🤖 machine learning

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

Dit artikel introduceert HCRide, een mensgericht ride-hailing systeem dat een nieuw multi-agent reinforcement learning-algoritme genaamd Harmonization-oriented Actor-Bi-Critic (Habic) gebruikt om effectief de eerlijkheid voor passagiers en de voorkeuren van chauffeurs te harmoniseren, terwijl tegelijkertijd de algehele systeemefficiëntie wordt verbeterd.

Oorspronkelijke auteurs: Lin Jiang, Yu Yang, Guang Wang

Gepubliceerd 2026-08-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Lin Jiang, Yu Yang, Guang Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een bruisende stad voor als een gigantische, levende puzzel waarbij miljoenen mensen van punt A naar punt B proberen te komen. Om deze puzzel op te lossen, hebben we ride-hailing apps zoals Uber of Lyft, die fungeren als de meester-puzzeloplossers. Hun taak is om te beslissen welke chauffeur welke passagier oppikt. Lange tijd gaven deze puzzeloplossers slechts één ding om: snelheid. Ze wilden iedereen zo snel mogelijk in beweging krijgen om zoveel mogelijk geld voor het bedrijf te verdienen. Maar deze "snelheid-eerst" aanpak liet vaak sommige mensen eeuwig wachten terwijl anderen direct een auto kregen, en het stuurde chauffeurs soms naar plekken waar ze een hekel aan hadden, ver weg van hun huis of hun gebruikelijke routes. Hier komt een tak van de informatica genaamd "Human-Centered AI" (mensgerichte AI) kijken. Het stelt een eenvoudige maar lastige vraag: Kunnen we een systeem bouwen dat zowel snel als eerlijk is voor iedereen, terwijl we er ook voor zorgen dat de mensen die het rijden (de mensen achter het stuur) gelukkig zijn? Het is alsof je een cafetaria runt waar je wilt dat het eten snel wordt geserveerd, maar je wilt ook dat elke student een eerlijk deel krijgt en dat de koks plezier beleven aan hun werk.

Het artikel dat je zojuist hebt gelezen, getiteld "HCRide", pakt precies deze uitdaging aan. De onderzoekers, Lin Jiang, Yu Yang en Guang Wang, realiseerden zich dat de oude manier van ritten toewijzen te egoïstisch was. Ze wilden een nieuw systeem ontwerpen dat drie dingen in balans brengt: passagiers hun ritten snel laten krijgen, ervoor zorgen dat geen enkele passagier veel langer moet wachten dan iemand anders in de buurt, en rekening houden met waar chauffeurs daadwerkelijk willen rijden. Om dit te bereiken, creëerden ze een slim computerprogramma genaamd HCRide. Zie HCRide als een supergeorganiseerde verkeersmanager die niet alleen naar een kaart kijkt, maar ook luistert naar de gevoelens van de chauffeurs en de behoeften van de passagiers.

De kern van hun uitvinding is een slim algoritme genaamd "Habic" (Harmonization-oriented Actor-Bi-Critic). Stel je een spannend spelletig stoelen dansen voor, maar in plaats van stoelen zijn de spelers chauffeurs en de muziek is een stroom aan ritverzoeken. In de oude spelletjes zouden de chauffeurs gewoon blindelings naar voren rennen. In de versie van HCRide is er een speciaal "concurrentiemechanisme" waarbij alleen de chauffeurs die daadwerkelijk dichtbij zijn en in staat zijn om een specifieke rit te nemen, mogen strijden om deze. Dit houdt het spel eerlijk en beheersbaar. Vervolgens zijn er twee "rechters" (het Bi-Critic deel). Eén rechter controleert hoe tevreden de passagiers zijn (door te kijken naar wachttijden en eerlijkheid), en de andere rechter controleert of de chauffeurs naar plekken worden gestuurd die ze niet leuk vinden. Het "brein" van het systeem (de Actor) luistert naar beide rechters en neemt een beslissing die probeert iedereen tevreden te stellen. Als een chauffeur naar een plek wordt gestuurd waar hij een hekel aan heeft, gaat de "kost" omhoog en leert het systeem dit in de toekomst te vermijden.

