論文の概要: Learning Personalized Utility Functions for Drivers in Ride-hailing Systems Using Ensemble Hypernetworks
- arxiv url: http://arxiv.org/abs/2506.17672v1
- Date: Sat, 21 Jun 2025 10:16:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.534442
- Title: Learning Personalized Utility Functions for Drivers in Ride-hailing Systems Using Ensemble Hypernetworks
- Title(参考訳): Ensemble Hypernetworks を用いた配車システムにおけるドライバのパーソナライズされたユーティリティ関数の学習
- Authors: Weiming Mai, Jie Gao, Oded Cats,
- Abstract要約: 配車システムでは、ドライバーは注文特性、交通条件、個人の嗜好などの要因に基づいて、乗車要求を受理するか拒否するかを決定する。
ランダムユーティリティ最大化(Random Utility Maximization)アプローチのような伝統的なモデルは、典型的には、属性間の線形相関を仮定してドライバの判断を予測する。
ハイパーネットワークとアンサンブル学習を用いて,パーソナライズされたユーティリティ関数を学習する手法を開発した。
- 参考スコア(独自算出の注目度): 5.798097258399067
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In ride-hailing systems, drivers decide whether to accept or reject ride requests based on factors such as order characteristics, traffic conditions, and personal preferences. Accurately predicting these decisions is essential for improving the efficiency and reliability of these systems. Traditional models, such as the Random Utility Maximization (RUM) approach, typically predict drivers' decisions by assuming linear correlations among attributes. However, these models often fall short because they fail to account for non-linear interactions between attributes and do not cater to the unique, personalized preferences of individual drivers. In this paper, we develop a method for learning personalized utility functions using hypernetwork and ensemble learning. Hypernetworks dynamically generate weights for a linear utility function based on trip request data and driver profiles, capturing the non-linear relationships. An ensemble of hypernetworks trained on different data segments further improve model adaptability and generalization by introducing controlled randomness, thereby reducing over-fitting. We validate the performance of our ensemble hypernetworks model in terms of prediction accuracy and uncertainty estimation in a real-world dataset. The results demonstrate that our approach not only accurately predicts each driver's utility but also effectively balances the needs for explainability and uncertainty quantification. Additionally, our model serves as a powerful tool for revealing the personalized preferences of different drivers, clearly illustrating which attributes largely impact their rider acceptance decisions.
- Abstract(参考訳): 配車システムでは、ドライバーは注文特性、交通条件、個人の嗜好などの要因に基づいて、乗車要求を受理するか拒否するかを決定する。
これらの決定を正確に予測することは、これらのシステムの効率性と信頼性を向上させるために不可欠である。
RUM(Random Utility Maximization)アプローチのような従来のモデルでは、属性間の線形相関を仮定してドライバの判断を予測するのが一般的である。
しかし、これらのモデルは属性間の非線形相互作用を考慮せず、個別のドライバーの独特でパーソナライズされた好みに対応できないため、しばしば不足する。
本論文では,ハイパーネットワークとアンサンブル学習を用いて,パーソナライズされたユーティリティ関数を学習する手法を開発する。
Hypernetworksは、トリップリクエストデータとドライバプロファイルに基づいて、リニアユーティリティ関数の重みを動的に生成し、非線形関係をキャプチャする。
異なるデータセグメントでトレーニングされたハイパーネットのアンサンブルは、制御されたランダム性を導入し、モデル適応性と一般化をさらに改善し、過剰適合を減らす。
実世界のデータセットにおける予測精度と不確実性推定の観点から,我々のアンサンブル・ハイパーネットモデルの性能を検証した。
その結果、本手法は各運転者の実用性を正確に予測するだけでなく、説明可能性と不確実性定量化の必要性を効果的にバランスさせることを示した。
さらに、当社のモデルは、異なるドライバのパーソナライズされた好みを明らかにするための強力なツールとして役立ちます。
関連論文リスト
- 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) - LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。
この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
論文 参考訳(メタデータ) (2024-05-23T11:10:32Z) - IGANN Sparse: Bridging Sparsity and Interpretability with Non-linear Insight [4.010646933005848]
IGANN Sparseは、一般化された加法モデルのファミリーから生まれた、新しい機械学習モデルである。
トレーニング中の非線形特徴選択プロセスを通じて、スパシティを促進する。
これにより、予測性能を犠牲にすることなく、モデル空間の改善による解釈可能性を保証する。
論文 参考訳(メタデータ) (2024-03-17T22:44:36Z) - On Learning the Tail Quantiles of Driving Behavior Distributions via
Quantile Regression and Flows [13.540998552232006]
本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。
この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。
我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
論文 参考訳(メタデータ) (2023-05-22T15:09:04Z) - Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following [9.837204436270811]
本稿では,感覚運動制御タスクにおいて,人間の知覚と制御のモデルを学ぶための一般的な推定手法を提案する。
我々は,人間の知覚と認知科学からの行動の理論である,能動的推論と整合したモデル構造仕様を考察する。
論文 参考訳(メタデータ) (2023-03-27T13:39:26Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳(メタデータ) (2023-02-23T18:57:14Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - UMBRELLA: Uncertainty-Aware Model-Based Offline Reinforcement Learning
Leveraging Planning [1.1339580074756188]
オフライン強化学習(RL)は、オフラインデータから意思決定を学ぶためのフレームワークを提供する。
自動運転車(SDV)は、おそらく準最適データセットの振る舞いよりも優れるポリシーを学ぶ。
これはモデルベースのオフラインRLアプローチの使用を動機付け、プランニングを活用する。
論文 参考訳(メタデータ) (2021-11-22T10:37:52Z)
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。