論文の概要: Investigating Taxi and Uber competition in New York City: Multi-agent
modeling by reinforcement-learning
- arxiv url: http://arxiv.org/abs/2008.12530v1
- Date: Fri, 28 Aug 2020 08:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 11:51:40.376553
- Title: Investigating Taxi and Uber competition in New York City: Multi-agent
modeling by reinforcement-learning
- Title（参考訳）: ニューヨーク市におけるタクシーとuberの競争の調査: 強化学習によるマルチエージェントモデリング
- Authors: Saeed Vasebi, Yeganeh M. Hayeri
- Abstract要約: 本研究はニューヨーク市におけるメインストリームの配車サービス(イエローとグリーンキャブ)とe配車サービス(ウーバー)の競合について検討する。
データ可視化技術は、旅行行動における既存の新しいパターンを見つけるために使われる。
調査の結果,e-hailersは低密度領域を支配し,e-hailersは迅速に旅行需要の変化に反応することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The taxi business has been overly regulated for many decades. Regulations are
supposed to ensure safety and fairness within a controlled competitive
environment. By influencing both drivers and riders choices and behaviors,
emerging e-hailing services (e.g., Uber and Lyft) have been reshaping the
existing competition in the last few years. This study investigates the
existing competition between the mainstream hailing services (i.e., Yellow and
Green Cabs) and e-hailing services (i.e., Uber) in New York City. Their
competition is investigated in terms of market segmentation, emerging demands,
and regulations. Data visualization techniques are employed to find existing
and new patterns in travel behavior. For this study, we developed a multi-agent
model and applied reinforcement learning techniques to imitate drivers
behaviors. The model is verified by the patterns recognized in our data
visualization results. The model is then used to evaluate multiple new
regulations and competition scenarios. Results of our study illustrate that
e-hailers dominate low-travel-density areas (e.g., residential areas), and that
e-hailers quickly identify and respond to change in travel demand. This leads
to diminishing market size for hailers. Furthermore, our results confirm the
indirect impact of Green Cabs regulations on the existing competition. This
investigation, along with our proposed scenarios, can aid policymakers and
authorities in designing policies that could effectively address demand while
assuring a healthy competition for the hailing and e-haling sectors.
Keywords: taxi; Uber, policy; E-hailing; multi-agent simulation;
reinforcement learning;
- Abstract（参考訳）: タクシー事業は数十年間過度に規制されてきた。
規制は、規制された競争環境における安全と公平性を確保することが求められている。
ドライバーと乗客の両方の選択と行動に影響を与えることで、新興のe配車サービス(例えばUberとLyft)は、ここ数年で既存の競争を再構築している。
本研究は、ニューヨーク市におけるメインストリームの配車サービス(イエローとグリーンキャブ)とe配車サービス(すなわちuber)の競合について検討する。
彼らの競争は市場セグメンテーション、新興需要、規制の観点から調査されている。
データ可視化技術は、旅行行動における既存の新しいパターンを見つけるために使われる。
本研究では,ドライバの動作を模倣する多エージェントモデルと強化学習手法を適用した。
データビジュアライゼーションの結果で認識されるパターンによってモデルが検証される。
モデルはその後、複数の新しい規制と競争シナリオを評価するために使用される。
調査の結果,e-hailersは低密度地域(住宅地など)を支配し,e-hailersは迅速に旅行需要の変化に反応することがわかった。
これはハイラーの市場規模を減少させる。
さらに,グリーンキャブ規制の既存競争に対する間接的影響も確認した。
今回の調査は、当社が提案するシナリオとともに、政策立案者や当局が需要に効果的に対応できる政策の設計を支援するとともに、配偶者やe-ハリング部門の健全な競争を保証します。
キーワード:タクシー、uber、ポリシー、e-hailing、マルチエージェントシミュレーション、強化学習
関連論文リスト
- 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) - Finding A Taxi with Illegal Driver Substitution Activity via Behavior Modelings [42.090136287906915]
タクシーの違法ドライバー代替(IDS)活動は、タクシー業界において重大な違法行為である。
現在、IDSの活動は法執行機関によって手動で管理されている。
法執行機関がIDS活動の傾向にあるタクシーを効率的に見つけるのに役立つ計算手法を提案する。
論文 参考訳（メタデータ） (2024-04-18T01:47:31Z) - Understanding human mobility patterns in Chicago: an analysis of taxi
data using clustering techniques [0.0]
シカゴ市をケーススタディとして、2016年にタクシーの乗車データを調べ、近所がどのように相互接続されているかを理解することを目標にしている。
この分析は、近隣住民がタクシーを使って旅行している感覚を与え、新しい公共交通機関の開発に焦点をあてることを提案する。
論文 参考訳（メタデータ） (2023-06-21T08:14:52Z) - Contingencies from Observations: Tractable Contingency Planning with
Learned Behavior Models [82.34305824719101]
人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。
本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。
このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
論文 参考訳（メタデータ） (2021-04-21T14:30:20Z) - Trading the System Efficiency for the Income Equality of Drivers in
Rideshare [23.53645438932742]
ライダーの差別的キャンセルによる配車ドライバー間の所得格差を調査します。
事前に知られた流通に続いて、ライダーが順次到着すると想定されるオンライン二元マッチングモデルを提案する。
論文 参考訳（メタデータ） (2020-12-12T16:04:06Z) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - Balancing Taxi Distribution in A City-Scale Dynamic Ridesharing Service:
A Hybrid Solution Based on Demand Learning [0.0]
本研究では,動的なライドシェアリングサービスにおいて,都市間のタクシー配電のバランスをとる上での課題について検討する。
本稿では,Correlated Pooling が関連ライダーの要求を収集し,Adjacency Ride-Matching が要求学習に基づくタクシーをライダーに割り当て,Greedy Idle Movement が現在利用者が必要な地域への配車なしでタクシーを誘導することを目的としたハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2020-07-27T07:08:02Z) - Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳（メタデータ） (2020-07-20T14:19:08Z) - K-Prototype Segmentation Analysis on Large-scale Ridesourcing Trip Data [0.0]
本研究は、シカゴの公共配車データのシティアルゴリズムを用いて、モビリティの出現パターンについて検討する。
目的は、配車サービスのパトロンの体系的なバリエーションを調べることである。
悪天候条件に関する重要な相違点から,6種類の配車プロトタイプを同定し,検討した。
論文 参考訳（メタデータ） (2020-06-24T17:53:26Z) - Learning by Cheating [72.9701333689606]
この難解な学習問題を2段階に分解することで単純化できることを示す。
提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。
提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
論文 参考訳（メタデータ） (2019-12-27T18:59:04Z)
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。