L'Apprendimento per Rinforzo Profondo Ottimizza il Riequilibrio dei Bike-Sharing Senza Stazioni
Un articolo di ricerca introduce un approccio dinamico basato sull'Apprendimento per Rinforzo Profondo (DRL) per ottimizzare i sistemi di bike-sharing senza stazioni, superando le sfide poste dagli sforzi di riequilibrio periodici e a livello di sistema. La ricerca utilizza un simulatore basato su grafi per modellare il servizio e formula il riequilibrio come un processo decisionale di Markov. In questo quadro, un agente DRL gestisce un singolo furgone in tempo reale, effettuando ritiri, consegne e ricariche localizzati in base a punteggi di criticità spazio-temporali. Esperimenti su dati reali rivelano diminuzioni sostanziali dei fallimenti di disponibilità con una flotta minima, affrontando anche la disuguaglianza spaziale e i deserti di mobilità. Questo metodo evidenzia l'efficacia del riequilibrio basato sull'apprendimento per migliorare la micromobilità condivisa. I risultati sono disponibili su arXiv nella sezione Ingegneria Elettrica e Scienze dei Sistemi.
Fatti principali
- L'articolo propone un metodo DRL completamente dinamico per il riequilibrio dei sistemi di bike-sharing senza stazioni.
- Supera i limiti degli interventi periodici a livello di sistema.
- Modella il servizio tramite un simulatore basato su grafi e formula il riequilibrio come un processo decisionale di Markov.
- L'agente DRL instrada un singolo furgone in tempo reale con azioni localizzate.
- Le azioni includono ritiro, consegna e ricarica guidati da punteggi di criticità spazio-temporali.
- Esperimenti su dati reali mostrano riduzioni significative dei fallimenti di disponibilità.
- L'approccio limita la disuguaglianza spaziale e i deserti di mobilità.
- Pubblicato su arXiv nella sezione Ingegneria Elettrica e Scienze dei Sistemi.
Entità
Istituzioni
- arXiv