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
On the Dynamism of User Rejections in Mobility-on-Demand Systems
移动按需(MoD)系统,特别是叫车系统,近年来有了巨大的增长。这些系统提供以用户为中心的移动服务,其用户期望高水平的便利性。在应用程序请求后等待响应,并在很长一段时间后最终了解到没有车辆可用,这几乎是不可接受的。这项研究调查的用例,用户应该在一定的最大等待时间内提供服务。在对于有吸引力的MoD商业模型合理的某些假设下,可以表明,使用动态状态优化的运营商可以在第一次迭代之后向用户传达拒绝,从而消除这些用户离开系统之前的不必要的等待时间。此外,早期的操作员拒绝减少了后续的客户车辆分配问题的维度,从而节省了计算资源并更快地解决问题。反过来,这允许更短的重新优化周期和更快的响应,即更好的用户体验。
2021-04-03 cs.SY eess.SY
Cost-optimal Fleet Management Strategies for Solar-electric Autonomous Mobility-on-Demand Systems
本文针对太阳能电动自主按需出行系统,提出基于有向无环图和混合整数线性规划的车队管理优化框架,并通过黄金海岸案例证明其可降低10-15%运营成本,且大电池容量车辆在V2G操作中能进一步降低成本甚至盈利。
2023-05-30 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
A simulation-based evaluation of a Cargo-Hitching service for E-commerce using mobility-on-demand vehicles
对时间敏感的包裹递送,即要求在一天或更短时间内递送的货物,是一个越来越重要的研究课题。从承运人的角度来看,处理这些交付具有挑战性,因为它需要额外的规划限制,妨碍了在预先知道需求时可能实现的有效整合交付。此外,这种时间敏感的交付要求比零售中心更广泛的空间范围,包括家庭和办公室。因此,这种交付的增加被认为会加剧拥堵和排放等负面外部因素。解决办法之一是利用客运模式的闲置能力。这个概念通常被称为货物搭售。虽然存在各种可能的系统设计,但至关重要的是,这种解决方案不会恶化乘客行程的服务质量。本研究旨在评估使用移动按需服务,以执行当天的包裹交付。为此,我们使用SimMobility,一个高分辨率的基于代理的模拟平台的客运和货运流量,应用在新加坡。电子商业需求载体数据用于表征模拟包裹递送需求。探索了旨在最大限度地减少移动按需车辆对移动按需客流(履行,等待和旅行时间)的不利影响的操作场景。结果表明,移动按需服务有潜力满足相当数量的包裹交付,并减少货运车辆交通和总车辆公里行驶,而不影响移动按需乘客旅行的质量。
2020-10-22 cs.MA cs.SY eess.SY
On Accessibility Fairness in Intermodal Autonomous Mobility-on-Demand Systems
本文提出一种优化模型,在最小化可达性不公平的目标下规划多模式自主出行需求系统运行,通过线性规划求解,并在荷兰埃因霍温市案例中验证了以轻微时间成本实现平均完全公平的可行性。
2024-05-28 cs.SY eess.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
Data-Driven Distributionally Robust Electric Vehicle Balancing for Autonomous Mobility-on-Demand Systems under Demand and Supply Uncertainties
University of Connecticut(康涅狄格大学);University of Illinois, Chicago(伊利诺伊大学芝加哥分校);Florida State University(佛罗里达州立大学);Rutgers University(罗格斯大学);University of Virginia(弗吉尼亚大学)
电动汽车(EV)由于其经济和社会效益而迅速被采用。自主移动按需(AMoD)系统也顺应了这一趋势。然而,EV的长充电时间和高充电频率对有效管理EV AMoD系统提出了挑战。电动汽车主动式驱动系统复杂的动态充电和移动过程,使得在设计车辆平衡算法时,需求和供应的不确定性很大。在这项工作中,我们设计了一个数据驱动的分布式鲁棒优化(DRO)方法来平衡电动汽车的移动服务和充电过程。优化目标是在乘客出行需求不确定和电动汽车供应不确定的情况下最小化最坏情况下的期望成本。然后,我们提出了一种新的分布式不确定性集的构造算法,保证所产生的参数包含在所需的置信区域与给定的概率。为了解决所提出的DRO AMoD EV平衡问题,我们推导出一个等价的计算上易处理的凸优化问题。基于出租车系统的真实电动汽车数据,我们表明,与不考虑不确定性的解决方案相比,我们的解决方案的平均总平衡成本降低了14.49%,平均移动公平性和收费公平性分别提高了15.78%和34.51%。
2022-11-24 cs.RO cs.SY eess.SY
Congestion-aware Routing and Rebalancing of Autonomous Mobility-on-Demand Systems in Mixed Traffic
