AAAINov, 2019

基于神经网络的动态规划算法应用于顺风车拼车

PDF
TL;DR本文提出了一种基于 Approximate Dynamic Programming (ADP) 的方法，使用神经网络近似值函数，并展示了与 Deep Reinforcement Learning 的联系，以应对近实时 ride-pooling 问题中整数线性规划和组合复杂性，并在实际数据集上表现出比之前方法高达 16％的效果，显著改进了城市交通问题。
ride-poolingapproximate dynamic programmingcombinatorial complexityneural networkdeep reinforcement learning
发现论文，激发创造
  • 神经近似动态规划在超快订单调度问题中的应用

    同日配送服务通过在严格的时间限制内将订单匹配和调度给快递员，从而提高配送效率。采用了 NeurADP 方法来解决复杂的一对多匹配和路径规划问题，结果表明 Order batching 和 courier queues 的引入提升了配送效能，而 NeurADP 方法在各种不同情景下都具有稳健性。

    Nov, 2023

  • 基于多智能体分层强化学习的即时城际拼车服务车辆派遣和路径规划

    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

  • 解决城市接送服务中随机请求动态车辆路径问题的在线方法

    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

  • 深度策略动态规划在车辆路径问题中的应用

    Deep Policy Dynamic Programming 优先和限制来自深度神经网络的策略，以结合学习嵌入式启发式和动态规划 (DP) 算法的优点，以优化旅行商问题 (TSP)、车辆路径问题 (VRP) 和带时间窗口的 TSP (TSPTW) 的性能，同时胜过大多数其他解决 TSPs、VRPs 和 TSPTWs 的 ' 神经方法 '。

    Feb, 2021

  • 可持续的即时拼车的未来感知定价和匹配

    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

  • 互信息作为强化学习智能体的内在奖励：面向按需乘车拼车的研究

    采用增强学习算法的车辆调度框架在提高收益的同时保证了请求的合理分配，可以显著提高现有最佳即时共乘方法的收入达到平均 3％的增长。

    Dec, 2023

  • 自适应可变需求的自主路由和取货问题的多智能体强化学习

    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

  • 为动态个性化的拼车服务设计的机器学习排名算法

    本文提出了 GoTogether, 一种基于学习排序技术的拼车推荐系统，通过用户历史选择建立个性化排序模型并最大化成功匹配的推荐，实验结果表明在静态和动态情况下该方案能快速准确预测用户选择。

    Jul, 2023

  • 大规模地图上的按需城市移动问题的近似多智能体强化学习 (扩展版)

    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

  • 实时车辆位置问题

    本文提出一种新颖的问题：如何在空间和时间上变化的情况下放置车辆以实时满足乘客的需求。研究者使用了四个主要美国城市一千万次乘车请求的数据集，证明了这种请求具有显著的自我相似性，并提出了分布式在线学习算法用于解决实时车辆定位的问题，并且通过观察到的自相似性，确定了算法的预期性能边界。

    Dec, 2017