Robust identification of drive-by sensing ride-hailing market with Points of Interest monitoring under uncertain ride demand
Southwest Jiaotong University（西南交通大学）；Lanzhou Jiaotong University（兰州交通大学）
针对网约车感知中被动优先策略的低效，提出基于分布鲁棒优化的主动感知框架，结合增强A*路由与车辆-任务匹配，在不确定需求下提升感知覆盖率、降低成本并增强鲁棒性。
2026-10-09 math.OC
Pricing, competition and market segmentation in ride hailing
我们分析了两个网约车平台之间的非合作策略博弈，每个平台都被建模为双边排队系统，其中假设司机（具有一定的耐心水平）以固定的速率根据泊松过程到达，而乘客的到达过程基于QoS考虑在两个提供商之间进行分割。我们还考虑了两种垄断情况：（i）每个平台拥有一半的市场份额，（ii）平台合并为一个实体，使用其合并的司机资源为整个乘客群提供服务。我们制定的关键新颖之处在于，整个平台的总市场份额是固定的。因此，游戏捕捉了平台之间对市场份额的竞争，这是使用两种不同的服务质量（QoS）指标建模的：（i）驾驶员可用性的概率，以及（ii）到达乘客乘坐的概率。平台的目标是最大化匹配司机和乘客所产生的利润。在上述每一种情况下，我们都分析了与博弈相关的均衡。有趣的是，在第二个QoS指标，我们表明，在一定范围内的参数，不存在纳什均衡。相反，我们展示了一个新的解决方案的概念，称为均衡周期。我们的研究结果突出了竞争，合作，供应商侧价格敏感度，乘客/司机到达率之间的相互作用。
2022-08-03 math.OC
Coordinating Guidance, Matching, and Charging Station Selection for Electric Vehicle Ride-Hailing Services through Data-Driven Stochastic Optimization
针对电动汽车网约车服务中忽略乘客需求不确定性和充电站选择的问题，提出包含两个随机优化模型的数据驱动优化框架，协同车辆引导、批量匹配与充电站选择，在纽约市真实数据验证中显著提高匹配率，并将低电量车辆充电等待时间最多减少73.6%。
2024-01-09 math.OC
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
Idle wage as a tool to regulate the relationship between ride-hailing platforms and drivers
针对网约车司机在工资确定性与灵活性难以兼顾的问题，提出“闲置工资”机制。通过供需均衡模型分析表明，在风险厌恶下该机制可优化福利，但需结合行程支付与部分灵活约束以应对多期需求波动并保持系统盈利。
2024-08-24 math.OC
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
Assessing How Ride-hailing Rebalancing Strategies Improve the Resilience of Multi-modal Transportation Systems
针对火车线路中断等干扰下多模式交通系统的供需失衡问题，提出基于MADDPG的多智能体强化学习网约车再平衡策略，在900平方公里仿真中显著提升了系统韧性及多项关键性能指标。
2025-01-30 math.OC
Modeling routing problems in QUBO with application to ride-hailing
许多新兴的商业服务都是以共享或集中资源供共同使用为基础的，目的是降低成本。交付、移动性或运输即服务等业务已成为世界许多地区的标准，可在现场环境中满足客户的按需请求。然而，众所周知，这些问题中有许多是NP难的，因此准确地建模和解决它们都是一个挑战。在这里，我们专注于一个这样的路由问题，乘坐池问题（RPP），其中多个客户可以请求按需皮卡和从车队内的共享车辆下车。组合优化任务是使用有限的车辆集合来最佳地汇集客户请求，类似于小规模的灵活的公交路线。在这项工作中，我们提出了一个二次无约束二进制优化（QUBO）程序，并引入高效的制定方法，RPP使用metacquistics解决，特别是新兴的量子优化算法。
2022-12-09 math.OC quant-ph
Sink Proximity: A Novel Approach for Online Vehicle Dispatch in Ride-hailing
