論文の概要: Zone pAth Construction (ZAC) based Approaches for Effective Real-Time Ridesharing

• arxiv url: http://arxiv.org/abs/2009.06051v1
• Date: Sun, 13 Sep 2020 17:57:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 03:09:33.027634
• Title: Zone pAth Construction (ZAC) based Approaches for Effective Real-Time Ridesharing
• Title（参考訳）: Zone pAth Construction (ZAC) による効果的なリアルタイムライドシェアリング
• Authors: Meghna Lowalekar, Pradeep Varakantham and Patrick Jaillet
• Abstract要約: リアルタイムのライドシェアリングシステムにおける重要な課題は、"右"の要求をグループ化して、"右"の利用可能な車両をリアルタイムで移動させることである。 我々は、ゾーンパスを利用するミオピック(現在の要求のみに焦点を当てたライドシェアリングの割り当て)と非ミオピック(将来の要求への影響を考慮したライドシェアリング)のアプローチにコントリビュートします。
• 参考スコア（独自算出の注目度）: 30.964687022746226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time ridesharing systems such as UberPool, Lyft Line, GrabShare have become hugely popular as they reduce the costs for customers, improve per trip revenue for drivers and reduce traffic on the roads by grouping customers with similar itineraries. The key challenge in these systems is to group the "right" requests to travel together in the "right" available vehicles in real-time, so that the objective (e.g., requests served, revenue or delay) is optimized. This challenge has been addressed in existing work by: (i) generating as many relevant feasible (with respect to the available delay for customers) combinations of requests as possible in real-time; and then (ii) optimizing assignment of the feasible request combinations to vehicles. Since the number of request combinations increases exponentially with the increase in vehicle capacity and number of requests, unfortunately, such approaches have to employ ad hoc heuristics to identify a subset of request combinations for assignment. Our key contribution is in developing approaches that employ zone (abstraction of individual locations) paths instead of request combinations. Zone paths allow for generation of significantly more "relevant" combinations (in comparison to ad hoc heuristics) in real-time than competing approaches due to two reasons: (i) Each zone path can typically represent multiple request combinations; (ii) Zone paths are generated using a combination of offline and online methods. Specifically, we contribute both myopic (ridesharing assignment focussed on current requests only) and non-myopic (ridesharing assignment considers impact on expected future requests) approaches that employ zone paths. In our experimental results, we demonstrate that our myopic approach outperforms (with respect to both objective and runtime) the current best myopic approach for ridesharing on both real-world and synthetic datasets.
• Abstract（参考訳）: UberPool、Lyft Line、GrabShareといったリアルタイムのライドシェアリングシステムは、顧客のコスト削減、ドライバー一人あたりのトリップ収入の改善、道路上のトラフィック削減などにより、大きな人気を集めている。 これらのシステムにおける重要な課題は、"右"の要求をリアルタイムで"右"の車両にまとめることであり、目的(例えば、サービス要求、収益、遅延)を最適化することである。 この課題は、既存の作業で解決されました。 (i)要求の組み合わせをリアルタイムに(顧客にとって利用可能な遅延に関して)できるだけ多くの関連性のあるものにし、 (ii)車両に対する実現可能な要求の組み合わせの割り当ての最適化 車両の容量の増加や要求数の増加に伴い、要求組合せの数が指数関数的に増加するため、残念ながら、そのようなアプローチは割り当てのための要求組合せのサブセットを特定するためにアドホックヒューリスティックを使用する必要がある。 私たちの重要な貢献は、要求の組み合わせではなくゾーン(個々の場所の抽出)パスを採用するアプローチを開発することです。 ゾーンパスは、2つの理由から競合するアプローチよりもはるかに「関連する」組み合わせ(アドホックヒューリスティックスと比較して)をリアルタイムで生成することができる。 i) 各ゾーンパスは、通常、複数の要求の組み合わせを表現できます。 (ii)ゾーンパスは、オフラインメソッドとオンラインメソッドの組み合わせを使って生成される。 具体的には、ゾーンパスを使用するmyopic(現在の要求のみに焦点を当てたridesharing assignment)と非myopic(ridesharing assignmentが期待される将来の要求に影響を与えることを考慮したridesharing assignment)の2つのアプローチに寄与します。 実験結果では,実世界と合成データセットの双方において,私たちのミオピックアプローチは(目的と実行時の両方において)現在のミオピックアプローチよりも優れていることを実証した。

関連論文リスト

• Mutual Information as Intrinsic Reward of Reinforcement Learning Agents for On-demand Ride Pooling [19.247162142334076]
  オンデマンドの車両プールサービスにより、各車両は一度に複数の乗客にサービスを提供することができる。 既存のアルゴリズムでは、収益のみを考慮する場合が多いため、異常な配信要求を抱える場合、乗車が困難になる。 本稿では,都市を個別の配車に分割した配車作業のための配車フレームワークを提案し,これらの地域での配車に強化学習(RL)アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-12-23T08:34:52Z)
• A greedy approach for increased vehicle utilization in ridesharing networks [0.3480973072524161]
  ライドシェアリングプラットフォームは 都市部の住民にとって 顕著な交通手段になっています 道路網全体からウィンドウへの探索空間を削減できるk-hopベースのスライディングウインドウ近似アルゴリズムを提案する。 実世界のデータセット上で提案したモデルを評価し,実験結果から提案モデルによる優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-02T07:25:01Z)
• Modeling routing problems in QUBO with application to ride-hailing [0.0]
  このようなルーティング問題のひとつ,RPP(Ride Pooling Problem)に注力しています。 このタスクは、小規模な柔軟なバスルートに似た、限られた車両セットを使用して顧客の要求を最適にプールすることである。
  論文  参考訳（メタデータ） (2022-12-09T14:55:34Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• 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)
• Balancing Fairness and Efficiency in Traffic Routing via Interpolated Traffic Assignment [29.556405472628402]
  補間交通割当問題(英: Interpolated Traffic Assignment Problem, I-TAP)は、公平性促進と効率性向上のための交通割当を補間する凸プログラムである。 輸送ネットワークにおけるI-TAPと最先端アルゴリズムの数値比較について述べる。
  論文  参考訳（メタデータ） (2021-03-31T20:32:52Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)
• A Distributed Model-Free Ride-Sharing Approach for Joint Matching, Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
  我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。 我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。 実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2020-10-05T03:13:47Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。