摘要
网约车打车已经成为一种主流的出行方式，在网约车打车中，乘客会根据平台的定价去选择网约车平台，因此网约车平台如何给出行服务进行定价是一个关键的问题。在网约车打车环境中，网约车和乘客出行需求在不同区域的分布是不一样的，并且随着时间变化同一区域下的供需状态也在动态变化。传统的定价策略无法根据不同区域供需状态的差异性进行合理定价，在面对不均衡的供需分布时不能及时调整定价，也无法满足平台最大化长期收益的需求。本文首先在固定区域划分的情况下，考虑到不同区域间供需状态的差异性、乘客对价格的接受率和平台定价策略对未来的供需状态的影响，设计一种多区域动态定价策略来最大化平台长期收益。由于区域间的差异性也在动态变化，本文进一步在区域动态变化的场景下设计一种区域动态聚类算法，该算法可以根据区域供需状态来动态划分区域，然后在此场景下提出自适应多区域动态定价算法来最大化平台长期收益。本文主要研究工作如下： （1）本文首先介绍网约车打车的基本流程，包括乘客打车和平台工作的基本流程，平台工作的流程被建立为基于轮次交互的模型。接下来介绍区域、订单和车辆的具体设定，最后给出平台收益的计算方式。 （2）在网约车打车背景下，当区域划分固定时，针对不同区域间供需状态的差异性及其动态变化的特点，平台应该根据区域供需状态制定合理的定价策略，因此提出了固定区域动态定价问题。本文结合DeepDeterministicPolicyGradient(DDPG)算法设计了一种多区域动态定价算法(Multi-RegionDynamicPricingAlgorithm,MRDP)来给各个区域进行定价，并基于成都市中心城区的真实数据集设计相关实验来验证算法的有效性。本文将MRDP算法与FIX算法、SDE算法和GREEDY算法进行对比分析，实验结果说明MRDP算法的平台长期收益比其他三种算法分别提高了10.23%、8.25%和4.29%。并且MRDP算法可以服务更多的乘车请求，给平台带来更高的订单服务率，用更少的车辆来满足更多的乘车需求。 （3）在网约车打车背景下，由于动态划分区域可以更好地适应变化的供需状态，因此本文提出了在区域可以动态变化场景下的区域动态划分和区域定价问题。本文使用DeepQNetwork(DQN)算法来确定区域聚类的个数，再使用K-Means算法进行聚类。接下来给出了具体的区域动态聚类算法(RegionalDynamicClusteringAlgorithm,RDC)和自适应多区域动态定价算法(AdaptiveMulti-RegionDynamicPricing,AMRDP)。最后同样基于成都市中心城区的真实数据集设计相关实验来验证算法的有效性，实验结果表明RDC算法更偏好将地图划分为范围较大的区域，从而给更多乘客提供打车服务。平台在使用RDC算法结合本文提出的定价算法和其他对比算法时都可以提高平台的长期收益，这说明了RDC算法可以有效地动态划分区域。并且将AMRDP算法和RDC算法结合后，与其他定价算法相比可以给平台创造更高的收益、服务更多的订单数并且拥有更高的订单服务率，说明AMRDP算法可以适应区域在动态变化的场景。 综上所述，本文首先为网约车平台设计了一种固定区域下的多区域动态定价算法来最大化平台长期收益。其次在区域动态变化的场景下，为平台设计了一种区域动态聚类算法和自适应多区域动态定价算法，进一步提高平台的长期收益。本文的工作可以给网约车平台在制定定价策略和区域划分方面提供一定的指导。
NETL