論文の概要: Secure Your Ride: Real-time Matching Success Rate Prediction for Passenger-Driver Pairs

• arxiv url: http://arxiv.org/abs/2109.07571v1
• Date: Tue, 14 Sep 2021 15:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 14:13:58.937324
• Title: Secure Your Ride: Real-time Matching Success Rate Prediction for Passenger-Driver Pairs
• Title（参考訳）: secure your ride: 乗客とドライバーのペアのリアルタイムマッチング成功率予測
• Authors: Yuandong Wang, Hongzhi Yin, Lian Wu, Tong Chen, Chunyang Liu
• Abstract要約: 乗務員のMSRを正確に予測するマルチビューモデル(MV)を提案する。 MVは、乗客、ドライバー、旅行順、およびコンテキストの動的特徴間の相互作用を学習する。 また,小都市の予測力を補うために,知識蒸留フレームワーク(KD)を設計する。
• 参考スコア（独自算出の注目度）: 24.5737193355862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, online ride-hailing platforms have become an indispensable part of urban transportation. After a passenger is matched up with a driver by the platform, both the passenger and the driver have the freedom to simply accept or cancel a ride with one click. Hence, accurately predicting whether a passenger-driver pair is a good match turns out to be crucial for ride-hailing platforms to devise instant order assignments. However, since the users of ride-hailing platforms consist of two parties, decision-making needs to simultaneously account for the dynamics from both the driver and the passenger sides. This makes it more challenging than traditional online advertising tasks. Moreover, the amount of available data is severely imbalanced across different cities, creating difficulties for training an accurate model for smaller cities with scarce data. Though a sophisticated neural network architecture can help improve the prediction accuracy under data scarcity, the overly complex design will impede the model's capacity of delivering timely predictions in a production environment. In the paper, to accurately predict the MSR of passenger-driver, we propose the Multi-View model (MV) which comprehensively learns the interactions among the dynamic features of the passenger, driver, trip order, as well as context. Regarding the data imbalance problem, we further design the Knowledge Distillation framework (KD) to supplement the model's predictive power for smaller cities using the knowledge from cities with denser data and also generate a simple model to support efficient deployment. Finally, we conduct extensive experiments on real-world datasets from several different cities, which demonstrates the superiority of our solution.
• Abstract（参考訳）: 近年、オンライン配車プラットフォームは都市交通にとって欠かせない部分となっている。 乗客がプラットフォームによってドライバーと一致した後、乗客とドライバーの両方がワンクリックで簡単に乗車を受け入れたりキャンセルしたりすることができる。 したがって、乗客とドライバーのペアが良い一致かどうかを正確に予測することは、配車プラットフォームが即時注文を考案する上で極めて重要であることが判明した。 しかし、配車プラットフォームの利用者は2つの当事者で構成されるため、ドライバー側と乗客側の両方からのダイナミクスを同時に考慮する必要がある。 これは従来のオンライン広告のタスクよりも難しくなる。 さらに、利用可能なデータの量は異なる都市間で大きくバランスが取れず、データが少ない小さな都市で正確なモデルを訓練するのは難しい。 高度なニューラルネットワークアーキテクチャは、データ不足下での予測精度の向上に役立つが、過度に複雑な設計は、プロダクション環境でタイムリーな予測を提供するモデルの能力を妨げる。 本稿では,乗務員のmsrを正確に予測するために,乗務員,乗務員,旅行順,および状況の動的特徴間の相互作用を包括的に学習するマルチビューモデル(mv)を提案する。 データ不均衡問題に関して、我々は、より密集した都市からの知識を用いて、小都市におけるモデルの予測力を補うための知識蒸留フレームワーク(KD)をさらに設計し、効率的な展開を支援するためのシンプルなモデルを生成する。 最後に,様々な都市から実世界のデータセットを広範囲に実験し,ソリューションの優越性を示す。

関連論文リスト

• GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Dynamic Graph Representation Learning for Passenger Behavior Prediction [7.179458364817048]
  乗客の行動予測は、過去の搭乗情報と照会データを通して、乗客の旅行パターンを追跡することを目的としている。 これはスマートシティ開発と公共交通計画にとって不可欠である。 既存の研究は、個々の歴史的相互作用から学ぶための統計手法とシーケンシャルモデルに依存している。
  論文  参考訳（メタデータ） (2024-08-17T04:35:17Z)
• 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)
• GOF-TTE: Generative Online Federated Learning Framework for Travel Time Estimation [8.05623264361826]
  本稿では,モバイルユーザグループを対象としたGOF-TTE,旅行時間推定のための生成オンラインフェデレーション学習フレームワークを紹介する。 トレーニング中にプライベートデータをクライアントデバイスに保持し,全クライアントが共有するオンライン生成モデルとしてグローバルモデルを設計し,リアルタイムな道路交通状態を推定する。 また、私たちのフレームワークにシンプルなプライバシー攻撃を導入し、プライバシーの安全性をさらに保証するための差分プライバシーメカニズムを実装しています。
  論文  参考訳（メタデータ） (2022-07-02T14:10:26Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• Predicting Vehicles Trajectories in Urban Scenarios with Transformer Networks and Augmented Information [0.0]
  本稿では,トランスフォーマーネットワークに基づく歩行者軌道予測のための単純な構造を利用する。 我々は,最大5秒の地平線における都市シナリオにおける車両軌道予測の問題にそれらの利用を適応させる。 我々のモデルは最先端の成果を達成し、異なるタイプの都市環境に柔軟で適応可能であることを証明している。
  論文  参考訳（メタデータ） (2021-06-01T15:18:55Z)
• 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)
• MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
  MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。 提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T00:09:30Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。