本文研究了自主移动按需(AMoD)系统,其中一个车队的自动驾驶汽车在混合交通条件下提供按需移动的出行感知的路线规划政策。具体来说,我们首先设计了一个网络流模型,通过考虑AMoD流对旅行时间的内生影响,以一种基于业务感知的方式优化AMoD路由和再平衡策略。其次,我们捕获反应性的外源性交通组成的私人车辆自私地适应以用户为中心的方式,通过利用迭代的方法的AMoD流。最后,我们展示了我们的框架的有效性与两个案例研究,考虑在马萨诸塞州东部和纽约市的交通子网络。我们的研究结果表明,对于高水平的需求,纯粹的AMoD旅行可能是有害的,因为它的再平衡流量产生的额外流量,而AMoD与步行或微移动选项的组合可以显着提高整体系统性能。
2020-03-09 cs.SY eess.SY math.OC
Competition in Electric Autonomous Mobility on Demand Systems
本文研究了竞争对自主移动按需系统的影响。通过采用基于网络流的公式,我们首先确定的最优策略的利润最大化的平台运营商在垄断和双寡头市场,包括最优价格的游乐设施。此外,我们描述了平台运营商的利润和消费者剩余。我们表明,对于双头垄断,游乐设施的均衡价格必须是对称的公司之间。然后,为了研究在市场中引入竞争的好处,我们推导出了垄断和双寡头环境之间的乘车价格、服务的总需求、企业利润和消费者剩余之比的普遍理论界限。我们讨论了消费者的公司忠诚度如何影响上述每个指标。最后,使用曼哈顿网络和需求数据,我们量化了静态定价和路由策略的有效性,并将其与实时模型预测策略进行了比较。
2021-07-15 cs.SY eess.SY math.OC
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
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
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
On the Interaction between Autonomous Mobility-on-Demand and Public Transportation Systems
Stanford University(斯坦福大学);Technical University of Munich(慕尼黑技术大学)
本文研究了自动驾驶出行即服务与公共交通系统的耦合模型及协调策略,通过网络流模型最大化社会福利,并设计定价与收费方案实现社会最优,以纽约市为例验证了协同效应。
2018-09-05 cs.RO cs.SY eess.SY
Planning and Operations of Mixed Fleets in Mobility-on-Demand Systems
自动驾驶汽车(AV)预计将有利于按需移动(MoD),这要归功于它们的全球协调能力。为了促进向完全自主的稳定过渡,我们考虑了自动驾驶部署的过渡期,国防部系统运行自动驾驶车辆(AV)和人类驾驶车辆(HV)的混合车队。在这样的系统中,AV由操作者集中协调,并且HV可以策略性地响应AV的协调。我们设计计算易处理的战略,以协调国防部系统中的混合舰队。具体来说,我们使用Stackelberg框架,其中国防部运营商作为领导者和人类驾驶的车辆作为追随者的混合车队的国防部系统建模。我们开发了两个模型:1)稳态模型,用于分析问题的属性并确定规划变量(例如,补偿,价格和AV的车队规模),以及2)时变模型,以设计用于AV的实时协调算法。所提出的模型进行了验证,使用的案例研究的启发,在新加坡的国防部服务的实际操作数据。实验结果表明,该算法能显著提高系统性能。
2020-08-18 cs.SY eess.SY
Justice-informed Planning of Intermodal Autonomous Mobility-on-Demand Systems under Operational Constraints
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种考虑用户预算、安全限制和基础设施容量约束的公正知情优化模型,用于多模式自主出行系统(AMoD)的运营规划,并在纽约曼哈顿案例中验证了免费公共交通政策能接近完全免费AMoD系统的公正水平且不牺牲效率。
2026-05-25 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
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
Real-time Operation of Electric Autonomous Mobility-on-Demand System Considering Power System Regulation
针对电动自主按需出行系统集群充电影响电力系统运行的问题,构建含车队时空特性、充电桩配置及电力调节约束的实时协调框架,提出结合模型预测控制的分段线性近似动态规划算法,经实验验证有效且凸显协调必要性。
2025-10-01 cs.SY eess.SY
Graph Meta-Reinforcement Learning for Transferable Autonomous Mobility-on-Demand
