論文の概要: Future Aware Pricing and Matching for Sustainable On-demand Ride Pooling
- arxiv url: http://arxiv.org/abs/2302.10510v2
- Date: Mon, 3 Apr 2023 14:19:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 21:21:29.750757
- Title: Future Aware Pricing and Matching for Sustainable On-demand Ride Pooling
- Title（参考訳）: 持続可能なオンデマンドライドプールの価格設定とマッチング
- Authors: Xianjie Zhang and Pradeep Varakantham and Hao Jiang
- Abstract要約: オンデマンドの配車サービスの人気は、顧客(低価格)、タクシー運転手(高収入)、環境(車両の減少による炭素フットプリントの低下)、そしてUberのようなアグリゲーション会社に提供される利益から来ている。
このメリットを達成するためには、(a)価格 -- タクシーの顧客の要求に価格を設定すること、(b)価格を受け入れる顧客をタクシーや車に割り当てること、という2つの重要な相互リンクの課題を効果的に解決する必要がある。
本稿では、価格と整合性の問題に対処する新しい枠組みを開発し、価格と整合性の決定の今後の影響を考察する。
- 参考スコア（独自算出の注目度）: 10.285325905315387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The popularity of on-demand ride pooling is owing to the benefits offered to
customers (lower prices), taxi drivers (higher revenue), environment (lower
carbon footprint due to fewer vehicles) and aggregation companies like Uber
(higher revenue). To achieve these benefits, two key interlinked challenges
have to be solved effectively: (a) pricing -- setting prices to customer
requests for taxis; and (b) matching -- assignment of customers (that accepted
the prices) to taxis/cars. Traditionally, both these challenges have been
studied individually and using myopic approaches (considering only current
requests), without considering the impact of current matching on addressing
future requests. In this paper, we develop a novel framework that handles the
pricing and matching problems together, while also considering the future
impact of the pricing and matching decisions. In our experimental results on a
real-world taxi dataset, we demonstrate that our framework can significantly
improve revenue (up to 17% and on average 6.4%) in a sustainable manner by
reducing the number of vehicles (up to 14% and on average 10.6%) required to
obtain a given fixed revenue and the overall distance travelled by vehicles (up
to 11.1% and on average 3.7%). That is to say, we are able to provide an ideal
win-win scenario for all stakeholders (customers, drivers, aggregator,
environment) involved by obtaining higher revenue for customers, drivers,
aggregator (ride pooling company) while being good for the environment (due to
fewer number of vehicles on the road and lesser fuel consumed).
- Abstract（参考訳）: オンデマンドのライドプーリングの人気は、顧客(低価格)、タクシードライバー(高い収入)、環境(少ない車両によるカーボンフットプリント)、そしてuberのような集約企業(高い収入)に提供される利点がある。
これらの利点を達成するには、2つの重要な相互リンク課題を効果的に解決する必要がある。
(a)価格 --タクシーの顧客要求に価格を設定すること
(b)マッチング -- タクシー・車への顧客(価格を受け入れた)の割り当て。
伝統的に、これら2つの課題は、将来の要求に対する現在のマッチングの影響を考慮せずに、個別に研究され、(現在の要求のみを考慮して)妙明なアプローチを用いている。
本稿では,価格とマッチングの問題を取り扱うとともに,価格とマッチング決定の今後の影響も考慮しながら,新たな枠組みを提案する。
実世界のタクシーデータセットにおける実験結果では、固定収入の取得に必要な車両数(最大14%、平均10.6%)と、車両の走行距離(最大11.1%、平均3.7%)を削減し、持続的に収益(平均17%、平均6.4%)を大幅に改善できることを実証した。
つまり、顧客、ドライバー、アグリゲータ(ライドプール会社)に対して高い収益を得ると同時に、環境(道路上の車両の数が少なく、燃料消費も少ないため)に適している、すべての利害関係者(顧客、ドライバー、アグリゲータ、環境)に理想的なウィンウィンシナリオを提供することができるのです。
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) - 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) - Conditional Expectation based Value Decomposition for Scalable On-Demand
Ride Pooling [11.988825533369683]
従来のライドプーリングアプローチは、現在のマッチが車/ドライバーの将来的な価値に与える影響を考慮していない。
我々は,新たなアプローチである条件付き期待値分解(CEVD)がNeurADPを最大9.76%上回っていることを示す。
論文 参考訳（メタデータ） (2021-12-01T15:53:16Z) - 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) - 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) - 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) - 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) - Balancing Taxi Distribution in A City-Scale Dynamic Ridesharing Service:
A Hybrid Solution Based on Demand Learning [0.0]
本研究では,動的なライドシェアリングサービスにおいて,都市間のタクシー配電のバランスをとる上での課題について検討する。
本稿では,Correlated Pooling が関連ライダーの要求を収集し,Adjacency Ride-Matching が要求学習に基づくタクシーをライダーに割り当て,Greedy Idle Movement が現在利用者が必要な地域への配車なしでタクシーを誘導することを目的としたハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2020-07-27T07:08:02Z)
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。