Durum grafiği ve görev grafiği yapısal modellemesini bütünleştiren çok ajanlı güçlendirmeli öğrenme zamanlama algoritması ile paylaşımlı yolculuk görevlendirmesi

Şehir yaşamı için daha akıllı paylaşımlı yolculuğun önemi

Bir yolculuk çağırma aracını çok uzun süre bekleyen ya da yoğun köşelerin önünden boş araçların geçtiğini izleyen herkes, kentsel ulaştırmayı gerçek zamanlı yönetmenin ne kadar zor olduğunu görmüştür. Bu çalışma, yolcularla paylaşımlı araçları daha hızlı ve verimli eşleştirmeyi amaçlayan yeni bir yapay zeka tabanlı görevlendirme sistemi tanıtıyor; gereksiz kilometreleri azaltıyor ve yoğun, hızla değişen şehir trafiğinde bekleme sürelerini kısaltıyor.

Basit eşleştirmelerden karmaşık şehir trafiğine

Yolculuk çağırma, basit bir fikirle başladı: bir sürücü, bir yolcu, bir sefer. Bugünün şehir sokakları çok farklı görünüyor. Platformlar aynı anda binlerce aracı ve yolcuyu yönetiyor, sık sık birkaç yolcuyu tek bir araca bindiriyor ve filoları bütün semtlere yönlendiriyor. Talep dengesiz—şehir merkezi taleple doluyken başka bir bölge sakin olabiliyor—ve her şey dakika dakika değişiyor. Geleneksel kural tabanlı atama kuralları veya basit "en yakın araç" stratejileri bu ortamda zorlanıyor; uzun beklemelere, düşük araç kullanıma ve gereksiz sapmalara yol açıyor. Şekil

Bir büyük bulanık görüntü yerine iki bağlı harita

Yazarlar, görevlendirme problemini iki örtüşen harita olarak ele alan DualG-MARL adlı yeni bir çerçeve öneriyor. Bir harita araçları tanımlıyor: nerede oldukları, kaç koltukları olduğu ve boş mu yoksa zaten yolcu mu taşıdıkları. Diğer harita ise yolculuk taleplerini açıklıyor: kim seyahat etmek istiyor, nereden nereye ve hangi zamanda. Her harita, düğümler araçları veya talepleri temsil eden ve uzay-zamanda yakın olanları bağlayan kenarlardan oluşan bir grafik olarak modelleniyor. Araç ve yolcu bilgilerini ayrı ama birbirine bağlı grafiklerde tutarak sistem, her iki tarafın yapısını koruyor; her şeyi tek, karışık bir resme sokmuyor.

Yapay zekâ nasıl eşleştirmeyi öğreniyor

Bu ikiz grafiklerin üzerinde sistem, çok ajanlı güçlendirmeli öğrenme olarak bilinen bir makine öğrenmesi sınıfını kullanıyor. Her araç, yakın talepler arasından seçim yapan bağımsız bir karar verici ya da "ajan" olarak ele alınıyor. Ajanların ortak hedefi: bekleme sürelerini azaltmak, aşırı sapmalardan kaçınmak ve araçları verimli şekilde doldurmak. Model hem araç hem görev grafiklerini tarayarak desenler çıkarıyor, sonra en alakalı bağlantıları öne çıkaran bir dikkat (attention) mekanizmasıyla iki harita arasındaki uygun araç ve yolcu eşleşmelerini bağlıyor. Kararları hızlı ve kararlı tutmak için her olası çifti değerlendirmiyor. Bunun yerine, her araç için koltuk kapasitesi, alım gecikmesi ve kabul edilebilir sapma mesafesi gibi sert kurallarla filtrelenmiş en iyi adaylardan oluşan bir kısa liste (Top-K seti) oluşturuyor. Merkezi bir öğrenici tüm filonun performansını değerlendirirken, bireysel araçlar gerçek zamanlı işletimde basit yerel kuralları izliyor. Şekil

Sistemi gerçek New York City yolculuklarında test etmek

Araştırmacılar DualG-MARL'i New York City Taksi ve Limuzin Komisyonu'nun geniş ölçekli seyahat verileri üzerinde, Manhattan ve Queens’e odaklanarak test ettiler. Yöntemlerini el yapımı kurallar, matematiksel optimizasyon ve CoopRide gibi gelişmiş öğrenme tabanlı görevlendiriciler de dahil olmak üzere çeşitli mevcut yaklaşımlarla karşılaştırdılar. Her iki ilçede de yeni sistem dört ana ölçütte yeni kıstaslar belirledi: yolcunun ortalama alım bekleme süresini azalttı, başarılı hizmet verilen yolculuk taleplerinin payını artırdı, araçların müşteri taşıdığı zaman payını yükseltti ve paylaşımın neden olduğu ek mesafeyi hafifçe düşürdü. Önemli olarak, bu gelişmeler hesaplama maliyetlerini patlatmadan elde edildi: dikkat mekanizmasını seçilmiş umut vaat eden eşleşme kümesiyle sınırlayarak yöntem gerçek zamanlı kullanım için yeterince hızlı kaldı.

Günlük yolcular ve şehirler için anlamı

Basitçe söylemek gerekirse, çalışma bir kentin yolculuk çağırma sistemini araçlar için bir ve yolcular için bir olmak üzere iki yapılandırılmış ağ olarak temsil etmenin ve bunları dikkatle tasarlanmış bir öğrenme süreci aracılığıyla etkileştirmeye bırakmanın paylaşımlı yolculukları daha akıllı ve daha duyarlı kılabileceğini gösteriyor. Yolcular için bu daha kısa beklemeler ve daha güvenilir alımlar demek; şoförler ve platformlar için araçların daha iyi kullanımı ve daha az boş gidilen kilometre demek; şehirler için ise mevcut yolların daha az araç ve daha az tıkanıklıkla daha fazla insan taşımaya olanak vermesi ihtimalini işaret ediyor. Yazarlar, benzer grafik tabanlı, çok ajanlı fikirlerin otonom taksi filolarından acil müdahaleye kadar diğer hizmetlere de genişleyebileceğini ve modern kentsel hayatın karmaşık, değişken akışlarını yönetmek için daha düzenli bir yol sağlayabileceğini öne sürüyorlar.

Atıf: 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

Anahtar kelimeler: paylaşımlı yolculuk görevlendirmesi, çok ajanlı güçlendirmeli öğrenme, graf sinir ağları, kentsel hareketlilik, dinamik eşleştirme