自主移动按需(AMoD)系统代表了现有交通模式的一种有吸引力的替代方案,目前受到城市化和日益增长的旅行需求的挑战。通过集中控制自动驾驶车队,这些系统为客户提供移动服务,目前已开始在全球多个城市部署。当前用于控制AMoD系统的基于学习的方法仅限于单个城市场景,由此允许服务运营商在同一交通系统内采取无限量的运营决策。然而,现实世界的系统运营商几乎无法负担为他们运营的每个城市完全重新培训AMoD控制器的费用,因为这可能导致培训期间大量的低质量决策,使单一城市策略成为一个潜在的不切实际的解决方案。为了解决这些限制,我们建议通过元强化学习(元RL)的镜头来形式化多城市AMoD问题,并设计一个基于递归图神经网络的演员-评论家算法。在我们的方法中,AMoD控制器被明确地训练,使得在新城市中的少量经验将产生良好的系统性能。从经验上讲,我们展示了通过元RL学习的控制策略如何能够通过学习快速适应的策略在看不见的城市中实现接近最优的性能,从而使它们不仅对新环境更具鲁棒性,而且对现实世界运营中常见的分布变化更具鲁棒性,例如特殊事件,意外拥堵和动态定价方案。
2022-02-15 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 Discrete-time Dynamical Model for Optimal Dispatching and Rebalancing of Autonomous Mobility-on-Demand Systems
本文提出一种基于图论和线性离散时间模型的自动驾驶按需出行系统最优调度与再平衡方法,利用模型预测控制求解,并在实际案例中验证其优于现有算法。
2024-02-03 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
Joint Pricing and Rebalancing of Autonomous Mobility-on-Demand Systems
本文研究了自主移动按需(AMoD)系统的最优定价和再平衡策略。我们采取宏观规划的角度来解决利润最大化的问题,同时确保系统的负载平衡。我们首先使用动态流体模型来描述系统,以显示平衡的存在和稳定性(即,负载平衡)通过定价策略。然后,我们开发了一个优化框架,使我们能够找到最佳的定价和再平衡方面的政策。我们首先通过只使用定价策略来最大化利润,然后结合再平衡,最后我们考虑是顺序还是联合找到解决方案。我们将每种方法应用于数据驱动的案例研究,使用来自纽约市的真实出租车数据。根据我们使用的基准测试解决方案,联合问题(即,定价和再平衡)将利润提高7%至40%
2020-03-30 cs.SY eess.SY math.OC
Model Predictive Control of Autonomous Mobility-on-Demand Systems
Department of Aeronautics & Astronautics, Stanford University(斯坦福大学航空航天系)
本文提出一种模型预测控制方法,用于优化自主按需出行系统中的车辆调度与路径规划,通过离散时间模型整合现实约束并证明算法稳定性,实验证明其在中等规模系统中能实时运行并优于传统控制策略。
2016-02-16 cs.SY eess.SY
Hierarchical Control for Vehicle Repositioning in Autonomous Mobility on Demand Systems
针对自动驾驶按需出行系统的空车调度问题,提出融合数据驱动预测控制与覆盖控制的分层策略,并在深圳真实路网仿真中验证其可提升需求匹配与服务效率。
2024-06-13 cs.SY eess.SY
Demand-Driven Vertiport Siting and Discrete-Event Fleet Simulation for On-Demand Urban Air Mobility Network Design
North Carolina A&T State University(北卡罗来纳A&T州立大学)
本文提出需求驱动的 UAM 网络设计框架,经大洛杉矶案例验证,更大机队可提升服务表现但无法消除空驶,UAM 更适合长距离或拥堵出行。
2026-08-18 cs.AI cs.SY eess.SY
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
Portfolio Design and Pricing for Multimodal Mobility-on-Demand Services Considering Traveler Responses
Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院);University of California, Los Angeles (UCLA)(加州大学洛杉矶分校)
本文提出一个联合优化服务菜单、票价和车辆行程的实时框架,利用GNL模型刻画乘客选择,并通过Fenchel对偶实现高效求解,显著提升运营商利润率和计算效率。
2026-10-07 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
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
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
