論文の概要: A Machine-Learned Ranking Algorithm for Dynamic and Personalised Car Pooling Services

• arxiv url: http://arxiv.org/abs/2307.05697v1
• Date: Thu, 6 Jul 2023 09:25:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-16 03:25:27.397763
• Title: A Machine-Learned Ranking Algorithm for Dynamic and Personalised Car Pooling Services
• Title（参考訳）: 動的およびパーソナライズされたカープーリングサービスのための機械学習ランキングアルゴリズム
• Authors: Mattia Giovanni Campana, Franca Delmastro, Raffaele Bruno
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.476901945542385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Car pooling is expected to significantly help in reducing traffic congestion and pollution in cities by enabling drivers to share their cars with travellers with similar itineraries and time schedules. A number of car pooling matching services have been designed in order to efficiently find successful ride matches in a given pool of drivers and potential passengers. However, it is now recognised that many non-monetary aspects and social considerations, besides simple mobility needs, may influence the individual willingness of sharing a ride, which are difficult to predict. To address this problem, in this study we propose GoTogether, a recommender system for car pooling services that leverages on learning-to-rank techniques to automatically derive the personalised ranking model of each user from the history of her choices (i.e., the type of accepted or rejected shared rides). Then, GoTogether builds the list of recommended rides in order to maximise the success rate of the offered matches. To test the performance of our scheme we use real data from Twitter and Foursquare sources in order to generate a dataset of plausible mobility patterns and ride requests in a metropolitan area. The results show that the proposed solution quickly obtain an accurate prediction of the personalised user's choice model both in static and dynamic conditions.
• Abstract（参考訳）: 自動車のプール化は、交通渋滞や大気汚染の低減に大きく貢献し、ドライバーと旅行者とを同じ時間帯や時間帯で共有できるようにすることが期待されている。 多くのカープールマッチングサービスが、ドライバーと潜在的な乗客のプール内で、効率的にライドマッチを見つけるために設計されている。 しかし現在では、単純なモビリティニーズ以外の多くの非金銭的側面や社会的配慮が、予測が難しい乗り心地の個々人の意思に影響を及ぼす可能性があると認識されている。 そこで本研究では,カープーリングサービスのためのレコメンダシステムであるgogogetherを提案する。このシステムでは,カープーリングの学習とランク付け技術を活用して,選択履歴から各ユーザのパーソナライズされたランキングモデルを自動的に導出する。 次にgotogetherは、提示されたマッチ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する。 提案手法の性能を検証するため,大都市圏の移動パターンや乗車要求のデータセットを生成するために,Twitter やFoursquare の情報源からの実際のデータを利用する。 提案手法は,静的条件と動的条件の両方において,パーソナライズされたユーザの選択モデルを精度良く予測できることを示す。

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)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• 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)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Secure Your Ride: Real-time Matching Success Rate Prediction for Passenger-Driver Pairs [24.5737193355862]
  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。
  論文  参考訳（メタデータ） (2021-09-14T15:41:13Z)
• 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)
• 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)
• 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。