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
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
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
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
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
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
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 SUMO Framework for Deep Reinforcement Learning Experiments Solving Electric Vehicle Charging Dispatching Problem
在现代城市中，电动汽车（EV）的数量以其低排放和更好的动力性能而迅速增加，导致对EV充电的需求不断增加。然而，由于电动汽车充电设施的数量有限，满足对耗时的电动汽车充电的巨大需求成为一个关键问题。如何在动态交通环境中调度电动汽车，协调智能体之间的交互是一个相当大的挑战。为了更好地服务于各种相关的深度强化学习（DRL）EV调度算法的进一步研究，需要一个高效的仿真环境来确保成功。城市交通仿真模拟器（SUMO）是目前应用最广泛的开源仿真器之一，它对创建一个满足SUMO研究需求的环境具有重要意义。我们的目标是提高电动汽车充电站的使用效率，并在未来的工作中为电动汽车用户节省时间。因此，本文以新加坡裕廊地区为例，在交通模拟器SUMO的基础上，设计了电动汽车导航系统。各种国家的最先进的DRL算法部署在设计的测试平台上，以验证该框架的电动汽车充电调度问题的可行性。除了电动汽车调度问题外，该环境还可以用于其他强化学习（RL）交通控制问题
2022-09-11 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
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 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
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
Station Reallocation and Rebalancing Strategy for Bike-Sharing Systems: A Case Study of Washington DC
自行车共享作为一种城市交通模式越来越受欢迎，同时提高了互联公共交通系统的可负担性、灵活性和可靠性（即，互联的轻轨、公共汽车、微型交通和共乘交通模式）。从消费者的角度来看，1）在需求通常发生的方便位置找到自行车站，2）在高峰时间有自行车可用，遇到空码头的可能性较小（对于固定站自行车共享系统）是两个关键问题。一些站点更有可能是空的或满的，反映了自行车供需的不平衡。因此，必须了解自行车共享系统的需求模式，以选择最佳位置并将自行车重新分配到正确的站点，以提高利用率并减少未服务客户的数量（即，潜在需求）。华盛顿特区大都会区的Capital Bikeshare是美国着名的自行车共享系统之一-在七个司法管辖区的654个站点提供超过4，300辆自行车。本研究提供了一个自行车共享系统的首都自行车共享系统的使用模式的系统分析。我们的研究旨在创建一个优化策略，制定为一个确定性的整数规划重新分配自行车站每天和重新平衡的自行车供应系统。从业务角度来看，这一战略将允许通宵准备，以满足上午高峰时段和华盛顿特区特别活动期间的需求。
2022-04-16 cs.SY eess.SY
Mean-Field Control of Adherence in Participation-Coupled Vehicle Rebalancing Systems
Nanyang Technological University（南洋理工大学）；Aumovio SE；Massachusetts Institute of Technology（麻省理工学院）
本文研究了参与度在车辆再平衡系统中的均场控制问题，提出了一种微观随机模型，结合信念驱动参与、泊松需求、均匀匹配和贝塔-伯努利信念更新，推导了确定性均场递归，并证明了在平台激励下递归的全局well-posedness和不变性。
2026-04-01 cs.SY eess.SY
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
Global Rewards in Multi-Agent Deep Reinforcement Learning for Autonomous Mobility on Demand Systems
Technical University of Munich（慕尼黑工业大学）；Polytechnique Montréal（蒙特利尔理工学院）
针对自主按需出行系统中基于局部奖励的多智能体深度强化学习调度算法存在奖励信号偏差、性能受限的问题，提出基于反事实基线分配全局奖励的新算法，在真实数据上取得显著性能提升，还可改善车辆平衡与需求预测能力。
2024-05-19 cs.LG cs.MA cs.SY
A Robust and Constrained Multi-Agent Reinforcement Learning Electric Vehicle Rebalancing Method in AMoD Systems
University of Connecticut（康涅狄格大学）；University at Buffalo, The State University of New York（纽约州立大学布法罗分校）；University of Illinois, Chicago（伊利诺伊大学芝加哥分校）
针对电动汽车AMoD再平衡中训练与真实环境不匹配及约束问题，提出带RNPG的鲁棒约束MARL算法ROCOMA，显著提升公平性并降低成本。
2023-09-27 cs.LG cs.MA cs.RO
The Price of Fragmentation in Mobility-on-Demand Services
Ecole Polytechnique（巴黎综合理工学院）；Cornell University（康奈尔大学）
研究多平台分割需求对系统效率的影响，揭示碎片化导致的供应重新平衡成本变化，分析市场规模下碎片化成本的相变特性。
2018-03-05 cs.SY eess.SY
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
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
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
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
A Traffic Management Framework for On-Demand Urban Air Mobility Systems
University of Southern California（南加州大学）；Xtelligent, Inc.（Xtelligent公司）
本文提出了一种用于按需城市空中交通系统的集中式交通管理框架VertiSync，该策略在满足安全和能量约束下调度飞机服务与再平衡，能最大化大机队吞吐量并显著降低乘客等待时间。
2024-03-22 cs.MA cs.NI cs.RO
Optimal Vehicle Dimensioning for Multi-Class Autonomous Electric Mobility On-Demand Systems
University of Idaho（爱达荷大学）
本文研究多类自主电动出行按需系统中各区域的最优车辆配置，通过排队模型推导稳定性条件和系统类别的数量，以保证响应时间上限，并优化车辆充电比例以减少流入量，同时分析罕见事件下的客户等待时间。
2018-01-04 cs.SY eess.SP 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
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
Congestion-aware Ride-pooling in Mixed Traffic for Autonomous Mobility-on-Demand Systems
Eindhoven University of Technology（埃因霍温理工大学）
本文提出拥塞感知拼车AMoD系统的优化框架，通过二次规划求解联合分配与路由问题，发现拥塞感知路由是关键，且AMoD需至少40%拼车率才能降拥塞，否则空车重调度反而加剧拥堵。
2023-11-06 cs.SY eess.SY math.OC
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
Regime-Calibrated Fleet Repositioning with a Spatial Queue-Regret Decomposition
本文提出一种校准预测后优化方法，通过匹配历史需求制度与当前查询块，结合校准需求先验，传递给车队平衡控制器，减少等待时间并提升重新定位效率。
2026-05-10 cs.AI cs.LG cs.SY
The Impact of Shared Autonomous Vehicles in Microtransit Systems: A Case Study in Atlanta
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学院）；Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
本文研究了共享自动驾驶车辆在微通勤系统中的整合，通过动态调度优化提升服务质量和用户体验。
2026-08-19 cs.SY eess.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
