Oct, 2023

为驾驶员和乘客提供更好的配对：Lyft 中的强化学习

PDF
TL;DR为了更好地匹配驾驶员和乘客，我们改进了 Lyft 的核心匹配算法，使用在线强化学习方法实时估计驾驶员的未来收益，以寻找更高效的匹配。这是首个能够实时学习和改进的拼车匹配算法的记录实施，通过数周的实验评估，它使得我们的驾驶员能够每年为数百万额外的乘客提供服务，从而获得每年超过 3000 万美元的增量收入。Lyft 在 2021 年全球推广了这种算法。
ridesharingmatching algorithmonline reinforcement learningefficiencyincremental revenue
发现论文，激发创造
  • 野外强化学习：在打车市场部署的可扩展的强化学习调度算法

    本研究提出了一种基于强化学习的实时调度算法，采用了新型的时间差异价值更新方法，并引入了自适应图剪枝策略，实现了 A/B 测试下司机收入总量提升超过 1.3％和全面部署后主要性能指标提升达到 5.3％的显著性能提升。

    Feb, 2022

  • 平衡逆强化学习用于出租车网络

    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

  • 基于机器学习的打车规划调度调查

    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

  • 使用深度强化学习的实时网约车调度

    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

  • 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

  • 使用模型增强的强化学习优化出租车车队的随机路由

    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

  • 城市尺度在线打车服务中基于深度强化学习的代理指导方向

    本论文研究了如何通过新的 reward scheme 和 deep reinforcement learning 方法 AM-DQN 来控制城市中的空车，以实现在线打车服务的供需平衡，并使用芝加哥的数据集进行了实验，结果表明 AM-DQN 相对于其他方法具有更好的性能。

    Dec, 2022

  • 在线顺风车市场的优化框架

    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

  • 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

  • 利用场均多智能体强化学习进行高效拼车订单调度

    本研究采用多个智能体玩游戏的强化学习方法，结合平均场近似对订单调度问题进行建模，成功降低高峰期的供需差异并减少交通拥堵。

    Jan, 2019