論文の概要: Real-Time Dispatching of Large-Scale Ride-Sharing Systems: Integrating Optimization, Machine Learning, and Model Predictive Control

• arxiv url: http://arxiv.org/abs/2003.10942v1
• Date: Tue, 24 Mar 2020 16:05:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 09:26:12.315788
• Title: Real-Time Dispatching of Large-Scale Ride-Sharing Systems: Integrating Optimization, Machine Learning, and Model Predictive Control
• Title（参考訳）: 大規模配車システムのリアルタイム派遣:最適化、機械学習、モデル予測制御の統合
• Authors: Connor Riley and Pascal Van Hentenryck and Enpeng Yuan
• Abstract要約: 本稿では,多くの都市が直面している渋滞問題に対処するため,大規模リアルタイム配車システムの導入を検討する。 目標は、乗車時間制限の下で待ち時間を最小化しながら、少数の車両で全顧客にサービスを提供することだ。 ニューヨーク市での歴史的なタクシー旅行による実験は、この統合が全てのテストケースに対して平均待ち時間を約30%減少させることを示している。
• 参考スコア（独自算出の注目度）: 22.894789405660816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers the dispatching of large-scale real-time ride-sharing systems to address congestion issues faced by many cities. The goal is to serve all customers (service guarantees) with a small number of vehicles while minimizing waiting times under constraints on ride duration. This paper proposes an end-to-end approach that tightly integrates a state-of-the-art dispatching algorithm, a machine-learning model to predict zone-to-zone demand over time, and a model predictive control optimization to relocate idle vehicles. Experiments using historic taxi trips in New York City indicate that this integration decreases average waiting times by about 30% over all test cases and reaches close to 55% on the largest instances for high-demand zones.
• Abstract（参考訳）: 本稿では,多くの都市が直面する混雑問題に対処するために,大規模リアルタイム配車システムの導入を検討する。 目標は、乗車時間制限の下で待ち時間を最小化しながら、少数の車両で全顧客(サービス保証)にサービスを提供することである。 本稿では,最先端のディスパッチアルゴリズム,ゾーン間需要予測のための機械学習モデル,アイドル車両移動のためのモデル予測制御最適化を密に統合したエンド・ツー・エンド方式を提案する。 ニューヨーク市での歴史的なタクシー旅行の実験では、この統合により全てのテストケースで平均待ち時間が30%減少し、オンデマンドゾーンの最大のインスタンスでは55%近くに達することが示されている。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• DAISY: Data Adaptive Self-Supervised Early Exit for Speech Representation Models [55.608981341747246]
  本稿では,データ適応型自己監督早期退避(DAISY)を導入する。 DAISYの適応性に関する分析では、ノイズの多いデータ上で(より多くのレイヤを使用して)遅い時間に、クリーンデータ上で(より少ないレイヤを使用して)モデルが早期に(より少ないレイヤを使用して)終了することを示しています。
  論文  参考訳（メタデータ） (2024-06-08T12:58:13Z)
• A Deep-Learning Based Optimization Approach to Address Stop-Skipping Strategy in Urban Rail Transit Lines [0.0]
  都市鉄道路線における最適なストップスキップパターンを決定するための高度なデータ駆動最適化手法を提案する。 我々は、ピーク時のステーションレベルの需要率を予測するために、LSTM(Long Short-Term Memory)ディープラーニングモデルを用いている。 この問題の指数関数的性質を考慮し,適切な時間で解決するAnt Colony Optimization手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T23:52:19Z)
• Estimating the Robustness of Public Transport Systems Using Machine Learning [62.997667081978825]
  公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。 乗客の観点からの堅牢性の統合により、作業はさらに困難になる。 本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T05:52:56Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• H-TD2: Hybrid Temporal Difference Learning for Adaptive Urban Taxi Dispatch [9.35511513240868]
  H-TD2はモデルフリーで適応的な意思決定アルゴリズムであり、動的な都市環境下で多数の自動タクシーを協調する。 計算複雑性と個別のタクシー政策の限定された部分最適化とのトレードオフを明示的に制御するために、2つの行動の間のトリガ条件を記述・規定する。 最近の強化学習ディスパッチ法とは異なり、このポリシ推定はトレーニング外ドメインイベントに適応し、堅牢である。
  論文  参考訳（メタデータ） (2021-05-05T15:42:31Z)
• Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case Study in New York Manhattan Island [14.501650948647324]
  従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した 艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。 また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
  論文  参考訳（メタデータ） (2020-09-06T16:00:15Z)
• BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
  本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。 特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。 また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
  論文  参考訳（メタデータ） (2020-03-20T17:03:36Z)
• Proposing a Model for Predicting Passenger Origin-Destination in Online Taxi-Hailing Systems [0.0]
  本研究では,特定の時間帯内における旅行の起源と目的地を予測するためのモデルを提案する。 我々は,K平均クラスタリングを,始点領域と宛先領域の最大クラスタサイズ制約付き4次元空間で採用する。 既存モデルとの比較により,提案モデルでは1時間窓の平均絶対パーセンテージ誤差(MAPE)が5-7%,30分窓のMAPEが14%低かった。
  論文  参考訳（メタデータ） (2019-10-17T20:19:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。