論文の概要: LLM-ODDR: A Large Language Model Framework for Joint Order Dispatching and Driver Repositioning

• arxiv url: http://arxiv.org/abs/2505.22695v1
• Date: Wed, 28 May 2025 13:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.443889
• Title: LLM-ODDR: A Large Language Model Framework for Joint Order Dispatching and Driver Repositioning
• Title（参考訳）: LLM-ODDR: 共同処理とドライバ再配置のための大規模言語モデルフレームワーク
• Authors: Tengfei Lyu, Siyuan Feng, Hao Liu, Hai Yang,
• Abstract要約: 配車サービスにおける大規模言語モデル(LLMs)を協調運転者配置(ODDR)に活用する新しい枠組みを提案する。 我々の枠組みは, 従来の手法よりも, 有効性, 異常条件への適応性, 意思決定性において優れていた。
• 参考スコア（独自算出の注目度）: 9.36976476514113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ride-hailing platforms face significant challenges in optimizing order dispatching and driver repositioning operations in dynamic urban environments. Traditional approaches based on combinatorial optimization, rule-based heuristics, and reinforcement learning often overlook driver income fairness, interpretability, and adaptability to real-world dynamics. To address these gaps, we propose LLM-ODDR, a novel framework leveraging Large Language Models (LLMs) for joint Order Dispatching and Driver Repositioning (ODDR) in ride-hailing services. LLM-ODDR framework comprises three key components: (1) Multi-objective-guided Order Value Refinement, which evaluates orders by considering multiple objectives to determine their overall value; (2) Fairness-aware Order Dispatching, which balances platform revenue with driver income fairness; and (3) Spatiotemporal Demand-Aware Driver Repositioning, which optimizes idle vehicle placement based on historical patterns and projected supply. We also develop JointDR-GPT, a fine-tuned model optimized for ODDR tasks with domain knowledge. Extensive experiments on real-world datasets from Manhattan taxi operations demonstrate that our framework significantly outperforms traditional methods in terms of effectiveness, adaptability to anomalous conditions, and decision interpretability. To our knowledge, this is the first exploration of LLMs as decision-making agents in ride-hailing ODDR tasks, establishing foundational insights for integrating advanced language models within intelligent transportation systems.
• Abstract（参考訳）: 配車プラットフォームは、動的な都市環境下での配車と運転者の再配置作業の最適化において、大きな課題に直面している。 組合せ最適化、ルールに基づくヒューリスティックス、強化学習に基づく伝統的なアプローチは、しばしばドライバーの収入の公平さ、解釈可能性、現実のダイナミクスへの適応性を見落としている。 LLM-ODDRは,配車サービスにおける大規模言語モデル(LLM)を協調運転者配置(ODDR)に活用する新しいフレームワークである。 LLM-ODDRフレームワークは,(1)複数の目的を考慮して注文を評価し,その全体的価値を決定する多目的受注受注(Multi-jective-guided Order Value Refinement),(2)プラットフォーム収益とドライバの収益のバランスをとる公正受注(Fairness-aware Order Dispatching),(3)歴史的パターンと投射的供給に基づいてアイドル車配置を最適化する時空間需要対応ドライバ配置(Spatiotemporal Demand-Aware Driver Repositioning)の3つの重要な構成要素から構成される。 また、ドメイン知識を持つODDRタスクに最適化された微調整モデルであるJointDR-GPTを開発した。 マンハッタンのタクシー運行から得られた実世界のデータセットに関する大規模な実験により、我々のフレームワークは、有効性、異常条件への適応性、決定の解釈可能性という点で従来の手法よりも大幅に優れていることが示された。 我々の知る限り、LDMをライドシェアリングODDRタスクにおける意思決定エージェントとして初めて探求し、インテリジェント交通システムに先進的な言語モデルを統合するための基礎的な洞察を確立しました。

関連論文リスト

• URB -- Urban Routing Benchmark for RL-equipped Connected Autonomous Vehicles [0.0]
  強化学習(RL)は、このような集合的ルーティング戦略の開発を容易にする。 RL搭載コネクテッド・オートマチック・ビークルの都市ルーティングベンチマークについて紹介する。 我々の結果は、長大でコストのかかるトレーニングにもかかわらず、最先端のMARLアルゴリズムが人間を上回ることは滅多にないことを示唆している。
  論文  参考訳（メタデータ） (2025-05-23T10:54:53Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• Enhancing Autonomous Driving Systems with On-Board Deployed Large Language Models [25.418353477628035]
  本研究では,低レベルモデル予測制御器(MPC)と局所展開型大規模言語モデル(LLM)を組み合わせたハイブリッドアーキテクチャを提案する。 DecisionxLLMモジュールは、ロボットの状態情報を自然言語命令に対して評価し、所望の運転行動への順守を保証する。 本稿では、検索型拡張生成(RAG)、低ランク適応(LoRA)、微調整、量子化を利用するアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-15T13:49:17Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• OWLed: Outlier-weighed Layerwise Pruning for Efficient Autonomous Driving Framework [3.8320050452121692]
  本稿では,効率的な自律運転フレームワーク Outlier-Weighed Layerwise Pruning であるOWLedを紹介する。 提案手法は,外乱特性の分布に基づいて,異なる層に対して一様でない空間比を割り当てる。 圧縮モデルが自律運転タスクに適合するようにするため、運転環境データをキャリブレーションとプルーニングの両方に組み込む。
  論文  参考訳（メタデータ） (2024-11-12T10:55:30Z)
• EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
  本研究では,データ駆動型自動車追従モデルを提案する。 本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
  論文  参考訳（メタデータ） (2024-06-23T15:04:07Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)
• 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)

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。