論文の概要: Throughput-Fairness Tradeoffs in Mobility Platforms

• arxiv url: http://arxiv.org/abs/2105.11999v1
• Date: Tue, 25 May 2021 15:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 20:49:50.969003
• Title: Throughput-Fairness Tradeoffs in Mobility Platforms
• Title（参考訳）: モビリティプラットフォームにおけるスループット・フェアネストレードオフ
• Authors: Arjun Balasingam, Karthik Gopalakrishnan, Radhika Mittal, Venkat Arun, Ahmed Saeed, Mohammad Alizadeh, Hamsa Balakrishnan, Hari Balakrishnan
• Abstract要約: 我々は、顧客間で高いスループットと公平性を達成するためにガイド付き最適化を使用するシステムMobiusを紹介する。 当社のライドシェアリングケーススタディによると、Mobiusは40の顧客と200台の車両に16,000以上のタスクをオンラインでスケジュールできる。
• 参考スコア（独自算出の注目度）: 17.718045515745327
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper studies the problem of allocating tasks from different customers to vehicles in mobility platforms, which are used for applications like food and package delivery, ridesharing, and mobile sensing. A mobility platform should allocate tasks to vehicles and schedule them in order to optimize both throughput and fairness across customers. However, existing approaches to scheduling tasks in mobility platforms ignore fairness. We introduce Mobius, a system that uses guided optimization to achieve both high throughput and fairness across customers. Mobius supports spatiotemporally diverse and dynamic customer demands. It provides a principled method to navigate inherent tradeoffs between fairness and throughput caused by shared mobility. Our evaluation demonstrates these properties, along with the versatility and scalability of Mobius, using traces gathered from ridesharing and aerial sensing applications. Our ridesharing case study shows that Mobius can schedule more than 16,000 tasks across 40 customers and 200 vehicles in an online manner.
• Abstract（参考訳）: 本稿では,食品や荷物配送,ライドシェアリング,モバイルセンシングなどのアプリケーションで使用される移動プラットフォームにおける,異なる顧客から車両へのタスク割り当ての問題について検討する。 モビリティプラットフォームは、顧客間のスループットと公平性を最適化するために、タスクを車両に割り当て、スケジュールするべきです。 しかし、移動プラットフォームにおけるスケジューリングタスクに対する既存のアプローチは公平さを無視する。 我々は、顧客間で高いスループットと公平性を達成するためにガイド付き最適化を使用するシステムMobiusを紹介する。 mobiusは時空間的に多様な動的顧客要求をサポートする。 これは、共有モビリティによって引き起こされる公平性とスループットの間の固有のトレードオフをナビゲートする原則化された方法を提供する。 本評価では,これらの特性とMobiusの汎用性とスケーラビリティを,配車および空中センシングアプリケーションから収集したトレースを用いて示す。 当社のライドシェアリングケーススタディによると、Mobiusは40の顧客と200台の車両に16,000以上のタスクをオンラインでスケジュールできる。

関連論文リスト

• Foundations and Recent Trends in Multimodal Mobile Agents: A Survey [57.677161006710065]
  モバイルエージェントは、複雑で動的なモバイル環境におけるタスクの自動化に不可欠である。 近年の進歩により、リアルタイム適応性とマルチモーダルインタラクションが向上している。 これらの進歩は、プロンプトベースの方法とトレーニングベースの方法の2つの主要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-11-04T11:50:58Z)
• Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
  都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。 本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。 モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。 私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
  論文  参考訳（メタデータ） (2024-05-03T00:29:20Z)
• Mobile-Agent: Autonomous Multi-Modal Mobile Device Agent with Visual Perception [52.5831204440714]
  自律型マルチモーダルモバイルデバイスエージェントMobile-Agentを紹介する。 Mobile-Agentはまず視覚認識ツールを利用して、アプリのフロントエンドインターフェイス内の視覚的要素とテキスト的要素の両方を正確に識別し、特定する。 そして、複雑なオペレーションタスクを自律的に計画し、分解し、ステップバイステップでモバイルアプリをナビゲートする。
  論文  参考訳（メタデータ） (2024-01-29T13:46:37Z)
• Drive Anywhere: Generalizable End-to-end Autonomous Driving with Multi-modal Foundation Models [114.69732301904419]
  本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。 当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:56:35Z)
• A Machine-Learned Ranking Algorithm for Dynamic and Personalised Car Pooling Services [7.476901945542385]
  カープールサービスのレコメンデーションシステムであるGoTogetherを提案する。 GoTogetherは、提案された試合の成功率を最大化するために、推奨乗車数のリストを構築している。 提案手法の性能をテストするために,Twitter や Foursquare の情報源から得られた実データを利用する。
  論文  参考訳（メタデータ） (2023-07-06T09:25:38Z)
• 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)
• Clustering and Analysis of GPS Trajectory Data using Distance-based Features [20.91019606657394]
  そこで我々は,新たなモビリティ指標であるDaily Characteristics Distanceを提案する。 次に、これらの機能を教師なしの機械学習手法、$k$-meansクラスタリングで使用し、各タイプのユーザ(WorkdayとOffday)に対して3つのクラスタを取得する。 本稿では,クラスタリング結果,すなわちユーザ共通性と平均周波数の分析のための2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2022-12-01T01:25:49Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• 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)
• PassGoodPool: Joint Passengers and Goods Fleet Management with Reinforcement Learning aided Pricing, Matching, and Route Planning [29.73314892749729]
  本稿では,商品と旅客輸送を組み合わせた需要対応型艦隊管理フレームワークを提案する。 提案手法は,分散システムの成長に伴う計算コストを最小限に抑えるため,各車両内で独立して展開可能である。
  論文  参考訳（メタデータ） (2020-11-17T23:15:03Z)
• 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)

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。