論文の概要: A greedy approach for increased vehicle utilization in ridesharing networks

• arxiv url: http://arxiv.org/abs/2304.01225v2
• Date: Mon, 22 Jan 2024 06:31:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 22:02:10.676792
• Title: A greedy approach for increased vehicle utilization in ridesharing networks
• Title（参考訳）: 配車ネットワークにおける車両利用拡大のための欲望的アプローチ
• Authors: Aqsa Ashraf Makhdomi and Iqra Altaf Gillani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3480973072524161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, ridesharing platforms have become a prominent mode of transportation for the residents of urban areas. As a fundamental problem, route recommendation for these platforms is vital for their sustenance. The works done in this direction have recommended routes with higher passenger demand. Despite the existing works, statistics have suggested that these services cause increased greenhouse emissions compared to private vehicles as they roam around in search of riders. This analysis provides finer details regarding the functionality of ridesharing systems and it reveals that in the face of their boom, they have not utilized the vehicle capacity efficiently. We propose to overcome the above limitations and recommend routes that will fetch multiple passengers simultaneously which will result in increased vehicle utilization and thereby decrease the effect of these systems on the environment. As route recommendation is NP-hard, we propose a k-hop-based sliding window approximation algorithm that reduces the search space from entire road network to a window. We further demonstrate that maximizing expected demand is submodular and greedy algorithms can be used to optimize our objective function within a window. We evaluate our proposed model on real-world datasets and experimental results demonstrate superior performance by our proposed model.
• Abstract（参考訳）: 近年、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重要な交通手段となっている。 基本的な問題として、これらのプラットフォームへのルートレコメンデーションはその持続性に不可欠である。 この方向の工事は旅客需要の高い路線を推奨している。 既存の研究にもかかわらず、これらのサービスは、乗客を探し回っているときに、民間車に比べて温室効果ガスの排出が増加することを示唆している。 この分析は、配車システムの機能に関するより詳細な情報を提供し、そのブームに直面して、車両のキャパシティーを効率的に活用していないことを明らかにする。 我々は、上記の制限を克服し、同時に複数の乗客を引き出す経路を推奨し、その結果、車両の利用が増加し、これらのシステムが環境に与える影響を減らすことを提案する。 経路推薦はNPハードであるため,道路網全体からウィンドウへの探索空間を削減する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。 さらに,期待需要の最大化はサブモジュラーであり,ウィンドウ内の目的関数を最適化するためにグリーディアルゴリズムが使用できることを示す。 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。

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)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• 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)
• End-to-end Autonomous Driving: Challenges and Frontiers [45.391430626264764]
  エンドツーエンドの自動運転におけるモチベーション、ロードマップ、方法論、課題、今後のトレンドについて、270以上の論文を包括的に分析する。 マルチモダリティ、解釈可能性、因果的混乱、堅牢性、世界モデルなど、いくつかの重要な課題を掘り下げます。 基礎モデルと視覚前訓練の現在の進歩と、これらの技術をエンドツーエンドの駆動フレームワークに組み込む方法について論じる。
  論文  参考訳（メタデータ） (2023-06-29T14:17:24Z)
• Large-scale Online Ridesharing: The Effect of Assignment Optimality on System Performance [13.010768187625352]
  モビリティ・オン・デマンド(モビリティ・オン・デマンド、MoD)は、ワンウェイ・ポイント・ツー・ポイント・トリップ用に配車できる車両群である。 車両によって駆動される総距離と艦隊規模は、複数の乗客を1台の車両に割り当てることによって、乗用シェアリングを利用することで低減することができる。 本稿では,最近提案された配車方式であるVGA法を用いて,MoDシステムにおける最適乗用車割り当てを計算する方法について述べる。
  論文  参考訳（メタデータ） (2023-04-07T12:07:06Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Urban traffic dynamic rerouting framework: A DRL-based model with fog-cloud architecture [0.7046417074932257]
  本研究では,GAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。 まず、GAQは、各道路と霧のエリアの交通状況を分析し、その周辺地域と周辺地域の情報に基づいて道路指標を割り当てる。 第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。
  論文  参考訳（メタデータ） (2021-10-11T18:15:44Z)
• Incentivizing Efficient Equilibria in Traffic Networks with Mixed Autonomy [17.513581783749707]
  車両小隊化は、車両小隊化による道路容量の増加によって交通渋滞を減少させる可能性がある。 我々は、(i)最短経路を選択する人間ドライバーと(ii)相乗りサービスという2つの交通手段を持つ平行道路のネットワークについて検討する。 我々は、混合自律で車両の流れのモデルと、価格と遅延の異なるルート間で自律サービスユーザーがどのように選択するかのモデルを定式化する。
  論文  参考訳（メタデータ） (2021-05-06T03:01:46Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• 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)
• 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)

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。