بهینه سازی استراتژی های جابجایی تاکسی های اینترنتی به منظور بهبود اختصاص درخواست های سفر در پلتفرم تپسی[Persian Thesis]

علیرضا کاظمی

در حوزه خدمات تاکسی آنلاین، یکی از مسائل حیاتی اختصاص دادن بهینه مسافران به رانندگان مناسب است. در حالی که الگوریتم‌ها برای بهبود این تخصیص توسعه یافته‌اند، چالش اساسی غالباً در نظر گرفته نشده نسبت تقاضا و عرضه در مناطق مختلف شهری است. به عبارت دیگر، با وجود اختصاص بهترین درخواست به یک راننده، مسیر در یک منطقه با تقاضای کم ممکن است درآمد کلی راننده را کاهش دهد. یکی از راه‌حل‌های ممکن برای این مشکل، جابجایی رانندگان به مناطقی با تقاضای بالاتر است. در این پروژه، هدف ما استفاده از الگوریتم‌های یادگیری تقویتی برای جستجوی استراتژی بهینه، هم در اختصاص رانندگان و هم در اختصاص سفر در یک منطقه است، تا درآمد رانندگان را در طول روز افزایش دهد. در این پایان‌نامه، مدلی پیشرفته بر اساس داده‌های به دست آمده از سیستم حمل‌و‌نقل تپسی در شهر مشهد پیاده‌سازی شده است که به دنبال نزدیک‌تر کردن شبیه‌سازی‌های ما به شرایط واقعی است. نوآوری‌های اصلی شامل در نظر گرفتن توزیع تصادفی رانندگان، مدل‌سازی دینامیک درآمد رانندگان، و اعمال الگوهای واقع‌گرایانه‌تر برای زمان انتظار مسافران می‌باشد. نتایج اجرای این مدل نشان داد که می‌توان درآمد رانندگان را در شهر مشهد افزایش داد، بدون اینکه به واریانس زیاد درآمد رانندگان دامن زده شود، که این امر تا حد زیادی به دلیل تعادل‌بخشی به نسبت عرضه و تقاضا در مناطق مختلف شهر بوده است. این پژوهش گامی مهم در فهم بهتر تعامل بین رانندگان و مسافران در محیط‌های شهری و ارائه راه‌حل‌های کارآمدتر برای سیستم‌های حمل‌و‌نقل مبتنی بر درخواست است. واژه‌های كليدی: یادگیری تقویتی، تاکسی اینترنتی، بهینه سازی، جابجایی