Maximal Compatibility Matching for Preference-Aware Ride-Hailing Systems
本文提出最大兼容性匹配（MCM）框架，通过学习乘客舒适区和司机行为画像计算兼容性得分，并将其纳入效用匹配算法，在保证运营效率的同时提升网约车匹配的个性化和社交可接受性。
2025-05-05 cs.SY eess.SY
Receding-Horizon Games with Tullock-Based Profit Functions for Electric Ride-Hailing Markets
本文提出一种基于滚动时域博弈和修正Tullock竞赛的电动网约车充电规划机制，通过半去中心化迭代方法求解纳什均衡，有效应对动态需求与能源成本波动。
2024-08-24 cs.SY eess.SY
Strategic Dispatching Equilibrium under Competition in Multi-Regional Ride-Hailing Markets
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文通过静态非合作博弈研究多区域网约车市场竞争，提出均衡存在性证明，并数值发现较小公司倾向集中车队，均衡车队规模可提升行业利润与服务需求。
2026-09-10 cs.SY eess.SY
Wise Goose Chase: A Predictive Path Planning Algorithm for Dynamic Rebalancing in Ride-Hailing Systems
本文提出WGC算法，通过延迟泛函微分方程预测网约车时空供需动态，为每位司机生成个性化巡游路径以最小化预期分配时间，并在模拟中优于基线策略。
2025-05-05 cs.SY eess.SY
Heuristics for Customer-focused Ride-pooling Assignment
拼车已成为网约车平台提供的一种重要服务选项，因为它在一次乘车中满足多个出行请求。通过利用客户数据、联网车辆和高效的分配算法，拼车可以成为解决司机短缺和减轻网约车运营负面外部性的关键工具。最近的文献集中在计算密集型的优化方法，最大限度地提高系统吞吐量或最小化车辆英里。然而，个别客户可能会遇到实质性的服务质量下降，由于随之而来的等待和绕道时间。相比之下，本文探讨了启发式方法的实时乘车池分配，是高度可扩展的，易于计算。我们提出了一个限制子图的方法，并比较它与其他现有的启发式和基于优化的匹配算法，使用各种指标。通过融合纽约市的多个出行和网络数据源，我们开发了一个灵活的、基于代理的模拟平台，以在不同的需求水平上测试这些策略，并研究它们如何影响客户体验和叫车平台。我们的研究结果发现，吞吐量和客户匹配时间之间的物流之间的权衡。我们表明，我们提出的拼车策略保持了系统性能，同时限制了行程延迟并改善了客户体验。这项工作为政策制定者和网约车运营商提供了关于更简单的物流性能的见解，并引发了人们对只优先考虑特定平台指标而不考虑服务质量的担忧。
2021-07-23 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
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
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
Where to go: Agent Guidance with Deep Reinforcement Learning in A City-Scale Online Ride-Hailing Service
Utah State University（犹他州立大学）
在线乘车服务已成为世界各地流行的交通系统。在本文中，我们研究了一个具有挑战性的问题，即如何在城市周围引导空置的出租车，以便在在线乘车服务中实现供需平衡。我们设计了一个新的奖励计划，考虑了在线乘车服务的多个性能指标。我们还提出了一种新的深度强化学习方法，名为Deep-Q-Network with Action Mask（AM-DQN），该方法屏蔽了各个位置的不必要动作，从而使智能体可以更快，更有效地学习。我们使用芝加哥的城市规模数据集进行了广泛的实验。几种流行的启发式和学习方法也被实现为比较的基线。实验结果表明，AM-DQN的平均故障率，平均等待时间的客户，平均空闲搜索时间的空闲出租车方面达到所有方法的最佳性能。
2022-12-12 cs.AI cs.LG cs.MA
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
Surrogate-based Real-time Curbside Management for Ride-hailing and Delivery Operations
本研究针对路边停靠车辆引发的拥堵问题，提出结合元启发式算法与代理模型的实时路边管理优化方法，经对比验证高斯过程回归为最优代理模型，实际应用中较无控制场景性能提升20.65%。
2023-10-05 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
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 Blotto Game Approach to Ride-hailing Markets with Electric Vehicles
本文研究网约车公司进入已存在竞争者的电动汽车市场时的车队分配问题，提出类似 Colonel Blotto 的博弈模型，证明了 Nash 均衡的存在性与唯一性，给出了均衡的一般性刻画、内部均衡计算算法及边界均衡检查方法，并通过数值案例展示了充电价格对均衡位置的影响。
2024-03-25 cs.SY eess.SY
A Dynamic Macroscopic Framework for Pricing of Ride-hailing Services with an Optional Bus Lane Access for Pool Vehicles
本文构建多模式聚合交通模型，提出PI与MPC动态定价控制方案，通过调节独乘与拼车价差及公交专用道使用权，降低公交延误、乘客行驶时间与等待时间。
2023-10-02 cs.SY eess.SY
Online Relocating and Matching of Ride-Hailing Services: A Model-Based Modular Approach
Tsinghua University（清华大学）；Central University of Finance and Economics（中央财经大学）
本研究提出基于模型的模块化方法（MMA），通过两层结构优化网约车订单匹配与车辆调度，具备可解释性、多项式时间算法及高鲁棒性，在理论和实验中均优于批量匹配和强化学习方法。
2023-10-13 cs.LG cs.SY eess.SY
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
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
Development dilemma of ride-sharing: Revenue or social welfare?
