論文の概要: A multi-objective optimization framework for on-line ridesharing systems

• arxiv url: http://arxiv.org/abs/2012.05046v1
• Date: Mon, 7 Dec 2020 16:25:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 20:36:50.955422
• Title: A multi-objective optimization framework for on-line ridesharing systems
• Title（参考訳）: オンライン配車システムのための多目的最適化フレームワーク
• Authors: Hamed Javidi, Dan Simon, Ling Zhu, Yan Wang
• Abstract要約: 本稿では,生物地理学に基づく最適化を利用して,オンラインライドシェアリングにおける多目的最適化問題を解くアルゴリズムを提案する。 北京のライドシェアリングデータセットで性能を評価することで,本アルゴリズムを検証した。
• 参考スコア（独自算出の注目度）: 6.247570729758392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ultimate goal of ridesharing systems is to matchtravelers who do not have a vehicle with those travelers whowant to share their vehicle. A good match can be found amongthose who have similar itineraries and time schedules. In thisway each rider can be served without any delay and also eachdriver can earn as much as possible without having too muchdeviation from their original route. We propose an algorithmthat leverages biogeography-based optimization to solve a multi-objective optimization problem for online ridesharing. It isnecessary to solve the ridesharing problem as a multi-objectiveproblem since there are some important objectives that must beconsidered simultaneously. We test our algorithm by evaluatingperformance on the Beijing ridesharing dataset. The simulationresults indicate that BBO provides competitive performancerelative to state-of-the-art ridesharing optimization algorithms.
• Abstract（参考訳）: ライドシェアリングシステムの究極の目標は、車両を持っていない旅行者と車両を共有することにある。 類似した日程やスケジュールを持つ人々の間では、よい試合が見られます。 この方法では、各ライダーは遅延なく提供でき、また、各ドライバーは元のルートから過度に逸脱することなく、できるだけ稼げる。 本稿では,生物地理学に基づく最適化を利用して,オンラインライドシェアリングにおける多目的最適化問題を解くアルゴリズムを提案する。 同時に考慮しなければならない重要な目的がいくつかあるので、多目的プロブレムとしてライドシェアリング問題を解決する必要があります。 北京のライドシェアリングデータセットで性能を評価することで,本アルゴリズムを検証した。 シミュレーションの結果、bboは最先端のライドシェアリング最適化アルゴリズムと競合するパフォーマンスを提供することがわかった。

関連論文リスト

• WHALES: A Multi-agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [54.365702251769456]
  我々は、駆動シーケンス当たり平均8.4エージェントのデータセットを提示する。 自律運転データセットの中で最大のエージェントと視点を提供するだけでなく、WHALESはエージェントの振る舞いを記録する。 エージェントスケジューリングタスクにおいて,エゴエージェントが複数の候補エージェントの1つを選択して協調する実験を行う。
  論文  参考訳（メタデータ） (2024-11-20T14:12:34Z)
• Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
  オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。 効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。 本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T22:36:43Z)
• Multi-agent Path Finding for Cooperative Autonomous Driving [8.8305853192334]
  我々は,既存のアルゴリズムを著しく上回る最適かつ完全なアルゴリズムであるオーダーベース検索をKinematics Arrival Time Scheduling (OBS-KATS) により考案した。 当社の作業は、同じようなスケールのトラフィックや、有向車線を備えたマルチロボットシナリオに直接適用可能です。
  論文  参考訳（メタデータ） (2024-02-01T04:39:15Z)
• Large-scale Online Ridesharing: The Effect of Assignment Optimality on System Performance [13.010768187625352]
  モビリティ・オン・デマンド(モビリティ・オン・デマンド、MoD)は、ワンウェイ・ポイント・ツー・ポイント・トリップ用に配車できる車両群である。 車両によって駆動される総距離と艦隊規模は、複数の乗客を1台の車両に割り当てることによって、乗用シェアリングを利用することで低減することができる。 本稿では,最近提案された配車方式であるVGA法を用いて,MoDシステムにおける最適乗用車割り当てを計算する方法について述べる。
  論文  参考訳（メタデータ） (2023-04-07T12:07:06Z)
• 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)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• Incentivizing Efficient Equilibria in Traffic Networks with Mixed Autonomy [17.513581783749707]
  車両小隊化は、車両小隊化による道路容量の増加によって交通渋滞を減少させる可能性がある。 我々は、(i)最短経路を選択する人間ドライバーと(ii)相乗りサービスという2つの交通手段を持つ平行道路のネットワークについて検討する。 我々は、混合自律で車両の流れのモデルと、価格と遅延の異なるルート間で自律サービスユーザーがどのように選択するかのモデルを定式化する。
  論文  参考訳（メタデータ） (2021-05-06T03:01:46Z)
• 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)
• A Hybrid Multi-Objective Carpool Route Optimization Technique using Genetic Algorithm and A* Algorithm [0.0]
  本研究では,カープール問題に対する最適経路を求めるためのGA-A*ハイブリッドアルゴリズムを提案する。 得られた経路は、ピックアップ/ドロップコストだけでなく、旅行・出先距離を最小化し、サービス提供者の利益を最大化する。 提案アルゴリズムはコルカタのソルトレイク地域に実装されている。
  論文  参考訳（メタデータ） (2020-07-11T14:13:20Z)
• 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。