אלגוריתם תזמון בלמידת חיזוק רב-סוכנית שמשלב מודל מבני של גרף מצבים וגרף משימות לשיבוץ ברכבי שיתוף נסיעות

מדוע שיתוף נסיעות חכם יותר חשוב לחיי העיר

כל מי שחיכה זמן רב מדי למכונית שירות או שראה כלי רכב ריקים חולפים בצמתים עמוסים יודע כמה קשה לתאם תחבורה עירונית בזמן אמת. המחקר מציג מערכת ייעול מבוססת בינה מלאכותית שנועדה להתאים נוסעים ורכבי שיתוף במהירות וביעילות רבה יותר, לקצר קילומטראז׳ מבוזבז ולהפחית זמני המתנה בתנועה עירונית צפופה ומשתנה במהירות.

מרעיון התאמות פשוטות לתנועה עירונית מסובכת

שירותי הזמנת נסיעות התחילו מרעיון פשוט: נהג אחד, נוסע אחד, נסיעה אחת. הרחובות של היום נראים אחרת לגמרי. הפלטפורמות מנהלות אלפי כלי רכב ונוסעים בו-זמנית, לעתים מקבצות מספר נוסעים לאותו רכב ומנווטות צי across רובעים שלמים. הביקוש אינו אחיד—מרכז העיר עשוי להיות מוצף בבקשות בעוד אזור אחר שקט—והמצב משתנה דקה אחר דקה. כללים ידניים מסורתיים או אסטרטגיות פשוטות כמו "הקרוב ביותר" מתקשים בסביבה כזו, מה שמוביל לזמני המתנה ארוכים, ניצול נמוך של רכבים ונתיבים מיותרים. איור

שני מפות מקושרות במקום בלולאה אחת בלתי מובנת

המחברים מציעים מסגרת חדשה בשם DualG-MARL שמתייחסת לבעיית השיבוץ כשתי מפות חופפות. מפה אחת מתארת את כלי הרכב: היכן הם נמצאים, כמה מושבים יש להם והאם הם פנויים או כבר מובילים נוסעים. המפה השנייה מתארת את בקשות הנסיעה: מי רוצה לנסוע, מאיפה, לאן ובאיזה זמן. כל מפה ממודלת כגרף, שבו נקודות מייצגות רכבים או בקשות וקווים מחברים אלה שנמצאים קרובים במרחב ובזמן. על ידי שמירה על מידע של רכבים ונוסעים בגרפים נפרדים אך מקושרים, המערכת שומרת על המבנה של כל צד במקום לערבב את הכל לתמונה אחת מבלבלת.

כיצד ה-AI לומד להתאים נוסעים ורכבים

על ראשי שני הגרפים האלה המערכת משתמשת במחלקת שיטות למידת מכונה המכונה למידת חיזוק רב-סוכנית. כל רכב מטופל כמקבל החלטות עצמאי, או "סוכן", שבוחר בין בקשות בסביבה הקרובה. הסוכנים חולקים מטרה משותפת: לצמצם זמני המתנה, למנוע הסחות דרך מיותרות ולשמור על רכב בשימוש פרודוקטיבי. המודל סורק את שני הגרפים כדי לחלץ דפוסים, ולאחר מכן משתמש במנגנון תשומת לב—כלי בינה מלאכותית שמדגיש את הקשרים הרלוונטיים ביותר—כדי לקשר בין רכבים ונוסעים מתאימים בשתי המפות. כדי לשמור על מהירות ויציבות ההחלטות, הוא אינו שוקל כל זוג אפשרי. במקום זאת הוא בונה רשימת מועמדים קצוצה עבור כל רכב (קבוצת Top-K), מסוננת לפי כללים קשיחים כמו קיבולת מושבים, עיכוב איסוף ומרחק סטייה מקובל. לומד מרכזי מעריך עד כמה הצי כולו מתפקד, בעוד רכבים בודדים פועלים לפי כללים מקומיים פשוטים בזמן אמת. איור

בדיקת המערכת על נסיעות אמיתיות בניו-יורק

החוקרים בדקו את DualG-MARL על נתוני נסיעות בקנה מידה גדול מהרשות למוניות ולימוזינות של ניו־יורק, עם מיקוד במנהטן וקווינס. הם השוו את השיטה שלהם עם מגוון גישות קיימות, כולל כללים ידניים, אופטימיזציה מתמטית ומפענחי שיבוץ מתקדמים מבוססי למידה כגון CoopRide. בשני הרבעים המערכת החדשה קבעה קווים מנחים חדשים בארבעה מדדים מרכזיים: היא קיצרה את זמן ההמתנה הממוצע של הנוסעים לאיסוף, הגדילה את חלק הבקשות שנענו בהצלחה, העלתה את חלק הזמן שבו רכבים נשאו נוסעים והקטינה במעט את המרחק הנוסף שנוצר בעקבות שיתוף נסיעות. באופן חשוב, ההישגים האלה הושגו מבלי להגדיל באופן משמעותי את עלויות החישוב: על ידי הגבלת תשומת הלב לקבוצת התאמות מבוקרת, השיטה נשארה מהירה מספיק לשימוש בזמן אמת.

מה זה אומר לנוסעים ולעיר בכל יום

פשטות הדברים: המחקר מראה שייצוג מערכת שיתוף הנסיעות של עיר כשני רשתות ממוסדות—אחת לרכבים ואחת לנוסעים—and איפשור אינטראקציה ביניהן דרך תהליך למידה מתוכנן בקפידה יכול להפוך את ההקבצה לחכמה ותגובתית יותר. לנוסעים זה משמעו זמני המתנה קצרים יותר ואיסופים אמינים יותר; לנהגים ולפלטפורמות זה אומר שימוש טוב יותר ברכבים ופחות נסיעת ריקה; ולעיר זה מרמז על עתיד שבו הכבישים הקיימים מאפשרים להסיע יותר אנשים עם פחות רכבים ופחות עומס. המחברים מציעים שרעיונות דומים מבוססי גרפים ורב-סוכנים עשויים בסופו של דבר להתרחב לשירותים אחרים, מציי מוניות אוטונומיים ועד תגובות חירום, ולהציע דרך מסודרת יותר לנהל את הזרמים המורכבים והמשתנים של החיים העירוניים המודרניים.

ציטוט: Sha, J., Song, M., Sui, G. et al. A multi-agent reinforcement learning scheduling algorithm integrating state graph and task graph structural modeling for ride-sharing dispatching. Sci Rep 16, 5461 (2026). https://doi.org/10.1038/s41598-026-35004-8

מילות מפתח: שיבוץ ברכבי שיתוף נסיעות, למידת חיזוק רב-סוכנית, רשתות עצביות גרפיות, ניידות עירונית, התאמה דינמית