De onderzoekers testten hun nieuwe systeem met echte gegevens uit twee zeer verschillende steden: Shenzhen in China en New York City in de VS. Ze draaiden simulaties met meer dan een miljoen ritbestellingen om te zien hoe HCRide zou presteren ten opzichte van de beste bestaande methoden. De resultaten waren veelbelovend. In deze simulaties slaagde HCRide erin de algehele systeemefficiëntie met ongeveer 2,02% te verbeteren, wat betekent dat ritten iets sneller verliepen voor iedereen. Belangrijker nog, het maakte de ervaring veel eerlijker voor passagiers, waarbij de ongelijkheid in wachttijd met ongeveer 5,39% afnam. Misschien wel het meest verrassend was dat het de voorkeuren van chauffeurs aanzienlijk beter respecteerde, waarbij de tevredenheid van chauffeurs met 10,21% verbeterde vergeleken met de oude methoden. Het artikel suggereert dat door chauffeurs en passagiers te behandelen als mensen met specifieke behoeften in plaats van slechts cijfers op een scherm, we een wereld van ride-hailing kunnen bouwen die beter werkt voor iedereen.

Technische Samenvatting: HCRide – Harmonisatie van Passagiersrechtvaardigheid en Chauffeurspreferentie

Probleemformulering
Het artikel behandelt de beperkingen van bestaande dispatchsystemen voor rittenbestellingen, die voornamelijk prioriteit geven aan platforminkomsten en systeemefficiëntie, vaak ten koste van de passagierservaring en de tevredenheid van de chauffeur. Specifiek negeren huidige benaderingen vaak twee cruciale mensgerichte factoren:

Passagiersrechtvaardigheid: Bestaande rechtvaardigheidsmodellen gaan vaak uit van absolute gelijkheid in wacjes, ongeacht de locatie, waarbij zij de dynamische schommelingen in vraag en aanbod over verschillende ruimtelijke en temporele contexten negeren.
Chauffeurspreferentie: Chauffeurs hebben vaak specifieke voorkeuren voor het opereren in bepaalde regio's (bijv. nabij huis of bekende gebieden), maar dispatchsystemen wijzen hen echter vaak toe aan onbekende of ongewenste zones, wat leidt tot ontevredenheid en verminderde operationele efficiëntie.

De auteurs formaliseren het dispatchprobleem als een Constrained Markov Decision Process (CMDP). Het doel is om de langetermijn cumulatieve beloningen (systeemefficiëntie en passagiersrechtvaardigheid) te maximaliseren, terwijl de cumulatieve kosten (schending van chauffeurspreferenties) onder een vooraf bepaald drempelniveau blijven.

Methodologie: HCRide en Habic
Om deze CMDP op te lossen, stellen de auteurs HCRide voor, een mensgericht framework dat wordt aangedreven door een nieuw multi-agent reinforcement learning (MARL) algoritme genaamd Harmonization-oriented Actor-Bi-Critic (Habic). Het systeem is gebouwd op drie kerncomponenten:

