論文の概要: A Better Match for Drivers and Riders: Reinforcement Learning at Lyft

• arxiv url: http://arxiv.org/abs/2310.13810v1
• Date: Fri, 20 Oct 2023 20:49:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 05:06:29.116574
• Title: A Better Match for Drivers and Riders: Reinforcement Learning at Lyft
• Title（参考訳）: ドライバーとライダーのためのより良いマッチング - Lyftの強化学習
• Authors: Xabi Azagirre, Akshay Balwally, Guillaume Candeli, Nicholas Chamandy, Benjamin Han, Alona King, Hyungjun Lee, Martin Loncaric, S\'ebastien Martin (SM), Vijay Narasiman, Zhiwei (Tony) Qin, Baptiste Richard, Sara Smoot, Sean Taylor, Garrett van Ryzin, Di Wu, Fei Yu, Alex Zamoshchin
• Abstract要約: 我々は、ドライバーの将来の収益をリアルタイムで見積もる、新しいオンライン強化学習アプローチを使用している。 この変更は、リアルタイムで学び、改善できるライドシェアリングマッチングアルゴリズムの最初の文書化された実装だった。 Lyftは2021年にこのアルゴリズムを全世界に展開した。
• 参考スコア（独自算出の注目度）: 9.901159075969318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To better match drivers to riders in our ridesharing application, we revised Lyft's core matching algorithm. We use a novel online reinforcement learning approach that estimates the future earnings of drivers in real time and use this information to find more efficient matches. This change was the first documented implementation of a ridesharing matching algorithm that can learn and improve in real time. We evaluated the new approach during weeks of switchback experimentation in most Lyft markets, and estimated how it benefited drivers, riders, and the platform. In particular, it enabled our drivers to serve millions of additional riders each year, leading to more than $30 million per year in incremental revenue. Lyft rolled out the algorithm globally in 2021.
• Abstract（参考訳）: ライドシェアリングアプリケーションのドライバーとライダーとのマッチングを改善するため、Lyftのコアマッチングアルゴリズムを改訂しました。 我々は新しいオンライン強化学習アプローチを用いて、ドライバーの将来の収益をリアルタイムで推定し、この情報を使ってより効率的なマッチングを見つける。 この変更は、リアルタイムで学習し、改善できるライドシェアリングマッチングアルゴリズムの最初の文書化実装であった。 私たちは、ほとんどのlyft市場で数週間のswitchback実験の間、この新しいアプローチを評価し、ドライバー、乗客、そしてプラットフォームにどのように利益があったかを見積もった。 特に、当社のドライバーは毎年何百万人もの乗客にサービスを提供し、年商3000万ドル以上のインクリメンタルな収入をもたらしました。 Lyftは2021年にこのアルゴリズムを全世界展開した。

関連論文リスト

• User Strategization and Trustworthy Algorithms [81.82279667028423]
  ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。 そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
  論文  参考訳（メタデータ） (2023-12-29T16:09:42Z)
• Race Driver Evaluation at a Driving Simulator using a physical Model and a Machine Learning Approach [1.9395755884693817]
  本稿では,ドライバー・イン・ザ・ループシミュレータ上でのレースドライバーの研究と評価を行う。 ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。 ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T07:32:32Z)
• DriverGym: Democratising Reinforcement Learning for Autonomous Driving [75.91049219123899]
  本稿では,自律運転のための強化学習アルゴリズムを開発するオープンソース環境であるDeadGymを提案する。 DriverGymは1000時間以上の専門家ログデータへのアクセスを提供し、リアクティブおよびデータ駆動エージェントの動作をサポートする。 広範かつフレキシブルなクローズループ評価プロトコルを用いて,実世界のデータ上でRLポリシーの性能を容易に検証できる。
  論文  参考訳（メタデータ） (2021-11-12T11:47:08Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• 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)
• Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
  Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2021-02-10T03:09:13Z)
• A multi-objective optimization framework for on-line ridesharing systems [6.247570729758392]
  本稿では,生物地理学に基づく最適化を利用して,オンラインライドシェアリングにおける多目的最適化問題を解くアルゴリズムを提案する。 北京のライドシェアリングデータセットで性能を評価することで,本アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2020-12-07T16:25:39Z)
• Predicting Requests in Large-Scale Online P2P Ridesharing [1.8434430658837255]
  ピアツーピアライドシェアリング(P2P-RS)は、プロのドライバーを介さずに、自分のプライベートカーでワンタイムの乗車を手配することを可能にする。 本稿では,P2P-RS最適化の文脈における配車要求の予測の利点を評価する問題に取り組む。 パブリックな実世界の結果は、完璧な予測器を使用することで、全体の報酬が5.27%向上し、予測の地平線は1分になることを示している。
  論文  参考訳（メタデータ） (2020-09-07T10:27:24Z)
• 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)
• Cost-sensitive Multi-class AdaBoost for Understanding Driving Behavior with Telematics [1.4502611532302039]
  保険会社は、走行距離、ドライバーのブレーキの仕方、加速や回転の仕方、週毎の走行頻度など、幅広いデータをキャプチャできる。 このような追加情報は、保険会社が利用ベース保険(UBI)のリスクアセスメントを改善するのに役立つ。 本稿では,クレーム頻度をより正確に予測するために,テレマティクス情報を統合する方法について検討する。
  論文  参考訳（メタデータ） (2020-07-06T22:26:56Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)

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。