本研究基于9城真实出行数据揭示拼车虽提升社会福利但可能降低TNC及司机收益的困境，分析三大收益损失成因，为TNC定价和政府补贴提供参考。
2024-12-11 cs.SY eess.SY
Scaling Laws of Dynamic High-Capacity Ride-Sharing
本研究通过基于真实数据的智能体仿真，发现动态高容量拼车服务的关键性能指标随系统负载因子变化的规模定律，且该定律在不同网络和供需条件下具有普遍性，为城市规划和运营策略提供量化工具。
2023-05-12 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
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
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
On Optimizing Shared-ride Mobility Services with Walking Legs
与门到门（D2 D）共享乘车服务相比，结合旅行者步行腿的共享乘车移动性服务旨在减少车辆行驶公里数（VKT）、车辆行驶小时数（VHT）、请求拒绝、车队规模或这些因素的某种组合。本文提供了一个评论共享乘车服务与步行腿（SRSWL），特别是在文献中的研究模型与SRSWL相关的操作问题（S）。本文介绍了SRSWL的运营和社会效益，以及比较SRSWL迂回D2 D共享乘车服务，乘车服务，固定路线的交通服务，在VKT和旅客步行距离。然后，本文描绘了与SRSWL的业务子问题，并讨论了它们的计算复杂性。此外，审查分类的配置SRSWL的基础上的灵活性，在分配旅客接送地点。本文还讨论了四个建模挑战：短途人员出行，车辆最后剩余乘客的下车位置选择，允许车辆在上车位置等待旅客，同时降低VHT/VKT并提高相对于D2 D共享乘车服务的客户服务质量。评论文件的结论是讨论SRSWL相关的未来研究的最关键领域。
2022-01-29 cs.MA cs.SY eess.SY
A dynamic multi-region MFD model for ride-sourcing with ridesplitting
动态网络级模型直接解决乘车外包服务，可以支持制定有效的缓解拥堵和促进更可持续的流动性的战略。最近的发展提出了专注于叫车（单独乘车）的模型，但没有工作解决动态环境中的拼车（共享乘车）。在这里，我们试图开发一个动态聚合的交通网络模型，能够代表乘坐外包服务和背景交通在一个宏观的多区域城市网络。我们将宏观基本图（MFD）与详细的状态空间和背景交通和乘车源车辆在其活动中的过渡描述相结合，以制定质量守恒方程。基于累积的MFD模型可能会由于行程长度的变化而经历额外的误差，例如，当车辆巡航为乘客。我们整合了所谓的M模型，该模型利用总剩余距离来捕获不同车辆（私人或乘车来源）状态的区域和区域间流量和积累的动态。这种聚合模型能够再现复杂系统的动态，而无需使用资源昂贵的模拟。我们还表明，该模型可以准确地预测车辆的条件在不久的将来的预测。后来，与基准模型的比较显示，在所有国家的建议模型的错误较低。最后，我们评估了该模型对输入噪声的鲁棒性，即使输入值与网约车实际值相差20%，预测误差也保持在15%以下。这种模型的开发为制定基于实时反馈的管理政策铺平了道路，例如基于优先级的周边控制或闲置乘车源车辆的重新定位策略，以及制定拥挤地区乘车源的法规。
2023-01-24 cs.SY eess.SY physics.soc-ph
A Distributed Model-Free Algorithm for Multi-hop Ride-sharing using Deep Reinforcement Learning
Purdue University（普渡大学）
自动驾驶汽车、拼车系统和自动驾驶技术的发展将改变叫车平台规划服务的方式。然而，这些技术进步加上道路拥堵、环境问题、燃料使用、车辆排放和车辆使用的高成本，使人们更加关注如何更好地利用车辆及其容量。在本文中，我们提出了一种新的多跳乘车共享（MHRS）算法，该算法使用深度强化学习，通过与外部环境交互来学习最优车辆调度和匹配决策。通过允许客户在车辆之间转移，即，与拼车算法相比，MHRS使用一辆车骑行一段时间，然后转移到另一辆车，有助于实现30%的成本降低和20%的车队利用率提高。这种多跳功能的灵活性为客户和拼车公司提供了无缝体验，从而改善了拼车服务。
2019-10-30 cs.AI cs.LG cs.MA
Traffic Equilibrium in Mixed-Autonomy Network with Capped Customer Waiting
University of Southern California（南加州大学）
本文提出了一种混合自主网络交通均衡模型，通过整合网约车、旅行者和交通系统，分析自动驾驶车辆渗透率和路线偏离因子对交通系统性能的影响。
2025-12-11 cs.SY eess.SY
Investigating Taxi and Uber competition in New York City: Multi-agent modeling by reinforcement-learning
几十年来，出租车行业一直受到过度监管。监管应该确保在受控的竞争环境中的安全和公平。通过影响司机和乘客的选择和行为，新兴的电子叫车服务（例如，Uber和Lyft）在过去几年中一直在重塑现有的竞争格局。本研究调查了主流叫车服务（即，黄色和绿色出租车）和电子叫车服务（即，Uber在纽约市。他们的竞争调查的市场细分，新兴的需求和法规。数据可视化技术被用来发现旅行行为中现有的和新的模式。在这项研究中，我们开发了一个多智能体模型，并应用强化学习技术来模仿驾驶员的行为。该模型通过我们的数据可视化结果中识别的模式进行了验证。然后，该模型用于评估多个新法规和竞争场景。我们的研究结果表明，电子招呼器主导低旅行密度地区（例如，居民区），以及电子叫车快速识别和应对旅行需求的变化。这就导致了加油站的市场规模不断缩小。此外，我们的研究结果证实了绿色出租车法规对现有竞争的间接影响。这项调查，以及我们提出的方案，可以帮助政策制定者和当局设计政策，可以有效地解决需求，同时确保健康的竞争，为hailing和e-haling部门。关键词：出租车;优步;政策;网约车;多智能体仿真;强化学习;
2020-08-28 cs.CY cs.SY eess.SY