Effects of Dynamic and Stochastic Travel Times on the Operation of Mobility-on-Demand Services
本文结合微观交通仿真研究动态随机行程时间对按需出行服务的影响,发现不准确行程时间估计与损害控制策略会显著降低即时叫车和拼车性能,而允许重新分配车辆调度仅能有限恢复系统效率与可靠性。
2023-08-10 cs.SY eess.SY
Hybrid Multi-agent Deep Reinforcement Learning for Autonomous Mobility on Demand Systems
Technical University of Munich(慕尼黑工业大学);Google Research(谷歌研究院);Stanford University(斯坦福大学)
针对自主按需出行系统,提出结合多智能体软演员-评论家与加权二分匹配的前瞻性控制策略,在真实数据上优于现有基准。
2023-05-10 cs.LG cs.MA cs.SY
Electric Autonomous Mobility-on-Demand: Joint Optimization of Routing and Charging Infrastructure Siting
车辆自主性、连通性和电动动力系统的出现有望实现按需自主移动系统的部署。至关重要的是,这些车队的路线和充电活动受到单个车辆和周围充电基础设施设计的影响,而这些基础设施的设计又应考虑到预期的车队运营。本文提出了一个建模和优化框架,我们优化车队的活动与充电基础设施的位置。我们采用中观规划的角度,并设计了一个时间不变的车队活动的路线和充电模式的模型,明确捕获的充电状态的车辆的道路网络作为一个有向图与等能量弧。然后,我们将问题转化为一个混合整数线性规划,保证全局最优性,可以在不到10分钟内解决。最后,我们展示了两个案例研究与纽约曼哈顿的真实出租车数据:第一个捕捉到充电基础设施普及率和车队行驶空里程之间的最佳权衡。我们观察到,共同优化基础设施选址显着优于启发式布局策略,增加车站的数量是有益的,只有到一定程度。第二个案例侧重于车辆设计,并表明部署配备较小电池的车辆会导致最低的能耗:尽管需要更多的充电站行程,但此类车队所需的能源比电池容量较大的车辆少约12%。
2022-11-22 cs.SY eess.SY
A Multi-Class Dispatching and Charging Scheme for Autonomous Electric Mobility On-Demand
University of Idaho(爱达荷大学)
本文提出一种多类调度与充电方案,通过雾计算解决自主电动按需服务中的计算和充电延迟问题,优化车辆充电比例和客户服务决策,提升系统响应时间。
2017-05-20 cs.SY eess.SY math.OC
Robust Electric Vehicle Balancing of Autonomous Mobility-On-Demand System: A Multi-Agent Reinforcement Learning Approach
University of Connecticut(康涅狄格大学);University of Illinois, Chicago(伊利诺伊大学芝加哥分校)
本文针对电动自动驾驶车辆在自主按需出行系统中的供需不确定性问题,提出基于多智能体强化学习的REBAMA算法,通过对抗智能体建模不确定性并训练鲁棒平衡策略,显著提升了奖励、充电利用公平性与供需公平性。
2023-07-30 cs.AI cs.LG cs.MA
Multi-Agent Soft Actor-Critic with Coordinated Loss for Autonomous Mobility-on-Demand Fleet Control
Technical University of Munich(慕尼黑技术大学);Munich Data Science Institute(慕尼黑数据科学研究所)
针对自主出行按需系统的车队控制,提出结合加权二分匹配的多智能体软演员-评论家算法,并引入协调损失与重新平衡,实验显示调度性能提升达12.9%,集成重新平衡时达38.9%。
2025-06-22 cs.LG cs.MA cs.SY
Stochastic Optimization of Coupled Power Distribution-Urban Transportation Network Operations with Autonomous Mobility on Demand Systems
本文提出含AMoDS的配电-城市交通网络双层PTF模型与概率分析方法,通过区域敏感性分析量化环境和人为不确定性影响,并在21节点PDN、20节点UTN系统中验证有效性。
2023-08-20 cs.SY 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
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
A City-centric Approach to Estimate and Evaluate Global Urban Air Mobility Demand
本文提出以城市为中心的预测方法,估算全球990个城市的市内空中出租车UAM需求,并通过参数敏感性与市场情景分析指出低票价和高垂直起降场密度是2050年前释放200多个城市市场潜力的关键。
