Order Acquisition Under Competitive Pressure: A Rapidly Adaptive Reinforcement Learning Approach for Ride-Hailing Subsidy Strategies

Dieses Kapitel geht den Herausforderungen nach, vor denen Ride Service Provider (RSPs) in der Wettbewerbslandschaft von Ride-Hailing Aggregatoren (RHAs) stehen. Es stellt FCA-RL vor, ein Lernrahmen zur Verstärkung, der darauf ausgelegt ist, die Auftragsbeschaffung durch dynamische Couponstrategien zu optimieren. Die Studie unterstreicht die Bedeutung der Anpassung an den Preiswettbewerb und stellt RideGym vor, ein Simulationssystem zur Bewertung dieser Strategien. Zu den Schlüsselthemen gehören die Formulierung des Auftragserfassungsproblems als Markov-Entscheidungsprozess (MDP), die Entwicklung des Moduls Fast Competition Adaptation (FCA) zur Echtzeit-Marktreaktion und des Moduls Verstärkte Lagrange-Anpassung (RLA) zur Budgetkontrolle. Das Kapitel behandelt auch die Bewertung von FCA-RL im Vergleich zu Basismethoden und demonstriert seine überlegene Leistung in verschiedenen Wettbewerbsszenarien. Die Schlussfolgerung betont das Potenzial von FCA-RL zur Steigerung der Effizienz bei der Auftragsbeschaffung und die Notwendigkeit weiterer Untersuchungen der Reaktion der Passagiere und der langfristigen Dynamik von Angebot und Nachfrage.