[论文解读] Uncertain Congestion Games with Assorted Human Agent Populations

Asrar Ahmed, Pradeep Varakantham+1 more|arXiv (Cornell University)|Oct 16, 2012

Transportation Planning and Optimization参考文献 16被引用 4

一句话总结

本文提出了一种新型框架，用于在不确定性条件下处理具有多样化人类代理行为（包括有限理性与非确定性移动）的拥堵博弈。该框架为理性与有限理性代理的混合群体提供了可扩展的解决方案，并通过合成数据与真实世界出租车车队数据表明，无论其他代理是否遵循建议，遵循理性策略均能提升收入与效率等社会福利指标。

ABSTRACT

Congestion games model a wide variety of real-world resource congestion problems, such as selfish network routing, traffic route guidance in congested areas, taxi fleet optimization and crowd movement in busy areas. However, existing research in congestion games assumes: (a) deterministic movement of agents between resources; and (b) perfect rationality (i.e. maximizing their own expected value) of all agents. Such assumptions are not reasonable in dynamic domains where decision support has to be provided to humans. For instance, in optimizing the performance of a taxi fleet serving a city, movement of taxis can be involuntary or nondeterministic (decided by the specific customer who hires the taxi) and more importantly, taxi drivers may not follow advice provided by the decision support system (due to bounded rationality of humans). To that end, we contribute: (a) a general framework for representing congestion games under uncertainty for populations with assorted notions of rationality. (b) a scalable approach for solving the decision problem for perfectly rational agents which are in the mix with boundedly rational agents; and (c) a detailed evaluation on a synthetic and realworld data set to illustrate the usefulness of our new approach with respect to key social welfare metrics in the context of an assorted human-agent population. An interesting result from our experiments on a real-world taxi fleet optimization problem is that it is better (in terms of revenue and operational efficiency) for taxi drivers to follow perfectly rational strategies irrespective of the percentage of drivers not following the advice.

研究动机与目标

• 解决传统拥堵博弈在动态人本领域中假设代理行为确定性移动与完全理性的局限性。
• 建模并求解人类代理表现出不同理性水平（包括有限理性）的拥堵博弈。
• 为完全理性代理与有限理性代理共存的系统，开发一种可扩展的决策方法。
• 在真实世界与合成环境中，评估理性策略采纳对社会福利指标的影响。

提出的方法

• 提出一种通用框架，用于表示具有异质代理群体的不确定性拥堵博弈。
• 使用完全理性代理（最大化期望效用）与有限理性代理（采用启发式或次优策略）的混合模型来建模代理行为。
• 设计一种可扩展算法，用于在有限理性代理存在的情况下，计算理性代理的最优策略。
• 采用包含代理移动与决策不确定性在内的博弈论公式。
• 利用真实世界数据与合成模拟，将该框架应用于真实世界出租车车队优化问题。
• 使用关键社会福利指标（如收入与运营效率）评估性能。

实验结果

研究问题

• RQ1 有限理性代理的存在如何影响理性代理在不确定拥堵博弈中的表现？
• RQ2 能否为在有限理性混合群体中运行的理性代理开发出可扩展的解决方案？
• RQ3 理性策略采纳对现实世界交通系统整体系统效率与收入的影响如何？
• RQ4 理性策略的有效性是否取决于群体中非合规代理的比例？
• RQ5 代理移动的不确定性如何影响均衡结果与系统性能？

主要发现

• 在真实世界出租车车队优化场景中，无论不遵守建议的司机比例如何，采用理性策略均能带来更高的收入与运营效率。
• 所提出的框架成功建模并计算了在不确定性条件下，有限理性代理存在时理性代理的最优策略。
• 当理性代理遵循最优策略时，系统性能显著提升，即使大量代理为非合规状态亦然。
• 该解决方案的可扩展性使其能够实际部署于城市出租车车队等大规模动态环境。
• 在合成数据与真实世界数据上的实验结果证实，理性策略采纳在不同代理非理性水平下均表现出稳健性。
• 结果表明，即使存在非理性或不可预测行为，鼓励人类代理采取理性行为也能带来更优的整体集体结果。