ترجمه فارسی مقاله یادگیری تقویت شده GPT-Augmented با کنترل هوشمند برای اعزام وسایل نقلیه

چکیده

As urban residents demand higher travel quality, vehicle dispatch has become a critical component of online ride-hailing services. However, current vehicle dispatch systems struggle to navigate the complexities of urban traffic dynamics, including unpredictable traffic conditions, diverse driver behaviors, and fluctuating supply and demand patterns. These challenges have resulted in travel difficulties for passengers in certain areas, while many drivers in other areas are unable to secure orders, leading to a decline in the overall quality of urban transportation services. To address these issues, this paper introduces GARLIC: a framework of GPT-Augmented Reinforcement Learning with Intelligent Control for vehicle dispatching. GARLIC utilizes multiview graphs to capture hierarchical traffic states, and learns a dynamic reward function that accounts for individual driving behaviors. The framework further integrates a GPT model trained with a custom loss function to enable high-precision predictions and optimize dispatching policies in real-world scenarios. Experiments conducted on two real-world datasets demonstrate that GARLIC effectively aligns with driver behaviors while reducing the empty load rate of vehicles.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که ساکنان شهری نیاز به کیفیت سفر بالاتری دارند ، اعزام وسایل نقلیه به یک مؤلفه مهم خدمات تگرگ سواری آنلاین تبدیل شده است.با این حال ، سیستم های اعزام فعلی وسایل نقلیه برای حرکت در پیچیدگی های پویایی ترافیک شهری ، از جمله شرایط ترافیکی غیرقابل پیش بینی ، رفتارهای متنوع راننده و نوسان الگوهای عرضه و تقاضا تلاش می کنند.این چالش ها منجر به مشکلات مسافرتی برای مسافران در مناطق خاص شده است ، در حالی که بسیاری از رانندگان در مناطق دیگر قادر به تأمین سفارشات نیستند و منجر به کاهش کیفیت کلی خدمات حمل و نقل شهری می شوند.برای پرداختن به این موضوعات ، این مقاله سیر را معرفی می کند: چارچوبی از یادگیری تقویت شده GPT-Augmented با کنترل هوشمند برای اعزام وسایل نقلیه.سیر از نمودارهای چند منظوره برای ضبط حالت های ترافیک سلسله مراتبی استفاده می کند و یک عملکرد پاداش پویا را می آموزد که رفتارهای رانندگی فردی را به خود اختصاص می دهد.این چارچوب بیشتر یک مدل GPT را که با یک عملکرد از دست دادن سفارشی آموزش دیده است ، ادغام می کند تا پیش بینی های با دقت بالا را فعال کند و سیاست های اعزام را در سناریوهای دنیای واقعی بهینه کند.آزمایشات انجام شده بر روی دو مجموعه داده در دنیای واقعی نشان می دهد که سیر به طور موثری با رفتارهای راننده در حالی که میزان بار خالی وسایل نقلیه را کاهش می دهد ، هماهنگ است.