2023-09-27 cs.SY eess.SY physics.soc-ph
Regulating Mobility-on-Demand Services: Tri-level Model and Bayesian Optimization Solution Approach
本文的目标是开发一个建模框架,捕捉移动服务提供商(MSP)和旅行者之间的决策动态,可用于优化和分析与MSP相关的政策/法规。为了实现这一目标,本文提出了一个三层数学规划模型,公共部门的决策者(监管者)在最高层,MSP在中间层,旅客在最低层。监管者通过实施法规、政策、规划、公交服务设计等,实现社会福利最大化;公交运营商通过调整公交服务设计,实现利润最大化。旅行者的目标是通过改变他们的模式和路线来最大化效用。旅行者的决定取决于监管机构和MSP的决定,而MSP的决定本身取决于监管机构的决定。为了解决三层数学规划,本研究采用贝叶斯优化(BO)内的模拟优化解决方案的方法。在最低层次上,解决方案包括一个基于代理的交通系统仿真模型,以捕捉旅客的行为,由监管机构和MSP作出的具体决定。基于代理的交通仿真模型包括模式选择模型、道路网络、公交网络和提供具有共享乘车的自动移动性按需(AMOD)服务的MSP。模型和解决方案的方法适用于德国慕尼黑,以验证模型。案例研究调查了城市管理部门应该设定的通行费和停车费,以及公共交通预算的变化和AMOD车队规模的限制。最佳政策设置来自两个社会福利的定义,在这两个AMOD车队规模不受监管的共享乘坐AMOD服务提供了显着的价值,旅客在慕尼黑。
2021-02-20 cs.SY eess.SY
Electric Autonomous Mobility-on-Demand: Jointly Optimal Vehicle Design and Fleet Operation
本文提出联合优化E-AMoD系统车辆电池容量、车队规模与运营策略的框架,通过混合整数规划与启发式算法求解,并在曼哈顿案例中证明20 kWh电池的小型轻型车队可实现利润最大化。
2023-09-21 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
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
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
A Framework to Integrate Mode Choice in the Design of Mobility-on-Demand Systems
Cornell University(康奈尔大学)
本文提出了一种整合出行方式选择的按需出行系统设计框架,通过多模式交通系统中的出行方式需求函数进行优化和分析,利用贝叶斯优化方法确定最优供应参数,并通过数值实验验证了该方法的优越性。
2018-10-07 cs.SY eess.SY math.OC
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
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
Towards More Efficient Shared Autonomous Mobility: A Learning-Based Fleet Repositioning Approach
University of California, Irvine(加利福尼亚大学尔湾分校);University of Connecticut(康涅狄格大学)
本文提出一种基于强化学习的集成系统-智能体再定位(ISR)方法,用于共享自主出行服务中的车队再定位,无需显式需求预测,可显著减少乘客等待时间并具有良好的可迁移性。
2024-02-08 cs.AI cs.CY cs.SY
FleetPy: A Modular Open-Source Simulation Tool for Mobility On-Demand Services
近年来,移动按需(MoD)服务的市场份额强劲增长,预计一旦车辆自动化完全可用,市场份额将进一步上升。这些服务可能会减少城市的空间消耗,因为如果私人车辆出行被取代,所需的停车位就会减少。如果另外共享乘车,则与占用相关的交通效率提高。仿真有助于确定国防部对交通系统的实际影响,评估新的控制算法,以提高服务效率,并制定监管措施的指导方针。本文介绍了开源的基于Agent的仿真框架FleetPy。FleetPy(用程序设计语言“Python”编写)是明确开发的,用于以高级别的细节对国防部服务进行建模。它特别关注用户与运营商的交互建模,同时其灵活性允许在整个交通系统中集成和嵌入多个运营商。其模块化结构确保了先前开发的元素的可移植性和建模细节的适当级别的选择。本文比较了现有的国防部服务的仿真框架,并突出了FleetPy的独特功能。给出了上层仿真流程,随后是仿真所需的输入数据和FleetPy产生的输出数据。此外,还提供了FleetPy中的模块和当前实现的高级描述。最后,纽约曼哈顿的一个例子展示了不同模块对模拟流、车队优化、旅行者行为和网络表示的影响。
2022-07-28 cs.MA 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
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