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
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
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
Routing and charging game in ride-hailing service with electric vehicles
本文研究竞争性网约车市场中电动车的路径规划与充电行为，通过MDP建模单车行为，构建平均场马尔可夫博弈描述集体行为，证明均衡存在性并揭示竞争导致的低效拥堵现象。
2023-09-10 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
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
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
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
Electric Vehicle E-hailing Fleet Dispatching and Charge Scheduling
随着汽车和电池技术的最新发展，电动汽车（EV）正迅速成为传统化石燃料汽车的可持续替代品。这使得大规模电动化的乘车外包业务具有实际可行性，为实现城市可持续发展目标提供了机会。尽管电动汽车的行驶里程与化石燃料汽车相似，但其充电时间长，影响了车队的总服务时间。为了有效地管理电动汽车车队，运营商需要将充电调度问题作为调度策略的一部分来解决。本文介绍了一种概率匹配的方法，评估最佳的行程和充电决策的完全电气化的e-hailing车队，与运营商的预期市场利润最大化的目标。在向自动驾驶汽车的技术转型过程中，在本文所述的交通模型中纳入随机驾驶员行为也至关重要。由于司机可以遵守行程调度或选择拒绝充电行程订单考虑额外的费用，相反，通常假设的车队自主权，所提出的方法设计了一个激励计划（充电折扣），以鼓励司机遵守，使计划的充电行程和相关的利润可以实现。
2023-02-24 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
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
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
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
Labor-right Protecting Dispatch of Meal Delivery Platforms
送餐行业的繁荣带来了对骑手劳动权益的日益关注。目前，送餐平台的配送政策主要集中在满足消费者或减少乘客数量以节省成本。通过算法设计来改善骑手的工作条件的讨论很少。在机制和调度设计中缺乏对劳动者权益的关注，导致了骑手的时间浪费和风险驾驶。在本研究中，我们提出了一个基于博弈模型的框架来讨论以劳动者权益保护为目标的最优派遣政策。我们应用我们的框架来开发一个算法，最大限度地减少食品交付骑手的等待时间，保证用户体验。我们的框架还使我们能够体现餐馆关于其离线订单数量的数据在改善乘客利益方面的价值。
2021-09-29 cs.PF 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
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 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
A prediction-based forward-looking vehicle dispatching strategy for dynamic ride-pooling
针对动态拼车现有调度策略短视的问题，提出基于未来订单里程节省预测的前瞻性二分匹配调度策略，经海口真实数据仿真验证，较基线策略里程节省提升31%、乘客平均绕行距离减少18%，可有效提升系统效率与用户体验。
2024-03-11 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
DeepPool: Distributed Model-free Algorithm for Ride-sharing using Deep Reinforcement Learning
Purdue University（普渡大学）
本文提出DeepPool算法，通过深度Q网络技术学习最优调度策略，利用真实世界数据在纽约市出租车记录上表现优于其他不考虑拼车或不调度未来需求区域的策略，同时通过分布式方式实现快速适应动态环境。
2019-03-09 cs.NE cs.SY eess.SY
Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；Central University of Finance and Economics（中央财经大学）
本研究针对按需城际拼车服务中车辆调度与路径规划的复杂性，提出一种结合多智能体封建强化学习与自适应大邻域搜索的两级在线车队管理框架，有效缓解供需不平衡并显著提升系统利润与订单完成率。
2024-03-20 cs.AI cs.LG cs.SY
Mutual Information as Intrinsic Reward of Reinforcement Learning Agents for On-demand Ride Pooling
Dalian University of Technology（大连理工大学）；University of Virginia（弗吉尼亚大学）；Nanyang Technological University（南洋理工大学）
针对按需拼车中分布不寻常请求难以获服务的问题，提出基于强化学习的车辆调度框架，将车辆与订单分布间的互信息作为内在奖励以改善相关性，在真实数据集上使收入平均提升3%。
2024-01-07 cs.AI cs.LG cs.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 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
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
Optimal Vehicle Dispatching Schemes via Dynamic Pricing
IIIS, Tsinghua University（清华大学信息科学与技术学院）
本文通过经济方法解决网约车平台在地理和时间信息下的最优定价和车辆调度问题，提出高效算法计算最优随机定价方案，并通过实验证明其优于固定定价和涨价机制。
2018-03-01 cs.AI cs.GT cs.SY
