論文の概要: Predicting Requests in Large-Scale Online P2P Ridesharing

• arxiv url: http://arxiv.org/abs/2009.02997v1
• Date: Mon, 7 Sep 2020 10:27:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 03:15:16.737924
• Title: Predicting Requests in Large-Scale Online P2P Ridesharing
• Title（参考訳）: 大規模オンラインP2Pライドシェアリングにおける要求予測
• Authors: Filippo Bistaffa, Juan A. Rodr\'iguez-Aguilar, Jes\'us Cerquides
• Abstract要約: ピアツーピアライドシェアリング(P2P-RS)は、プロのドライバーを介さずに、自分のプライベートカーでワンタイムの乗車を手配することを可能にする。 本稿では,P2P-RS最適化の文脈における配車要求の予測の利点を評価する問題に取り組む。 パブリックな実世界の結果は、完璧な予測器を使用することで、全体の報酬が5.27%向上し、予測の地平線は1分になることを示している。
• 参考スコア（独自算出の注目度）: 1.8434430658837255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peer-to-peer ridesharing (P2P-RS) enables people to arrange one-time rides with their own private cars, without the involvement of professional drivers. It is a prominent collective intelligence application producing significant benefits both for individuals (reduced costs) and for the entire community (reduced pollution and traffic), as we showed in a recent publication where we proposed an online approximate solution algorithm for large-scale P2P-RS. In this paper we tackle the fundamental question of assessing the benefit of predicting ridesharing requests in the context of P2P-RS optimisation. Results on a public real-world show that, by employing a perfect predictor, the total reward can be improved by 5.27% with a forecast horizon of 1 minute. On the other hand, a vanilla long short-term memory neural network cannot improve upon a baseline predictor that simply replicates the previous day's requests, whilst achieving an almost-double accuracy.
• Abstract（参考訳）: ピアツーピアライドシェアリング(P2P-RS)は、プロのドライバーを介さずに、自分のプライベートカーでワンタイムの乗車を手配できる。 大規模P2P-RSのオンライン近似解アルゴリズムを提案した最近の論文で示すように、個人(再生コスト)とコミュニティ全体(再汚染とトラフィック)の両方に重要なメリットをもたらす顕著な集団知能アプリケーションである。 本稿では,P2P-RS最適化の文脈における配車要求予測の利点を評価するための基本的な課題に取り組む。 パブリック・リアル・ワールドの結果、完全な予測器を使用することで、総報酬を5.27%改善でき、1分で予測できることがわかった。 一方、バニラ長短期記憶ニューラルネットワークは、ほぼ2倍の精度を実現しつつ、前日の要求を単純に複製するベースライン予測器では改善できない。

関連論文リスト

• Best Practices for 2-Body Pose Forecasting [58.661899246497896]
  我々は、人間のポーズ予測の進捗状況を概観し、最善を尽くす一対一の実践を詳細に評価する。 他の1人のプラクティスは2体に移行しないため、提案されているベストプラクティスは階層的なボディモデリングや注目に基づくインタラクションエンコーディングは含まない。 提案した2体ポーズによるベストプラクティス予測では,最新のExPIデータセットのパフォーマンスが21.9%向上した。
  論文  参考訳（メタデータ） (2023-04-12T10:46:23Z)
• Spatially-Aware Car-Sharing Demand Prediction [3.085449079520639]
  駅型カーシェアリングサービスにおける月平均需要を空間認識学習アルゴリズムを用いて分析する。 ジオコーディネートを入力特徴とするグローバルランダムフォレストモデルは,R2乗スコア0.87で最高の予測性能が得られることを示す。 本研究は,カーシェアリングステーションの設置状況の診断・計画に有効な手法と高い解釈性を提供する。
  論文  参考訳（メタデータ） (2023-03-25T10:10:11Z)
• Fairness-enhancing deep learning for ride-hailing demand prediction [3.911105164672852]
  オンデマンド配車サービスの短期需要予測は、インテリジェント交通システムにおける基本的な問題の一つである。 これまでの旅行需要予測研究は、予測精度の改善、公平性の問題の無視に重点を置いていた。 本研究では,不利コミュニティと特権コミュニティの間の予測公平性を評価・評価・向上する方法について検討する。
  論文  参考訳（メタデータ） (2023-03-10T04:37:14Z)
• Short term prediction of demand for ride hailing services: A deep learning approach [8.61268901380738]
  本稿では,配車サービス需要の短期予測のためのディープラーニング畳み込みニューラルネットワークUberNetを提案する。 UberNetのパフォーマンスを他のいくつかのアプローチと比較することにより、モデルの予測品質が極めて競争力があることを示す。 これはUbernetが、配車サービスのリアルタイム旅客需要予測に複雑なモチベーターを含めるのに、より自然に適していることを示唆している。
  論文  参考訳（メタデータ） (2022-12-07T21:08:03Z)
• A Baselined Gated Attention Recurrent Network for Request Prediction in Ridesharing [1.0312968200748118]
  ライドシェアリングは、ドライバーと乗客の両方にとって利便性とコスト効率のため、世界的に人気がある。 RSODP(Origin-Destination Prediction for Ride Share)問題の目的は、将来の配車要求を予測し、事前に車両のスケジュールを提供することである。 既存の予測モデルの多くはDeep Learningを利用しているが、空間力学と時間力学の両方を効果的に考慮していない。
  論文  参考訳（メタデータ） (2022-07-11T08:41:24Z)
• Efficiency, Fairness, and Stability in Non-Commercial Peer-to-Peer Ridesharing [84.47891614815325]
  本稿は、P2Pライドシェアリングにおける中核的な問題である、ライダーとドライバーのマッチングに焦点を当てる。 P2Pライドシェアリングにおける公平性と安定性の新たな概念を紹介する。 結果は、妥当な計算時間で、公平で安定した解が得られることを示唆している。
  論文  参考訳（メタデータ） (2021-10-04T02:14:49Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Local Differential Privacy based Federated Learning for Internet of Things [72.83684013377433]
  Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。 これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。 本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
  論文  参考訳（メタデータ） (2020-04-19T14:03:10Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。