An enhanced approximate dynamic programming approach to on-demand ride-Pooling
Notice bibliographique
Résumé
Ride-pooling services have been growing in popularity, increasing the need for efficient and effective operations. The main goal of ride-pooling services is to maximise the number of passengers served while limiting wait and delay times. However, factors such as the timing and volume of passenger requests, pick-up and drop-off locations, available vehicle capacity, and the trajectory to fulfil multiple requests introduce high degrees of uncertainty, creating challenges for ride-pooling operators. This study aims to expand the current state-of-the-art Approximate Dynamic Programming (ADP) approach for ride-pooling services, introduce key extensions, and perform a comparative analysis with the Neural Approximate Dynamic Programming (NeurADP) approach to optimise the efficiency and effectiveness of these services. Specifically, we develop an ADP approach that incorporates three important problem specifications: (i) pick-up and drop-off deadlines, (ii) vehicle rebalancing, and (iii) allowing more than two passengers in a vehicle. We conduct a detailed numerical study with the New York City taxi-cab dataset and a dataset of taxi-cab requests collected in the city of Chicago. We also provide a sensitivity analysis on key model parameters such as wait and delay times, passenger group sizes, and vehicle capacity. Our comparative analysis highlights the strengths and limitations of both ADP and NeurADP methodologies. Network density and road directionality are found to significantly impact the performance. NeurADP is found to be more efficient in learning value function approximations for larger and more complex problem settings than the ADP approach. However, in less complex cases, ADP is shown to outperform NeurADP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».