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

通过深度强化学习和决策时间规划，为运营商提供实时的出行调度决策，提高车辆调度效率和服务质量。

Mar, 2021

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

本文提出了一种解决动态车辆路径问题（DVRP）的方法，该方法适用于时间窗口和随机旅行请求，并针对局部交通服务应用。此外，该方法利用了问题的结构设计了启发式算法以便搜索具有很好前景的行动。实验表明，该方法在性能和鲁棒性方面均优于现有最先进的方法。

Mar, 2022

本文研究了一种基于离线车辆路径规划的在线客运服务问题，该问题考虑了灵活的接送时间窗口和实时订车，并提出了一种结合任意算法和基于学习的策略，比现有算法在实现更好的结果的求解方法。

Apr, 2022

提出了一个通过自适应路由策略降低等待时间、考虑未来需求以及能够适应不同需求分布的自主汽车调度和接送框架，该框架通过线上游戏算法和线下逼近方案相结合，在美国旧金山的实际出租车需求中得到了验证。

Nov, 2022

本研究提出了一个两层框架来促进在线车队管理，具体而言，上层框架提出了一种新的多主体封建强化学习模型，以协同分配空闲车辆到不同的城际线路，而下层利用自适应大邻域搜索启发式不断更新车辆的路线。

Jul, 2023

该研究提出了一种算法，能够在具有自主性的司机行为中，通过利用值迭代方法和策略传播计算所有乘客和司机的均衡策略，在 spatio-temporal distributions 与税车轨迹数据集等多个方面表现出优异的性能。

Feb, 2021

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