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

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

介绍了共享出租车的一个理论框架，可以通过建立可共享性网络模型，计算共享的整体效益与乘客体验的折衷，使得城市的交通拥堵、空气污染等问题得以缓解和减少成本和排放，同时也得到了广泛的乘客支持和接受，且结果表明出租车共享系统的效率并不与出租车规模等因素相关

Oct, 2013

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

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

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。

Nov, 2019

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

本文研究了欧洲 10 个城市中一家主要租车公司的车辆可用性相关的网络数字记录，以分析及推测车共用旅行和不同区域的客户用途以确定维修设施的位置。

Jul, 2017

本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

Oct, 2019