网约车平台的长期公平性

在高峰时间内，利用在线二分匹配技术设计可调参数算法以实现司机与乘客之间的公平和收益平衡。

提出了一种简单的激励机制公平方案，显著改善司机和乘客之间的公平性，无需重新培训。

引入SA-STGCN进行需求预测，并结合车辆再平衡模型，提高算法和乘客公平性，有效减少等候时间。

研究网约车司机收入不平等的原因，提出LP-based参数化在线算法以促进公平和利润。

通过Q学习算法在共享微移动服务中平衡性能优化与算法公平性，实现不同站点类别中的公平结果。

提出基于马尔可夫决策过程的算法框架，集成各种公平性考虑，平衡传统公平性与长期公平性。

介绍一种新的框架，将定价和匹配问题集成，实验表明可持续提高收入，减少车辆数量和总行驶里程。

探讨供需不平衡条件下出租车和产品送货服务的匹配效率，提出适用于双边市场的通用模型和算法。

提出端到端框架实现市场机器学习系统的公平性，适应不同公平性定义并在大规模环境中有效。

提出一种新方法解决交通出行需求预测中的公平性问题，通过损失函数中的公平性正则项平衡预测准确度与公平性。