🤖 machine learning

HCRide: Harmonizing Passenger Fairness and Driver Preference for Human-Centered Ride-Hailing

Questo articolo introduce HCRide, un sistema di ride-hailing incentrato sull'uomo che impiega un nuovo algoritmo di apprendimento per rinforzo multi-agente chiamato Harmonization-oriented Actor-Bi-Critic (Habic) per armonizzare efficacemente l'equità per i passeggeri e le preferenze dei conducenti, migliorando simultaneamente l'efficienza complessiva del sistema.

Autori originali: Lin Jiang, Yu Yang, Guang Wang

Pubblicato 2026-08-06

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Lin Jiang, Yu Yang, Guang Wang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina una città frenetica come un gigantesco puzzle vivente dove milioni di persone cercano di andare dal punto A al punto B. Per risolvere questo puzzle, abbiamo app di ride-hailing come Uber o Lyft, che agiscono come i grandi risolutori del puzzle. Il loro compito è decidere quale conducente prenderà quale passeggero. Per molto tempo, questi risolutori del puzzle si sono occupati di una sola cosa: la velocità. Volevano far muovere tutti il più velocemente possibile per massimizzare i guadagni dell'azienda. Ma questo approccio "priorità alla velocità" ha spesso lasciato alcune persone in attesa per l'eternità mentre altre ottenevano l'auto istantaneamente, e a volte ha mandato i conducenti in posti che odiavano, lontani dalle loro case o dai loro percorsi abituali. È qui che entra in gioco un ramo dell'informatica chiamato "AI incentrata sull'uomo" (Human-Centered AI). Esso pone una domanda semplice ma complicata: Possiamo costruire un sistema che sia veloce e giusto per tutti, assicurandoci al contempo che le persone che guidano (gli umani al volante) siano felici? È come cercare di gestire una mensa dove vuoi che il cibo venga servito rapidamente, ma vuoi anche che ogni studente riceva una quota equa e che i cuochi si godano il proprio lavoro.

Il documento che stai per leggere, intitolato "HCRide", affronta esattamente questa sfida. I ricercatori, Lin Jiang, Yu Yang e Guang Wang, si sono resi conto che il vecchio modo di assegnare le corse era troppo egoista. Volevano progettare un nuovo sistema che bilanciasse tre cose: far arrivare le corse ai passeggeri rapidamente, assicurarsi che nessun passeggero aspetti molto più a lungo di un altro nelle vicinanze e rispettare i luoghi in cui i conducenti vogliono effettivamente guidare. Per fare ciò, hanno creato un programma per computer intelligente chiamato HCRide. Pensa a HCRide come a un gestore del traffico super organizzato che non guarda solo una mappa, ma ascolta anche i sentimenti dei conducenti e le necessità dei passeggeri.

Il cuore della loro invenzione è un algoritmo ingegnoso chiamato "Habic" (Harmonization-oriented Actor-Bi-Critic). Immagina un gioco di sedie musicali ad alta tensione, ma invece delle sedie, i giocatori sono i conducenti e la musica è un flusso di richieste di corsa. Nei vecchi giochi, i conducenti si sarebbero semplicemente precipitati ciecamente. Nella versione di HCRide, c'è un particolare "meccanismo di competizione" in cui solo i conducenti che sono effettivamente vicini e capaci di prendere una specifica corsa possono competere per essa. Questo mantiene il gioco equo e gestibile. Poi, ci sono due "giudici" (la parte Bi-Critic). Un giudice controlla quanto sono felici i passeggeri (osservando i tempi di attesa e l'equità), e l'altro controlla se i conducenti vengono mandati in posti che non gradiscono. Il "cervello" del sistema (l'Actor) ascolta entrambi i giudici e prende una decisione che cerca di accontentare tutti. Se un conducente viene mandato in un posto che odia, il "costo" aumenta e il sistema impara a evitarlo in futuro.

I ricercatori hanno testato il loro nuovo sistema utilizzando dati reali di due città molto diverse: Shenzhen in Cina e New York City negli Stati Uniti. Hanno eseguito simulazioni con oltre un milione di ordini di corsa per vedere come HCRide si sarebbe comportato rispetto ai migliori metodi esistenti. I risultati sono stati promettenti. In queste simulazioni, HCRide è riuscito a migliorare l'efficienza complessiva del sistema di circa il 2,02%, il che significa che le corse sono state leggermente più veloci per tutti. Ancora più importante, ha reso l'esperienza molto più equa per i passeggeri, riducendo l'ineguaglianza nei tempi di attesa di circa il 5,39%. Forse sorprendentemente, ha anche rispettato le preferenze dei conducenti in modo significativo, migliorando la soddisfazione dei conducenti del 10,21% rispetto ai vecchi metodi. Il documento suggerisce che trattando i conducenti e i passeggeri come esseri umani con esigenze specifiche anziché come semplici numeri su uno schermo, possiamo costruire un mondo di ride-hailing che funzioni meglio per tutti.

Sintesi Tecnica: HCRide – Armonizzare l'Equità dei Passeggeri e le Preferenze dei Driver

Formulazione del Problema
Il documento affronta i limiti degli attuali sistemi di assegnazione degli ordini per il ride-hailing, che privilegiano prevalentemente i ricavi della piattaforma e l'efficienza del sistema, spesso a scapito dell'esperienza del passeggero e della soddisfazione del driver. Nello specifico, gli approcci attuali trascurano frequentemente due fattori cruciali incentrati sull'essere umano:

Equità per i Passeggeri: I modelli di equità esistenti spesso assumono un'uguaglianza assoluta nei tempi di attesa indipendentemente dalla posizione, ignorando le fluttuazioni dinamiche di domanda e offerta in diversi contesti spaziali e temporali.
Preferenza dei Driver: I driver hanno spesso preferenze distinte per operare in regioni specifiche (ad esempio, vicino a casa o in aree familiari), ma i sistemi di assegnazione li indirizzano frequentemente verso zone non desiderate o sconosciute, portando a insoddisfazione e una ridotta efficienza operativa.

