Uber Stable: Formulating the Rideshare System as a Stable Matching Problem

像Uber、Lyft和滴滴这样的点对点共享乘车平台已经彻底改变了交通行业和劳动力市场。在本质上，这些系统解决了两个人群之间的双向匹配问题：乘客和司机。本研究论文包括两个主要组成部分：现有共享乘车平台和提高司机满意度的研究文献综述，以及通过模拟测试实施的新算法的开发，以便我们进行自己的观察。所使用的核心算法是Gale-Shapley延迟接受算法，应用于多个时间段的静态匹配问题。在这个模拟中，我们构建了一个考虑总体收入最大化和个人偏好满足的偏好感知任务分配模型。具体而言，算法设计包括乘客愿意支付的因素、司机偏好和地点吸引力，旨在实现司机的公平收入分配，同时保持整体系统效率。通过模拟，本文比较了提出的算法与随机匹配和最近邻算法的性能，考虑到总收入、每次乘车的收入和标准偏差等指标，以确定转移优先事项的趋势和影响。此外，DA算法与波士顿算法进行了比较，并探讨了优先考虑接近乘客与距离市中心的影响。最终，本研究强调了在动态定价模型和额外建模非传统驾驶时间等领域继续探索的重要性，以进一步提高共享乘车平台的效益和公平性。

研究如何提高拼车平台的司机满意度，通过模拟测试开发新算法以实现公平的收入分配和系统效率。

采用Gale-Shapley延迟接受算法，构建考虑乘客意愿、司机偏好和位置吸引力等因素的偏好感知任务分配模型，同时考虑整体收入最大化和个人偏好满足的目标，通过模拟测试比较新算法与随机匹配和最近邻算法的表现。

实验比较了不同算法的表现，包括总收入、每次收入和标准差等指标，并探讨了优先考虑接近乘客和距离市中心的影响。研究强调了动态定价模型和非传统驾驶时间建模等领域的重要性。

与该领域相关的其他研究包括动态定价模型和驾驶员调度等方面的研究。