i-Rebalance：供需平衡的个性化车辆重新定位
内容提要
该文综述基于强化学习的出行调度研究：利用深度强化学习与时空预测优化车辆再平衡和空闲车辆调度，提升效率、公平性与乘客满意度；结合多智能体强化学习构建共享电动出行仿真器并优化级联策略；提出两层框架协同城际车队管理；用分布式强化学习控制电池套利并管理风险；用多智能体框架平衡电动自主车辆供需与充电利用率。
延伸解读
强化学习在出行调度中的多场景应用
文章综述了多项研究，展示了强化学习在出行调度中的多样化应用：从实时调度决策、公平性再平衡、共享电动出行仿真与优化，到空闲车辆预测性行驶、城际车队协同管理、司机收入提升以及电池套利与风险管理。这些案例表明，强化学习能够针对不同调度场景（如网约车、共享单车、电动自主车辆）提供定制化解决方案，并已在真实数据集或A/B测试中验证了效果。
公平性与效率的平衡成为研究焦点
多篇研究明确关注公平性问题。例如，通过时空图卷积网络预测需求并结合匹配集成优化，旨在减少等候时间及其标准差，从而提升算法和乘客公平性；另一项研究则利用多智能体强化学习平衡电动自主车辆的供需比率和充电利用率，兼顾经济与社会挑战。这表明，车辆再平衡不仅追求效率，还需考虑服务分布的均衡性，以避免加剧不平等。
仿真与真实部署之间的验证路径
文章提及的研究采用了多种验证方式：有的基于真实数据集（如Mobike数据、比利时不平衡价格）进行离线评估，有的构建高保真仿真器（如共享电动出行仿真器）测试策略，还有的通过A/B测试和全面部署验证实际效果（如司机收入提升1.3%和主要指标提升5.3%）。这种从仿真到真实环境的渐进验证，有助于评估算法在复杂动态环境中的鲁棒性，但也提示读者注意不同验证阶段的结果差异。
Q&A
如何利用强化学习提高车辆调度的公平性？
通过引入Socio-Aware Spatial-Temporal Graph Convolutional Network（SA-STGCN）进行需求预测，并结合匹配集成优化的车辆再平衡模型（MIVR），可以更公平地预测和再平衡打车需求，有效减少等候时间和顾客等待时间的标准差。
共享电动出行系统如何用多智能体强化学习优化调度？
分析真实共享电动出行系统的运营模式、使用模式及扩张动态，利用多智能体强化学习建立高保真度仿真器，并提出基于动态优化的级联策略解法，显著提高系统对未来需求的满足度和收益。
空闲车辆预测性行驶问题如何建模和求解？
将空闲车辆预测性行驶问题建模为马尔可夫决策过程，提出使用优势actor-critic (A2C) 方法的强化学习方法，与基于优化的分配策略协作学习预测性均衡策略，通过观察过去需求并预测未来需求，显著降低乘客等待时间。
城际车队管理有哪些强化学习方法？
提出一个两层框架：上层采用多主体封建强化学习模型协同分配空闲车辆到不同城际线路，下层利用自适应大邻域搜索启发式不断更新车辆路线。
如何用强化学习实现电池能源套利并管理风险？
基于分布式强化学习的电池控制框架通过能源套利实现系统平衡，并从风险敏感视角优化套利利润和风险度量之和，同时限制电池日循环次数。比利时2022年不平衡价格表明分布式软演员-评论家方法超越其他方法，全程风险规避代理能在价格确定时通过充放电对冲未知不平衡价格。
电动自主车辆（EAVs）的供需平衡如何用多智能体强化学习解决？
设计基于多智能体强化学习（MARL）的框架，通过建模供给和需求的不确定性，平衡整个城市的供求比率和充电利用率，以应对EAVs在经济与社会方面的挑战。