University of California, Berkeley（加州大学伯克利分校）；City University of Hong Kong（香港城市大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出了一种基于sink proximity的新方法，用于提升网约车平台在需求不确定情况下的在线调度效率。
2025-12-20 cs.SY eess.SY math.OC
A Simulation Framework for Ride-Hailing with Electric Vehicles
本研究提出基于Python的电动车辆网约车仿真框架，通过异步流程和面向对象设计优化车队运营，支持充电站布局等挑战，案例验证其在调度算法评估中的有效性。
2024-11-29 math.OC
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
Near Optimal Control in Ride Hailing Platforms with Strategic Servers
受在线市场（如乘车）中的应用程序的启发，我们研究了战略服务器如何影响系统性能。我们考虑一个离散时间的过程中，异构类型的客户和服务器到达。每个客户加入其类型的队列，而服务器可能加入不同类型的队列，这取决于系统运营商公布的价格和不便成本。然后，系统操作员，兼容性图的约束下，决定匹配。我们的目标是设计一个最优控制（定价和匹配方案），以最大限度地提高利润减去预期的等待时间。我们开发了一个通用框架，使我们能够分析广泛的战略行为。特别是，我们将服务器的行为编码在一个适当定义的\emph{cost function}中，该\emph{cost function}可以根据各种设置进行定制。利用这个一般的费用函数，我们引入了一个新的概率流体问题。概率流体模型提供了可实现净利润的上界。然后，我们研究了系统下的一个大的市场制度，其中的到达率由$η$缩放，并提出了一个概率的两个价格的政策和最大权重匹配政策，导致在最多$O(η^{1/3})$的净利润损失。此外，根据广泛的客户定价政策，我们表明，任何匹配的政策，至少有$Ω(η^{1/3})$的净损益。为了显示我们的框架的通用性，我们提出了多个扩展我们的模型和分析。最后，我们通过数值模拟比较不同的成本模型，并分析所提出的定价和匹配政策的性能的讨论。
2021-06-23 math.OC math.PR
On the interplay between pricing, competition and QoS in ride-hailing
本文研究两个双边排队网约车平台围绕固定市场份额的定价竞争，基于 QoS 指标刻画乘客分流，分析极限与预极限均衡，并提出无纯 Nash 均衡时的均衡周期概念。
2024-11-15 math.OC math.PR
Regulating TNCs: Should Uber and Lyft Set Their Own Rules?
我们评估了Uber，Lyft和Didi等交通网络公司（TNC）的三项拟议法规的影响：（1）司机的最低工资，（2）司机或车辆数量的上限，以及（3）每次行程的拥堵税。该影响使用排队论均衡模型进行评估，该模型结合了基于应用程序的乘车匹配平台的随机动态，平台建立的乘车价格和司机工资，以及乘客和司机的激励措施。我们发现，司机收入下的一个下限会推动叫车平台雇佣更多的司机，提供更多的乘车服务，同时乘客享受更快的乘车服务和更低的总成本，而平台租金也会降低。与标准的经济理论相反，对司机实施最低工资对司机和乘客都有利，并提高了整个系统的效率。这一令人惊讶的结果适用于几乎所有的模型参数，这是因为工资下限限制了跨国公司的劳动力市场力量。与最低工资相比，对车辆数量施加上限会伤害司机，因为平台会获得限制供应的所有好处。拥堵税产生了预期的影响：票价上涨，工资和平台收入减少。我们还构建了模型的变体，以简要讨论平台补贴，平台竞争和自动驾驶汽车。
2019-07-05 math.OC
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
An Enhanced Approach for the Dial a ride problem with drivers preferences
本文针对带司机偏好的拨号叫车问题，提出结合CPLEX精确求解和迭代局部搜索启发式的新方法，实验证明其能在合理时间内高效求解DARPDP实例。
2024-06-06 math.OC
Matching Drivers to Riders: A Two-stage Robust Approach
针对网约车即时匹配问题，提出两阶段鲁棒优化框架，以最小化当前匹配成本与未来最坏情景成本，证明NP难并给出常数近似算法，深圳出租车数据验证显著优于短视方法。
2025-08-06 math.OC
A stochastic generalized Nash equilibrium model for platforms competition in the ride-hail market
