論文の概要: Explaining Ridesharing: Selection of Explanations for Increasing User
Satisfaction
- arxiv url: http://arxiv.org/abs/2105.12500v1
- Date: Wed, 26 May 2021 12:03:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-27 13:21:26.800363
- Title: Explaining Ridesharing: Selection of Explanations for Increasing User
Satisfaction
- Title（参考訳）: ライドシェアリングの説明: ユーザ満足度向上のための説明の選択
- Authors: David Zar, Noam Hazon, Amos Azaria
- Abstract要約: ユーザ満足度を高めるための説明を提供するエージェントを開発する。
機械学習ベースのエージェントは、ユーザの満足度を高める可能性が最も高い説明を選択する。
人間からのフィードバックを用いて、私たちの機械学習ベースのエージェントは、合理的エージェントとランダムに説明を選択するエージェントよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 10.86084463641286
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transportation services play a crucial part in the development of modern
smart cities. In particular, on-demand ridesharing services, which group
together passengers with similar itineraries, are already operating in several
metropolitan areas. These services can be of significant social and
environmental benefit, by reducing travel costs, road congestion and CO2
emissions.
Unfortunately, despite their advantages, not many people opt to use these
ridesharing services. We believe that increasing the user satisfaction from the
service will cause more people to utilize it, which, in turn, will improve the
quality of the service, such as the waiting time, cost, travel time, and
service availability. One possible way for increasing user satisfaction is by
providing appropriate explanations comparing the alternative modes of
transportation, such as a private taxi ride and public transportation. For
example, a passenger may be more satisfied from a shared-ride if she is told
that a private taxi ride would have cost her 50% more. Therefore, the problem
is to develop an agent that provides explanations that will increase the user
satisfaction.
We model our environment as a signaling game and show that a rational agent,
which follows the perfect Bayesian equilibrium, must reveal all of the
information regarding the possible alternatives to the passenger. In addition,
we develop a machine learning based agent that, when given a shared-ride along
with its possible alternatives, selects the explanations that are most likely
to increase user satisfaction. Using feedback from humans we show that our
machine learning based agent outperforms the rational agent and an agent that
randomly chooses explanations, in terms of user satisfaction.
- Abstract（参考訳）: 交通サービスは現代のスマートシティの発展において重要な役割を担っている。
特に、同様の経路で乗客をまとめるオンデマンド配車サービスは、既にいくつかの大都市圏で運行されている。
これらのサービスは、交通費、道路渋滞、co2排出量を減らすことで、社会的および環境面で大きな利益を享受できる。
残念なことに、こうしたライドシェアリングサービスを使う人はあまりいない。
サービスからのユーザの満足度を高めることで、より多くの人が利用できるようになると信じており、その結果として、待ち時間、コスト、旅行時間、サービス可用性といったサービスの質が向上するでしょう。
利用者満足度を高める一つの方法は、自家用タクシーや公共交通などの代替交通手段を比較する適切な説明を提供することである。
例えば、プライベートタクシーの乗車に50%以上の費用がかかると言われた場合、乗客はシェアライドに満足するかもしれない。
そのため、ユーザの満足度を高めるための説明を提供するエージェントを開発することが問題となる。
我々は,この環境をシグナリングゲームとしてモデル化し,完全なベイズ均衡に従う有理エージェントが,乗客の代替案に関するすべての情報を明らかにする必要があることを示す。
さらに,その代替案と共有ライドを与えることで,ユーザの満足度を高める可能性のある説明を選択する,機械学習ベースのエージェントを開発した。
人間からのフィードバックを使って、機械学習ベースのエージェントは、ユーザー満足度の観点から、合理的エージェントと説明をランダムに選択するエージェントよりも優れています。
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) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - Coalitional Bargaining via Reinforcement Learning: An Application to
Collaborative Vehicle Routing [49.00137468773683]
コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。
これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。
しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか?
シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
論文 参考訳（メタデータ） (2023-10-26T15:04:23Z) - 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) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - 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) - 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) - 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) - Identifying synergies in private and public transportation [9.2148680438251]
自律走行車(AV)が安価で効率的な輸送サービスを提供している将来、こうした区別は曖昧になるだろう。
アジア2都市における各バスとタクシーの走行距離の同時利用は,交通サービス品質の向上につながる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-21T07:53:40Z) - Equitable and Optimal Transport with Multiple Agents [48.17429789586127]
複数のコストがかかる場合に最適輸送問題を拡張します。
1つのディストリビューションを別のディストリビューションに転送する作業は、エージェント間で均等に共有することを目的としています。
別の視点では、目的がエージェント間で均等な商品を均質な選好に従って分配することである。
論文 参考訳（メタデータ） (2020-06-12T15:15:41Z) - Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。
輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
論文 参考訳（メタデータ） (2020-05-09T13:53:01Z)
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。