論文の概要: Online Relocating and Matching of Ride-Hailing Services: A Model-Based
Modular Approach
- arxiv url: http://arxiv.org/abs/2310.09071v1
- Date: Fri, 13 Oct 2023 12:45:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 13:11:30.162694
- Title: Online Relocating and Matching of Ride-Hailing Services: A Model-Based
Modular Approach
- Title(参考訳): 配車サービスのオンラインロケーションとマッチング:モデルに基づくモジュラーアプローチ
- Authors: Chang Gao, Xi Lin, Fang He, Xindi Tang
- Abstract要約: 本研究は、配車プラットフォームにおける注文マッチングと車両の移動を動的に最適化する革新的モデルベースモジュラーアプローチ(MMA)を提案する。
MMAはバッチマッチングや強化学習に基づく手法よりも優れた系統的性能を達成することができる。
- 参考スコア(独自算出の注目度): 7.992568451498863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study proposes an innovative model-based modular approach (MMA) to
dynamically optimize order matching and vehicle relocation in a ride-hailing
platform. MMA utilizes a two-layer and modular modeling structure. The upper
layer determines the spatial transfer patterns of vehicle flow within the
system to maximize the total revenue of the current and future stages. With the
guidance provided by the upper layer, the lower layer performs rapid
vehicle-to-order matching and vehicle relocation. MMA is interpretable, and
equipped with the customized and polynomial-time algorithm, which, as an online
order-matching and vehicle-relocation algorithm, can scale past thousands of
vehicles. We theoretically prove that the proposed algorithm can achieve the
global optimum in stylized networks, while the numerical experiments based on
both the toy network and realistic dataset demonstrate that MMA is capable of
achieving superior systematic performance compared to batch matching and
reinforcement-learning based methods. Moreover, its modular and lightweight
modeling structure further enables it to achieve a high level of robustness
against demand variation while maintaining a relatively low computational cost.
- Abstract(参考訳): 本研究は、配車プラットフォームにおける注文マッチングと車両の移動を動的に最適化する革新的なモデルベースモジュラーアプローチ(MMA)を提案する。
MMAは2層構造とモジュラー構造を用いる。
上層層は、システム内の車両の流れの空間移動パターンを決定し、現在および将来のステージの総収益を最大化する。
上層によって提供される誘導により、下層は高速な車両間マッチングと車両の移動を行う。
MMAは解釈可能で、カスタマイズされた多項式時間アルゴリズムを備えており、オンラインの注文マッチングおよび車両移動アルゴリズムとして、数千台の車両をスケールすることができる。
提案手法はスタイライゼーションネットワークにおいてグローバルに最適であることが理論的に証明できるが,toy network と real dataset を用いた数値実験では,mma がバッチマッチング法や強化学習法に比べて優れた体系的性能を達成できることが示されている。
さらに、そのモジュール的で軽量なモデリング構造により、比較的低い計算コストを維持しながら、需要変動に対する高い堅牢性を実現することができる。
関連論文リスト
- Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳(メタデータ) (2024-03-12T11:48:49Z) - EnsembleFollower: A Hybrid Car-Following Framework Based On
Reinforcement Learning and Hierarchical Planning [22.63087292154406]
先進的な人間的な車追従を実現するための階層的計画枠組みを提案する。
EnsembleFollowerフレームワークには、複数の低レベルの自動車追従モデルを司法的に管理する、高レベルの強化学習ベースのエージェントが含まれている。
提案手法は,HighDデータセットから実世界の運転データに基づいて評価する。
論文 参考訳(メタデータ) (2023-08-30T12:55:02Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - Sequential Ensembling for Semantic Segmentation [4.030520171276982]
我々は、複数の独立に訓練された最先端モデルの予測を組み合わせる一般的なアンサンブルアプローチをベンチマークする。
そこで本研究では,素なアンサンブルベースラインを大幅に上回る,逐次アンサンブルネットワークの強化にインスパイアされた新しい手法を提案する。
論文 参考訳(メタデータ) (2022-10-08T22:13:59Z) - Modeling Adaptive Platoon and Reservation Based Autonomous Intersection
Control: A Deep Reinforcement Learning Approach [0.0]
本研究では, 深部強化学習(DRL)技術を利用した適応型小隊型自律交叉制御モデルを提案する。
交通マイクロシミュレータ上での試験では, 走行効率, 燃料保存性能が, 最先端の手法と比較して優れていた。
論文 参考訳(メタデータ) (2022-06-24T08:50:36Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - A Modular and Transferable Reinforcement Learning Framework for the
Fleet Rebalancing Problem [2.299872239734834]
モデルフリー強化学習(RL)に基づく艦隊再バランスのためのモジュラーフレームワークを提案する。
動作領域のグリッド上の分布としてRL状態とアクション空間を定式化し,フレームワークをスケーラブルにする。
実世界の旅行データとネットワークデータを用いた数値実験は、このアプローチがベースライン法よりもいくつかの異なる利点があることを実証している。
論文 参考訳(メタデータ) (2021-05-27T16:32:28Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Optimising Stochastic Routing for Taxi Fleets with Model Enhanced
Reinforcement Learning [32.322091943124555]
我々は、道路配車サービスのための大規模な車両群のためのルーティングポリシーを最適化することを目指している。
モデルベースディスパッチアルゴリズム,モデルフリー強化学習アルゴリズム,新しいハイブリッドアルゴリズムが提案されている。
論文 参考訳(メタデータ) (2020-10-22T13:55:26Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳(メタデータ) (2020-07-13T17:44:30Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2019-12-31T00:29:22Z)
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。