状態グラフとタスクグラフの構造モデルを統合したマルチエージェント強化学習スケジューリングアルゴリズムによるライドシェア配車

都市生活においてより賢いライドシェアが重要な理由

配車を長く待たされたことがある人や、空の車両が混雑した角を通り過ぎるのを見たことがある人は、都市交通をリアルタイムに調整する難しさを感じたことがあるでしょう。本研究は、乗客とライドシェア車両をより迅速かつ効率的にマッチングし、無駄な走行距離を減らし、混雑し変化の速い都市交通で待ち時間を短縮することを目指した新たなAIベースの配車システムを紹介します。

単純なマッチングから入り組んだ都市交通へ

配車サービスは当初、単純な発想から始まりました：1人の運転手、1人の乗客、1回の移動。しかし今日の市街地はまったく様相が異なります。プラットフォームは一度に何千台もの車両と利用者を管理し、複数の乗客を同じ車に乗せるプール走行や広域にわたる車両配車を行います。需要は偏在しており、中心街はリクエストであふれている一方で別の地域は静か、しかも状況は分単位で変わります。従来のルールベースの配車や単純な「最も近い車を割り当てる」戦略はこの環境で苦戦し、長い待ち時間、低い車利用率、不必要な迂回を招きます。Figure

一つのぼやけた地図ではなく、二つのつながる地図

著者らは、配車問題を重なり合う二つの地図として扱う DualG-MARL という新しい枠組みを提案します。一方の地図は車両を表します：位置、座席数、空車か乗客を載せているかなど。もう一方は配車要求を表します：誰が、どこから、どこへ、いつ移動したいか。各地図はグラフとしてモデル化され、点が車やリクエストを表し、空間的・時間的に近いもの同士を線で結びます。車両と乗客の情報を別々だが連結されたグラフに保持することで、両側の構造を混ぜ合わせて曖昧にするのではなく、それぞれの構造を保つことができます。

AIはどうやって乗客と車を学習して結びつけるのか

この二重グラフの上に、システムはマルチエージェント強化学習と呼ばれる機械学習手法群を適用します。各車両は独立した意思決定者（エージェント）と見なされ、近隣のリクエストの中から選択を行います。エージェントは共通の目標を共有します：待ち時間を減らし、過度な迂回を避け、車両を有効に稼働させ続けることです。モデルは両方のグラフを走査してパターンを抽出し、注意機構（最も関連性の高い結びつきを強調するAIツール）を用いて二つの地図間で適切な車と乗客を結び付けます。意思決定を高速かつ安定に保つため、あらゆる組み合わせを検討するわけではありません。代わりに各車両について上位候補（Top-K セット）の短いリストを作成し、座席容量、ピックアップ遅延、許容される迂回長などの厳格なルールでフィルタリングします。中央の学習者が艦隊全体の性能を評価し、個々の車はリアルタイム運用時には単純な局所ルールに従います。Figure

ニューヨーク市の実際の乗車データでの検証

研究者らは、ニューヨーク市のタクシー・リムジン委員会の大規模な乗車データ（主にマンハッタンとクイーンズ）で DualG-MARL を検証しました。手作りルール、数理最適化、高度な学習ベースの配車手法（CoopRide など）を含む複数の既存手法と比較しました。両地区において、新しいシステムは4つの主要指標で新たなベンチマークを打ち立てました：乗客の平均待ち時間の短縮、対応できたリクエストの割合の増加、車両が顧客を乗せていた時間の割合の増加、そして共有による追加走行距離のわずかな削減。重要なのは、これらの改善が計算コストを爆発的に増やさずに達成された点です。注目候補の集合に注意を制限することで、リアルタイム運用に十分な高速性を保ちました。

日常の利用者と都市にとっての意味

平たく言えば、本研究は都市の配車システムを車両用ネットワークと利用者用ネットワークの二つの構造化されたネットワークとして表現し、それらを精緻に設計された学習プロセスで相互作用させることで、プール走行をより賢く応答性の高いものにできることを示しています。乗客にとっては待ち時間の短縮とより確実なピックアップを意味し、運転手やプラットフォームにとっては車両の有効活用と無駄走行の減少を意味します。都市にとっては、既存の道路でより少ない車両でより多くの人を移動させ、渋滞を緩和する将来の可能性を示唆します。著者らは、同様のグラフベースのマルチエージェントの考え方が、自律タクシーの艦隊や緊急対応など他のサービスにも拡張され、現代都市の複雑で変動する流れをより秩序立てて管理する手段を提供し得ると示唆しています。

引用: 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

キーワード: ライドシェア配車, マルチエージェント強化学習, グラフニューラルネットワーク, 都市モビリティ, 動的マッチング