本文关注的是在共享 AV 机动车辆出行服务 (SAMSs) 中，空闲车辆的预测性行驶问题。将该问题建模为马尔可夫决策过程，并提出了一种使用优势 actor-critic (A2C) 方法的强化学习方法，与基于优化的分配策略协作，学习一个预测性均衡策略。实验证明，该方法通过观察过去的需求并能够预测未来的需求，显著降低了乘客的等待时间。

Oct, 2022

通过一个基于 1500 万次出租车记录的仿真实验，我们展示了一个全新的对于车辆调度问题建模的思路，并且展示了这种思路优于其他传统算法。同时，我们的结果也提示出，在实际场景中，独立决策的分布式策略在实践中更加有效。

Apr, 2018

本文提出一种分散式数据融合和主动探测算法来进行实时的精细化移动需求感知并预测移动需求；并基于高斯过程的算法来解决预测性能和时间效率的平衡，并探讨了该算法可以使用机器人共享车辆在 MoD 系统中进行需求预测的问题。

Jun, 2013

骑行共享系统是提供生态友好的城市出行方式，有助于减轻交通拥堵和改善健康生活方式。本研究提出一种基于时空强化学习算法的动态均衡问题解决方案，在多种数据集上的实验证明其在减少需求损失方面优于传统模型，为城市出行提供更智能、强大的解决方案。

Feb, 2024

本论文提出了一种基于模型的派遣算法、基于高性能模型无关的强化学习算法和将自顶向下方法和模型无关强化学习的优点结合的新型混合算法，以路线优化策略的形式为车队提供路线规划，研究了面对实时、随机需求的情况下，在小到中型的道路网络中，对街道叫车服务的路线进行优化；使用基于代理的大规模微观仿真平台，评估了提出的算法在人工道路网络和社区基础新加坡道路网络中的表现，结果显示出基于模型的派遣算法、基于高性能模型无关的强化学习算法和混合算法在性能上均表现出色，并且混合算法可以显著加速模型无关学习者的学习过程。

Oct, 2020

设计一种基于多智能体强化学习 (MARL) 的框架用于解决电动自主车辆 (EAVs) 在经济与社会方面带来的挑战，通过建模供给和需求的不确定性来平衡整个城市的供求比率和充电利用率。

Jul, 2023

采用 VGA 方法来有效地解决大规模 MoD 系统中的乘客 - 车辆分配和路线问题，实验表明，采用最优化乘客共乘策略相对于没有共乘策略的 MoD 系统，车辆行驶距离减少 57%，平均乘客旅行延迟降低 5%。

Apr, 2023

本研究提出了一种创新的基于模型的模块化方法（MMA），以动态优化拼车平台中的订单匹配和车辆重定位。MMA 利用了一个两层和模块化的建模结构，其上层确定了系统内车流的空间转移模式，以最大化当前和未来阶段的总收益。在上层的指导下，下层执行快速的车辆 - 订单匹配和车辆重定位。我们理论上证明了所提算法可以在标准化网络中实现全局最优，而基于玩具网络和实际数据集的数值实验表明，与批量匹配和基于强化学习的方法相比，MMA 能够实现更优越的系统性能。此外，其模块化和轻量级的建模结构使其能够在需求变化较大的情况下，具有较高的鲁棒性，并保持相对较低的计算成本。

Oct, 2023

通过引入 Socio-Aware Spatial-Temporal Graph Convolutional Network（SA-STGCN）进行需求预测，并结合匹配集成优化的车辆再平衡模型（MIVR），本研究提出一种新型车辆再平衡方法，以提高算法和乘客公平性，从而更公平地预测和再平衡打车需求，有效减少等候时间和顾客等待时间的标准差。

Dec, 2023

我们提出了一个近似的一次一个滚动法算法，通过将图分割成基于预测需求和用户定义的最大代理数量的区域，以减少计算成本，并在每个区域中并行执行一次一个滚动法算法，从而实现稳定的近似最优策略。

Nov, 2023