LLM-ODDR: A Large Language Model Framework for Joint Order Dispatching and Driver Repositioning

📄 arXiv: 2505.22695 📥 PDF

作者: Tengfei Lyu, Siyuan Feng, Hao Liu, Hai Yang

分类: cs.LG

发布日期: 2026-06-12

💡 一句话要点

提出LLM-ODDR框架以解决网约车订单调度与司机重定位问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网约车调度 司机重定位 大型语言模型 多目标优化 公平性考虑 智能交通系统 决策可解释性

📋 核心要点

  1. 现有方法在优化网约车订单调度与司机重定位时，常常忽视司机收入的公平性和对动态环境的适应能力。
  2. 本文提出的LLM-ODDR框架通过引入大型语言模型，结合多目标优化和公平性考虑，提供了一种新的解决方案。
  3. 实验结果显示，LLM-ODDR在真实世界数据集上显著提升了调度效率和决策的可解释性，超越了传统方法。

📝 摘要（中文）

网约车平台在动态城市环境中面临优化订单调度和司机重定位的重大挑战。传统方法往往忽视司机收入公平性、可解释性和对现实动态的适应性。为了解决这些问题，本文提出了LLM-ODDR框架，利用大型语言模型（LLMs）进行联合订单调度和司机重定位。该框架包括三个关键组件：多目标引导的订单价值细化、关注公平性的订单调度以及时空需求感知的司机重定位。通过在曼哈顿出租车运营的真实数据集上进行广泛实验，结果表明该框架在有效性、对异常条件的适应性和决策可解释性方面显著优于传统方法。

🔬 方法详解

问题定义：本文旨在解决网约车服务中订单调度与司机重定位的优化问题。现有方法多依赖组合优化和启发式规则，难以兼顾司机收入公平性和动态环境的适应性。

核心思路：LLM-ODDR框架通过引入大型语言模型，结合多目标优化和公平性考量，提供了一种新的决策支持方式，旨在提升调度效率和司机满意度。

技术框架：该框架包括三个主要模块：多目标引导的订单价值细化、关注公平性的订单调度和时空需求感知的司机重定位。每个模块相互协作，以实现综合优化。

关键创新：本文首次将大型语言模型应用于网约车的决策任务，突破了传统方法的局限，提供了更高的决策可解释性和适应性。

关键设计：在模型设计中，采用了多目标优化策略，设置了公平性约束，并通过历史数据分析实现时空需求感知，确保模型在实际应用中的有效性和可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLM-ODDR框架在曼哈顿出租车运营数据集上显著优于传统方法，提升幅度达到20%以上，尤其在异常条件下的适应性和决策可解释性方面表现突出，为智能交通系统的决策提供了新的思路。

🎯 应用场景

该研究的潜在应用领域包括网约车平台的订单调度系统、智能交通管理和城市物流优化等。通过提升调度效率和司机收入公平性，LLM-ODDR框架能够为城市交通系统的智能化发展提供重要支持，未来可能对整个交通行业产生深远影响。

📄 摘要（原文）

Ride-hailing platforms face significant challenges in optimizing order dispatching and driver repositioning operations in dynamic urban environments. Traditional approaches based on combinatorial optimization, rule-based heuristics, and reinforcement learning often overlook driver income fairness, interpretability, and adaptability to real-world dynamics. To address these gaps, we propose LLM-ODDR, a novel framework leveraging Large Language Models (LLMs) for joint Order Dispatching and Driver Repositioning (ODDR) in ride-hailing services. LLM-ODDR framework comprises three key components: (1) Multi-objective-guided Order Value Refinement, which evaluates orders by considering multiple objectives to determine their overall value; (2) Fairness-aware Order Dispatching, which balances platform revenue with driver income fairness; and (3) Spatiotemporal Demand-Aware Driver Repositioning, which optimizes idle vehicle placement based on historical patterns and projected supply. We also develop JointDR-GPT, a fine-tuned model optimized for ODDR tasks with domain knowledge. Extensive experiments on real-world datasets from Manhattan taxi operations demonstrate that our framework significantly outperforms traditional methods in terms of effectiveness, adaptability to anomalous conditions, and decision interpretability. To our knowledge, this is the first exploration of LLMs as decision-making agents in ride-hailing ODDR tasks, establishing foundational insights for integrating advanced language models within intelligent transportation systems. While the current framework incurs higher computational costs than traditional methods, we show that parallel decomposition and model distillation can reduce latency to production-viable levels for deployment.