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

该研究提出了一种简单的激励机制公平方案，以改善运用现有 ILP 方案时可能导致的司机和乘客不公平问题，并证明了该方案显著优于其他成功案例，无需重新培训即可实现对最差的个体的度量改善。

Mar, 2023

该研究提出了一种在线双向配对平台的算法，可同时为双方市场提供公平的处理保证，考虑了原则主义公平的组和个人标准，并在操作者利润计算的最坏情况下降低其利润，具有理论保证和可调参数来平衡三方的效用，并发现可以给出任何算法性能的明确上界。

Jan, 2022

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

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

该论文提出了一种名为 Spatio-Temporal Pricing（STP）的机制，通过将空间失衡和时间变化纳入考虑，实现了平台合理定价。利用该机制可以实现比传统机制更好的社会福利和收益公平性。

Jan, 2018

这篇论文提出了一种新的在线匹配模型，该模型考虑了资源重用问题，同时给出了一个基于线性规划的自适应算法，可以在应用实例如出租车调度服务等中得到应用。

Nov, 2017

在共享微移动服务的运营和控制中，通过 Q 学习算法在机器学习系统中平衡性能优化与算法公平性，以实现在不同站点类别中的公平结果。

Mar, 2024

本研究探讨了在供需不平衡条件下，改进出租车和产品送货服务的匹配效率的一般性框架，提出了可适用于双边市场的高度通用的模型，并提出了有效的在线和离线算法。

Dec, 2016

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