論文の概要: Optimizing Group Utility in Itinerary Planning: A Strategic and
Crowd-Aware Approach
- arxiv url: http://arxiv.org/abs/2304.08495v4
- Date: Sun, 10 Sep 2023 16:06:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 21:52:07.180126
- Title: Optimizing Group Utility in Itinerary Planning: A Strategic and
Crowd-Aware Approach
- Title(参考訳): 反復計画におけるグループユーティリティの最適化:戦略的・集団的アプローチ
- Authors: Junhua Liu, Kwan Hui Lim, Kristin L. Wood, Menglin Li
- Abstract要約: 反復レコメンデーションは、多くの現実世界の応用において複雑なシーケンス予測問題である。
既存のソリューションは通常、一人称視点に焦点を合わせ、自然の群衆の振る舞いによる現実の問題に対処できない。
実環境におけるグループユーティリティを最適化するStrategic and CrowdAware Itinerary Recommendation (SCAIR)アルゴリズムを導入する。
- 参考スコア(独自算出の注目度): 6.1392189155269925
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Itinerary recommendation is a complex sequence prediction problem with
numerous real-world applications. This task becomes even more challenging when
considering the optimization of multiple user queuing times and crowd levels,
as well as numerous involved parameters, such as attraction popularity, queuing
time, walking time, and operating hours. Existing solutions typically focus on
single-person perspectives and fail to address real-world issues resulting from
natural crowd behavior, like the Selfish Routing problem. In this paper, we
introduce the Strategic and Crowd-Aware Itinerary Recommendation (SCAIR)
algorithm, which optimizes group utility in real-world settings. We model the
route recommendation strategy as a Markov Decision Process and propose a State
Encoding mechanism that enables real-time planning and allocation in linear
time. We evaluate our algorithm against various competitive and realistic
baselines using a theme park dataset, demonstrating that SCAIR outperforms
these baselines in addressing the Selfish Routing problem across four theme
parks.
- Abstract(参考訳): イテナリーレコメンデーションは複雑なシーケンス予測問題であり、多くの実世界のアプリケーションがある。
このタスクは、複数のユーザーキューイング時間や群衆レベルの最適化、アトラクションの人気、キューイング時間、歩行時間、営業時間といった多くのパラメータを考慮するとさらに困難になる。
既存のソリューションは通常、一人称視点にフォーカスし、利己的なルーティング問題のような自然な群衆の振る舞いによって生じる現実世界の問題に対処できない。
本稿では,実環境におけるグループユーティリティを最適化するStrategic and Crowd-Aware Itinerary Recommendation (SCAIR)アルゴリズムを提案する。
経路推薦戦略をマルコフ決定プロセスとしてモデル化し,線形時間におけるリアルタイム計画と割り当てを可能にする状態符号化機構を提案する。
提案手法は,テーマパークのデータセットを用いて,様々な競合ベースラインに対する評価を行い,4つのテーマパークを横断する利己的なルーティング問題に対して,スカアがこれらのベースラインよりも優れていることを示す。
関連論文リスト
- Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。
我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。
提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
論文 参考訳(メタデータ) (2024-10-17T12:38:08Z) - Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。
提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。
我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
論文 参考訳(メタデータ) (2024-09-09T17:59:45Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳(メタデータ) (2024-08-11T14:57:57Z) - Deep Optimal Timing Strategies for Time Series [12.207534174462145]
本稿では,確率的時系列予測タスクと最適タイミング決定タスクを組み合わせたメカニズムを提案する。
具体的には、確率予測アルゴリズムを用いて、基礎となる時系列の将来経路を生成する。
最適な実行時間を求めるために、最適な停止問題として決定タスクを定式化し、最適時間を近似するためにリカレントニューラルネットワーク構造(RNN)を用いる。
論文 参考訳(メタデータ) (2023-10-09T07:38:23Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳(メタデータ) (2023-07-26T16:19:19Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳(メタデータ) (2023-05-02T07:41:16Z) - A Hierarchical Temporal Planning-Based Approach for Dynamic Hoist
Scheduling Problems [11.66506213335498]
ホイストスケジューリングは、自律デバイスの開発で産業応用の電気めっきのボトルネックとなっている。
適応型PDDLの形で新しい時間計画問題としてホイストスケジューリング問題を定式化する。
この問題に対するソリューションメソッドの評価に使用できる実生活ベンチマークインスタンスのコレクションを提供する。
論文 参考訳(メタデータ) (2022-12-11T05:30:44Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳(メタデータ) (2022-10-23T22:21:10Z) - A Case Study of Vehicle Route Optimization [2.2101681534594237]
本研究では,主に関連する実世界の制約と要件を取り入れる。
時間ウィンドウと停止時間のための2段階戦略とタイムラインアルゴリズムを提案する。
4つの最先端アルゴリズムに対する8つの異なる問題インスタンスの評価は、我々のアプローチが与えられた制約を妥当な時間で処理することを示している。
論文 参考訳(メタデータ) (2021-11-17T13:10:55Z) - 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)
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。