Machine Learning for the distributed and dynamic management of a fleet of taxis and autonomous shuttles
Machine Learning pour la gestion distribuée et dynamique d’une flotte de taxis et navettes autonomes
Résumé
In this thesis are investigated methods to manage shared electric autonomous taxi urban systems under online context in which customer demands occur over time, and where vehicles are available for ride-sharing and require electric recharging management. We propose the heuristics based on problem decomposition which include road network repartition and highlighting of subproblems such as charging management, empty vehicle redistribution and dynamic ride-sharing.The set of new methods for empty vehicle redistribution is proposed, such as proactive, meaning to take into account both current demand and anticipated future demand, in contrast to reactive methods, which act based on current demand only.We provide the reinforcement learning in different levels depending on granularity of the system.We propose station-based RL model for small networks and zone-based RL model, where the agents are zones of the city obtained by partitioning, for huge ones. The complete information optimisation is provided in order to analyse the system performance a-posteriori in offline context.The evaluation of the performance of proposed methods is provided in set of road networks of different nature and size. The proposed method provides promising results outperforming the other tested methods and the real data on the taxi system performance in terms of number of satisfied passengers under fixed fleet size.
Dans cette thèse sont étudiées des méthodes pour gérer des systèmes urbains de taxis électriques autonomes partagés dans un contexte en ligne dans lequel les requêtes des clients se produisent au fil du temps, et où les véhicules sont disponibles pour le partage de trajet et nécessitent une gestion de la recharge électrique. Nous proposons des heuristiques basées sur la décomposition de ce problème qui incluent la répartition du réseau routier et la mise en évidence de sous-problèmes tels que la gestion de la charge, la redistribution des véhicules vides et le partage de trajet dynamique. L'ensemble des nouvelles méthodes de redistribution des véhicules vides est proposée, dont proactives, c'est-à-dire qui prennent en compte à la fois la demande actuelle et la demande future anticipée, contrairement aux méthodes réactives, qui agissent uniquement sur la demande actuelle. Nous fournissons l'apprentissage par renforcement à différents niveaux en fonction de la granularité du système. Nous proposons un modèle RL basé sur les stations pour les petits réseaux et un modèle RL basé sur les zones, où les agents sont des zones de la ville obtenues par partitionnement, pour les plus grands. L'optimisation sous l'information complète est fournie afin d'analyser les performances du système a-posteriori en contexte hors ligne.L'évaluation des performances des méthodes proposées est accomplie dans un ensemble de réseaux routiers de nature et de taille différentes. La méthode proposée fournit des résultats prometteurs surpassant les autres méthodes testées et les données réelles sur les performances du système de taxi en termes de nombre de passagers satisfaits sous une flotte de taxi fixe.
Origine : Version validée par le jury (STAR)