Spatio-temporele Rechtvaardigheids- en Preferentiemodellering:
- Passagiersrechtvaardigheid: Gedefinieerd op twee niveaus. Intra-regio rechtvaardigheid zorgt ervoor dat passagiers in dezelfde regio en periode vergelijkbare wacjes ervaren. Inter-regio rechtvaardigheid stelt een dynamische benchmark vast op basis van de vraag-aanbodverhouding, waarbij wordt erkend dat wacjes van nature moeten variëren op basis van regionale dichtheid.
- Chauffeurspreferentie: Gemodelleerd met behulp van historische bezoekfrequenties. Regio's worden gecategoriseerd in Positieve ( $H^+$ ), Neutrale ( $H^0$ ) en Negatieve ( $H^-$ ) sets. Het toewijzen van een chauffeur aan een regio in $H^-$ brengt kosten met zich mee, waarvan de omvang wordt bepaald door de afstand tot de dichtstbijzijnde voorkeurslocatie van de chauffeur.
Multi-Agent Competitiemechanisme:
Om de grote gezamenlijke actieruimte te beheren, transformeert het systeem het probleem naar kleinere, gedistribueerde actieruimtes. Voor elke bestelling concurreert een beperkte set kandidaat-chauffeurs binnen een specifepiek bereik voor de taak. Dit mechanisme genereert "matching features" (combinaties van chauffeurstoestand en orderstatus) om micro-niveau besluitvorming tussen heterogene chauffeurs met variërende voorkeuren te faciliteren.
Harmonization-oriented Actor-Bi-Critic (Habic) Algoritme:
- Dynamisch Actor Netwerk: Maakt gebruik van de matching features om de optimale chauffeur te selecteren. Het werkt afwisselend de beleidsparameters ( $\theta$ ) en de Lagrange-multiplier ( $\lambda$ ) bij om de afweging tussen beloningsmaximalisatie en naleving van restricties te balanceren.
- Bi-Critic Netwerk: Bestaat uit twee evaluatienetwerken. De Reward Critic schat de cumulatieve beloning (efficiëntie en rechtvaardigheid) in, terwijl de Cost Critic de cumulatieve kosten (preferentieschendingen) inschat. Beiden maken gebruik van Generalized Advantage Estimation (GAE) en Proximal Policy Optimization (PPO-Clip) om stabiele training en convergentie te garanderen.

Belangrijkste Bijdragen

Nieuw Framework: Dit werk presenteert de eerste studie naar mensgerichte ride-hailing dispatch die tegelijkertijd optimaliseert voor passagiersrechtvaardigheid en chauffeurspreferentie zonder de algehele systeemefficiëntie in gevaar te brengen.
Data-gedreven Definities: De auteurs introduceren formele, spatio-temporeel bewuste definities voor rechtvaardigheid en chauffeurspreferentie, afgeleid van kwalitatieve studies en kwantitatieve analyse van meer dan één miljoen echte bestellingen.
Algoritmische Innovatie: De ontwikkeling van het Habic-algoritme, dat een multi-agent competitiemechanisme integreert met een Bi-Critic architectuur om het geconstraineerde optimalisatieprobleem in een dynamische omgeving effectief op te lossen.

Experimentele Resultaten
Het HCRide-systeem werd geëvalueerd met behulp van twee real-world datasets: Shenzhen (1,07 miljoen bestellingen) en New York City (214k bestellingen). Het werd vergeleken met acht baselines, waaronder myopische dispatching, single-agent en multi-agent RL-methoden, en constrained RL-benaderingen.

Belangrijke prestatieverbeteringen van HCRide ten opzichte van state-of-the-art baselines omvatten:

Systeemefficiëntie: Verminderde de gemiddelde wacjestijd voor passagiers (Average Passenger Waiting Time - APWT) met 2,02% (Shenzhen) en 2,02% (NYC) vergeleken met de state-of-the-art baseline Lag-TRPO.
Passagiersrechtvaardigheid: Verbeterde de inter-regio rechtvaardigheid met 5,29% (Shenzhen) en 5,28% (NYC); verbeterde de intra-regio rechtvaardigheid met 7,65% (Shenzhen) en 5,39% (NYC).
Chauffeurspreferentie: Verminderde de Preferentie-schendingsratio met 7,77% (Shenzhen) en 10,21% (NYC).

Betekenis en Claims
Het artikel beweert dat HCRide erin slaagt conflicterende doelstellingen in ride-hailing dispatch te harmoniseren. Door chauffeurspreferentie te behandelen als een restrictie in plaats van een bijzaak, en door rechtvaardigheid te definiëren via een spatio-temporele lens in plaats van absolute gelijkheid, bereikt het systeem een evenwichtiger ecosysteem. De auteurs stellen dat hun aanpak niet alleen de gebruikerservaring voor zowel passagiers als chauffeurs verbetert, maar ook de operationele efficiëntie van het platform handhaaft of verbetert, wat een levensvatbaar pad biedt naar meer duurzame en mensgerichte ride-hailing diensten.

Meer zoals dit