Stanford University（斯坦福大学商学院）
本文提出利用生成代理模拟客户决策，揭示能源运营中消费者行为模式，提升能源管理系统设计和政策分析能力。
2026-02-28 cs.AI cs.SY eess.SY
