本文介绍了一种新的框架，可将定价和匹配问题集成起来，同时考虑这些决策对未来的影响。在真实的出租车数据集上实验表明，此框架可以以可持续的方式显著提高收入，减少所需车辆数量和总行驶里程，从而为所有相关方带来双赢的局面（包括顾客、司机、聚合器和环境）。

Feb, 2023

提出了一种基于凸松弛的近似框架，用于对共享车辆系统进行建模和优化，通过分析此近似框架的性质，得出了计算复杂度更低的解决方案并提供实际操作洞见，实现了对共享车辆系统的有效控制与管理。

Aug, 2016

本文介绍了在道路网络上提供实时拼车服务，并保证等待时间和服务时限的大规模实时拼车问题。作者提出了分支限界算法和整数规划算法，并且提出了一种更适应动态请求的动态调度算法，从而在上海出租车数据集上进行实验，并证明了此算法比其他算法响应时间更快。

Feb, 2013

本文提出了一个名为 V1D3 的 value-based 动态学习框架，它可以同时处理车辆分配和重新定位问题，并结合在线体验和历史轨迹数据进行周期性合成，取得了大幅提升，成为 KDD Cup 2020 RL 竞赛中车辆调度和定位的冠军。

May, 2021

研究了网约车司机收入不平等的原因，并通过在线二分图匹配模型提出促进公平和利润的 LP-based 参数化在线算法来解决这个问题。

Dec, 2020

本论文提出了一个新的多功能、开源的共享出行仿真平台，用于模拟各种代理在真实交通网络上的行为和移动，为用户提供训练和测试各种优化算法的几个可访问门户，特别是强化学习算法，包括按需匹配、闲置车辆重定位和动态定价等各种任务。该平台能够有效地测试理论模型与模拟结果的拟合程度，并在实验中取得了较好的效果。

Mar, 2023

本研究提出了在在线多容量拼车中具有竞争比率边界的方法，以解决由三部分图形成的匹配问题，该问题包括资源、请求和请求组以减少碳排放和提供更高的车辆 / 资源收入。

Sep, 2020

通过使用启发式算法和经济补偿方案，该研究提出了一种用于出租车和客户配对的新算法，该算法提高了城市移动效率，并减少了客户等待时间。

Jan, 2024

研究表明，当寻求最佳的车辆乘客分配和路线确定时，用户满意度应该是主要目标之一，因此发展了一种实用算法来提高用户满意度，并优于具有更简单满意度模型的最优化分配算法。

Jul, 2018

本文介绍了基于机器学习的打车规划最新发展的全面概述，并提出了一些发展方向。以分类法为基础介绍了各种规划任务和解决方案类型，包括集体匹配、分布式匹配、集体再定位、分布式再定位以及联合匹配和再定位。此外，本文还探讨了许多不可或缺的现实世界数据和模拟器，可供机器学习 - based ride-hailing planning 策略的经验性研究使用。

Mar, 2023