网约车市场存在的不确定性使得按需平台的定价策略变得复杂，这些平台相互竞争以提供移动服务，同时努力实现利润最大化。将此问题视为一个随机广义纳什均衡问题（SGNEP），设计了一个基于Tikhonov正则化的分布式随机均衡搜索算法来求解最优定价策略。值得注意的是，所提出的迭代方案不需要增加（可能是无限的）数量的随机变量的样本来执行随机逼近，从而使其从实用的角度来看是有吸引力的。此外，我们表明，该算法返回一个纳什均衡下仅仅单调性假设和仔细选择的步长序列，通过利用特定的结构SGNEP在手。最后，我们在按需乘车市场的数值实例上证实了我们的结果。
2022-03-29 cs.GT cs.MA cs.SY
Regulating For-Hire Autonomous Vehicles for An Equitable Multimodal Transportation Network
本文通过博弈论模型研究营利性自动驾驶汽车对多式联运交通公平的影响，并提出最低服务水平要求和公交补贴两项监管政策以改善空间与社会公平。
2023-10-30 cs.GT econ.GN math.OC
Managing ride-sourcing drivers at transportation terminals: a lottery-based queueing approach
针对交通枢纽站网约车司机过剩问题，论文提出基于抽签的虚拟队列非货币控制机制，并证明其社会福利不低于FIFO动态定价，且在佣金上限下盈利更优。
2025-09-29 math.OC
On Re-Balancing Self-Interested Agents in Ride-Sourcing Transportation Networks
本文主要研究在网约车应用中控制自利司机的问题。每个司机的目标都是利润最大化，而乘车外包公司则通过寻求最小化接送的预期等待时间来关注客户体验。这些目标通常并不一致，公司对司机的等候地点没有直接控制权。在本文中，我们提供了两种间接控制方法来优化司机的等待位置集，从而最小化客户的期望等待时间：1）与司机的子集共享所有司机的位置，以及2）支付司机搬迁。我们发现，找到每种方法的最优控制是NP-难的，我们提供的算法，找到在每种情况下的近最优控制。我们评估了所提出的控制方法在真实数据上的性能，并表明我们可以实现预期响应的20%至80%的改善。
2019-09-10 cs.MA math.OC
Piggyback on Idle Ride-Sourcing Drivers for Integrated On-Demand and Flexible Intracity Parcel Delivery Services
本文提出基于连续时间马尔可夫链和经济均衡模型的综合平台空间定价与车队管理方法，利用网约车司机空闲时间同时提供按需与灵活市内包裹配送服务，并在旧金山案例中验证联合管理可实现帕累托改进。
2023-09-24 cs.SY eess.SY math.OC
Dynamic Car Dispatching and Pricing: Revenue and Fairness for Ridesharing Platforms
拼车平台面临的一个主要挑战是同时保证利润和公平，特别是在司机和乘客的激励不一致的情况下。我们专注于调度定价问题，以最大限度地提高总收入，同时保持司机和乘客满意。我们研究了该问题的计算复杂性，提供了一种新的具有收入和公平保证的两阶段定价解决方案，将其扩展到随机设置，并开发了一个动态（又名，learning-while-doing）算法，该算法主动收集数据以学习调度过程中的需求分布。我们还进行了大量的实验来证明我们的算法的有效性。
2022-07-13 cs.GT math.OC
Regulating Transportation Network Companies with a Mixture of Autonomous Vehicles and For-Hire Human Drivers
本文研究网约车市场中自动驾驶汽车对人类驾驶员和乘客公平性的影响，提出市场均衡模型与求解算法，发现自动驾驶汽车优先部署于高需求区域并挤压人类驾驶员，进而分析最低工资和限制性接客政策两类监管措施的效果。
2023-12-18 econ.GN math.OC q-fin.EC
A general equilibrium model for multi-passenger ridesharing systems with stable matching
Technion – Israel Institute of Technology（以色列理工学院）
研究多乘客拼车系统的一般均衡模型，将匹配序列与超网络结合避免乘客转移，扩展匹配稳定性，证明均衡存在性，开发序列-布什算法求解，实验表明该算法优，还得出行程及单价等相关结论。
2026-07-10 econ.GN math.OC q-fin.EC
