清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Combinatorial Optimization Meets Reinforcement Learning: Effective Taxi Order Dispatching at Large-Scale

强化学习 计算机科学 调度(生产过程) 匹配(统计) 二部图 组合优化 比例(比率) 订单(交换) 运筹学 工业工程 人工智能 数学优化 分布式计算 理论计算机科学 工程类 算法 物理 图形 财务 经济 统计 量子力学 数学
作者
Yongxin Tong,Duoqi Shi,Yi Xu,Weifeng Liu,Zhiwei Qin,Xiaowei Tang
出处
期刊:IEEE Transactions on Knowledge and Data Engineering [Institute of Electrical and Electronics Engineers]
卷期号:35 (10): 9812-9823 被引量:3
标识
DOI:10.1109/tkde.2021.3127077
摘要

Ride hailing has become prevailing. Central in ride hailing platforms is taxi order dispatching which involves recommending a suitable driver for each order. Previous works use pure combinatorial optimization solutions for taxi dispatching, which suffer in practice due to complex dynamics of demand and supply and temporal dependency among dispatching decisions. Recent studies try to adopt data-driven method into combinatorial optimization hoping knowledge from history data would help overcome these challenges. Among these attempts, adoption of reinforcement learning shows great promise but current adoptions are a unidirectional integration which restricts the potential performance gains. In this work, we propose \underline{L}earning \underline{T}o \underline{D}ispatch(\algoname), a systematic solution that allows synergic integration of reinforcement learning and combinatorial optimization for large-scale taxi order dispatching. We demonstrate the necessity of online learning and taxi scheduling for reinforcement learning to work in synergy with combinatorial optimization, and devise corresponding algorithms. We also devise many tricks for more efficient calculation of the bipartite matching. Experiments show our methods can improve 36.4% and 42.0% on utility and efficiency at most, respectively. Especially, it achieves state-of-the-art performance in terms of utility.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
6秒前
SciGPT应助爱科研爱生活采纳,获得10
13秒前
爱科研爱生活完成签到,获得积分10
24秒前
z123123发布了新的文献求助50
48秒前
zhdjj完成签到 ,获得积分10
52秒前
55秒前
Jasper应助科研通管家采纳,获得10
59秒前
LIU发布了新的文献求助10
1分钟前
新奇完成签到 ,获得积分10
1分钟前
Arthur完成签到 ,获得积分10
1分钟前
1分钟前
adeno完成签到,获得积分10
1分钟前
adeno发布了新的文献求助10
1分钟前
LIU完成签到,获得积分10
1分钟前
搜集达人应助古炮采纳,获得10
1分钟前
tmrrrrrr完成签到 ,获得积分10
1分钟前
2分钟前
古炮发布了新的文献求助10
2分钟前
Serendiply完成签到,获得积分10
2分钟前
小白完成签到 ,获得积分10
3分钟前
凯撒的归凯撒完成签到 ,获得积分10
3分钟前
段誉完成签到 ,获得积分10
3分钟前
袁翰将军完成签到 ,获得积分10
3分钟前
研友_Z7XY28完成签到 ,获得积分10
3分钟前
斯文的难破完成签到 ,获得积分10
3分钟前
终究是残念完成签到,获得积分10
3分钟前
留下记忆完成签到 ,获得积分10
3分钟前
whuhustwit完成签到,获得积分10
4分钟前
krathhong完成签到 ,获得积分10
4分钟前
晨曦发布了新的文献求助10
4分钟前
wx1完成签到 ,获得积分0
4分钟前
z123123完成签到,获得积分10
4分钟前
晨曦完成签到,获得积分10
5分钟前
邹醉蓝完成签到,获得积分10
5分钟前
研友_8Y26PL完成签到 ,获得积分10
5分钟前
jfw完成签到 ,获得积分10
5分钟前
lielizabeth完成签到 ,获得积分0
5分钟前
cosimo完成签到 ,获得积分10
5分钟前
科研通AI2S应助二掌柜采纳,获得10
6分钟前
高分求助中
Sustainability in Tides Chemistry 2000
The ACS Guide to Scholarly Communication 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Ожившие листья и блуждающие цветы. Практическое руководство по содержанию богомолов [Alive leaves and wandering flowers. A practical guide for keeping praying mantises] 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3077789
求助须知:如何正确求助?哪些是违规求助? 2730606
关于积分的说明 7513260
捐赠科研通 2378856
什么是DOI,文献DOI怎么找? 1261476
科研通“疑难数据库(出版商)”最低求助积分说明 611552
版权声明 597315