基于可微分智能体仿真方法的共享单车动态定价优化研究

《Scientific Reports》：Designing dynamic pricing for bike-sharing systems via differentiable agent-based simulation

　　

摘要

共享单车系统作为新型环保交通方式在各城市不断涌现。在这些系统中，用户在时空上不断变化的出行需求导致自行车站点库存不平衡，从而产生额外的重新配置成本。因此，必须通过最优动态定价来管理这些系统中的用户出行需求。然而，由于这些系统涉及具有不同背景的用户和概率性选择，最优定价设计具有挑战性。为解决这一问题，我们开发了一种可微分的基于智能体的仿真方法，以便快速设计共享单车系统中的动态定价策略。我们首先通过涉及25个自行车站点和5个时间段（产生100个参数）的实验验证了该方法。在这个小规模合成场景中，与差分进化和基于有限差分的梯度下降方法相比，我们的方法实现了73%至78%的损失降低，并将收敛所需的仿真运行次数减少了100倍以上。我们进一步在涉及289个自行车站点（产生1,156个参数）的合成场景中验证了该方法。虽然由于计算限制我们没有与传统方法进行比较，但我们观察到，随着优化参数数量的增加，我们的方法所需的仿真运行次数并没有增加。为了说明我们的方法对真实世界出行需求的适用性，我们使用纽约Citi Bike数据进行了仿真实验，其中用户行为是通过启发式方法指定的。结果表明，在仿真中，所估计的动态定价策略可以促使库存达到平衡，而无需人工重新配置。此外，我们观察到，即使该成本未包含在优化目标中，通过选择合适的初始定价参数，也可以减少为促使库存平衡所需的折扣成本。