Gli autori formalizzano il problema dell'assegnazione degli ordini come un Processo Decisionale di Markov Vincolato (CMDP). L'obiettivo è massimizzare le ricompense cumulative a lungo termine (efficienza del sistema ed equità dei passeggeri) garantendo al contempo che il costo cumulativo (violazione delle preferenze dei driver) rimanga al di sotto di una soglia prestabilita.

Metodologia: HCRide e Habic
Per risolvere questo CMDP, gli autori propongono HCRide, un framework incentrato sull'uomo alimentato da un nuovo algoritmo di apprendimento per rinforzo multi-agente (MARL) chiamato Harmonization-oriented Actor-Bi-Critic (Habic). Il sistema si basa su tre componenti principali:

Modellazione Spazio-Temporale di Equità e Preferenza:
- Equità dei Passeggeri: Definita a due livelli. L'equità intra-regione assicura che i passeggeri nella stessa regione e nello stesso periodo di tempo sperimentino tempi di attesa comparabili. L'equità inter-regione stabilisce un benchmark dinamico basato sul rapporto domanda-offerta, riconoscendo che i tempi di attesa dovrebbero variare naturalmente in base alla densità regionale.
- Preferenza dei Driver: Modellata utilizzando le frequenze di visita storiche. Le regioni sono categorizzate in insiemi Positivi ( $H^+$ ), Neutrali ( $H^0$ ) e Negativi ( $H^-$ ). L'assegnazione di un driver a una regione in $H^-$ incorre in un costo, la cui entità è determinata dalla distanza dalla sua località preferita più vicina.
Meccanismo di Competizione Multi-Agente:
Per gestire l'ampio spazio delle azioni congiunte, il sistema trasforma il problema in spazi di azione distribuiti e più piccoli. Per ogni ordine, un set limitato di candidati driver entro un intervallo specifico compete per il compito. Questo meccanismo genera "caratteristiche di matching" (che combinano lo stato del driver e lo stato dell'ordine) per facilitare il processo decisionale a micro-livello tra driver eterogenei con diverse preferenze.
Algoritmo Harmonization-oriented Actor-Bi-Critic (Habic):
- Rete Actor Dinamica: Utilizza le caratteristiche di matching per selezionare il driver ottimale. Aggiorna alternativamente i parametri della policy ( $\theta$ ) e il moltiplicatore di Lagrange ( $\lambda$ ) per bilanciare il compromesso tra la massimizzazione della ricompensa e la soddisfazione dei vincoli.
- Rete Bi-Critic: Consiste in due reti di valutazione. La Reward Critic stima la ricompensa accumulata (efficienza ed equità), mentre la Cost Critic stima il costo accumulato (violazioni delle preferenze). Entrambe utilizzano la Generalized Advantage Estimation (GAE) e la Proximal Policy Optimization (PPO-Clip) per garantire una formazione stabile e la convergenza.

Contributi Chiave

Framework Innovativo: Questo lavoro presenta il primo studio sulla gestione del ride-hailing incentrata sull'uomo che ottimizza simultaneamente l'equità dei passeggeri e la preferenza dei driver senza compromettere l'efficienza complessiva del sistema.
Definizioni Basate sui Dati: Gli autori introducono definizioni formali, consapevoli dello spazio-tempo, per l'equità e la preferenza dei driver, derivate da studi qualitativi e analisi quantitative di oltre un milione di ordini reali.
Innovazione Algoritmica: Lo sviluppo dell'algoritmo Habic, che integra un meccanismo di competizione multi-agente con un'architettura Bi-Critic per risolvere efficacementamente il problema dell'ottimizzazione vincolata in un ambiente dinamico.

Risultati Sperimentali
Il sistema HCRide è stato valutato utilizzando due dataset reali: Shenzhen (1,07 milioni di ordini) e New York City (214k ordini). È stato confrontato con otto baseline, inclusi il dispatch miopico, metodi RL mono-agente e multi-agente, e approcci di RL vincolato.

I miglioramenti delle prestazioni chiave di HCRide rispetto alle baseline allo stato dell'arte includono:

Efficienza del Sistema: Riduzione del Tempo Medio di Attesa dei Passeggeri (APWT) del 2,02% (Shenzhen) e del 2,02% (NYC) rispetto alla baseline allo stato dell'arte Lag-TRPO.
Equità dei Passeggeri: Miglioramento dell'equità inter-regione del 5,29% (Shenzhen) e del 5,28% (NYC); miglioramento dell'equità intra-regione del 7,65% (Shenzhen) e del 5,39% (NYC).
Preferenza dei Driver: Riduzione del Tasso di Violazione delle Preferenze del 7,77% (Shenzhen) e del 10,21% (NYC).

Significatività e Rivendicazioni
Il documento afferma che HCRide armonizza con successo obiettivi contrastanti nel dispatch del ride-hailing. Trattando la preferenza del driver come un vincolo piuttosto che come un elemento secondario, e definendo l'equità attraverso una lente spazio-temporale anziché come uguaglianza assoluta, il sistema raggiunge un ecosistema più equilibrato. Gli autori sostengono che il loro approccio non solo migliora l'esperienza dell'utente sia per i passeggeri che per i driver, ma mantiene o migliora anche l'efficienza operativa della piattaforma, offrendo una via percorribile verso servizi di ride-hailing più sostenibili e incentrati sull'uomo.

Articoli simili