MobiWave: 디스패치 기반 그래프 웨이블릿 및 드리프트 가이드 선택적 최적화를 통한 자율 차량 관리 시스템의 균형 조정

MobiWave: Dispatch-Oriented Graph Wavelets and Drift-Guided Selective Optimization for Autonomous Fleet Rebalancing

자율 차량 관제 시스템은 유휴 차량을 직접 연결하여 전체 차량 관리 시스템의 균형 조정을 가능하게 합니다. 그러나 두 가지 문제가 안정적인 배포를 제한합니다. 첫째, 지역 및 로컬 교통 패턴이 중첩되어 디스패치에 여전히 유용한 도로를 가릴 수 있습니다. 둘째, 모빌리티 드리프트는 학습된 정책을 신뢰할 수 없게 만들 수 있습니다. 기존의 공간 집계 방법은 이러한 패턴들을 혼합하며, 제한적인 최근 데이터를 사용하여 모든 매개변수를 업데이트하는 것은 비용이 많이 들고 안정적인 지식을 손상시킬 수 있습니다. 본 논문에서는 디스패치 기반 다중 스케일 그래프 웨이블릿 모듈과 드리프트 가이드 계층 선택적 최적화(DGLS)를 연결하는 프레임워크인 ame을 제안합니다. 첫 번째 모듈은 그래프 주파수 패턴을 분리하고, 수요 예측 및 실현 가능한 균형 조정에 대한 각 스케일의 중요도를 고려하여 가중치를 부여함으로써 표현 문제를 해결합니다. DGLS는 디스패치 가중 스펙트럴 드리프트를 측정하고, 제한된 리소스 내에서 영향을 받는 계층을 선택하며, 드리프트 인지 빠른-느린 업데이트를 통해 일시적인 변화와 지속적인 변화를 구분하여 적응 문제를 해결합니다. 후보 검증은 모니터링되는 서비스 또는 안전 제약 조건을 악화시키지 않고도 보류 데이터에 대한 디스패치 보상을 향상시키지 못하는 업데이트를 거부합니다. 실제 데이터 세트 및 시뮬레이션 환경에서의 실험 결과는 ame이 최첨단 방법과 비교하여 효과적임을 보여줍니다. 소스 코드 및 데이터 세트는 https://anonymous.4open.science/r/MobiWave-40F8/ 에서 확인할 수 있습니다.

Autonomous fleets enable mobility platforms to coordinate idle vehicles directly, making fleet-wide rebalancing possible. However, two obstacles limit reliable deployment: overlapping regional and local traffic patterns can hide roads that remain useful for dispatch, and mobility drift can make a trained policy unreliable. Existing spatial aggregation mixes these patterns, while updating all parameters from limited recent data is costly and can damage stable knowledge. We propose \name, a framework that connects a dispatch-oriented multi-scale graph wavelet module with Drift-Guided Layer-Selective Optimization (DGLS). The first module addresses the representation challenge by separating graph-frequency patterns and weighting each scale according to its value for demand prediction and feasible rebalancing. DGLS addresses the adaptation challenge by measuring Dispatch-weighted Spectral Drift, selecting affected layers within a resource budget, and separating short shocks from persistent changes through a drift-aware fast--slow update. Candidate validation further rejects updates that fail to improve held-out dispatch reward without worsening monitored service or safety constraints. Experiments on both real-world datasets and simluated environments demonstrate the effectiveness of \name\ in comparing with state-of-the-art methods. The source code and datasets are available at https://anonymous.4open.science/r/MobiWave-40F8/.