論文の概要: A Survey of Machine Learning-Based Ride-Hailing Planning

• arxiv url: http://arxiv.org/abs/2303.14646v1
• Date: Sun, 26 Mar 2023 07:21:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:18:26.212158
• Title: A Survey of Machine Learning-Based Ride-Hailing Planning
• Title（参考訳）: 機械学習による配車計画に関する研究
• Authors: Dacheng Wen, Yupeng Li, Francis C.M. Lau
• Abstract要約: 本稿では,機械学習による配車計画の最新動向について概観する。 私たちは、機械学習ベースの配車計画戦略に関する実証的研究に欠かせない、多くの実世界のデータセットとシミュレータに光を当てました。
• 参考スコア（独自算出の注目度）: 9.928073494684483
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ride-hailing is a sustainable transportation paradigm where riders access door-to-door traveling services through a mobile phone application, which has attracted a colossal amount of usage. There are two major planning tasks in a ride-hailing system: (1) matching, i.e., assigning available vehicles to pick up the riders, and (2) repositioning, i.e., proactively relocating vehicles to certain locations to balance the supply and demand of ride-hailing services. Recently, many studies of ride-hailing planning that leverage machine learning techniques have emerged. In this article, we present a comprehensive overview on latest developments of machine learning-based ride-hailing planning. To offer a clear and structured review, we introduce a taxonomy into which we carefully fit the different categories of related works according to the types of their planning tasks and solution schemes, which include collective matching, distributed matching, collective repositioning, distributed repositioning, and joint matching and repositioning. We further shed light on many real-world datasets and simulators that are indispensable for empirical studies on machine learning-based ride-hailing planning strategies. At last, we propose several promising research directions for this rapidly growing research and practical field.
• Abstract（参考訳）: ライドハイリング(Ride-hailing)は、携帯電話アプリケーションを通じてドアツードアの旅行サービスにアクセスするための持続可能な輸送パラダイムである。 配車システムには2つの主要な計画課題がある:(1)配車サービスの需要と需要のバランスをとるために、乗客を乗せるために利用可能な車両を割り当てる、(2)特定の場所に積極的に移動させる、の2つである。 近年,機械学習を利用した配車計画の研究が数多く行われている。 本稿では,機械学習に基づく配車計画の最新動向について概観する。 本報告では, 集合的マッチング, 分散的マッチング, 集合的再配置, 分散的再配置, 共同的マッチングと再配置を含む, それらの計画課題と解法の種類に応じて, 関連作業の異なるカテゴリを慎重に適合させる分類法を提案する。 我々はさらに、機械学習に基づく配車計画戦略の実証研究に欠かせない、多くの現実世界のデータセットとシミュレータに光を当てた。 最後に、この急速に成長している研究・実践分野に有望な研究の方向性をいくつか提案する。

関連論文リスト

• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• Parting with Misconceptions about Learning-based Vehicle Motion Planning [30.39229175273061]
  nuPlanは、自動車の運動計画研究の新しい時代を象徴している。 既存のシステムは、両方の要件を同時に満たすのに苦労しています。 本稿では,非常にシンプルで効率的なプランナを提案する。
  論文  参考訳（メタデータ） (2023-06-13T17:57:03Z)
• Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
  本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。 私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
  論文  参考訳（メタデータ） (2023-04-17T13:49:55Z)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)
• Learning off-road maneuver plans for autonomous vehicles [0.0]
  この論文では、オフロード環境での自動運転車のオンライン計画とスケジューリングに機械学習アルゴリズムがもたらすメリットを探求する。 異なる計画立案者を支援するための学習ベースを提示する。 同期操作を実行するための戦略を合成するために,新しいタイプのスケジューリング制御性と学習支援アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-02T16:27:59Z)
• Reinforcement Learning for Ridesharing: A Survey [59.082699477231365]
  本稿では,ライドシェアリング問題に対する強化学習アプローチに関する文献の包括的かつ詳細な調査について述べる。 ライドシェアのマッチング、車両の配置変更、相乗り、動的価格の話題に関する論文を取り上げている。 我々は,この重要な領域における強化学習研究の課題と機会について考察する。
  論文  参考訳（メタデータ） (2021-05-03T18:09:58Z)
• 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)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。